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
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
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。
Aug, 2021
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
通过使用机器学习和增强学习等技术,本文讨论了如何优化并提高支持可重构智能表面的 6G 网络性能,并探讨了大语言模型与强化学习相结合的新机遇。
May, 2024
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
本文提出了一种基于可重构智能表面的多跳信道下的 THz 通信网络混合波束赋形方案,使用近期的强化学习技术,通过协同设计基站和可重构智能表面的数字波束和模拟波束矩阵,提高了 THz 通信的覆盖范围,并证明了该方案优于传统的基于多跳的波束赋形方案。
Jan, 2021
本文提出了一种基于深度强化学习的无监督无线定位方法,通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中,以克服使用未标记数据进行定位时奖励的获取难题,并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入,为 IoT 数据的空间化提供了新思路。
Apr, 2020