CN115395993A - 一种可重构智能表面增强的miso-ofdm传输方法 - Google Patents
一种可重构智能表面增强的miso-ofdm传输方法 Download PDFInfo
- Publication number
- CN115395993A CN115395993A CN202210424495.5A CN202210424495A CN115395993A CN 115395993 A CN115395993 A CN 115395993A CN 202210424495 A CN202210424495 A CN 202210424495A CN 115395993 A CN115395993 A CN 115395993A
- Authority
- CN
- China
- Prior art keywords
- network
- action
- matrix
- time
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种可重构智能表面增强的MISO‑OFDM传输方法,该方法中基站和可重构智能表面利用已知的信道状态信息,基于***频谱效率最大化原则,在用户间共享子载波的前提下,通过迫零预编码方案、注水功率分配算法和深度强化学习算法联合设计基站端预编码矩阵、功率分配矩阵和可重构智能表面处反射相移矩阵。该传输方法中基站发送的信号经可重构智能表面反射到达用户端,可重构智能表面能改变入射到其上的信号的相位,从而达到在接收用户端增强其接收信号的效果。本发明收敛速度快,以相对传统数值方法较低的计算复杂度和时延获得较高的***吞吐量。
Description
技术领域
本发明属于可重构智能表面辅助的多用户多输入单输出正交频分复用(multiple-input single-output orthogonal frequency division multiplexing,MISO-OFDM)下行***自适应传输技术领域,特别涉及一种可重构智能表面增强的MISO-OFDM传输方法。
背景技术
可重构智能表面(reconfigurable intelligent surface,RIS)得益于超材料的快速发展被视为新一代无线通信中可以低成本和低能量消耗获得高频谱效率的关键技术之一。RIS是一种由大量无源且可重构的反射元件组成的软件可控的平面阵列超表面,通过实时动态调整反射信号的幅度和/或相位,反射信号能量在特定方向被加强或减弱,因而目标用户的信噪比性能被极大改善,同时用户间干扰可得到有效控制。此外,RIS仅依赖于无源信号的反射,因此与传统的有源收发器/继电器相比,大大降低了硬件成本和能耗。同时,RIS在实际部署中易附接到建筑物上,展现出极大的灵活性和兼容性。将具有适量反射元件的RIS部署到大规模多输入多输出(multiple-input multiple-output,MIMO)***中可有效解决基站物理尺寸受限、硬件成本过高以及能量消耗过大等问题。除此以外,RIS可在毫米波(millimeter wave,mmWave)信号被障碍物阻塞时提供反射径以维持设备间的正常通信,扩大设备覆盖范围。综上可见,RIS的引入为实现通信服务质量提升以及部署开销缩减的双赢目标提供了可能性。
然而,实际部署的RIS反射元件数量一般是从几千个到几万个变化且RIS处存在恒模约束,因而如何在RIS辅助的无线通信***中通过联合设计提高通信性能是一个多任务问题。传统设计方法有逐次凸逼近和半正定松弛算法等,这些传统算法在RIS反射元件数量较少时可以显示出较好的性能,但随着反射元件数目的增长,导致***复杂度过高,且会引入较大的通信处理时延而无法满足实时通信的需求。若将这些传统数值算法应用于宽带***,则设计复杂度进一步提高,这主要归因于宽带***中各子载波信道不一致,单个子载波信道的最优设计对于其他子载波将不再是最优,这就需要具有低时间成本和高性能的联合设计算法来进一步解决这些问题。
