基于深度学习的有源智能超表面通信系统

智能超表面(Reconfigurable Intelligent Surface, RIS)作为未来无线通信系统中最受关注的物理层技术之一，开创了由适应环境到重构电磁传播环境的全新通信范式。然而由于“乘性衰落”效应，RIS在典型的通信场景中只能实现微不足道的容量增益，而这在许多现有工作中被广泛忽视。针对上述现象，有源RIS可以通过主动放大反射信号，有效克服“乘性衰落”的高路径损失。为此提出了一种基于端到端(End-to-End, E2E)学习策略的有源RIS辅助的通信系统。通过深度学习网络，可以联合优化基站(Base Station, BS)以及RIS处的预编码与功率分配，以及用户(User Equipment, UE)的合并矩阵设计，避免了传统方案交替优化带来的高复杂度。具体来说，利用三个深度神经网络(Deep Neural Network, DNN)分别实现BS的预编码矩阵，BS与RIS处功率分配以及UE端的合并矩阵设计，并利用一个可学习参数向量表征RIS中的相位设置。仿真结果表明，所提出的基于深度学习的有源RIS传输方案相对于传统的无源RIS通信方案与无RIS方案，实现了更优的误...