2023.3.20-3.24

1. 《Quantized Phase Alignment by Discrete Phase Shifts for Reconfigurable Intelligent Surface-Assisted Communication Systems》

       近年来，可重构智能表面（RIS）引起了人们的极大兴趣。在本文中，我们研究了RIS辅助单输入单输出（SISO）系统离散相移设计中的联合相位对准和相位量化。首先，分别揭示了远场和近场中的相位分布现象，为RIS的相移离散化铺平了道路。然后，以对准相位为目标，对相位分布规律及其基本自由度（DoF）进行了表征，作为相位量化策略的指导。随后，提出了两种相位量化方法，动态阈值相位量化（DTPQ）和等间隔相位量化（EIPQ），以增强RIS的波束形成效果。DTPQ能够计算RIS上单元数量的线性复杂度的最优离散相移，而EIPQ是一种具有恒定复杂度的简化方法，产生次优解。仿真结果表明，与传统的量化方法相比，这两种方法在功率增益、稳定性和鲁棒性方面都有了显著的改进。首次揭示了RIS离散相移条件下的路径损耗（PL）标度律，其中相移是由DTPQ设计的。此外，在2.6GHz和35GHz下进行的现场试验验证了所提出的方法在实际通信环境中的良好性能。

2. 《Robust Holographic mmWave Beamforming by Self-Supervised Hybrid Deep Learning》

       近年来，大规模天线阵列波束形成技术得到了广泛应用，被公认为5G和即将到来的6G的重要组成部分。因此，利用各种技术来提高其性能，如深度学习、高级优化算法等。尽管它在许多先前的深度学习研究场景中的表现相当有吸引力，但当环境或数据集发生变化时，它通常会迅速下降。因此，设计有效的、鲁棒性强的波束形成网络是智能无线通信领域亟待解决的问题。本文提出了一种鲁棒波束形成自监督网络，并在两种不同数据集和不同场景下进行了验证。仿真结果表明，所提出的混合学习自监督网络在经典的DeepMIMO和新的WAIR-D数据集上都表现良好，在各种环境下都具有较强的鲁棒性。同时，我们提出了解释这种混合学习的合理性的原理，这对更多类型的数据集的应用具有指导意义。

3. 《Reconfigurable Intelligent Surface Aided Hybrid Beamforming: Optimal Placement and Beamforming Design》

       我们考虑将可重构智能表面(RIS)辅助的第六代(6G)太赫兹(THz)通信应用于室内环境，其中基站(BS)希望在多个RISs的帮助下向其服务用户发送独立的消息。对于室内环境，各种障碍物，如柱子、墙壁和其他物体，可能导致BS和用户之间没有视线信号路径，这将显著降低性能。为了克服室内太赫兹通信的这种限制，我们首先优化了RISs的布置，使覆盖面积最大化。在优化的RIS布局下，我们提出了在BS处进行三维混合波束形成和在RISs处进行相位调整，并通过低复杂度的基于码本的三维波束扫描在BS和RISs处联合进行。数值模拟结果表明，与无RIS和随机部署RISs的情况相比，该方案显著提高了平均和率。进一步表明，本文提出的基于码本的三维波束扫描可以有效地在BS—用户链路或BS—RIS—用户链路之间对齐模拟波束，从而实现了接近于需要全局信道状态信息的相干波束对齐的平均和速率。

4. 《User Scheduling and Passive Beamforming for FDMA/OFDMA in Intelligent Reflection Surface》

       大多数先前关于智能反射表面（IRS）的工作仅考虑点对点通信，包括单个用户，以便于分析。然而，实际的无线系统需要同时容纳多个用户。由于缺乏频率选择性反射，即相移集合在频率子信道之间不能不同，IRS的集成对频率复用方法（如频分多址（FDMA）和被广泛采用的称为正交FDMA（OFDMA）的技术）提出了根本挑战。这促使我们研究基于(O)FDMA的多用户IRS通信，以阐明在这种非频率选择性反射环境下，哪些用户调度和被动波束形成是有利的。理论分析和数值评估表明，当用户数量较少时，(O)FDMA不需要用户调度。如果用户数量变大，则既不需要用户调度也不需要IRS反射优化。这些发现有助于大大简化基于(O)FDMA的IRS通信的设计。

5. 《Distributed Two-tier DRL Framework for Cell-Free Network: Association, Beamforming and Power Allocation》(开源)

       长期以来，人们一直期望智能无线网络具有自配置和自优化能力，以适应各种环境和需求。在本文中，我们开发了一种新的分布式分层深度强化学习（DHDRL）框架，该框架具有不同时间尺度的双层控制网络，以优化由多个分布式接入点（AP）和用户终端（UT）组成的下行链路无小区多输入单输出（MISO）网络的长期频谱效率（SE）。为了实现所提出的双层控制策略，我们将优化问题分解为两个子问题，AP-UT关联（AUA）以及波束成形和功率分配（BPA），从而产生马尔可夫决策过程（MDP）和部分可观测MDP（POMDP）。所提出的方法由两个神经网络组成。在系统层面，引入分布式高级神经网络，在大尺度上优化无线网络结构。在链路级别，提出了一种分布式低层神经网络来减轻AP间干扰，并在小时间尺度上提高传输性能。数值结果表明，在频谱效率、信号开销和满足概率方面，我们的方法对高维问题是有效的，并很好地推广到各种多目标问题。