Intelligent Reflecting Surface Enhanced Wireless
Network: Joint Active and Passive Beamforming
Design
Abstract
Background: IRS-enhanced 点对点的MISO 无线系统:多天线AP 单用户
目标: 在IRS-enhanced 的情况下,联合优化 AP 和IRS 的beamforming vector ,(主要是IRS的Phase shifters)使得 用户端的接收信号功率最大
假设: IRS 端 CSI(channel state information)全部已知,
方法: 首先提出了一种集中式的SDR算法,(需要过多的信道估计,以及信号交换开销)
再提出了一种 分布式(distribution)的算法,AP 跟 IRS 可以独立地调整 beamforming, 相移 以一种交替地方 式“获得”直到收敛
结果: 两种算法比benchmarks要好很多
Conclusion
主要创新点:引入了IRS,并且所提出的distributed的算法,用SDR和交替的方法,可以达到近似最优的performance
Note:这个是continuous 的 phase shifter 哦
System Model
还是quasi static flat fading 信道 TDD 协议,时分复用协议,
并且假设在AP端是线性的波束成形
harvested energy是啥?
为什么V是
C
(
N
+
1
)
×
(
N
+
1
)
\Bbb C^{(N+1) \times (N+1)}
C(N+1)×(N+1)
Answer: 注意文章中(11)
v
^
\hat{v}
v^多了个
t
t
t,多了一维
最大速率发射的最优beam forming vector 【15】
问题:这个比较神奇,在垂直的情况,d=d_0时,AP的所需的transimit power是最小的,但是在恒定发送功率下用户的接收信噪比却不是最高的??(有一点问题哦)
目标: 最大化接收信号能量,
约束: AP端beamforming vector能量约束
IRS相移器,相位是连续的(在晚一点的文章里,考虑了相位离散(量化相位)的情况)
已知
当固定IRS相移
Θ
\Theta
Θ, maximum ratio transimission可以求得最优的beamformer vector
w
w
w,
相当于联合优化
w
w
w和
Θ
\Theta
Θ,固定一个求最优,剩下的就是固定最优的
w
w
w求最优的
Θ
\Theta
Θ了。
如何求最优的
Θ
\Theta
Θ呢?
这篇文章考虑了两种方法:
- Centralized Algorithm
松弛原问题,得到其的UpperBound
再运用参考文献[16]里的方法来使得其解满足约束,
注意,这也是个近似解, π 4 \cfrac{\pi}{4} 4π近似
算法1)需要假设获得完整的信道状态信息,包括 h r , h d , G h_r,h_d,G hr,hd,G并且当 w w w更新时,IRS需要跟AP feedback 当前最优的 w w w
- Distributed Algorithm
先估计得到
h
r
,
h
d
h_r,h_d
hr,hd
IRS逐步估计
arg
(
g
n
H
w
)
\arg(g_n^Hw)
arg(gnHw),然后利用式(19)估计
θ
\theta
θ,
user广播导频,IRS用估计到的
θ
\theta
θ反射,AP接收,(再估计联合信道CSI,根据式(20)更新
w
w
w
当URA的时候,信道矩阵应该怎么写
Introduction
IRS: intelligent reflecting surface 是一个 planar array,低成本的打印的偶极子天线单元, 每一个element都能引入一个特定的phase shift,(传统的passive reflect arryays 的相移是固定的,不能适应无线通信系统中的时变特性,新型材料的引入可以近乎实时地调整相移)。
说起来这个 相位地控制,在电磁波里,考虑正弦,同相相长,反相相消,通过控制相移,可以有目的地增强某些信号,也可以抑制某些信号, 一个是方便接收,一个是为了通信安全。
另外介绍了 IRS与传统的AF relay,backscatter, active intelligent surface 不同:
与amplify & forward的差异: IRS完全是passive的,没有额外的功耗
与RFID backscatter communciation的差异: RFID通过反射来自阅读器的入射波 与接收机通信,(也就是说RFID 通信要发送自己的消息), 在这种通信里,阅读器和接收机的通信 是干扰,需要被抑制的(类似AP与user)
而IRS仅仅是增强 AP与user的通信,不附加自己的信息。
与active intelligent surface based on massive MIMO差异: active 与 passive 的差别
链路信噪比
接收信噪比 接收信号中除了噪声以外的
Notes
其实看别人写出来,想着,啊,好像就是那么回事?
但是其实很多小的地方,很可能就没想到
比如参考文献[15]这种方法,还是要自己去找?或者平时积累。另外就是转换的small tricks
h
r
H
Θ
G
=
v
H
Φ
\pmb h_r^H \Theta \pmb G =\pmb v^H \pmb \Phi
hhhrHΘGGG=vvvHΦΦΦ
v
=
d
i
a
g
(
Θ
)
v = diag(\Theta)
v=diag(Θ)这里的diag是取对角线元素的意思
Φ
=
d
i
a
g
(
h
r
H
)
G
\pmb \Phi = diag(\pmb h_r^H)\pmb G
ΦΦΦ=diag(hhhrH)GGG 这里的diag是把向量扩充成对角阵的意思
还有distributed algorithm的部分
还是对precoding不熟,不知道
ϕ
0
\phi_0
ϕ0竟然可以当成常数,由beamforming来补偿(想想真是easy啊)
还有就是整个思路,先用柯西不等式,确定了跟IRS相位有关的变量 只与路径的 相位(信道
h
r
h_r
hr和
g
w
gw
gw的相位有关,其实在物理意义上是很显然的,IRS相当于相位可调的多径,不同径之间的相位相同则相长,否则则相消。
确定了这个式子之后,
相当于
θ
\theta
θ知道了,(注意最开始初始化
w
=
p
h
d
∣
∣
h
d
∣
∣
w=\sqrt{p} \frac{h_d}{||h_d||}
w=p∣∣hd∣∣hd)
另外就是
w
w
w了,这个
w
w
w再利用MRT的结果进行更新,因为beamformer多补偿了相移,
α
\alpha
α需要自适应的在AP端调整,这个只要是
w
∗
w^*
w∗前面的-global_phase就行了
剩下的就是不断迭代直至收敛了
我怎么样想到这些东西呢
而且哦,没有提供收敛性证明,只是在formulation里说了能够收敛
在仿真结果部分
解释的合情合理~要么离AP近,要么离IRS近,接收能量应该都挺高,在都不近的时候,接收能量就比较小,并且极小值点比较靠近IRS,这个文中并没由给出解释,不过我认为正好是反映IRS passive的特性,即它不主动提供能量,所以就是AP的能量相对更大,这个结果是 make sense的