融合可重构智能表面和深度强化学习的波束成形算法研究

可重构智能表面(Reconfigurable Intelligent Surface,RIS)技术是一种新兴的、绿色的技术,可以有效地实现频谱和能量的高效无线通信.本文研究基站(Base Stations,BSs)与RIS的联合波束形成中总发射功率最小化问题.由于人工智能(Artificial Intelligence,AI)在处理高维数据问题和非凸模型方面的优势,本文基于深度强化学习(Deep Reinforcement Learning,DRL)中的双延迟深度确定性策略梯度算法(Twin Delayed Deep Deterministic policy gradient,TD3),设计一种新颖的联合波束成形算法来处理RIS辅助无线通信系统的基站总发射功率最小化问题.仿真结果表明,本文所提算法的性能优于经典的交替优化算法,并且通过本文所提算法训练得到的模型可以直接部署和调用,不需要再次重复计算.

基于路径损耗指数修正的目标节点定位算法

基于接收信号强度(Received Signal Strength,RSS)测量的定位精度依赖于路径损耗指数(Path Loss Exponent,PLE)O低精度的PLE值降低了对目标节点定位精度。为此,提出基于路径损耗指数修正的目标节点定位(Path loss exponent correction-based Target node localization,PCTL)算法。PCTL算法先通过接收设备的敏感级别,感测信道和传输功率,并推导最小发射功率,再修正PLE。然后,依据修正后的PLE,并结合质心定位算法估计目标节点位置。仿真实验结果显示,提出的PCTL算法能够准确地估计PLE和目标节点位置。