6G可重构智能表面的相移模型设计

为了解决中继通信的耗能高以及5G基站的建设难度高的问题，在6G移动通信中引入对可重构智能表面（RIS）技术的研究。针对截断的哈达玛（Hadamard）矩阵和离散傅里叶变换（DFT）矩阵在构建智能表面时失去特性和不稳定问题，提出一种基于汉克尔（Hankel）矩阵和托普利兹（Toeplitz）矩阵来构建酉矩阵的RIS相移模型设计方案。利用酉矩阵的特性来最小化信道误差，提高通信信道的可靠性。仿真结果表明，在RIS单元数为15时，相较于非RIS辅助通信，RIS辅助通信的用户速率可以获得1 （bit·s^-1）/Hz的增益，而伴随着RIS单元数的增加，RIS辅助通信的用户接收速率的增益将更为显著；并且当RIS单元数为4时，相较于DFT矩阵构建智能反射面的方式，利用得到的两个酉矩阵构建的反射面的可靠性更高，约可获得0.5 dB的性能增益。     

基于矢量近似消息传递的智能反射面辅助毫米波信道估计

毫米波属于一种典型的视距传输方式，其受大气吸收影响严重。针对毫米波的非视距传播受限，该文通过智能反射面(IRS)辅助毫米波通信，提出结合Khatri-Rao积的矢量近似消息传递(KR-VAMP)算法来提高毫米波通信系统的信道估计质量。该算法基于Khatri-Rao积将级联信道问题转换为稀疏信号恢复问题，并结合VAMP的矢量和迭代阈值算法的优势，使得整个IRS辅助毫米波系统在减少训练迭代次数的同时，降低了整个系统的信道估计误差。最后通过仿真结果对比，分析了各变量对信道估计的均方误差(MMSE)的影响，以及MMSE随着迭代次数的收敛情况，验证了此算法对比其他近似消息传递(AMP)算法具有更好的性能。     

基于遗传优化聚类的GRU无损电力监测数据压缩

针对电力调度中心监测数据记录体量大、存储困难的问题,提出基于遗传优化K-means聚类的门控循环单元神经网络无损数据压缩方法。首先,搭建分布式集群,将多维原始电力数据聚类成相似性较高的数据块,并利用遗传算法对聚类进行寻优,提高数据聚类的效果;再通过门控循环单元神经网络训练数据编码的概率分布模型,结合算术编码对数据进行编码压缩;最后,以多个电力数据集为算例进行分析。经验证本文所提的压缩算法能实现数据的高比例压缩、优化集群性能。