基于深度学习的可重构智能面辅助 MU-MISO 网络时变信道预测
信息论
2021-11-10 v1 机器学习
信号处理
math.IT
摘要
为减轻阴影衰落与障碍物遮挡的影响，可重构智能面(reconfigurable intelligent surface, RIS)因能以更低硬件成本与功耗控制可重构无源单元，已成为提升无线通信信号传输质量的一项有前景的技术。然而，由于 RIS 无源单元数量庞大，在 RIS 辅助系统中准确、低时延且低导频开销的信道状态信息(channel state information, CSI)获取仍是一项重大挑战。本文提出一种三阶段联合信道分解与预测框架以获取 CSI。该框架利用了基站(base station, BS)-RIS 信道为准静态、RIS-用户设备(user equipment, UE)信道为快时变的双时间尺度特性。具体而言，第一阶段利用全双工技术估计 BS 特定天线与 RIS 间信道，解决信道分解中关键的缩放模糊问题；随后在第二、三阶段分别设计了一种新颖的深度神经网络——稀疏连接长短期记忆(sparse-connected long short-term memory, SCLSTM)网络，并提出了基于 SCLSTM 的算法。该算法能从级联信道中同时分解 BS-RIS 信道与 RIS-UE 信道，并捕捉 RIS-UE 信道的时间关系以进行预测。仿真结果表明，所提框架较传统信道估计算法具有更低导频开销，且所提基于 SCLSTM 的算法也能稳健有效地实现更精确的 CSI 获取。
引用
@article{arxiv.2111.04971,
title = {Time-Varying Channel Prediction for RIS-Assisted MU-MISO Networks via Deep Learning},
author = {Wangyang Xu and Jiancheng An and Yongjun Xu and Chongwen Huang and Lu Gan and Chau Yuen},
journal= {arXiv preprint arXiv:2111.04971},
year = {2021}
}
备注
30 pages, 13 figures