2023.3.6-3.10

1. 《Energy Efficiency in RIS-Aided Wireless Networks: Active or Passive RIS?》

      基于RIS的通信网络有望提高信道容量和能源效率。然而，由于双路径损耗效应，无源RIS的承诺容量增益可以忽略不计。有源RIS可以克服这个问题，因为它们具有具有低成本放大器的反射器元件。本文研究了多用户系统中有源RIS辅助的无线携能通信（SWIPT）。用户利用功率分割（PS）来解码信息并基于现实的分段非线性能量收获模型同时收获能量。目标是通过优化其波束形成器、PS比和RIS相移/放大因子来最小化基站（BS）发射功率。仿真结果表明，与没有更高计算复杂度成本的无源RIS相比，最大反射功率分别为10mW和15mW，显著改善（例如，19%和28%）。我们还证明了所提出的算法对不完全信道状态信息的鲁棒性。

2. 《MU-Massive MIMO with Multiple RISs: SINR Maximization and Asymptotic Analysis》

      我们研究了具有多个可重构智能表面（RIS）的多用户大规模多输入多输出（大规模MIMO）系统中的信噪比（SINR）最大化问题。我们研究了两种用于干扰管理的迫零（ZF）波束形成方法，即BS-UE-ZF和BS-RIS-ZF，它们分别在用户（UE）和RIS处将干扰强制为零。然后，针对每种情况，我们解决SINR最大化问题，以找到RIS元件的最佳相移。此外，我们还评估了当基站（BS）天线数量趋于无穷大时最佳相移和最大SINR的渐近表达式。我们表明，如果RIS元件的信道是独立的，并且BS天线的数量趋于无穷大，则随机相移使用BS-UE-ZF波束形成方法实现最大SINR。仿真结果表明，通过采用BS-RIS-ZF波束形成方法，即使对于少量的BS天线，相移和最大SINR的渐近表达式也可以达到最佳相移所获得的速率。

3. 《Exploiting Intelligent Reflecting Surfaces for Interference Channels with SWIPT》

      本文研究了多用户多输入单输出（MISO）干扰信道（IFC）中智能反射表面（IRS）辅助的无线携能通信（SWIPT），其中多个发射机（Tx）借助IRS在共享频谱中为其对应的接收机（Rxs）服务。我们的目标是通过联合优化Tx处的发射协方差矩阵、IRS处的相移以及受限于Rx处的单独能量收集（EH）约束的资源分配，最大化Rx的和速率。为了实现这一目标，并基于众所周知的功率分割（PS）和时间切换（TS）接收机结构，我们考虑了三种实用的传输方案，即IRS辅助的混合TS-PS方案、IRS辅助的时分多址（TDMA）方案和IRS辅助的TDMA-D方案。后两种方案的不同之处在于Tx是否采用所有Rx已知的确定性能量信号。尽管与三种传输方案相对应的三个优化问题具有非凸性，但我们开发了计算效率高的算法，通过利用交替优化（AO）和连续凸逼近（SCA）技术分别解决这些问题。此外，我们构想了这些问题的可行性检查方法，并在此基础上构建了所提出算法的初始点。仿真结果表明，我们提出的IRS辅助方案在和速率和各种设置下可满足的最大EH要求方面显著优于没有IRS的方案。此外，IRS辅助的混合TS-PS方案通常在三个提出的IRS辅助方案中实现最佳的和速率性能，如果没有，增加IRS元件的数量总是可以实现这一点。

4. 《AI-Empowered Hybrid MIMO Beamforming》

      混合多输入多输出（MIMO）是一种有吸引力的技术，用于以可扩展和节能的方式实现为未来无线通信设想的极端大规模MIMO系统。然而，与传统的全数字MIMO相比，混合MIMO系统实现部分模拟和部分数字波束形成的事实使得其波束形成的优化更具挑战性。因此，近年来，人们对使用数据辅助人工智能（AI）工具进行混合波束形成设计越来越感兴趣。本文回顾了利用数据改进实时混合波束形成设计的候选策略。我们讨论了架构约束，并描述了与混合波束形成优化相关的核心挑战。然后，我们介绍了如何通过传统优化处理这些挑战，并确定了不同的人工智能辅助设计方法。这些可以大致分为纯数据驱动的深度学习模型和不同形式的深度展开技术，用于将AI与经典优化相结合。我们提供了现有方法之间的系统比较研究，包括数值评估和定性测量。最后，我们提出了与混合MIMO系统中人工智能的结合相关的未来研究机会。

5. 《Energy Efficiency Maximization in RIS-Aided Networks with Global Reflection Constraints》

      这项工作解决了由具有全局反射能力的可重构智能表面（RIS）辅助的多用户网络中的能效最大化问题。提出了两种优化方法来优化移动用户的功率、RIS系数和线性接收滤波器。这两种方法都是可证明收敛的，并且只需要凸优化问题的解。数值结果表明，所提出的方法大大优于启发式资源分配方案。

6. 《Joint Beamforming for RIS-Assisted Integrated Sensing and Communication Systems》

      通信感知一体化（ISAC）正在成为下一代通信系统的关键技术。可重构智能表面（RIS）通过在ISAC系统中引入新的波束形成自由度，可以同时提高通信和传感的性能。本文提出了RIS辅助ISAC系统中联合波束形成的两种优化技术。我们首先目标是通过对RIS处的通信速率、发射功率和单位模数反射系数施加约束来最大化雷达互信息（MI）。提出了一种基于半定松弛（SDR）方法的交替优化（AO）算法，通过引入加速收敛的方法来解决优化问题。为了实现更低的计算复杂度和更好的可靠性，我们然后制定了一个新的优化问题，以在更少的约束条件下最大化加权ISAC性能度量。提出了一种基于黎曼梯度（RG）方法的AO算法来解决这个问题。这是通过分别在复超球流形和复圆流形上重构发射和RIS波束形成来实现的。数值结果表明，所提出的算法可以同时提高雷达MI和加权通信速率。基于RG的AO算法表现出比基于SDR的方法更好的性能。