现有针对RIS处反射矩阵设计的低复杂度算法的研究主要是基于对RIS处反射模式的设计或使用深度学习方法,RIS处反射模式的设计需要基于多次信道试验才能获得最佳模式,深度学习方法对训练数据量有很高的要求,且对信道衰落变化很敏感。这些方法是以牺牲一定的***性能来换取时间复杂度的下降,无法实现双赢目标,实际应用困难。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种可重构智能表面增强的MISO-OFDM传输方法,为基站配置均匀线性阵列,部署多个单天线用户并放置RIS提升通信服务质量,在用户间共享频域资源时采用迫零预编码方案消除用户间干扰,并进一步利用注水算法和深度强化学习算法联合设计发射功率向量和RIS处相移偏置矩阵以最大化***频谱效率。本发明能够有效抑制干扰,降低所需时间成本且对信道衰落变化具有很好的稳定性。
技术方案:为实现上述发明目的,本发明的一种可重构智能表面增强的MISO-OFDM传输方法,包括以下步骤:
步骤一、基站配置均匀线性天线阵,该天线阵包括Nt个天线阵元,服务K个单天线用户,可重构智能表面配置均匀平面反射阵,共M=x×y个反射单元,包括垂直方向x行反射单元,水平方向每行y个反射单元;***整体带宽被划分为N个子载波,K个单天线用户共享全部子载波,基站和可重构智能表面已知用户的时域信道状态信息;
步骤二、利用时域信道状态信息构建从基站到用户k的频域子载波信道i上的向量从可重构智能表面到用户k的频域子载波信道i上的向量和从基站到可重构智能表面的频域子载波信道i上的矩阵Gi,k=1,2,…,K,i=0,1,…,N-1;
步骤三、构建智能体X的经验池及深度强化学习神经网络,包括:动作输出在线网络A、动作输出目标网络状态动作评价在线网络Cρ,ρ=1,2,即C1和C2,以及状态动作评价目标网络即和所述动作输出在线网络A和动作输出目标网络构成智能体X的动作网络;所述状态动作评价在线网络C1和C2以及状态动作评价目标网络和构成智能体X的评价网络;
智能体X在t时刻的环境状态为其中为智能体X在t-1时刻输出的可重构智能表面各个反射元件的相移参数,C(t-1)是t-1时刻的***频谱效率,环境输出奖励值r(t)评价动作输出在线网络A在当前状态s(t)下输出的动作;
计算得到t=0时刻的***频谱效率C(0);
步骤五、将t时刻的环境状态s(t)作为动作输出在线网络的输入,计算得到t时刻的可重构智能表面的相移偏置矩阵Φ(t)、子载波i上的基站端预编码矩阵和基站端发射功率向量以及t+1时刻的环境状态且t时刻的***频谱效率C(t)作为环境输出奖励值r(t);将最终得到的四元组{s(t),a(t),r(t),s(t+1)}作为一个经验样本存入经验池中,若经验池已存满后,则用该经验样本覆盖经验池中最早的一个经验样本;
步骤六、智能体X将状态动作对(s(t),a(t))输入状态动作评价在线网络C1和C2中,输出状态动作对(s(t),a(t))的评价值和其中,和表示状态动作评价在线网络C1和C2的状态动作对的评价值函数;
随后从经验池随机采样NB个样本,随机采样按如下步骤进行:
步骤七、利用采样结果对动作输出在线网络和状态动作评价在线网络进行更新,并对动作输出目标网络和状态动作评价目标网络进行软更新;若|C(t)-C(t-1)|≤ε,是网络收敛条件,则停止迭代转到步骤八,否则令t=t+1并转到步骤五;
步骤八、将当前时刻t所得的可重构智能表面的相移偏置矩阵Φ(t),用户共享子载波时各子载波i上的基站端预编码矩阵和基站端发射功率向量作为当前信道状态信息下的可重构智能表面的最佳相移偏置矩阵Φopt,以及相应的最佳基站预编码方案和功率分配方案。
进一步的,步骤一所述时域信道状态信息包括:
其中,表示矩阵的第n列向量,表示矩阵的第nt+(n-1)×Nt列向量,表示矩阵的第p行第q列元素,表示矩阵的第m+(p-1)×M行第nt+(q-1)×Nt列元素,表示矩阵的第n列向量,表示矩阵的第m+(n-1)×M列向量,n,p,q=1,2,…,N;
其中,表示向量的第nt个元素,表示矩阵的第i+1行第i+1列元素,表示向量的第m个元素,表示矩阵的第i+1行第i+1列元素,Gi(m,nt)表示矩阵Gi的第m行第nt列元素,表示矩阵的第i+1行第i+1列元素,nt=1,2,…,Nt,m=1,2,…,M,(·)*表示共轭。
进一步的,步骤四所述计算得到t=0时刻的***频谱效率C(0),具体包括以下步骤:
步骤4.1、计算t=0时刻可重构智能表面的相移偏置矩阵:
