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,实现了更优的误比特率(Bit Error Rate,BER)性能。