基于 Transformer 信道预测的 RIS 相位偏移优化深度展开方法
信号处理
2025-02-26 v1
摘要
可重构智能表面（RIS）作为一种有前景的解决方案出现，能够动态控制电磁波的传播。RIS 技术被视为第六代网络的关键使能技术，通过智能配置其相位偏移系数来自适应地操纵信号传播，从而优化信号强度、覆盖范围和容量。然而，实现该技术的全部潜力取决于信道状态信息（CSI）的准确获取。在本文中，我们提出了一种基于机器学习（ML）Transformer 架构的高效 CSI 预测框架，用于 RIS 辅助通信系统。针对多元时间序列预测，对标准 Transformer 进行了架构修改以实现高预测精度。随后，预测的信道系数被用于优化 RIS 相位偏移。仿真结果对关键性能指标（包括数据速率和中断概率）进行了全面分析。我们的结果证实了所提出的 ML 方法的有效性，并展示了其相对于其他基线 ML 基 CSI 预测方案（如传统深度神经网络和长短期记忆架构）的优越性，尽管代价是复杂度略有增加。
引用
@article{arxiv.2502.18280,
title = {A Deep-Unfolding Approach to RIS Phase Shift Optimization Via Transformer-Based Channel Prediction},
author = {Ishan Koralege and Arthur S. de Sena and Nurul H. Mahmood and Farjam Karim and Dimuthu Lesthuruge and Samitha Gunarathne},
journal= {arXiv preprint arXiv:2502.18280},
year = {2025}
}
备注
Accepted for Scandinavian Simulation Society(SIMS) EUROSIM 2024