步骤4.4、用下式计算在t=0时刻的***频谱效率C(0),并作为环境输出奖励值r(0):
其中,NCP为循环前缀以避免正交频分复用(orthogonal frequency divisionmultiplexing,OFDM)符号间干扰,为t=0时刻用户k在子载波i上的信噪比,如下式所示:
进一步的,所述步骤五具体包括以下步骤:
步骤5.2、基于动作a(t)计算可重构智能表面的相移偏置矩阵:
步骤5.5、t时刻的***频谱效率C(t)用下式计算,同时作为环境输出奖励值r(t):
步骤5.7、将得到的四元组{s(t),a(t),r(t),s(t+1)}作为一个经验样本存入经验池中,若经验池已存满后,则用该经验样本覆盖经验池中最早的一个经验样本。
进一步的,步骤七所述利用采样结果对动作输出在线网络和状态动作评价在线网络进行更新,并对动作输出目标网络和状态动作评价目标网络进行软更新,具体包括以下步骤:
步骤7.1、将所采的NB个样本的状态动作对输入状态动作评价目标网络和得到相应的状态动作对的价值函数估计值和其中,和分别是动作状态评价目标网络和的状态动作对评价值函数,每个样本为经验池存储的第tj个时刻的样本四元组;
其中,γ∈(0,1)为奖励函数的折扣因子,为动作输出目标网络根据产生的动作,是动作输出目标网络的策略函数,是通过对噪声功率为的正态分布随机噪声按输出动作维度进行采样并按比例放缩在(-c,c)范围内产生的,是噪声截断上限值;
步骤7.2、计算所采NB个样本的均方误差作为状态动作评价在线网络Cρ的损失函数:
其中,τ<<1为软更新参数。
进一步的,所述动作输出在线网络A、动作输出目标网络状态动作评价在线网络Cρ,ρ=1,2,和状态动作评价目标网络包含四个全连接层:输入层、两个隐藏层和输出层,隐藏层都使用ReLU激活函数,其中动作输出目标网络和动作输出在线网络的输出层使用tanh激活函数。
有益效果:与现有技术相比,本发明具有以下有益效果:
1)本方法对信道快衰落具有很好的鲁棒性,适用于各种典型的无线通信环境;
2)本方法中的基站端预编码矩阵、发射功率向量和RIS处相移偏置矩阵联合设计方法收敛速度快、易于实现,特别是在用户数和天线数较大的时候,本方法的计算效率与传统的计算方法相比提高了数倍;
3)本方法能以较低的时间成本获得较高的***频谱效率。
附图说明
图1是本发明方法利用深度强化学习智能体优化RIS相移偏置矩阵的网络框架图;
图2是本发明智能体中动作输出网络和状态动作评价网络的网络结构图。
具体实施方式
下面结合说明书附图以及具体实施例对本发明作更进一步的说明。
本发明的一种可重构智能表面增强的MISO-OFDM传输方法,考虑一个RIS辅助的多用户MISO-OFDM***中,基于频谱效率最大化准则,联合设计基站端预编码矩阵、发射功率向量以及RIS反射相移偏置矩阵,框架如图1所示,包括以下步骤:
步骤一、基站配置均匀线性天线阵,该天线阵包括Nt=8个天线阵元,服务K=2个单天线用户,可重构智能表面配置均匀平面反射阵,共M=x×y=10×10个反射单元,包括垂直方向x=10行反射单元,水平方向每行y=10个反射单元;***整体带宽被划分为N=64个子载波,K=2个单天线用户共享全部子载波,基站和可重构智能表面已知用户的信道状态信息;
所述时域信道状态信息包括:
步骤二、利用步骤一获得的时域信道状态信息采用下述方法构建从基站到用户k的频域子载波信道i上的向量从可重构智能表面到用户k的频域子载波信道i上的向量和从基站到可重构智能表面的频域子载波信道i上的矩阵Gi,k=1,2,i=0,1,…,63:
其中,表示矩阵的第n列向量,表示矩阵的第nt+(n-1)×8列向量,表示矩阵的第p行第q列元素,表示矩阵的第m+(p-1)×100行第nt+(q-1)×8列元素,表示矩阵的第n列向量,表示矩阵的第m+(n-1)×100列向量,n,p,q=1,2,…,64;
其中,表示向量的第nt个元素,表示矩阵的第i+1行第i+1列元素,表示向量的第m个元素,表示矩阵的第i+1行第i+1列元素,Gi(m,nt)表示矩阵Gi的第m行第nt列元素,表示矩阵的第i+1行第i+1列元素,nt=1,2,…,8,m=1,2,…,100,(·)*表示共轭。
