本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输,通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明,该算法学习能力逐渐提高,与两个最新的基准算法相比表现相当。
Feb, 2020
本文提出了使用深度学习方法在室内通信环境中进行无线配置可重构智能面(RIS)的方法,通过深度神经网络实现从用户位置的坐标到 RIS 单元格的配置之间的映射,成功地提高了信号传输速率和用户位置的接收信号强度。
May, 2019
本文提出了一种基于人工智能的 RIS 辅助数字分类方法,训练卷积神经网络对数字调制进行分类,无需特征提取,其分类方法在低信噪比下表现出色。
Sep, 2022
本文提供面向 6G 网络中可重构智能表面(RIS)的边缘智能算法,结合了 Lyapunov 随机优化和深度加强学习,以实现能耗、时延和推理准确度的最佳平衡。
May, 2023
该论文介绍了可重构智能表面(RIS)的应用,重点在于解决无覆盖区域的问题,并提出了一种基于深度强化学习的解决方案,名为 D-RISA,通过该方案能够实现最优的 RIS 部署。在法国雷恩火车站的室内场景中验证了该框架,与现有方法相比,该框架展示了更好的覆盖,即最小信噪比提高 10 dB,计算时间更短(高达 25%),并提高了对更密集网络部署的可扩展性。
Oct, 2023
通过利用长短时记忆网络和深度神经网络的方法,本研究提出了一种改进的主动感知设计,旨在解决上行定位问题,其中基站通过可重构智能表面(RISs)帮助定位远程用户。在实验中,我们说明了这种主动感知设计相较于非主动感知方法的优势,同时研究还表明,在具备多个 RISs 的情况下,一个基站的网络性能可以超过使用多个基站的情况。
Dec, 2023
本文提出了一种基于位置感知仿真环境的深度强化学习算法,用于协同波束形成设计的可重构智能表面 (mmWave) 多输入多输出系统中,仿真结果表明所提出的算法具有更为鲁棒的性能。
May, 2022
本文提出一种基于深度学习技术的反射式无源波束成形方案,以提升无线通信系统的能量和频谱效率,并通过仿真证明其在维持性能的同时相较于半正定松弛方法大大减少了计算复杂度。
Jan, 2020
本文提出了一种深度学习(DL)方法,使用接收到的导频信号通过智能反射表面反射来训练前馈神经网络,从而实现智能反射表面的相位重构,用于局部信号处理并提高无线通信性能。
Sep, 2020
本文介绍了一种基于深度强化学习(DRL)的新方法,通过联合优化 MIMO 系统中的发送波束和可重构智能表面(RIS)的相位移位,最大化相位依赖性反射幅度模型下的总下行速率。
Oct, 2022