论文1:Deep Learning-based Phase Reconfiguration for Intelligent Reflecting Surfaces
原文链接:http://arxiv.org/abs/2009.13988
思想:利用DNN去逼近基于LS方法的信道估计性能,并进行下行链路波束赋形设计。
场景:MISO系统场景。
信道估计:对上行链路进行信道估计,采用TDD传输技术,并且采用了信道的互易性(上行链路与下行链路一样),这样对上行链路进行信道估计不用考虑波束赋形矩阵,减少参数(如果对下行链路进行信道估计还需要考虑波束赋形矩阵,参数规模与BS天线数目成正比)。其中每个时隙t接收的反射导频信号被建模为:
BS、IRS阵列响应分别为:
BS-User链路与IRS-User链路采用SV模型,分别为:
BS接收的所有导频信号为:
其中相位矩阵是T × (N+1)矩阵,其秩为min{T, N+1}。假设T ≥ N+1,则可以采用LS估计器:
其中:
接下来就可以利用估计的信道来计算下行链路波束赋形矩阵与IRS相位。
联合优化:如果BS已知的是perfect CSI,联合优化可采用交替优化算法求解:
我们可以利用这个代入估计的信道,交替优化波束赋形矩阵与IRS相位。当然这样会造成信息损失。
基于深度学习的优化:针对不同的T(总时隙数),提出两种DNN:
第一个CNN,T = N+1,这样可以获得基于LS方法下的w,Φ优解,二者作为标签,接收导频信号作为网络输入,进行监督学习。网络由3层隐藏层组成,损失函数采用MSE。
第二个CNN,T<N+1(此情况下好处是减少了接收导频开销),仍然采用T=N+1下基于LS方法下的w,Φ优解作为标签,接收导频信号作为网络输入,进行监督学习。网络由4层隐藏层组成,损失函数采用MSE。
仿真结果:
提出的DL方案性能还是不错的,收敛快,鲁棒性高,优化误差小。