基于神经网络的智能反射面辅助方向到达估计
机器学习
2024-06-27 v1 定量方法
摘要
方向到达估计 (Direction-of-Arrival, DoA) 辅以智能反射面 (Intelligent Reflecting Surface, IRS) 对各种无线应用至关重要，尤其是在具有挑战性的非直线视距 (Non-Line-of-Sight, NLoS) 环境中。本文提出了一种新颖的神经网络架构以应对这一挑战。关键创新点在于引入了一个专门的、可学习的 IRS 层，集成于基于问题物理和几何基础建立的端到端系统中。与常规神经网络层不同，此特定层包含块对角正弦权重约束，其中这些正弦的相位参数在训练期间学习，以直接模拟 IRS 单元的相位移位。这使得端到端系统能够针对增强的 DoA 估计进行 IRS 配置优化，无需单独的 IRS 优化算法。此外，本文还提出并考察了不同的 DoA 回归网络。在 various conditions and noise levels 下进行的数值仿真，其中由于 IRS 的存在而引入受控的相干多径分量，结果表明该新颖的端到端系统在其他方法之上具有优越性能，并突显了其在复杂 IRS 辅助无线系统中显著提高 DoA 估计精度的潜力。此外，还比较了不同方法的相应计算复杂度。
引用
@article{arxiv.2406.18309,
title = {Automated Immunophenotyping Assessment for Diagnosing Childhood Acute Leukemia using Set-Transformers},
author = {Elpiniki Maria Lygizou and Michael Reiter and Margarita Maurer-Granofszky and Michael Dworzak and Radu Grosu},
journal= {arXiv preprint arXiv:2406.18309},
year = {2024}
}
备注
The paper has been accepted at IEEE EMBS 2024 (46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society)