تخمین کانال مبتنی بر یادگیری عمیق برای سیستم های RIS با شکل دهی پرتو غیرفعال

Abstract

فناوری سطوح هوشمند قابل پیکربندی مجدد (RIS) پتانسیل قابل توجهی در بهبود ارتباطات بی‌سیم نشان داده است. با این حال، سیستم‌های مجهز به RIS با چالش‌های منحصر به فردی در تخمین کانال مواجه هستند که ناشی از ماهیت غیرفعال آنها و پیچیدگی محیط کانال است. روش‌های مبتنی بر یادگیری عمیق ابزارهای قدرتمندی برای مواجهه با ابعاد بالا در این سیستم‌ها ارائه می‌دهند. ما در این مقاله یک الگوریتم مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کاملاً متصل (FCNN) را برای تخمین کانال با خطای کمتر در سیستم‌های RIS توسعه داده‌ایم. مدل پیشنهادی با استفاده از الگوریتم حداقل مربعات (LS) پیشنهادی به‌صورت تکراری آموزش داده شده تا سرعت همگرایی و دقت آن بیشتر شود. به طور خاص، ما یک ساختار یادگیری عمیق طراحی و آموزش می‌دهیم تا با استفاده از سیگنال‌های دریافتی، تمامی کانال‌های بین فرستنده و گیرنده را هم‌زمان تخمین بزند. به‌منظور ارزیابی عملکرد عملی سیستم، روش توسعه‌یافته در سناریوهای واقعی شکل‌دهی پرتو مورد آزمایش قرار گرفته و بر اساس دقت تخمین کانال و نمودارهای نرخ خطای بیت (BER) بررسی شده است. طبق شبیه‌سازی‌های انجام شده، این روش عملکرد بهتری نسبت به روش‌های موجود نشان داده است و منجر به خطای تخمین بسیار کمتر و بهبود در نرخ خطای بیت سیستم ارتباطی می‌شود. این روش به طور متوسط حدود هفت دسی‌بل خطای کمتری نسبت به روش LMS و به طور متوسط حدود دو دسی‌بل خطای کمتری نسبت به روش LS پیشنهادی دارد. این یافته‌ها راه را برای عملکرد قابل اعتماد RIS در شبکه‌های آینده 6G هموار می‌کنند.