論文の概要: Deep Reinforcement Learning Based on Location-Aware Imitation Environment for RIS-Aided mmWave MIMO Systems

• arxiv url: http://arxiv.org/abs/2205.08788v1
• Date: Wed, 18 May 2022 08:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-19 13:25:21.354908
• Title: Deep Reinforcement Learning Based on Location-Aware Imitation Environment for RIS-Aided mmWave MIMO Systems
• Title（参考訳）: RIS支援ミリ波MIMOシステムのための位置認識模倣環境に基づく深層強化学習
• Authors: Wangyang Xu, Jiancheng An, Chongwen Huang, Lu Gan, and Chau Yuen
• Abstract要約: 本文は, 接合ビームフォーミング設計のための位置認識模倣環境に基づく新しい深部強化学習(DRL)アルゴリズムを提案する。 具体的には、ユーザの位置とmmWaveチャネルの幾何学的関係に基づいて、伝送環境を模倣するニューラルネットワークを設計する。
• 参考スコア（独自算出の注目度）: 17.713210541836155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconfigurable intelligent surface (RIS) has recently gained popularity as a promising solution for improving the signal transmission quality of wireless communications with less hardware cost and energy consumption. This letter offers a novel deep reinforcement learning (DRL) algorithm based on a location-aware imitation environment for the joint beamforming design in an RIS-aided mmWave multiple-input multiple-output system. Specifically, we design a neural network to imitate the transmission environment based on the geometric relationship between the user's location and the mmWave channel. Following this, a novel DRL-based method is developed that interacts with the imitation environment using the easily available location information. Finally, simulation results demonstrate that the proposed DRL-based algorithm provides more robust performance without excessive interaction overhead compared to the existing DRL-based approaches.
• Abstract（参考訳）: 再構成可能なインテリジェントサーフェス (RIS) は、ハードウェアコストと省エネで無線通信の信号伝送品質を向上させるための有望なソリューションとして最近人気を集めている。 本レターは、ris支援mm波多重入力多重出力システムにおける関節ビームフォーミング設計のための位置認識模倣環境に基づく新しい深層強化学習(drl)アルゴリズムを提供する。 具体的には,ユーザの位置とmmwaveチャネルの幾何学的関係に基づいて,伝送環境を模倣するニューラルネットワークを設計する。 これに続いて、容易に利用可能な位置情報を用いて模倣環境と相互作用するDRLベースの新しい手法を開発した。 最後にシミュレーション結果から,提案アルゴリズムは既存のDRL手法と比較して過度な相互作用オーバヘッドを伴わずに,より堅牢な性能を提供することを示した。

関連論文リスト

• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
  再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。 無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。 本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
  論文  参考訳（メタデータ） (2022-04-28T09:26:14Z)
• Differentially Private Federated Learning via Reconfigurable Intelligent Surface [27.004823731436765]
  フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。 本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:45:02Z)
• 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)
• Multi-hop RIS-Empowered Terahertz Communications: A DRL-based Hybrid Beamforming Design [39.21220050099642]
  テラヘルツ帯における無線通信 (0.1-10thz) は、将来の第6世代 (6g) 無線通信システムの鍵となる技術の一つとして考えられている。 マルチホップRIS対応通信ネットワークのための新しいハイブリッドビームフォーミング方式を提案し,THz帯域でのカバレッジ範囲を改善する。
  論文  参考訳（メタデータ） (2021-01-22T14:56:28Z)
• 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)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• 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)
• 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。