低空无线网络中基于RIS的通信的可扩展预测波束成形：一种图神经网络方法

《IEEE Journal of Selected Topics in Signal Processing》：Scalable-Predictive Beamforming for RIS-Assisted Communications in Low-Altitude Wireless Networks: A Graph Neural Network Approach

　　

摘要：

可重构智能表面技术可作为一种有效手段，用于提升低空无线网络中的覆盖范围与可靠性。在这类高动态网络中，为实现基于可重构智能表面的多用户通信，高效的波束成形设计在很大程度上依赖于精确的信道状态信息获取。然而，由于可重构智能表面元素数量众多，其在多用户通信系统中的信道估计会带来较大的信号开销。本文考虑到低空无线网络中用户的移动性，采用深度学习方法来隐式学习历史视距信道特征，并预测下一个时隙应使用的可重构智能表面相位偏移，从而最大化该系统的加权总速率。通过这种预测方法，我们可以避免进行完整的信道状态信息估计，进而实现低维度的信道估计，用于传输波束成形设计，从而使信号开销降低1N，其中N表示可重构智能表面元素的数量。为此，我们首先构建了一个基于深度学习的通用预测波束成形框架，该框架具备两阶段预测-即时波束成形机制。作为该框架的实现方式，我们设计了一种具有位置感知能力的卷积长短期记忆图神经网络，以便在可重构智能表面处实现有效的预测波束成形。该网络首先利用CLSTM模块来分析信道的空间和时间特性，然后再借助图神经网络提升神经网络的可扩展性与泛化能力。在第二阶段，根据预测得到的可重构智能表面相位偏移，我们设计了一种考虑信道状态信息的即时图神经网络，用以优化接入点的传输波束成形。仿真结果表明，所提出的框架不仅能够实现更好的加权总速率性能，还能降低信道估计的开销……

查看更多