論文の概要: Deep Reinforcement Learning Based Joint Downlink Beamforming and RIS Configuration in RIS-aided MU-MISO Systems Under Hardware Impairments and Imperfect CSI

• arxiv url: http://arxiv.org/abs/2211.09702v1
• Date: Mon, 10 Oct 2022 09:37:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 00:50:32.795414
• Title: Deep Reinforcement Learning Based Joint Downlink Beamforming and RIS Configuration in RIS-aided MU-MISO Systems Under Hardware Impairments and Imperfect CSI
• Title（参考訳）: RIS支援MU-MISOシステムにおける深部強化学習に基づく複合ダウンリンクビームフォーミングとRIS構成
• Authors: Baturay Saglam, Doga Gurgunoglu, Suleyman S. Kozat
• Abstract要約: 本稿では,新しい深層強化学習(DRL)フレームワークを提案し,その性能をバニラDRLエージェントと比較する。 以上の結果から, 導入したフレームワークは, ミスマッチ下でのバニラDRLを著しく上回り, ゴールデンスタンダードに近づいたことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the joint transmit beamforming and reconfigurable intelligent surface (RIS) configuration problem to maximize the sum downlink rate of a RIS-aided cellular multiuser multiple input single output (MU-MISO) system under imperfect channel state information (CSI) and hardware impairments by considering a practical phase-dependent RIS amplitude model. To this end, we present a novel deep reinforcement learning (DRL) framework and compare its performance against a vanilla DRL agent under two scenarios: the golden standard where the base station (BS) knows the channel and the phase-dependent RIS amplitude model perfectly, and the mismatch scenario where the BS has imperfect CSI and assumes ideal RIS reflections. Our numerical results show that the introduced framework substantially outperforms the vanilla DRL agent under mismatch and approaches the golden standard.
• Abstract（参考訳）: そこで本研究では,ris支援マルチユーザ多入力単一出力(mu-miso)システムの相依存型ris振幅モデルによる不完全チャネル状態情報(csi)とハードウェア障害下での合計ダウンリンク率を最大化するために,統合伝送ビームフォーミングおよび再構成可能なインテリジェント表面(ris)構成問題を検討する。 そこで本研究では, 基礎局(BS)がチャネルと位相依存RIS振幅モデルを完全に知る黄金標準と, BSが不完全CSIを持ち, 理想RIS反射を前提とするミスマッチシナリオの2つのシナリオにおいて, 基礎局(BS)がバニラDRLエージェントと性能を比較した。 以上の結果から,導入したフレームワークは,ミスマッチ下でのバニラDRLを著しく上回り,ゴールデンスタンダードに近づいた。

関連論文リスト

• A DRL-based Reflection Enhancement Method for RIS-assisted Multi-receiver Communications [4.598835930908191]
  複数のシングルリフレクションプロファイルの重ね合わせにより、分散ユーザのためのマルチリフレクションが可能になる。 周期的な単反射プロファイルの組み合わせは振幅/位相反作用をもたらし、各反射ビームの性能に影響を及ぼす。 本稿では,重なり合うプロファイルの誤アライメントに起因する遠距離場性能劣化を,二重反射最適化のシナリオに焦点をあてる。
  論文  参考訳（メタデータ） (2023-09-11T09:43:59Z)
• STAR-RIS-Assisted-Full-Duplex Jamming Design for Secure Wireless Communications System [38.44290756174189]
  本稿では,重要で機密性の高いデバイスを盗聴者から保護するためのセキュアな通信方式を提案する。 ESRISのFDビームシフト係数をモード選択として最大化し,MSRISの共振器振幅と位相シフト係数を求める。
  論文  参考訳（メタデータ） (2023-09-08T19:36:02Z)
• 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)
• 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)
• 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)
• Channel Estimation and Hybrid Architectures for RIS-Assisted Communications [6.677785070549226]
  再構成可能なインテリジェントサーフェス(ris)は、次期第6世代(6g)無線通信システムの潜在的な技術と考えられている。 1つまたは複数のRISをデプロイすることで得られる利点は、スペクトルとエネルギー効率の向上、接続性の向上、通信範囲の拡大、トランシーバーの複雑さの低減である。
  論文  参考訳（メタデータ） (2021-04-14T20:28:09Z)
• 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)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• 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)
• RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment and Passive Beamforming Design [116.88396201197533]
  再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。 エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。 リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。 RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-28T14:37:38Z)

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。