《Distributed Machine Learning Based Downlink Channel Estimation for RIS Assisted Wireless Communications》
在去除直接信道的影响之后的下行链路传输信号模型由下式给出:
wr,k 是BS处的预编码向量
信道G和fr,k可以由广泛使用的Saleh-Valenzuela信道模型表示。具体地,G由下式给出:
在第q(q = 1,2,...,Q)个时隙中,位于第r个区域中的第k个用户处的接收导频信号ypr,k,q ∈ C可以表示为:
Hr,k = diag(fr,k)G
因为pr,k,q表示由BS发送的导频信号
在导频传输的Q个时隙之后,假定 pr,k,q =1
DNN原理:DNN被部署在用户侧用于下行链路级联信道估计。具体地,信道估计神经网络建立从接收到的导频信号到下行链路级联信道的非线性映射关系,其可以表示为
损失函数:
训练DNN的目的是通过优化权重θ来最小化上述损失函数,即,
基于DML的信道估计神经网络
首先构建由BS和所有用户共享的称为下行链路信道估计(DCE)网络的全局DNN。然后,在DML的帮助下,基于所有用户可用的本地训练数据集联合训练全局DCE网络。接下来,我们将首先详细介绍训练处理,然后介绍DCE网络的体系结构。
前三个卷积层都由32个具有3 × 3内核的滤波器、一个批处理归一化操作和一个用于激活的校正线性单元(ReLU)组成。由2NM个神经元组成的最终线性层用于构造下行链路级联信道向量。
基于DML的分层神经网络:
1)分层DCE网络架构:如图3所示。所提出的HDCE网络由三部分组成:场景分类器、特征提取器、特征映射器。
所采用的场景分类器由五层组成。第一层和第三层都是卷积层,由32个具有3×3内核的滤波器组成,然后是ReLu激活函数。第二层和第四层是具有2 × 2内核的最大池化层。第五层是线性层,其将前一层的输出映射到具有R个元素的向量。预测的信道场景索引由R个元素中的最大元素的位置确定。
2)基于DML的分层训练:基于上述分层架构,我们可以发现所提出的HDCE网络应该在来自不同信道场景的不同数据集上进行训练,这也需要利用DML技术。我们进一步提出了基于DML的分层训练来训练所提出的HDCE网络。具体地,HDCE网络不是作为整体训练的,其中场景分类器是单独训练的,而特征提取器和特征映射器是联合训练的。这两个训练过程是解耦的。