被动波束成形的无监督学习
本文研究了可重构智能表面(RIS)辅助的大规模多输入多输出系统在三维中为扩展无线蜂窝覆盖的问题,其中多个 RIS 分别装备有一组被动元件,部署以同时服务多个无人机(UAV)的基站(BS)在 5G 无线通信的时频资源中。通过联合优化 BS 的发送波束形成参数和 RIS 的相移参数来最大化 UAV 的最小信干噪比(SINR),并确保 UAV 之间的公平性。我们提出了两种新颖的算法来解决这个问题,并利用深度确定性策略梯度作为最优化方法来求解 BS 的波束形成矩阵和 RIS 的相移参数。通过模拟结果证明了我们提出的解决方案的有效性,并得出了一些有见地的观察结果。
Nov, 2023
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
本文提出一种自适应相移器设计方案,采用 RIS 辅助毫米波 MIMO 系统进行准确定位和高速数据传输,使用基于分层码本和来自移动站的反馈的算法对离散 RIS 单元的相位值进行优化,其性能优于随机设计方案,且在低信噪比情况下性能收敛于穷尽搜索方案。
Nov, 2019
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
本研究使用可重构智能表面辅助的无线发射机探究多用户通信网络的资源分配问题。通过控制表面的相位波束和 BS 的发射功率,将网络的总发射功率最小化,以满足用户的信噪比约束。提出一种双重方法解决该问题,其结果是降低了相对于最大比传输(MRT)波束成形和零强制(ZF)波束成形技术的总发射功率高达 94%和 27%。
Sep, 2020
本文研究了一种低复杂度的反射智能表面的相位配置算法,利用监督学习的方法构建多层感知神经网络来快速计算反射表面的相位,并通过模拟实验验证了该算法对网络性能提升的有效性。
Oct, 2020
本文提出了一种基于反射模式调制的 RIS 增强的多输入单输出系统,其中 RIS 可以通过被动波束成形来配置其反射状态以增强接收信号功率并同时通过反射传递自己的信息,并且我们通过优化问题和交替优化技术提出了一种高质量的子优化解决方案,研究了所提出方案的渐近误码概率和可达速率性能,并表明该方案在可达速率性能方面优于传统的无信息传输的 RIS 协助系统。
Aug, 2020
本文针对一个 D2D 通信网络,研究了 D2D 用户的联合功率控制和可重构智能表面(RIS)的被动波束成形,以最大化能耗效率。本文提出了一种可行的非凸优化算法,其中将问题分解成两个子问题来最优化。通过交替地解决子问题,本文获得了一个联合优化问题的次优解来提高 D2D 网络的能效。
Jun, 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
提出了一种采用非正交多址技术 (NOMA) 的可重构智能表面 (RIS) 的部署和无源波束成形设计的新框架,利用机器学习方法分别进行用户流量需求的预测和位置获取及相位控制。所提出的 D3QN 算法优于基准算法,同时 NOMA 增强的 RIS 系统能够实现比正交多址 (OMA) 启用的 RIS 系统更高的能量效率。
Jan, 2020