Triple IRS-Aided Communications: Row-Column Sparsity Enhanced Bayesian Tensor Learning for Channel Estimation
Notice bibliographique
Résumé
Channel acquisition presents a major challenge in deploying intelligent reflecting surfaces (IRS) aided communication systems, due to massive reflective elements that create a complex multi-path channel and increase channel dimensions. For an IRS-aided communication system, complete channel includes three parts: From the users to IRS, from the IRS to BS, and from the BS back to the IRS. Thus, a generalized multi-IRS cascaded communication system with three cascaded IRSs is considered. Unfortunately, existing channel estimation methods focus on single or double IRS cascades, which is not applicable to the case of triple cascaded IRS channel estimation directly. In this paper, we study the uplink channel estimation for triple cascaded IRSs aided single-user single-input single-output (SISO) systems. Specifically, the triple IRS cascaded channel is typically sparse. It permits us to characterize the channel estimation as a problem of sparse matrix recovery. Then, the sparse learning is explored to achieve robust channel estimation with limited training overhead. Particularly, the sparse channel matrices of the cascaded triple IRS channels have a common row-column block sparsity structure. However, a unique challenge lies in characterizing and enhancing such a common row-column sparsity. To tackle this issue, we apply a random matrix prior to promote the common row-column-wise sparsity of the channel matrix, and then an efficient Bayesian tensor inference algorithm is proposed to estimate the IRS channel. Finally, simulation results confirm that the proposed scheme outperforms traditional counterparts in terms of accuracy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 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 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 ».