基于深度学习的智能反射表面相位重构
本文主要研究机器学习技术在智能反射表面(IRS)辅助的无线网络中,通过优化驱动的机器学习框架实现性能的最大化,结果表明该方法相比于传统的 “无模型” 学习方法,在收敛性和奖励性能方面都有着优势。
Aug, 2020
利用智能反射表面和深度强化学习技术优化基站波束和反射波束以提高系统保密率和服务质量,在不同质量服务需求和时变信道的情况下能显著提高在多个窃听器存在时的多个合法用户之间的安全通信系统的保密率和服务质量。
Feb, 2020
本文研究了利用智能反射面,采用机器学习方法直接优化小区网络中天线波束和反射系数的问题,提出基于神经网络的通道隐式估计方法,以实现对小区网络中用户总速率或最小速率的高效优化。
Sep, 2020
本文提出了一种基于物理模型的方法和可扩展的优化框架来设计大型聪明反射表面,这些表面将无线通信环境转化为智能可重构传播环境,并通过划分为若干个瓷砖集来优化设计。
Apr, 2020
本文研究了在智能反射面(IRS)辅助下的无线网络中,同时对接入点的持续发射预编码和 IRS 上的离散反射相移进行联合优化,以实现最小化发送功率。除此之外,还提出了单用户情况下的最优算法。模拟结果验证了该方案的有效性。
Jun, 2019
提出了一种实用的相位移位模型,结合联合优化技术来设计 IRS 辅助下的 Beamforming 以最大化可达到的速率,相比传统的理想模型,该模型能够在未来无线通信系统中提高频谱和能量效率。
Jul, 2019
本文探讨了如何通过智能反射表面(IRS)优化线性传输的通道容量,提出利用 IRS 配置重构型超材料,增加蜂窝通信中通道矩阵的秩,从而在高信噪比下实现空间复用的效果。
Feb, 2020
本文研究了一种智能反射面在无线通信领域中的应用,旨在通过优化无源反射元件相位移位来协同实现波束成形并提高终端用户的信号接收功率,并提出了基于半定松弛技术和分布式算法的中心式和分布式实现方案。仿真结果表明所提算法能够显著提高系统性能,并且智能反射面可大幅度提高与传统方案的链路质量和 / 或覆盖率。
Sep, 2018
本文提出使用智能反射表面(IRS)来增强无线通信系统的物理层安全,并针对一个多天线发射机与单天线接收器在窃听者存在的情况下考虑了辅助安全无线系统。为了最大化保密率,同时优化了发射机的波束形成器和 IRS 相位。本文提出的两个高效算法可以解决结果非凸优化问题,模拟结果表明,如果使用所提出的算法,则 IRS 可以显著提高物理层安全性。此外,我们还发现,部署大规模 IRS 要比扩大发射机天线阵列大小更有效,可以提高保密率并增强能量效率。
Apr, 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