基于大规模可重构智能表面的近远场混合信道模型

近来,可重构智能表面(RIS)作为一种全新的革命性技术引起了学术界和工业界的广泛关注。随着通信频率的提高以及RIS孔径的增大,RIS辅助无线通信的工作条件逐渐靠近天线的近场辐射模式,而非仅仅存在传统意义中的远场辐射。单独考虑远场或者近场的信道模型均无法准确刻画RIS辅助无线通信的传输特性,造成性能损失。针对此问题,该文梳理了大规模RIS辅助通信近场和远场信道模型,通过引入权重因子,构建了大规模RIS辅助无线通信场景下近远场混合信道模型。在此基础上,推导了近远场混合信道模型下系统的增益与损耗,并进行鲁棒性分析,仿真结果表明该混合模型带来的系统增益与模型鲁棒性均显著提升。     

基于融合注意力Bi-LSTM的V2X通信阻塞预测方法

为了解决Vehicle to Everything (V2X)毫米波通信系统延时高、链路易阻塞等问题,基于车辆和用户终端周围环境状态信息的感知,提出一种视觉辅助的能效最大阻塞预测方法。利用视觉感知模型实现系统对目标用户以及周围障碍物的精准感知,结合深度强化学习设计了一种融合特征和时间注意力的DA-DBLSTM网络预测未来链路阻塞到达时间,与传统注意力相比,该融合注意力不仅可以关注每个时间单元中的不同特征,而且关注不同时间单元的时序信息,使检测效果更优。仿真和分析结果表明,提出的DA-DBLSTM网络预测链路阻塞效果明显,在均方误差(Mean Square Error, MSE)、均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)和平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)方面均优于现有方法。