Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Reconfigurable intelligent surface (RIS) is a revolutionary technology for achieving high rate and large coverage in future wireless networks by smartly reflecting the signals with adjustable phase shifts. To design the reflection beamforming, accurate individual channel state information is required at the RIS, which is a challenge task due to the lack of signal processing ability in passive mode. In this paper, we add signal processing units for a few antennas at the RIS to partially acquire the channels and extrapolate them to the full channels, in which the active antenna selection is a key point but has not been addressed yet. We construct an active antenna selection network that utilizes the probabilistic sampling theory to select the optimal locations of these active antennas. With this active antenna selection network, we further design two deep learning-based schemes, i.e., the channel extrapolation scheme and the beam searching scheme. The former utilizes the selection network and a convolutional neural network to extrapolate the full channels from the partial channels, while the latter adopts a fully-connected neural network to achieve the direct mapping from the partial channels to the optimal beamforming vector with maximal transmission rate. Simulation results show that the proposed optimal antenna selection outperforms the trivial uniform antenna selection, and the performance of beam searching is more stable than that of channel extrapolation with fewer active antennas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle