基于深度学习的可重构智能表面室内信号聚焦
信息论
2019-05-21 v1 机器学习
math.IT
摘要
由可调单元元件构成的可重构智能表面（RISs）近来在室内通信环境中被用于将被反射的信号聚焦到期望的用户位置。然而，当前的原理验证需要复杂的RIS配置操作，这些操作主要通过有线控制连接实现。本文提出了一种用于室内通信环境中RIS高效在线无线配置的深度学习方法。根据所提方法，在离线训练阶段建立坐标指纹数据库。该指纹数据库用于训练一个适当设计的深度神经网络（DNN）的权重和偏置，其作用是揭示用户位置处测得的坐标信息与使该用户接收信号强度最大化的RIS单元配置之间的映射关系。在所提方法的在线阶段，将目标用户处测得的位置信息输入训练好的DNN，以输出RIS用于在该期望位置聚焦信号功率的最优相位配置。我们在三维室内环境中使用光线追踪进行的逼真仿真结果表明，所提出的基于DNN的配置方法在所有考虑的情形下均展现出其优势，并有效提高了目标用户位置处可实现的吞吐量。
引用
@article{arxiv.1905.07726,
title = {Indoor Signal Focusing with Deep Learning Designed Reconfigurable Intelligent Surfaces},
author = {Chongwen Huang and George C. Alexandropoulos and Chau Yuen and Mérouane Debbah},
journal= {arXiv preprint arXiv:1905.07726},
year = {2019}
}
备注
5 pages, Accepted by SPAWC 2019