近场点波束聚焦：一种相关性感知的迁移学习方法
信号处理
2024-12-17 v3 人工智能
机器学习
摘要
与传统的角度域波束赋形不同，三维（3D）点波束聚焦（SBF）在近场区域的径向和角度域内将辐射功率集中在一个非常小的体积内。最近，基于信道状态信息（CSI）无关的机器学习（ML）方法已被开发用于使用极大规模可编程超表面（ELPM）实现有效的SBF。这些方法将ELPM划分为子阵列，并使用深度强化学习独立训练它们，以在期望的焦点（DFP）处联合聚焦波束。本文探索了使用ELPM的近场SBF，解决了由于子阵列独立训练导致的训练时间长的挑战。为了实现更快的CSI无关解决方案，受子阵列波束聚焦矩阵之间相关性的启发，我们利用迁移学习技术。首先，我们提出了一种基于子阵列孔径相位分布图像（PDI）的新颖相似性准则。然后，我们设计了一种子阵列策略传播方案，将知识从已训练的子阵列迁移到未训练的子阵列。我们通过引入准液体层作为自适应策略重用技术的修订版，进一步增强了学习。通过仿真表明，所提出的方案将训练速度提高了约5倍。此外，对于动态DFP管理，我们设计了一种DFP策略混合过程，将收敛速度提高了8倍。
关键词
引用
@article{arxiv.2405.19347,
title = {Near-Field Spot Beamfocusing: A Correlation-Aware Transfer Learning Approach},
author = {Mohammad Amir Fallah and Mehdi Monemi and Mehdi Rasti and Matti Latva-Aho},
journal= {arXiv preprint arXiv:2405.19347},
year = {2024}
}