Variational Inference-Based Channel Estimation for Reconfigurable Intelligent Surface-Aided Wireless Systems
Notice bibliographique
Résumé
We propose a variational inference-based channel estimation method in fully passive reconfigurable intelligent surface (RIS)-aided mmWave single-user single-input multiple-output (SIMO) communication systems. The main goal is to jointly estimate the user equipment (UE)-to-RIS (UE-RIS) and RIS-to-base station (RIS-BS) channels using uplink training signals in a passive RIS setup. Specifically, by using a variational inference framework, we approximate the posterior of the channels with convenient distributions given the received uplink training signals. The parameters of the approximated distributions are generated by deep neural networks trained using variational loss functions derived using a lower bound on the log-likelihood of the received signal. Then, the learned distributions, which are close to the true posterior distributions in terms of Kullback Leibler divergence, are leveraged to obtain the maximum a posteriori (MAP) estimation of the UE-RIS and RIS-BS channels. We evaluate the proposed channel estimation solution under two channel priors. The first channel prior models Rayleigh fading channels with Gaussian prior, whereas the second one represents sparse channels in the angular domain with Laplace prior. The simulation results demonstrate that MAP channel estimates using the approximated posteriors yield a capacity which is close to the one achieved with the true posteriors, thus demonstrating the effectiveness of the proposed method.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».