基于深度学习的智能反射面相位重配置
信号处理
2020-09-30 v1 信息论
机器学习
math.IT
摘要
智能反射面（IRSs）由可重构超材料组成，近来作为一种前景广阔且具有成本效益的技术而受到关注，可为无线通信带来新特性。这些表面可用于部分控制传播环境，并且在适当配置时有可能提供与 IRS 单元数量平方成正比的功率增益。然而，IRS 处局部相位矩阵的配置可能是一项相当具有挑战性的任务，因为它们被特意设计为不具有任何有源组件，因此无法处理任何导频信号。此外，IRS 的大量单元可能产生巨大的训练开销。在本文中，我们提出一种用于 IRS 相位重配置的深度学习方法（DL），以学习并利用局部传播环境。所提方法利用通过 IRS 反射的接收导频信号来训练深度前馈网络。我们评估了所提方法的性能并给出了数值结果。
引用
@article{arxiv.2009.13988,
title = {Deep Learning-based Phase Reconfiguration for Intelligent Reflecting Surfaces},
author = {Özgecan Özdogan and Emil Björnson},
journal= {arXiv preprint arXiv:2009.13988},
year = {2020}
}
备注
5 pages, 4 figures. To be presented at Asilomar Conference on Signals, Systems, and Computers 2020