May, 2023

利用李亚普诺夫驱动的深度强化学习技术， 利用可重构智能表面增强边缘推理

PDF
TL;DR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。
发现论文，激发创造
  • 可重构智能表面的深度学习辅助检测

    本文提出了一种用于估计和检测重新可配置智能表面（RIS）信号中符号的深度学习方法，不需要任何驾驶人信号，降低传输开销，优于传统的检测器。

    Oct, 2019

  • 可重构智能表面辅助的 6G 网络中机器学习优化概述：从强化学习到大规模语言模型

    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

  • 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

  • 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

  • 用于 B5G 网络的元表面 AI 辅助 RIS 规划的实用性解锁

    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

  • 机器学习增强的无人机反射表面轨迹与无源波束成形设计

    提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。

    Oct, 2020

  • 基于深度强化学习的硬件受损和不完美 CSI 情况下，RIS 辅助 MU-MISO 系统中的联合下行波束赋形和 RIS 配置

    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

  • 基于多智能体强化学习的可重构智能表面辅助 VEC

    车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理，而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架，结合修改后的多智能体深度确定性策略梯度（MADDPG）方法和块坐标下降（BCD）算法，用于优化车辆用户（VUs）的功率分配和可重构智能表面的相位调整，在模拟结果中表现出优于集中式深度确定性策略梯度（DDPG）方案和随机方案的性能。

    Jun, 2024

  • 智能反射面辅助 D2D 通信的深度强化学习

    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

  • 分布式可重构智能表面的能效无线通信

    这篇论文研究了具有分布式可重构智能表面（RIS）的无线通信网络的资源分配问题，提出了两种迭代算法来最大化网络的能量效率，并展示了所提出方案在单用户和多用户情况下相较传统 RIS 方案和放大转发中继方案可获得高达 33％和 68％的性能提升。

    May, 2020