MMAug, 2021

智能反射面辅助 D2D 通信的深度强化学习

PDF
TL;DR本文提出了一个基于深度强化学习的方法，用于解决智能反射面支持下的设备对设备通信网络和的和速率优化问题。通过优化发射功率和相位转换矩阵，模拟结果表现优异。
deep reinforcement learningoptimisationintelligent reflecting surfacedevice-to-device communicationssum-rate
发现论文，激发创造
  • 基于深度强化学习的智能反射表面用于安全无线通信

    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

  • 基于优化的深度强化学习在 IRS 辅助无线通信中的鲁棒波束成形

    该文章提出一种利用智能反射面技术的利用无线电波在多天线接入点和接收器间进行信息传输的无线通信方案，并运用深度强化学习来优化天线束成形策略，从而最小化天线接入点的传输功率。

    May, 2020

  • 一种基于深度强化学习的方法，用于增强辅助反射面无线系统的频谱效率

    本文从提高下行多用户多输入单输出系统谱效率的角度研究了一种利用智能反射面技术增强网络的方法，并通过两种深度强化学习框架解决了主基站主动发射波束形成矩阵与智能反射面被动相移矩阵的非凸联合优化问题。仿真结果表明，后者方案中的神经网络在不同情况下表现更加令人满意。

    Jan, 2023

  • 智能反射器下的毫米波通信：性能优化与分布式强化学习

    本文提出了一种基于可重构智能反射器（IR）辅助下行毫米波基站多用户通信的新型框架，并通过一种新的通道估计方法来实时测量通道状态信息（CSI），进而采用 Q-learning 算法的分布增强学习，结合量化回归和全分布下行速率优化，通过模拟测试表明，与固定的 IR 反射或直接传输方案相比，该方法可以使下行密集多用户界面的速率大幅度提高。

    Feb, 2020

  • 基于位置感知模仿环境的深度强化学习在 RIS 辅助下的毫米波 MIMO 系统中的应用

    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

  • 利用深度强化学习优化多用户 MISO 系统的可重构智能面

    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

  • 一种基于 DRL 的用于 RIS 辅助多接收机通信的反射增强方法

    本研究通过引入一种新颖的深度强化学习（DRL）优化方法，针对双反射场景中重叠剖面不一致导致的远场性能退化问题展开研究。与随机和穷举搜索方法进行对比实验，结果表明我们提出的 DRL 方法不仅在优化时间上表现出色，而且获得了 1.2 dB 的反射峰值增益和更宽的波束，而无需进行任何硬件修改。

    Sep, 2023

  • 多智能体强化学习的协同智能反射面网络

    本文提出了几种算法来最大化基站和用户之间通过能量采集协作 IRS 设备实现长期平均可实现系统速率，并考虑到时变信道和能量采集随机性，并改进了现有算法，以在减小行动空间的同时实现次优性能。模拟结果表明，所提出的算法可使数据传输速率提高 10.7％至 8.8％。

    Mar, 2022

  • 基于可重构智能面的设备到设备通信网络能效性能优化

    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

  • 智能反射面辅助无线网络的优化驱动机器学习

    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