具有不精确预言机的被动 IRS 辅助系统中两阶段波束赋形的数据驱动学习
信号处理
2024-11-01 v1 系统与控制
系统与控制
最优化与控制
摘要
我们开发了一种高效的数据驱动且模型无关的无监督学习算法，用于在无线通信网络中实现完全被动的智能反射面（IRS）辅助最优短/长时波束赋形。所提出的算法基于零阶随机梯度上升方法，适用于处理具有连续不确定性和目标函数中存在未知（或"黑盒"）项的两阶段随机非凸优化问题，通过利用不精确评估预言机来实现。我们展示了该算法可以在现实且通用假设下运行，并建立了其收敛到相关两阶段（即短/长时）问题某个驻点附近的收敛率，特别是在第二阶段（即短时）波束赋形问题（例如发射预编码）使用任意（不精确）预言机不精确求解的情况下。所提出的算法适用于广泛的 IRS 辅助最优波束赋形设置，同时也能在没有（级联）信道模型假设或信道统计知识的情况下运行，且适用于任意 IRS 物理配置；因此，IRS 不需要主动感知能力。我们的算法在大量实验中得到了数值验证，涉及一个研究广泛的 MISO 下行链路模型，包括需要物理 IRS 调谐的场景（例如直接通过变容电容），即使在大规模场景下也表现出色。
引用
@article{arxiv.2410.24154,
title = {Data-Driven Learning of Two-Stage Beamformers in Passive IRS-Assisted Systems with Inexact Oracles},
author = {Spyridon Pougkakiotis and Hassaan Hashmi and Dionysis Kalogerias},
journal= {arXiv preprint arXiv:2410.24154},
year = {2024}
}