深度学习使太赫兹通信中的可重构智能表面成为可能

在物联网设备和宽带多媒体应用激增的推动下，无线数据流量的需求不断增长，加剧了对无线通信创新解决方案的寻求。

据报道，太赫兹通信的可重构智能表面的应用取得了进展。在《智能计算》杂志上发表的一篇研究文章 中，北京理工大学高震领导的研究团队介绍了一种新颖的物理信号处理方法，该方法利用深度学习来增强太赫兹通信系统中可重构智能表面的能力。

可重构智能表面是一项创新技术，通过调整其元件的相位和幅度，被动地向所需方向反射电磁信号。这种动态操纵信号的能力比传统通信系统具有显着的优势，特别是在信号传播的复杂性可能限制性能的室内环境中。

该技术可以集成到当前的太赫兹大规模多输入多输出通信系统中，通过操纵相位和幅度将电磁信号被动反射到所需方向，从而提供相当大的波束形成增益并解决自由空间损耗和大气衰减的固有挑战在太赫兹频段。

SFDCExtra方法由元素选择策略、导频设计、信道状态信息反馈、子信道估计和SFDCExtra模块组成。图片来源：Yang Wang 等人。

获取准确的信道状态信息对于使用可重构智能表面的通信系统至关重要。虽然已经探索了基于压缩感知和深度学习的解决方案，但计算复杂性和存储要求方面仍然存在挑战。此外，现有的研究往往假设完美的信道状态信息，而忽略了不完美的信道状态信息条件的实际考虑。

新的传输架构基于深度学习，专为使用可重构智能表面的大规模多输入、多输出太赫兹通信系统而设计。他们的信道外推方法比传统替代方法更好地执行信道状态信息重建，同时显着减少导频开销。此外，他们的波束成形方法对于不完美的信道状态信息更加鲁棒。

研究介绍了两种方法：

SFDCExtra 方法是一种空间频域信道外推网络方法，该方法使用深度学习从使用可重构智能表面的通信系统中有限接收的导频信号中外推完整的空间频率信道。

HBFRPD方法利用深度学习设计混合波束形成器和可重构智能表面的折射相位，解决了不完善的信道状态信息和复杂的信道特性带来的挑战，特别是在散射丰富的室内场景中。

HBFRPD方法使用深度学习网络来设计可重构智能表面(RIS)和波束形成器的折射相位。图片来源：Yang Wang 等人。

通过数值模拟评估了这些方法的有效性。 SFDCExtra方法旨在提高无线通信系统中信道估计的效率和准确性。通过利用空间频率相关性，该方法在信道估计性能方面提供了有希望的进步，同时最小化了导频开销。

研究人员进行了全面评估，将其与各种基准算法进行比较，并评估其在不同信道条件和导频配置下的鲁棒性。通过详细的分析和性能比较，该方法展示了变革下一代通信架构的信道估计方法的有效性和多功能性。

研究人员在多用户通信系统中将 HBFRPD 的性能与其他方法进行了比较。当假设完美的信道状态信息测试各种方法实现的总速率时，他们观察到该方法优于其他方法，尤其是在较高的发射功率下，并且由于其非迭代性质而提供更快的计算。此外，由于信道状态信息不完善，用户间干扰会对总速率产生不利影响。

结果表明，HBFRPD 对信道状态信息错误仍然具有鲁棒性，在此类场景中优于其他算法。累积分布函数进一步支持了优越的性能，表明与传统方法相比，在不完善的信道状态信息条件下实现所需总速率的可能性更高。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！