太赫兹可重构智能表面之上基于风险的虚拟现实优化
信息论
2020-02-24 v1 信号处理
math.IT
摘要
本文研究无线 VR 网络中将可重构智能表面（RIS）与虚拟现实（VR）用户进行关联的问题。具体而言，该问题在一个采用以太赫兹（THz）工作的 RIS 充当基站的蜂窝网络中被考虑。为提供无缝 VR 体验，需持续保证高数据速率与可靠低时延。为应对这些挑战，提出一种基于熵值风险（entropic value-at-risk）的基于风险的新框架，用于速率优化与可靠性性能。此外，采用 Lyapunov 优化技术将问题重构为线性加权函数，同时确保队列长度的高阶统计量维持在阈值之下。鉴于信道的随机性，提出一种基于策略的强化学习（RL）算法来解决该问题。由于状态空间极大，策略通过深度 RL 算法学习。特别地，提出一种循环神经网络（RNN）RL 框架以捕捉动态信道行为并提升常规 RL 策略搜索算法的速度。仿真结果表明，所提方法产生的最大队列长度仅偏离最优解 1% 以内；结果展示了 RNN 的高精度与快速收敛，验证准确率达 91.92%。
引用
@article{arxiv.2002.09052,
title = {Risk-Based Optimization of Virtual Reality over Terahertz Reconfigurable Intelligent Surfaces},
author = {Christina Chaccour and Mehdi Naderi Soorki and Walid Saad and Mehdi Bennis and Petar Popovski},
journal= {arXiv preprint arXiv:2002.09052},
year = {2020}
}
备注
6 pages, 5 figures. To appear in the Proceedings of the 54th IEEE International Conference on Communications (ICC), June 2020, Dublin, Ireland