面向RIS联合相位与预编码优化的几何感知元学习神经网络
机器学习
2025-12-10 v2 信号处理
摘要
在可重构智能表面（RIS）辅助系统中，基站预编码矩阵与RIS单元相移的联合优化涉及显著的复杂度。本文提出一种复值几何感知元学习神经网络，用于最大化多用户多输入单输出系统中的加权和速率。通过利用相移的复圆几何和预编码器的球面几何，优化在黎曼流形上进行，从而实现更快的收敛。我们使用复值神经网络处理相移，并采用受欧拉方法启发的更新方式处理预编码器网络。我们的方法优于现有的基于神经网络的算法，提供了更高的加权和速率、更低的功耗以及显著更快的收敛速度。具体而言，与现有工作相比，其收敛速度加快了近100个周期，加权和速率提高了0.7 bps，功率增益提高了1.8 dB。此外，它比最先进的交替优化算法在加权和速率上高出0.86 bps，功率增益高出2.6 dB。
引用
@article{arxiv.2409.11270,
title = {Geometry Aware Meta-Learning Neural Network for Joint Phase and Precoder Optimization in RIS},
author = {Dahlia Devapriya and Aparna V C and Sheetal Kalyani},
journal= {arXiv preprint arXiv:2409.11270},
year = {2025}
}