基于深度学习的 RIS 辅助通信时变信道估计
信号处理
2021-08-13 v1
摘要
可重构智能表面（RIS）被视为未来无线通信网络的革命性技术。在本文中，我们考虑时变级联信道的获取，由于海量无源 RIS 单元和较小的信道相干时间，这是一项具有挑战性的任务。为降低导频开销，在天线域和时间域上均实施了基于深度学习的信道外推。我们将神经网络分为两部分，即时间域和天线域外推网络，其中利用了神经常微分方程（ODE）。前者中，ODE 精确描述 RIS 信道的动态特性并改善循环神经网络在时间序列重建上的性能。后者中，ODE 被用于修正前馈神经网络中不同数据层之间的关系。我们将两个网络级联并联合训练。仿真结果表明，所提方案能在高移动性场景下有效外推级联 RIS 信道。
引用
@article{arxiv.2108.05661,
title = {Deep Learning-based Time-varying Channel Estimation for RIS Assisted Communication},
author = {Meng Xu and Shun Zhang and Jianpeng Ma and Octavia A. Dobre},
journal= {arXiv preprint arXiv:2108.05661},
year = {2021}
}