基于隐式信道估计的可扩展 RIS 优化机器学习方法
信号处理
2025-08-12 v1
摘要
可重构智能表面 (RIS) 被视为下一代移动无线通信系统的关键使能器。尽管因其被动特性和低成本而在学术界和工业界引起广泛关注，但 RIS 元素规模的可扩展性以及对信道状态信息 (CSI) 的需求是其实现的两个主要难题。本文引入一种基于无监督机器学习 (ML) 的优化方法，用于配置 RIS。将专用神经网络 (NN) 架构 RISnet 与隐式信道估计方法结合，RISnet 学习从接收导频信号直接映射到 RIS 配置，无需显式信道估计。仿真结果表明，所提出的算法显著优于基线方法。
引用
@article{arxiv.2508.07265,
title = {A Scalable Machine Learning Approach Enabled RIS Optimization with Implicit Channel Estimation},
author = {Bile Peng and Vahid Jamali and Eduard Jorswieck},
journal= {arXiv preprint arXiv:2508.07265},
year = {2025}
}