面向智能反射面辅助无线网络的优化驱动机器学习
信号处理
2020-09-01 v1 机器学习
摘要
智能反射面(IRS)近来被用于通过控制各个散射单元的相移(即被动波束成形)来重塑无线信道。由于散射单元规模庞大,被动波束成形通常面临高计算复杂度与信道信息不精确的挑战。本文关注于IRS辅助无线网络中用于性能最大化的机器学习(ML)方法。一般而言,ML方法在面对不确定信息与不精确建模时具有更强的灵活性与鲁棒性。实际挑战仍主要来自离线训练对大型数据集的需求以及在线学习收敛缓慢。这些观察促使我们设计一种新颖的优化驱动ML框架用于IRS辅助无线网络,该框架兼具基于模型的优化之高效性与无模型ML方法之鲁棒性。通过将决策变量分为两部分,其中一部分由外循环ML方法获得,另一部分通过求解近似问题高效优化。数值结果验证,与传统的无模型学习方法相比,优化驱动ML方法在收敛性与奖励性能上均有提升。
引用
@article{arxiv.2008.12938,
title = {Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks},
author = {Shimin Gong and Jiaye Lin and Jinbei Zhang and Dusit Niyato and Dong In Kim and Mohsen Guizani},
journal= {arXiv preprint arXiv:2008.12938},
year = {2020}
}
备注
submitted to IEEE Communications Magazine