AI 使能 RIS 信道获取

eefocus_3952551

人工智能（Artificial Intelligent，AI）使能 RIS 通信的关键思想是用基于 AI 技术解决RIS 通信中的关键信号处理问题，如信道获取、波束赋形设计和资源调度等，从而获得比传统技术更高的系统效率。通过对海量数据集的训练，信道获取可以更加准确。此外，AI 还可以帮助克服由硬件损伤和导频污染引起的非线性问题。另外，通过制定不同的 AI 学习策略，可以针对不同的目的配置波束赋形设计，还可以实现资源调度以构建更好的网络拓扑。因此，对于波束赋形设计和资源调度，人工智能将有助于增强总体设计的鲁棒性。

AI 使能 RIS 信道获取
为充分利用采集数据的信息或解决信道模型未知情况下的信道估计问题，可以将人工智能新方法用于信道估计。近年来发展迅速的人工智能为传统无线通信提供新的处理范式，为智能超表面无线通信信道估计带来了新的解决方案。人工智能真实数据的内在特征，以数据驱动的方式处理信号，适用于模型不匹配、资源不足、硬件损坏以及动态传输等非理想RIS 场景。
对于直接信道获取，直接估计 RIS 通信的级联信道，并将信道估计问题表述为去噪过程。然后采用深度残差学习（Deep Residual Learning，DReL）方法隐式学习残差噪声，以从基于噪声导频的观测中恢复信道系数。接下来，借助贝叶斯原理推导了基于深度残差网络的最小均方误差（Minimum Mean Square Error，MMSE）估计器。然而，在多用户情况下，由于所有用户的信道训练总是在基站集中实现，所以所有训练数据集都应该传输到 BS。因此，其传输开销将非常高。采用联邦学习（Federated Learning，FL）框架，其中神经网络将在用户而不是 BS 处进行训练。在这种情况下，基站和用户之间只需要相互传输更新的参数。

由于 BS 天线阵列和 RIS 单元的规模都很大，直接估计 RIS 信道将导致巨大的训练开销。一种解决方案是通过压缩感知技术从有限的测量中重构信道矩阵。然而，压缩感知的方法需要复杂的数**算，并且对噪声测量不鲁棒。最近的研究表明，通过人工智能辅助方法，可以从部分信道推断出整个信道。对于全无源 RIS，可以在终端（即 BS 或用户）处实现全级联信道的外推。在常微分方程（Ordinary Differential Equation，ODE）和卷积神经网络（Convolutional Neural Network，CNN）中建立了不同数据层之间的连接，这可以比普通的 CNN 更好地拟合采样子信道和全信道之间的映射。同时，在最近设计的混合有源/无源 RIS 架构中，一些 RIS 单元具有信号处理能力。因此，可以在 RIS 处直接实现单边信道的估计。激活了一部分 RIS 单元，恢复了激活单元处的单个信道，然后从部分信道中推断出完整的单边信道信息，其中采用了 CNN。此外，作者还提出了一种基于概率抽样理论的天线选择网络，以选择这些有源 RIS 单元的最佳图案。另外，元素分组策略以减少级联信道估计开销。每组中的每个 RIS 单元都保持打开状态，共享相同的反射系数，并假设具有相同的 CSI。实际上，一个组中的信道不相同。在 RIS 分组方案中只能观测到部分而不是全部信道信息。此外，与每个组内不同 RIS单元相关的已实现信道将相互干扰。受天线外推思想的启发，可以设计一个神经网络来消除每个组内的干扰，并获得精确的部分级联信道。利用这些部分信道，可以进一步利用其他深度学习（Deep Learning，DL）方案来外推全级联信道。

RIS 信道估计还应包含高移动性场景，而天线域信道外推思想可以移植到时域。时域上的信道外推本质上是时间序列重建和预测问题，可以应用递归神经网络（Recurrent NeuralNetwork，RNN）。然而，当时变 RIS 信道具有长期依赖性时，RNN 模型将面临梯度消失或爆炸的问题。另一种解决方案是设计基于长短期存储器（Long-Short-Term Memory，LSTM）的方案，将其存储器与时间连续状态分离。然而，由于硬件损坏和环境干扰，部分规则采样点可能会失效，只能获得非规则采样的信道。受 ODE 结构的启发，可以通过在具有系数的非规则采样点之间添加连接和线性计算来构建连续时变信道模型。在这种情况下，可以使用最近提出的潜在 ODE，以在时域上获得最高的信道外推性能。与传统的 ODE 模型不同，在潜在 ODE 中，潜在变量框架可以显式地解耦系统的变化、观察的可能性和识别模型。因此，基于随机子采样测量的时域预测问题将变得更容易处理。与 RNN 和常规 ODE 相比，基于潜在 ODE 的信道预测在其预测 MSE 方面有显著改进。

阅读全文