硬件损伤与不完善CSI下RIS辅助MU-MISO系统中基于深度强化学习的联合下行波束成形与RIS配置
网络与互联网体系结构
2023-03-30 v2 机器学习
信号处理
摘要
我们引入一种新颖的深度强化学习（DRL）方法，在多用户多输入单输出（MU-MISO）系统中联合优化发射波束成形与可重构智能表面（RIS）相移，以在相位相关反射幅度模型下最大化下行和速率。我们的方法通过考虑实际RIS幅度模型，解决了不完善信道状态信息（CSI）与硬件损伤带来的挑战。我们在两种场景下将本方法性能与朴素DRL智能体比较：完美CSI与相位相关RIS幅度，以及失配CSI与理想RIS反射。结果表明，所提框架在失配下显著优于朴素DRL智能体，并接近黄金标准。我们的贡献包括对DRL方法的改进，以处理发射波束成形与相移的联合设计以及相位相关幅度模型。据我们所知，我们的方法是首个针对RIS辅助MU-MISO系统中相位相关反射幅度模型的基于DRL的方法。本研究结果凸显了我们的方法作为克服RIS辅助无线通信系统中硬件损伤的有前景解决方案的潜力。
引用
@article{arxiv.2211.09702,
title = {Deep Reinforcement Learning Based Joint Downlink Beamforming and RIS Configuration in RIS-aided MU-MISO Systems Under Hardware Impairments and Imperfect CSI},
author = {Baturay Saglam and Doga Gurgunoglu and Suleyman S. Kozat},
journal= {arXiv preprint arXiv:2211.09702},
year = {2023}
}
备注
2023 IEEE International Conference on Communications Workshops (ICC Workshops)