步骤三、如图1所示,构建智能体X的经验池及深度强化学习神经网络,包括:动作输出在线网络A、动作输出目标网络状态动作评价在线网络Cρρ=1,2即C1和C2,以及状态动作评价目标网络即和所述动作输出在线网络A和动作输出目标网络构成智能体X的动作网络;所述状态动作评价在线网络C1和C2和状态动作评价目标网络和构成智能体X的评价网络;
动作网络和评价网络都包含四个全连接层:输入层、两个隐藏层和输出层,动作网络的输入层包含101神经元,两层隐藏层分别包含300、400个神经元,输出层包含100个神经元;评价网络的输入层均包含201个神经元,两个隐藏层的神经元个数与动作网络一致,输出层包含1个神经元;隐藏层使用ReLU激活函数,动作输出在线网络和动作输出目标的输出层使用tanh激活函数,如图2所示。
所述智能体X在t时刻的环境状态为其中为智能体X在t-1时刻输出的可重构智能表面各个反射元件的相移参数,C(t-1)是t-1时刻的***频谱效率,环境输出奖励值r(t)评价动作输出在线网络A在当前状态s(t)下输出的动作;
所述动作输出在线网络A,其网络参数每隔Nu=2个时刻利用策略梯度上升更新网络,Nu为网络更新间隔时刻;根据当前t时刻的环境状态动作输出在线网络A选择最优动作其中πA(·)为动作输出在线网络A的策略函数,将A(t)与服从标准正态分布的探索噪声相加得到智能体X的动作将向量a(t)的M=100个元素作为当前t时刻可重构智能表面反射元件的相移参数;
所述容量为ND=500的经验池D用于存放学习过程中每个时刻产生的经验四元组{s(t),a(t),r(t),s(t+1)}。
然后计算在t=0时刻的***频谱效率,具体包括以下步骤:
步骤4.4、利用下式计算t=0时刻用户k在子载波i上的信噪比:
用下式计算在t=0时刻的***频谱效率,同时作为环境输出奖励值r(0):
其中,NCP=64为循环前缀以避免OFDM符号间干扰;
步骤五、具体包括以下步骤:
步骤5.5、利用下式计算t时刻用户k在子载波i上的信噪比:
t时刻的***频谱效率可用下式计算,同时作为环境输出奖励值r(t):
步骤5.7、将得到的四元组{s(t),a(t),r(t),s(t+1)}作为一个经验样本存入经验池中,若经验池已存满后,则用该经验样本覆盖经验池中最早的一个经验样本。
所述随机采样按如下步骤进行:
若t≥32,则从经验池D中随机选择NB=32个样本d={d1,d2,…,d32},其中每个样本均为学习过程中存入经验池中的四元组,进入步骤七;若t<32,则不采样并令t=t+1,转到步骤五。
步骤七、利用采样结果对动作输出在线网络和状态动作评价在线网络进行更新,并对动作输出目标网络和状态动作评价目标网络进行软更新;若|C(t)-C(t-1)|≤0.0001,则停止迭代转到步骤八,否则令t=t+1并转到步骤五;
对动作输出在线网络和状态动作评价在线网络的更新,并对动作输出目标网络和状态动作评价目标网络的软更新,按如下步骤进行:
步骤7.2、计算所采NB=32个样本的均方误差作为状态动作评价在线网络Cρ的损失函数:
步骤八、将当前时刻t所得的可重构智能表面的相移偏置矩阵Φ(t)、用户共享子载波时子载波i上基站端预编码矩阵和基站端发射功率向量作为当前信道状态信息下的可重构智能表面的最佳相移偏置矩阵Φopt、相应的最佳基站预编码方案及功率分配方案。
综上,本发明在运行时间复杂度和***性能上均优于传统的数值迭代设计方法,利用深度神经网络强大的非线性建模能力,快速学习出最优的RIS反射相移矩阵,特别是对于快速时变信道有很强的鲁棒性,可以实现高效的***频谱效率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种可重构智能表面增强的MISO-OFDM传输方法,其特征在于,包括以下步骤:
步骤一、基站配置均匀线性天线阵,该天线阵包括Nt个天线阵元,服务K个单天线用户,可重构智能表面配置均匀平面反射阵,共M=x×y个反射单元,包括垂直方向x行反射单元,水平方向每行y个反射单元;***整体带宽被划分为N个子载波,K个单天线用户共享全部子载波,基站和可重构智能表面已知用户的时域信道状态信息;
