基于可重构智能表面的6G通信技术

可重构智能表面技术是面向下一代6G无线通信网络的关键技术之一。通过在天线阵列上集成大量无源反射超材料的天线元件,可重构智能表面能动态调整入射信号相位,重构信号的传播环境,实现人工可控的无线电磁环境。然而,可重构智能表面的引入也使无线通信系统的设计变得复杂,传统技术面临诸多新挑战。针对可重构智能表面的特性与6G新应用场景,需要创新设计新的传输技术,充分发挥可重构智能表面的优势。本文基于可重构智能表面6G通信技术,首先对其基本技术原理与常见应用场景展开介绍。接着,从信道建模与信道估计、混合波束赋形,以及与基于人工智能的融合设计三个方面阐述技术的研究现状,探讨了当前面临的技术瓶颈。最后,对该技术的未来发展进行了展望。

基于深度强化学习的联邦学习客户选择

联邦学习是一种具有隐私保护的机器学习范式,它使各个客户在本地进行训练,只上传本地更新而不泄漏本地数据,最终实现合作训练全局模型。由于客户数量庞大,而通信资源有限,因此每次只能选择一部分客户执行聚合,但在典型的联邦学习场景中,不同客户之间表现出较大的异构性,如数据分布、硬件配置、通信状况等,在每一轮中随机采样可能无法有效利用各个客户的本地更新,导致模型收敛速度减慢、模型性能变差等。针对客户的数据质量以及通信质量的差异性,提出了一种基于双重延时深度确定性策略梯度算法(TD3)的客户选择算法,通过强化学习方法动态选择客户设备参与聚合,加速全局模型的收敛。在公开数据集上进行了大量的实验,结果表明,在考虑客户数据质量以及上行信道状况差异情况下,所提出的客户选择方法相比于随机选择以及通信贪婪选择,联邦学习效果更加鲁棒,且最终收敛的识别准确率更高。