HoloBeam：远场全息超表面收发器中的最优波束赋形学习
信号处理
2024-01-12 v1 机器学习
机器学习
摘要
全息超表面收发器（HMT）正成为毫米波和太赫兹波通信中大型天线阵列的经济高效替代品，用于波束赋形。然而，为了在HMT中通过波束赋形实现期望的信道增益，需要适当设置大量单元的相移，这具有挑战性。此外，这些最优相移取决于接收器的位置，而该位置可能未知。在这项工作中，我们利用固定预算多臂赌博机框架开发了一种学习算法，用于在远场区域进行波束赋形并最大化接收器处的接收信号强度。我们的算法名为\Algo，它利用了波束信道增益的参数化形式，该形式可以用两个相移参数表示。即使经过参数化，问题仍然具有挑战性，因为相移参数取连续值。为了克服这一点，\HB 使用相移参数的离散值，并利用它们与信道增益的单峰关系来更快地学习最优值。我们给出了\HB 错误识别（离散）最优相移参数的概率上界，该上界以学习所用导频数量表示。我们证明该概率随导频信号数量呈指数衰减。通过大量仿真，我们证明\HB 优于最先进的算法。
引用
@article{arxiv.2401.05420,
title = {HoloBeam: Learning Optimal Beamforming in Far-Field Holographic Metasurface Transceivers},
author = {Debamita Ghosh and Manjesh Kumar Hanawal and Nikola Zlatanova},
journal= {arXiv preprint arXiv:2401.05420},
year = {2024}
}
备注
Accepted for presentation at INFOCOM 2024