Beamforming相关论文笔记/(ㄒoㄒ)/~~

---

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。