The realization of practical intelligent reflecting surface (IRS)-assisted multi-user communication (IRS-MUC) systems critically depends on the proper beamforming design exploiting accurate channel state information (CSI). However, channel estimation (CE) in IRS-MUC systems requires a significantly large training overhead due to the numerous reflection elements involved in IRS. In this paper, we adopt a deep learning approach to implicitly learn the historical channel features and directly predict the IRS phase shifts for the next time slot to maximize the average achievable sum-rate of an IRS-MUC system taking into account the user mobility. By doing this, only a low-dimension multiple-input single-output (MISO) CE is needed for transmit beamforming design, thus significantly reducing the CE overhead. To this end, a location-aware convolutional long short-term memory network (LA-CLNet) is first developed to facilitate predictive beamforming at IRS, where the convolutional and recurrent units are jointly adopted to exploit both the spatial and temporal features of channels simultaneously. Given the predictive IRS phase shift beamforming, an instantaneous CSI (ICSI)-aware fully-connected neural network (IA-FNN) is then proposed to optimize the transmit beamforming matrix at the access point. Simulation results demonstrate that the sum-rate performance achieved by the proposed method approaches that of the genie-aided scheme with the full perfect ICSI.


翻译:实现实用智能反映表面(IRS)辅助多用户通信(IRS-MUC)系统的实用智能化多用户辅助系统,关键取决于利用准确的频道状态信息(CSI)的适当波束成型设计。然而,IRS-MUC系统中的频道估计(CE)由于IRS涉及许多反射要素,需要大量培训间接费用。在本文件中,我们采取深层学习方法,隐含地学习历史频道特征,直接预测IRS阶段在下一个时段的变化,以最大限度地实现IRS-MUC系统的平均可实现总和率,同时考虑到用户的流动性。通过这样做,只需要低振荡式多输出单发式(MISO) CE来传输波形设计,从而大大减少CE的间接费用。为此,我们首先开发了一个位置感应变长长的短期记忆网络(LA-CLNet),以促进IRS的预测性成型,在IRS-MC系统中联合采用革命性和经常性单位来利用频道的空间和时间性特征。鉴于在IMISISISI系统预测性完美访问阶段,拟议的IMISA系统升级系统系统将全面转换为Simal化系统,因此,拟议的SIMISA系统升级系统升级系统升级系统升级系统将全面升级系统升级系统升级为S-S-S-SIMFA的系统升级系统升级系统升级系统升级系统升级系统升级系统升级系统升级系统升级系统升级系统。

0
下载
关闭预览

相关内容

知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
【Manning新书】现代Java实战,592页pdf
专知会员服务
99+阅读 · 2020年5月22日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
“CVPR 2020 接受论文列表 1470篇论文都在这了
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
BranchOut: Regularization for Online Ensemble Tracking with CNN
统计学习与视觉计算组
9+阅读 · 2017年10月7日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
VIP会员
相关资讯
“CVPR 2020 接受论文列表 1470篇论文都在这了
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
BranchOut: Regularization for Online Ensemble Tracking with CNN
统计学习与视觉计算组
9+阅读 · 2017年10月7日
Top
微信扫码咨询专知VIP会员