論文の概要: Deep Learning Optimized Sparse Antenna Activation for Reconfigurable
Intelligent Surface Assisted Communication
- arxiv url: http://arxiv.org/abs/2009.01607v1
- Date: Thu, 3 Sep 2020 12:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 07:52:55.524525
- Title: Deep Learning Optimized Sparse Antenna Activation for Reconfigurable
Intelligent Surface Assisted Communication
- Title（参考訳）: 知的表面支援通信のための深層学習最適化スパースアンテナ活性化
- Authors: Shunbo Zhang, Shun Zhang, Feifei Gao, Jianpeng Ma, Octavia A. Dobre
- Abstract要約: 再構成可能なインテリジェントサーフェス(RIS)は通常、パッシブモードで動作する。
カスケードチャネル構造と信号処理能力の欠如により、RISが個々のチャネル状態情報を取得することは困難である。
本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
- 参考スコア（独自算出の注目度）: 54.72880662623178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To capture the communications gain of the massive radiating elements with low
power cost, the conventional reconfigurable intelligent surface (RIS) usually
works in passive mode. However, due to the cascaded channel structure and the
lack of signal processing ability, it is difficult for RIS to obtain the
individual channel state information and optimize the beamforming vector. In
this paper, we add signal processing units for a few antennas at RIS to
partially acquire the channels. To solve the crucial active antenna selection
problem, we construct an active antenna selection network that utilizes the
probabilistic sampling theory to select the optimal locations of these active
antennas. With this active antenna selection network, we further design two
deep learning (DL) based schemes, i.e., the channel extrapolation scheme and
the beam searching scheme, to enable the RIS communication system. The former
utilizes the selection network and a convolutional neural network to
extrapolate the full channels from the partial channels received by the active
RIS antennas, while the latter adopts a fully-connected neural network to
achieve the direct mapping between the partial channels and the optimal
beamforming vector with maximal transmission rate. Simulation results are
provided to demonstrate the effectiveness of the designed DL-based schemes.
- Abstract（参考訳）: 電力コストの低い大規模放射素子の通信利得を捉えるため、従来の構成変更可能なインテリジェントサーフェス(RIS)は通常受動モードで動作する。
しかし、カスケードされたチャネル構造と信号処理能力の欠如により、risが個々のチャネル状態情報を取得し、ビームフォーミングベクトルを最適化することは困難である。
本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
重要なアクティブアンテナ選択問題を解決するために,確率的サンプリング理論を用いたアクティブアンテナ選択ネットワークを構築し,これらアクティブアンテナの最適な位置を選定する。
このアクティブアンテナ選択ネットワークにより、さらに2つのディープラーニング(DL)ベースのスキーム、すなわちチャネル外挿法とビーム探索法を設計し、RIS通信システムを実現する。
前者は、選択ネットワークと畳み込みニューラルネットワークを用いて、アクティブRISアンテナが受信した部分チャネルから全チャネルを外挿し、後者は、完全接続ニューラルネットワークを用いて、部分チャネルと最適なビームフォーミングベクトルとを最大伝送レートで直接マッピングする。
設計したDLベースのスキームの有効性を示すシミュレーション結果を提供する。
関連論文リスト
- 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) - Reconfigurable Intelligent Surface Enabled Spatial Multiplexing with
Fully Convolutional Network [40.817290717344534]
RIS(Reconfigurable Surface)は、無線通信システムのための新興技術である。
本稿では,この問題を解決するために完全畳み込みネットワーク(WSNFC)を提案する。
我々は、RISとダイレクトチャネルを経由するカスケードチャネルを含む一連のチャネル機能を設計する。
論文 参考訳（メタデータ） (2022-01-08T14:16:00Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - 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) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。