面向可重构智能表面辅助通信的深度学习优化稀疏天线激活
信号处理
2020-09-04 v1 人工智能
摘要
为以低功耗代价获取海量辐射单元的通信增益，传统可重构智能表面（RIS）通常工作于无源模式。然而，由于级联信道结构及缺乏信号处理能力，RIS 难以获取独立信道状态信息并优化波束赋形向量。本文为 RIS 上少数天线增设信号处理单元以部分获取信道。为解决关键的激活天线选择问题，我们构建了一个利用概率采样理论选取这些激活天线最优位置的有源天线选择网络。借助该激活天线选择网络，我们进一步设计了两种基于深度学习（DL）的方案，即信道外推方案与波束搜索方案，以实现 RIS 通信系统。前者利用选择网络与卷积神经网络从有源 RIS 天线接收的部分信道外推完整信道，后者采用全连接神经网络实现部分信道与具有最大传输速率的最优波束赋形向量之间的直接映射。仿真结果证明了所设计基于 DL 方案的有效性。
引用
@article{arxiv.2009.01607,
title = {Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication},
author = {Shunbo Zhang and Shun Zhang and Feifei Gao and Jianpeng Ma and Octavia A. Dobre},
journal= {arXiv preprint arXiv:2009.01607},
year = {2020}
}
备注
30 pages, 14 figures