論文の概要: Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2002.10572v3
- Date: Sat, 31 Jul 2021 20:25:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 04:46:21.545046
- Title: Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning
- Title（参考訳）: インテリジェント反射板を用いたミリ波通信 : 性能最適化と分布強化学習
- Authors: Qianqian Zhang, Walid Saad and Mehdi Bennis
- Abstract要約: ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
- 参考スコア（独自算出の注目度）: 119.97450366894718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a novel framework is proposed to optimize the downlink
multi-user communication of a millimeter wave base station, which is assisted
by a reconfigurable intelligent reflector (IR). In particular, a channel
estimation approach is developed to measure the channel state information (CSI)
in real-time. First, for a perfect CSI scenario, the precoding transmission of
the BS and the reflection coefficient of the IR are jointly optimized, via an
iterative approach, so as to maximize the sum of downlink rates towards
multiple users. Next, in the imperfect CSI scenario, a distributional
reinforcement learning (DRL) approach is proposed to learn the optimal IR
reflection and maximize the expectation of downlink capacity. In order to model
the transmission rate's probability distribution, a learning algorithm, based
on quantile regression (QR), is developed, and the proposed QR-DRL method is
proved to converge to a stable distribution of downlink transmission rate.
Simulation results show that, in the error-free CSI scenario, the proposed
approach yields over 30% and 2-fold increase in the downlink sum-rate, compared
with a fixed IR reflection scheme and direct transmission scheme, respectively.
Simulation results also show that by deploying more IR elements, the downlink
sum-rate can be significantly improved. However, as the number of IR components
increases, more time is required for channel estimation, and the slope of
increase in the IR-aided transmission rate will become smaller. Furthermore,
under limited knowledge of CSI, simulation results show that the proposed
QR-DRL method, which learns a full distribution of the downlink rate, yields a
better prediction accuracy and improves the downlink rate by 10% for online
deployments, compared with a Q-learning baseline.
- Abstract（参考訳）: 本稿では,再構成可能なインテリジェントリフレクタ(IR)によって支援されるミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
特に,チャネル状態情報(CSI)をリアルタイムで測定するために,チャネル推定手法を開発した。
まず、完全なcsiシナリオにおいて、複数のユーザに対するダウンリンク率の和を最大化するために、bsのプリコーディング伝送とirの反射係数を反復的アプローチにより共同で最適化する。
次に, 不完全なcsiシナリオにおいて, 最適ir反射を学習し, ダウンリンク容量の期待を最大化するために, 分布強化学習 (distributional reinforcement learning, drl) 手法を提案する。
伝送速度の確率分布をモデル化するために, 量子回帰(QR)に基づく学習アルゴリズムを開発し, 提案したQR-DRL法をダウンリンク伝送速度の安定分布に収束させることを実証した。
シミュレーションの結果, 誤差のないCSIシナリオでは, 提案手法は固定IR反射法と直接送信法と比較して, ダウンリンク総和率を30%以上, 2倍増加させることがわかった。
シミュレーションの結果、より多くのIR素子をデプロイすることで、ダウンリンクの総和率を大幅に改善できることが示された。
しかし、IR成分の数が増加するにつれて、チャネル推定により多くの時間が必要となり、IR支援伝送速度の増加の勾配が小さくなる。
さらに,csiの知識が限定されたシミュレーション結果から,ダウンリンクレートの完全な分布を学習するqr-drl法は,オンラインデプロイメントにおいて,qラーニングベースラインと比較して,予測精度が向上し,ダウンリンクレートが10%向上することを示す。
関連論文リスト
- IRS-Assisted Lossy Communications Under Correlated Rayleigh Fading: Outage Probability Analysis and Optimization [23.863453726808796]
本稿では,レイリーフェーディングを用いたインテリジェント反射面(IRS)を用いた損失通信システムについて述べる。
相関チャネルモデルを分析し,システム停止確率を導出する。
そして、IRSの位相シフトを最適化するために、深層強化学習法(DRL)を設計する。
論文 参考訳（メタデータ） (2024-08-13T15:27:30Z) - Hybrid Knowledge-Data Driven Channel Semantic Acquisition and
Beamforming for Cell-Free Massive MIMO [6.010360758759109]
本稿では、ユビキタス・拡張現実(XR)アプリケーションのサポートを改善するために、屋外無線システムの進歩に焦点を当てる。
セルレス大規模マルチインプットマルチアウトプット(MIMO)システムにおいて,チャネル意味獲得とマルチユーザビームフォーミングのためのハイブリッド知識データ駆動方式を提案する。
論文 参考訳（メタデータ） (2023-07-06T15:35:55Z) - Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。
ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。
我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
論文 参考訳（メタデータ） (2022-10-18T14:17:10Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - RL-NCS: Reinforcement learning based data-driven approach for nonuniform
compressed sensing [6.210224116507287]
時間変化信号のための強化学習に基づく非一様圧縮センシング(NCS)フレームワークを導入する。
提案手法は,センサエネルギーの最適かつ適応的な分布によって信号回復性能を向上させることを目的としている。
論文 参考訳（メタデータ） (2021-07-02T05:07:09Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z) - Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems
Exploiting Deep Reinforcement Learning [21.770491711632832]
再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。
本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。
提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
論文 参考訳（メタデータ） (2020-02-24T04:28:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。