RISnet：一种用于可重构智能表面优化的专用可扩展神经网络架构
信号处理
2023-01-18 v2
摘要
可重构智能表面（RIS）是下一代无线通信的一项有前景的技术。它由许多无源天线组成，这些天线以调整后的相位将发射机的信号反射到接收机而不改变幅度。尽管单个天线的功能简单，大量天线却带来了巨大的信号处理潜力。然而，这也使得RIS配置成为一个高维问题，可能不存在闭式解且复杂度高，因此若采用迭代数值解法，在在线实时应用中会面临严重困难。本文中，我们引入一种机器学习方法来最大化加权求和速率（WSR）。我们提出了一种称为RISNet的专用神经网络架构。RIS优化根据RIS的乘积与直连信道特性以及同质RIS天线进行设计。该架构具有可扩展性，因为可训练参数的数量与RIS天线数量无关（因为所有天线共享相同参数）。我们应用了加权最小均方误差（WMMSE）预编码并设计了交替优化（AO）训练流程。测试结果表明，所提方法优于最先进的块坐标下降（BCD）算法。此外，尽管训练需要数小时，使用训练后模型（应用）的在线测试几乎是瞬时的，这使其可用于实时应用。相比之下，BCD算法需要多得多的收敛时间。因此，所提方法在性能和复杂度上均优于最先进算法。
引用
@article{arxiv.2212.02967,
title = {RISnet: a Dedicated Scalable Neural Network Architecture for Optimization of Reconfigurable Intelligent Surfaces},
author = {Bile Peng and Finn Siegismund-Poschmann and Eduard A. Jorswieck},
journal= {arXiv preprint arXiv:2212.02967},
year = {2023}
}