Deep Learning for Robust ARIS-Aided Multiuser MIMO Networks With Channel Uncertainty
Notice bibliographique
Résumé
This work addresses the problem of joint robust transmission, reflection, and reception strategy design in an active reconfigurable intelligent surface (ARIS)-assisted multiuser multiple-input multiple-output (MIMO) system. Specifically, a signal-to-interference-noise (SINR) maximization problem has been formulated by jointly optimizing the transmit beamforming matrix at the base station (BS), the linear reception filters at the users, and the reflection coefficient matrix at the ARIS. The optimization has been performed under constraints on the BS transmit power, the maximum amplification power of the ARIS, and the maximum amplitude coefficients of the ARIS. To jointly optimize RIS-assisted systems, this paper proposes an efficient deep learning (DL) model. Specifically, a multi-layer perceptron (MLP)-based deep neural network (DNN) has been designed to effectively approximate the optimal solution. Further, to handle channel state information (CSI) uncertainties arising from estimation errors and environmental variations, a novel uncertainty injection scheme has been proposed for training DL models. The output of the solution is perturbed through uncertainty injection. The model learns a robust beamforming matrix, linear reception filters, and reflection configurations that maintain high SINR under worst-case channel conditions. Simulation results demonstrate that, for the optimized phase and ARIS configuration, the proposed DL trained with the UI scheme achieves a 26.23% SINR improvement compared to the model trained without UI (WUI). In addition to the ARIS, the performance of the passive reconfigurable intelligent surface has also been analyzed. Further, the time complexity and robustness of the proposed model have been evaluated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».