Indoor Signal Focusing with Deep Learning Designed Reconfigurable Intelligent Surfaces

Indoor Signal Focusing with Deep Learning
Designed Reconfigurable Intelligent Surfaces
Chongwen Huang1
, George C. Alexandropoulos2
, Chau Yuen1
, and Merouane Debbah ´
3,4
1Singapore University of Technology and Design, 487372 Singapore

Phrases

comprised of 由…组成
xxx has spurred 类似boost
tedious(沉闷的) location finding process
dedicated 专用的
capitalizes on the fact that 利用了…的事实
substantially 大体上

Abstract

主要就是建立一个fingerprints 数据库，用来训练神经网络的权重和偏差，离线训练阶段，利用数据库里的测量的用户位置信息和最优的RIS配置信息来训练，在online预测阶段， 训练好的DNN就来预测RIS的配置信息 （要给定测量的用户位置信息）

System Model

Assumption:

假设RIS 有少量配置了active elements allowing channel estimation

RIS的配置仅与用户的位置信息有关 （假设large scale path loss 恒定）

然后模型跟之前Wu’s paper是一样的
$z \triangleq \mathrm{h}_{2} \Phi \mathrm{H}_{1} \mathrm{s}+\mathrm{h}_{1} \mathrm{s}+n$z≜h2​ΦH1​s+h1​s+n
接收信噪比
$\gamma \triangleq \frac{p}{\sigma^{2}}\left|\mathbf{h}_{2} \mathbf{\Phi} \mathbf{H}_{1}+\mathbf{h}_{1}\right|^{2}$γ≜σ2p​∣h2​ΦH1​+h1​∣2

Algorithm

Fingerprints database design

利用K个参考点的J个不同的位置估计（用的其他论文的方法）以及corresponding optimal RIS phase configuration来当数据库

Networks Design

tanh()来做激活函数，不知道具体的效用 （可以看看）相应

Criterion:
$\mathcal{L}(\Theta)=\sum_{k=1}^{K} \sum_{j=1}^{J}\left\|\Phi_{k, j}-\hat{\Phi}_{k, j}(\Theta)\right\|_{2}^{2}$L(Θ)=k=1∑K​j=1∑J​∥∥∥​Φk,j​−Φ^k,j​(Θ)∥∥∥​22​
以及采用的是Adagrad Algorithm（大名鼎鼎，不过去年好像有浙大本科生提出了改进）

Results

值得注意的是，他采用的是 OFDM的signal
setup 仅用了 Throughout 和 MSE 两种
而且木有和其他的算法比较 complexity 和 MSE

小结：

对于通信场景运用DL我一直是谨慎的，但是确实是一个解决问题的方式，try anyway
本篇文章的亮点就在于 用DL成功解决了一个 RIS configuration的问题，其他没有什么。

遗留的问题有： 如何利用few active elements 进行信道估计 （之前那篇基于CS和DL的channel estimation有讲，但是 有没有更好的方法？）

一直没有弄明白为什么一定是对角阵？？好烦呀

标签：Surfaces,Phi,H1,mathbf,h2,Signal,Indoor,RIS,mathrm
来源： https://blog.csdn.net/qq_30074301/article/details/94598673