步骤二、利用时域信道状态信息构建从基站到用户k的频域子载波信道i上的向量从可重构智能表面到用户k的频域子载波信道i上的向量和从基站到可重构智能表面的频域子载波信道i上的矩阵Gi,k=1,2,…,K,i=0,1,…,N-1;
步骤三、构建智能体X的经验池及深度强化学习神经网络,包括:动作输出在线网络A、动作输出目标网络状态动作评价在线网络Cρ,ρ=1,2,即C1和C2,以及状态动作评价目标网络即和所述动作输出在线网络A和动作输出目标网络构成智能体X的动作网络;所述状态动作评价在线网络C1和C2以及状态动作评价目标网络和构成智能体X的评价网络;
智能体X在t时刻的环境状态为其中为智能体X在t-1时刻输出的可重构智能表面各个反射元件的相移参数,C(t-1)是t-1时刻的***频谱效率,环境输出奖励值r(t)评价动作输出在线网络A在当前状态s(t)下输出的动作;
计算得到t=0时刻的***频谱效率C(0);
步骤五、将t时刻的环境状态s(t)作为动作输出在线网络的输入,计算得到t时刻的可重构智能表面的相移偏置矩阵Φ(t)、子载波i上的基站端预编码矩阵和基站端发射功率向量以及t+1时刻的环境状态且t时刻的***频谱效率C(t)作为环境输出奖励值r(t);将最终得到的四元组{s(t),a(t),r(t),s(t+1)}作为一个经验样本存入经验池中,若经验池已存满后,则用该经验样本覆盖经验池中最早的一个经验样本;
步骤六、智能体X将状态动作对(s(t),a(t))输入状态动作评价在线网络C1和C2中,输出状态动作对(s(t),a(t))的评价值和其中,和表示状态动作评价在线网络C1和C2的状态动作对的评价值函数;
随后从经验池随机采样NB个样本,随机采样按如下步骤进行:
步骤七、利用采样结果对动作输出在线网络和状态动作评价在线网络进行更新,并对动作输出目标网络和状态动作评价目标网络进行软更新;若|C(t)-C(t-1)|≤ε,是网络收敛条件,则停止迭代转到步骤八,否则令t=t+1并转到步骤五;
3.根据权利要求1所述的一种可重构智能表面增强的MISO-OFDM传输方法,其特征在于,步骤二所述构建从基站到用户k的频域子载波信道i上的向量从可重构智能表面到用户k的频域子载波信道i上的向量和从基站到可重构智能表面的频域子载波信道i上的矩阵Gi,具体包括以下步骤:
其中,表示矩阵的第n列向量,表示矩阵的第nt+(n-1)×Nt列向量,表示矩阵的第p行第q列元素,表示矩阵的第m+(p-1)×M行第nt+(q-1)×Nt列元素,表示矩阵的第n列向量,表示矩阵的第m+(n-1)×M列向量,n,p,q=1,2,…,N;
4.根据权利要求1所述的一种可重构智能表面增强的MISO-OFDM传输方法,其特征在于,步骤四所述计算得到t=0时刻的***频谱效率C(0),具体包括以下步骤:
步骤4.4、用下式计算在t=0时刻的***频谱效率C(0),并作为环境输出奖励值r(0):
其中,NCP为循环前缀以避免正交频分复用(orthogonal frequency divisionmultiplexing,OFDM)符号间干扰,为t=0时刻用户k在子载波i上的信噪比,如下式所示:
5.根据权利要求1所述的一种可重构智能表面增强的MISO-OFDM传输方法,其特征在于,所述步骤五具体包括以下步骤:
步骤5.2、基于动作a(t)计算可重构智能表面的相移偏置矩阵:
步骤5.5、t时刻的***频谱效率C(t)用下式计算,同时作为环境输出奖励值r(t):
步骤5.7、将得到的四元组{s(t),a(t),r(t),s(t+1)}作为一个经验样本存入经验池中,若经验池已存满后,则用该经验样本覆盖经验池中最早的一个经验样本。
6.根据权利要求1所述的一种可重构智能表面增强的MISO-OFDM传输方法,其特征在于,步骤七所述利用采样结果对动作输出在线网络和状态动作评价在线网络进行更新,并对动作输出目标网络和状态动作评价目标网络进行软更新,具体包括以下步骤:
步骤7.1、将所采的NB个样本的状态动作对输入状态动作评价目标网络和得到相应的状态动作对的价值函数估计值和其中,和分别是动作状态评价目标网络和的状态动作对评价值函数,每个样本为经验池存储的第tj个时刻的样本四元组;
其中,γ∈(0,1)为奖励函数的折扣因子,为动作输出目标网络根据产生的动作,是动作输出目标网络的策略函数,是通过对噪声功率为的正态分布随机噪声按输出动作维度进行采样并按比例放缩在(-c,c)范围内产生的,是噪声截断上限值;
