一种用于 RIS 辅助全双工上下行传输的 DRL 方法:波束成形、相移与功率优化
信息论
2024-06-21 v3 信号处理
math.IT
摘要
我们提出一种深度强化学习(DRL)方法用于全双工(FD)传输,该方法预测可重构智能表面(RIS)的相移、基站(BS)主动波束成形器以及发射功率,以最大化上行和下行用户的加权和速率。现有方法需要信道状态信息(CSI)和残余自干扰(SI)知识来计算精确的主动波束成形器或 DRL 奖励,在缺乏 CSI 或残余 SI 时通常失效。特别是对于时变信道,在每个时间步将 CSI 估计并信令给 DRL 智能体是必要且代价高昂的。我们提出一个具有最小信令开销的两阶段 DRL 框架来解决此问题。第一阶段使用最小二乘法通过部分抵消残余 SI 来启动学习。第二阶段使用 DRL 达到与现有基于 CSI 的方法相当的性能,且不需要 CSI 或精确残余 SI。此外,所提出的用于量化 RIS 相移的 DRL 框架,相比连续版本使用少 倍的比特数来减少从 BS 到 RIS 的信令。量化方法减小了动作空间,从而实现更快的收敛,并且上行和下行速率分别比连续方法提高 和 。
引用
@article{arxiv.2212.13854,
title = {A DRL Approach for RIS-Assisted Full-Duplex UL and DL Transmission: Beamforming, Phase Shift and Power Optimization},
author = {Nancy Nayak and Sheetal Kalyani and Himal A. Suraweera},
journal= {arXiv preprint arXiv:2212.13854},
year = {2024}
}