論文の概要: Deep Reinforcement Learning-Based Precoding for Multi-RIS-Aided Multiuser Downlink Systems with Practical Phase Shift
- arxiv url: http://arxiv.org/abs/2509.25661v1
- Date: Tue, 30 Sep 2025 01:57:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 17:09:04.387626
- Title: Deep Reinforcement Learning-Based Precoding for Multi-RIS-Aided Multiuser Downlink Systems with Practical Phase Shift
- Title（参考訳）: 実運用段階シフトによるマルチRIS支援マルチユーザダウンリンクシステムの深層強化学習による事前符号化
- Authors: Po-Heng Chou, Bo-Ren Zheng, Wan-Jen Huang, Walid Saad, Yu Tsao, Ronald Y. Chang,
- Abstract要約: 本研究では、RIS位相シフト行列をスペクトル効率に最適化することを目的として、複数再構成可能なマルチユーザダウンリンクシステムについて検討する。
提案するDD-DRLフレームワークは,mmWaveチャネル設定において,両方のランダムなユーザ数で評価される。
- 参考スコア（独自算出の注目度）: 44.303967859644295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study considers multiple reconfigurable intelligent surfaces (RISs)-aided multiuser downlink systems with the goal of jointly optimizing the transmitter precoding and RIS phase shift matrix to maximize spectrum efficiency. Unlike prior work that assumed ideal RIS reflectivity, a practical coupling effect is considered between reflecting amplitude and phase shift for the RIS elements. This makes the optimization problem non-convex. To address this challenge, we propose a deep deterministic policy gradient (DDPG)-based deep reinforcement learning (DRL) framework. The proposed model is evaluated under both fixed and random numbers of users in practical mmWave channel settings. Simulation results demonstrate that, despite its complexity, the proposed DDPG approach significantly outperforms optimization-based algorithms and double deep Q-learning, particularly in scenarios with random user distributions.
- Abstract（参考訳）: 本研究では,複数再構成可能なマルチユーザダウンリンクシステムについて検討し,伝送器プリコーディングとRIS位相シフト行列を併用してスペクトル効率を最大化することを目的とする。
理想RIS反射率を仮定する以前の研究とは異なり、RIS素子の振幅の反射と位相シフトの間には実用的なカップリング効果が考えられる。
これにより最適化問題は非凸となる。
この課題に対処するため,DDPG(Deep Deterministic Policy gradient)に基づくDep reinforcement Learning(DRL)フレームワークを提案する。
提案手法は,実用的 mmWave チャネル設定において,ユーザ数とランダム数の両方で評価される。
シミュレーションの結果, DDPG手法は複雑であるにもかかわらず, 最適化に基づくアルゴリズムや深層Q-ラーニング, 特にランダムなユーザ分布のシナリオでは, 性能が著しく向上していることがわかった。
関連論文リスト
- DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。
リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。
ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
論文 参考訳（メタデータ） (2025-07-03T17:35:06Z) - A Heuristic-Integrated DRL Approach for Phase Optimization in Large-Scale RISs [4.209737625992893]
大規模な再構成可能な知的表面(RIS)における離散位相シフトの最適化は、非線形の性質のため困難である。
本稿では,深層ネットワークQGA(DDQ)における複数ステップの動作をRIS列制御に活用する,深層学習強化(DRL)フレームワークを提案する。
提案手法は、小さなDRLアクション空間内でのRIS最適化を効果的に処理し、大規模なRISを最適化する能力を示す。
論文 参考訳（メタデータ） (2025-05-07T13:34:12Z) - 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) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - Energy Efficiency Maximization in IRS-Aided Cell-Free Massive MIMO
System [2.9081408997650375]
本稿では、入射点におけるビームフォーミングとIRSにおける位相シフトを共同最適化してエネルギー効率(EE)を最大化する、インテリジェント反射面(IRS)を用いたセルレス大規模マルチインプット多重出力システムについて考察する。
EE問題を解くために,2次変換とラグランジアン双対変換を用いて最適ビームフォーミングと位相シフトを求める反復最適化アルゴリズムを提案する。
さらに,共同ビームフォーミングと位相シフト設計のための深層学習に基づくアプローチを提案する。具体的には,教師なし学習方式を用いて2段階の深層ニューラルネットワークをオフラインでトレーニングし,オンラインに展開する。
論文 参考訳（メタデータ） (2022-12-24T14:58:15Z) - 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) - A Reinforcement Learning based approach for Multi-target Detection in
Massive MIMO radar [12.982044791524494]
本稿では,MMIMO(Multiple input Multiple output)認知レーダ(CR)におけるマルチターゲット検出の問題点について考察する。
本稿では,未知の外乱統計の存在下での認知的マルチターゲット検出のための強化学習(RL)に基づくアルゴリズムを提案する。
定常環境と動的環境の両方において提案したRLアルゴリズムの性能を評価するため, 数値シミュレーションを行った。
論文 参考訳（メタデータ） (2020-05-10T16:29:06Z) - 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。