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…組成
xxx has spurred 類似boost
tedious(沉悶的) location finding process
dedicated 專用的
capitalizes on the fact that 利用了…的事實
substantially 大體上

Abstract

主要就是建立一個fingerprints 數據庫，用來訓練神經網絡的權重和偏差，離線訓練階段，利用數據庫裏的測量的用戶位置信息和最優的RIS配置信息來訓練，在online預測階段， 訓練好的DNN就來預測RIS的配置信息 （要給定測量的用戶位置信息）

System Model

Assumption:

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

RIS的配置僅與用戶的位置信息有關 （假設large scale path loss 恆定）

然後模型跟之前Wu’s paper是一樣的
$z \triangleq \mathrm{h}_{2} \Phi \mathrm{H}_{1} \mathrm{s}+\mathrm{h}_{1} \mathrm{s}+n$
接收信噪比
$\gamma \triangleq \frac{p}{\sigma^{2}}\left|\mathbf{h}_{2} \mathbf{\Phi} \mathbf{H}_{1}+\mathbf{h}_{1}\right|^{2}$

Algorithm

Fingerprints database design

利用K個參考點的J個不同的位置估計（用的其他論文的方法）以及corresponding optimal RIS phase configuration來當數據庫

Networks Design

tanh()來做激活函數，不知道具體的效用 （可以看看）相應

Criterion:
$\mathcal{L}(\Theta)=\sum_{k=1}^{K} \sum_{j=1}^{J}\left\|\Phi_{k, j}-\hat{\Phi}_{k, j}(\Theta)\right\|_{2}^{2}$
以及採用的是Adagrad Algorithm（大名鼎鼎，不過去年好像有浙大本科生提出了改進）

Results

值得注意的是，他採用的是 OFDM的signal
setup 僅用了 Throughout 和 MSE 兩種
而且木有和其他的算法比較 complexity 和 MSE

小結：

對於通信場景運用DL我一直是謹慎的，但是確實是一個解決問題的方式，try anyway
本篇文章的亮點就在於 用DL成功解決了一個 RIS configuration的問題，其他沒有什麼。

遺留的問題有： 如何利用few active elements 進行信道估計 （之前那篇基於CS和DL的channel estimation有講，但是 有沒有更好的方法？）

一直沒有弄明白爲什麼一定是對角陣？？好煩呀