論文の概要: Deep Reinforcement Learning-Based Adaptive IRS Control with Limited Feedback Codebooks

• arxiv url: http://arxiv.org/abs/2205.03636v1
• Date: Sat, 7 May 2022 11:21:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 17:51:14.877119
• Title: Deep Reinforcement Learning-Based Adaptive IRS Control with Limited Feedback Codebooks
• Title（参考訳）: フィードバックコードブックを限定した深層強化学習型適応IRS制御
• Authors: Junghoon Kim, Seyyedali Hosseinalipour, Andrew C. Marcum, Taejoon Kim, David J. Love, Christopher G. Brinton
• Abstract要約: 我々は、インテリジェント反射面(IRS)を制御するための適応型コードブックベースの制限フィードバックプロトコルを開発した。 適応型IRSコードブック設計のための2つのソリューションを提案する。 (i) チャネル実現間の相関を利用したランダム・アジャクシー(RA) と (ii) ディープニューラルネットワークポリシーに基づくIDS制御 (DPIC) である。 数値評価の結果,提案手法により,コヒーレンス時間におけるデータレートと平均データレートが大幅に改善された。
• 参考スコア（独自算出の注目度）: 26.312293813063558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent reflecting surfaces (IRS) consist of configurable meta-atoms, which can alter the wireless propagation environment through design of their reflection coefficients. We consider adaptive IRS control in the practical setting where (i) the IRS reflection coefficients are attained by adjusting tunable elements embedded in the meta-atoms, (ii) the IRS reflection coefficients are affected by the incident angles of the incoming signals, (iii) the IRS is deployed in multi-path, time-varying channels, and (iv) the feedback link from the base station (BS) to the IRS has a low data rate. Conventional optimization-based IRS control protocols, which rely on channel estimation and conveying the optimized variables to the IRS, are not practical in this setting due to the difficulty of channel estimation and the low data rate of the feedback channel. To address these challenges, we develop a novel adaptive codebook-based limited feedback protocol to control the IRS. We propose two solutions for adaptive IRS codebook design: (i) random adjacency (RA), which utilizes correlations across the channel realizations, and (ii) deep neural network policy-based IRS control (DPIC), which is based on a deep reinforcement learning. Numerical evaluations show that the data rate and average data rate over one coherence time are improved substantially by the proposed schemes.
• Abstract（参考訳）: インテリジェント反射面(IRS)は、構成可能なメタ原子で構成され、反射係数の設計を通じて無線伝搬環境を変更することができる。 実践環境における適応型IRS制御の検討 (i)メタアトムに埋め込まれた可変要素を調整してirs反射係数を得る。 (II)IRS反射係数は受信信号の入射角に影響される。 (iii)irsは、マルチパス、タイムバリアリングチャネルに展開され、 (4)基地局(BS)からIRSへのフィードバックリンクはデータレートが低い。 チャネル推定と最適化された変数をIRSに伝達する従来の最適化ベースのIRS制御プロトコルは、チャネル推定の困難さとフィードバックチャネルのデータレートの低さのため、この設定では実用的ではない。 これらの課題に対処するため、我々はIRSを制御するための適応型コードブックベースの限定的なフィードバックプロトコルを開発した。 適応型IRSコードブック設計のための2つのソリューションを提案する。 (i)チャンネル実現における相関を利用したランダム隣接(RA)と (II)深い強化学習に基づくディープニューラルネットワークポリシーに基づくIRS制御(DPIC)。 数値評価の結果,提案手法により,コヒーレンス時間におけるデータレートと平均データレートが大幅に改善された。

関連論文リスト

• Joint User Association, Interference Cancellation and Power Control for Multi-IRS Assisted UAV Communications [80.35959154762381]
  インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。 既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。 我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
  論文  参考訳（メタデータ） (2023-12-08T01:57:10Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals [25.592568132720157]
  本稿では,IRS支援無線システムにおける直接チャネルとカスケードチャネルの両方を共同で推定するフェデレートラーニング(FL)フレームワークを提案する。 提案手法ではパイロット信号が約60%少なくなり,CLの12倍の伝送オーバヘッドが得られた。
  論文  参考訳（メタデータ） (2022-05-06T13:23:39Z)
• 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)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• On the Robustness of Deep Reinforcement Learning in IRS-Aided Wireless Communications Systems [31.70191055921352]
  我々は、ダウンリンク伝送のためのインテリジェントリフレクティングサーフェス(IRS)支援マルチインプット・シングルアウトプット(MISO)システムについて検討する。 我々は、IRS要素の最適位相シフトを求める際に、Deep Reinforcement Learning(DRL)と従来の最適化手法の性能を比較した。 DRLソリューションは,ノイズの多いチャネルやユーザモビリティに対して,より堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2021-07-17T17:42:25Z)
• Deep Reinforcement Learning Powered IRS-Assisted Downlink NOMA [6.3510536583205255]
  DRL方式に基づくIRS支援NOMAは、OMA方式に比べて高い総和率を実現し、電力の増大に伴い、より多くの利用者が利用できるようになることを示す。
  論文  参考訳（メタデータ） (2021-04-03T14:10:40Z)
• Deep Learning-based Phase Reconfiguration for Intelligent Reflecting Surfaces [0.0]
  IRSにおける位相再構成のための深層学習(DL)手法を提案する。 提案手法は、IRSを通して反射された受信したパイロット信号を用いて、ディープフィードフォワードネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-09-29T13:18:24Z)
• A Survey of Deep Learning Architectures for Intelligent Reflecting Surfaces [22.51807198305316]
  インテリジェント反射面(IRS)は近年,無線通信において大きな注目を集めている。 ディープラーニング(DL)のようなデータ駆動技術は、これらの課題に対処するために重要である。 本稿では、DLベースのIRSアシスト無線システムを設計するためのこれらの技術の概要について述べる。
  論文  参考訳（メタデータ） (2020-09-05T14:26:48Z)
• 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)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  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。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。