多跳太赫兹通信中用于优化波束训练的强化学习
信息论
2021-02-11 v1 机器学习
网络与互联网体系结构
信号处理
math.IT
机器学习
摘要
太赫兹(THz)频段的通信是实现下一代无线网络极高数据速率的一种有前景的方案。尽管由于太赫兹频率下的大气高吸收,THz通信传统上被视为用于短距离无线应用,但可通过启用多跳定向传输来扩展通信距离。然而,为实现多跳THz通信,传统的波束训练方案(如穷举搜索或具有固定训练层数的分层方法)会导致非常大的时间开销。为应对这一挑战,本文提出了一种具有动态训练层数的新型分层波束训练方案,以优化多跳THz链路的性能。实际上,我们制定了一个优化问题,通过动态且联合地选择所有组成单跳链路上的波束训练层数来最大化多跳THz链路的整体频谱效率。为解决在未知信道状态信息、噪声和路径损耗存在下的该问题,开发了一种基于多臂老虎机(MAB)的新强化学习方案。仿真结果表明,所提方案在随机信道和噪声存在下具有快速收敛性。结果还表明,与具有固定训练层数的传统分层波束训练相比,所提方案在频谱效率方面可带来高达75%的性能增益。
引用
@article{arxiv.2102.05269,
title = {Reinforcement Learning for Optimized Beam Training in Multi-Hop Terahertz Communications},
author = {Arian Ahmadi and Omid Semiari},
journal= {arXiv preprint arXiv:2102.05269},
year = {2021}
}
备注
2021 IEEE International Conference on Communications (ICC): Mobile and Wireless Networks Symposium