步骤7.2、计算所采NB个样本的均方误差作为状态动作评价在线网络Cρ的损失函数:
其中,τ<<1为软更新参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210424495.5A CN115395993A (zh) | 2022-04-21 | 2022-04-21 | 一种可重构智能表面增强的miso-ofdm传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210424495.5A CN115395993A (zh) | 2022-04-21 | 2022-04-21 | 一种可重构智能表面增强的miso-ofdm传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115395993A true CN115395993A (zh) | 2022-11-25 |
Family
ID=84115356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210424495.5A Pending CN115395993A (zh) | 2022-04-21 | 2022-04-21 | 一种可重构智能表面增强的miso-ofdm传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115395993A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260501A (zh) * | 2023-05-15 | 2023-06-13 | 清华大学 | Ris及其辅助ofdm通信***的预编码方法和装置 |
CN116318288A (zh) * | 2023-05-23 | 2023-06-23 | 江苏集萃移动通信技术研究所有限公司 | 一种基于智能反射面的mimo全双工功率分配方法 |
CN116614826A (zh) * | 2023-05-24 | 2023-08-18 | 北京天坦智能科技有限责任公司 | 一种同时传输和反射表面网络的覆盖和容量优化方法 |
-
2022
- 2022-04-21 CN CN202210424495.5A patent/CN115395993A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260501A (zh) * | 2023-05-15 | 2023-06-13 | 清华大学 | Ris及其辅助ofdm通信***的预编码方法和装置 |
CN116260501B (zh) * | 2023-05-15 | 2023-07-14 | 清华大学 | Ris及其辅助ofdm通信***的预编码方法和装置 |
CN116318288A (zh) * | 2023-05-23 | 2023-06-23 | 江苏集萃移动通信技术研究所有限公司 | 一种基于智能反射面的mimo全双工功率分配方法 |
CN116318288B (zh) * | 2023-05-23 | 2023-08-04 | 江苏集萃移动通信技术研究所有限公司 | 一种基于智能反射面的mimo全双工功率分配方法 |
CN116614826A (zh) * | 2023-05-24 | 2023-08-18 | 北京天坦智能科技有限责任公司 | 一种同时传输和反射表面网络的覆盖和容量优化方法 |
CN116614826B (zh) * | 2023-05-24 | 2024-01-16 | 北京天坦智能科技有限责任公司 | 一种同时传输和反射表面网络的覆盖和容量优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taha et al. | Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation | |
CN115395993A (zh) | 一种可重构智能表面增强的miso-ofdm传输方法 | |
