20190630

Enabling Large Intelligent Surfaces with Compressive Sensing and Deep Learning

Abstract

背景： LIS 的channel estimation overhead 很大，
在1） 所有的LIS elements 都是 passive的时候， 利用TDD 协议来进行信道估计
2）active, 连接full-digital /hybrid architecture 的时候 硬件复杂度很高
Contribution:
Novel LIS architecture: Sparse channel sensors (只有几个是active的，active 就是连了 LIS controller的baseband的）

Method 1

通过设计 LIS reflection的matrices 来进行信道估计，效果： training overhead is negligible
方式： compressing tools (可以考虑师兄的那个Phase code的设计）(式 (19)很像哦）

Method 2

deep learning

System Model

考虑 IRS M 个 antenna
收发都是单天线
OFDM 系统，分别 对每一个子载波进行分析
目标： 最大化 achiveable rate

Novel LIS Architecture based on CS

就是前面说的（类似稀疏采样？)
(
这一部分比较简单，就完全是套了一个CS的模型，然后用OMP求解）
作者说 这个 random selection 也是一个待研究的问题

DL

这个和预期的有点出入：
本文的做法：、
Phase 1: learning
1） Sampled channel estimation: 在每个信道相关块s内，估计信道 AP-IRS, IRS-User的，并构建字典
2）exhaustive beam training: 相当于反馈 R(n) (只有数学才令人着迷）
3） 添加元素至字典
4） offlne的训练
Phase 2: Predicting

对于每一个 block进行训练，给出预期的achievable rate set对应的 phase shifts
这个refine的部分没有太明白
主要是觉得，这样做 complexity太高，而且中间还有exhaustive 的 training,没有解决CS的问题

Conclusion

在LIS 考虑 Phase retrieval 的问题还是可以的，可以用GAMP？ 如果用了少量的controller, 在beam forming部分或许可以改进，这样不好改呢，目前没有想到自由度怎么加进去