[论文解读] Deep-Learning-Aided Detection for Reconfigurable Intelligent Surfaces

Saud Khan, Komal S. Khan+2 more|arXiv (Cornell University)|Oct 21, 2019

Advanced Wireless Communication Technologies参考文献 26被引用 54

一句话总结

该论文提出 DeepRIS，一种在接收端估计信道衰落和 RIS 相位角的深度学习检测器，从接收信号中实现无导频符号检测，并在 BER 上优于传统检测器。

ABSTRACT

This paper presents a deep learning (DL) approach for estimating and detecting symbols in signals transmitted through reconfigurable intelligent surfaces (RIS). The proposed network utilizes fully connected layers to estimate channels and phase angles from a reflected signal received through an RIS. Because the proposed network can estimate and detect symbols without any pilot signaling, this method reduces the overhead required for transmission. The improvements achieved by this method are quantified in terms of the bit-error rate, outperforming traditional detectors.

研究动机与目标

• 推动在无线系统中启用以无源元件为特征、开销最小化的 RIS 辅助系统。
• 开发一种基于 DL 的检测器，在接收端无需导频信号即可估计信道衰落和 RIS 相位角。
• 分析在 RIS 场景中该检测器的复杂度与实际部署。
• 评估在完美与不完美 CSI 下的 BER 性能，包括通道失配和 RIS 元件数量的影响。

提出的方法

• 设计一个三隐藏层全连接神经网络（DeepRIS），使用 tanh 激活函数，从接收的 RIS 反射信号中估计信道和相位角。
• 离线训练 DeepRIS，使用带有 L2 损失和 Adam 优化器的双跳衰落和 RIS 相位变化的仿真数据。
• 使用一个损失函数，最小化接收信号与发送符号之间的平方误差，加上一个 L2 正则化项。
• 引入 dropout 和正则化以缓解过拟合并提高对失配的鲁棒性。
• 给出与 LS 与 MMSE 检波器相比的训练与部署成本的复杂度分析。

实验结果

研究问题

• RQ1 在 RIS 辅助通道中，基于 DL 的检测器是否可以在无需导频信号的情况下恢复发送符号与 RIS 相关参数？
• RQ2 在完美与不完美 CSI 下，DeepRIS 在 BER 方面相对于 LS、MMSE 与 ML 检测器的表现如何？
• RQ3 在保持可接受复杂度的同时，DeepRIS 对信道失配和 RIS 反射元件数量的变化是否具有鲁棒性？
• RQ4 DeepRIS 在训练和部署过程中的计算复杂度是多少，且与传统方法相比如何？

主要发现

• 在完美 CSI 下，DeepRIS 相较于传统的 LS 和 MMSE 估计器，BER 取得提升，并且在 ML 下具有可比性。
• 在不完美 CSI 下，DeepRIS 仍优于传统方案，并在无需重新训练的情况下达到 ML 检测水平。
• DeepRIS 对信道失配和 RIS 元件数量的变化仍具鲁棒性，表明具有良好的泛化性。
• 使用多样的信道/相位变化进行训练，并采用 Adam 优化和正则化实现稳定收敛。
• 论文提供了一个大O复杂度比较，表明 DeepRIS 的复杂度低于某些 ML 检测器和结构化 MMSE。