Zhang et al. | Deep learning optimized sparse antenna activation for reconfigurable intelligent surface assisted communication | |
CN113452642B (zh) | 一种可重构智能表面增强的siso-ofdm下行传输方法 | |
CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
CN105142177B (zh) | 复数神经网络信道预测方法 | |
Pande et al. | Reduced feedback MIMO-OFDM precoding and antenna selection | |
CN109560846B (zh) | 一种基于模型驱动深度学习的三维预编码方法 | |
Attiah et al. | Deep learning for channel sensing and hybrid precoding in TDD massive MIMO OFDM systems | |
CN112448742A (zh) | 一种非均匀量化下基于卷积神经网络的混合预编码方法 | |
Yu et al. | Deep learning based user scheduling for massive MIMO downlink system | |
Narengerile et al. | Deep reinforcement learning-based beam training for spatially consistent millimeter wave channels | |
Liu et al. | Learning hybrid precoding efficiently for mmWave systems with mathematical properties | |
CN117220740A (zh) | 一种非合作场景下通信与干扰一体化***波束形成方法 | |
Zia et al. | Deep learning for Parametric Channel Estimation in massive MIMO systems | |
Zou et al. | Secure transmission for intelligent reflecting surface assisted communication with deep learning | |
Tamilselvan et al. | Frequency domain learning scheme for massive MIMO using deep neural network | |
Elbir et al. | Low-complexity limited-feedback deep hybrid beamforming for broadband massive MIMO | |
CN113067652B (zh) | 一种利用宽带大规模天线阵列空间特性的信道预测方法 | |
CN114553640B (zh) | 多频段大规模mimo***中的跨频段统计信道状态信息估计方法 | |
CN114826349B (zh) | 一种基于可重构智能表面的发射功率最小化传输方法 | |
CN112367104B (zh) | 用于毫米波mimo的基于移相器的联合空分复用方法 | |
CN114598574A (zh) | 一种基于深度学习的毫米波信道估计方法 | |
Jiang et al. | Active sensing for two-sided beam alignment using ping-pong pilots | |
Omid et al. | Deep Reinforcement Learning-Based Secure Standalone Intelligent Reflecting Surface Operation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |