RIS辅助的MISO系统中联合波束成形.pdf

摘要

随着第五代移动通信技术的正式商业应用，预期今后几年来人们对无线通信

网络流量的需求会倍速增长，世界也将实现无所不在的无线连接，但网络复杂、

硬件成本高昂以及能源消耗较大是今后的无线通信所亟需解决的重要问题，因此

需要寻找低成本、低能耗的高速无线传输方案。在目前的候选新技术中，智能反

射面（ReconfigurableIntelligentSurface,RIS）以其独特的低成本、低能耗、可编

程、易部署等特点脱颖而出，成为提升通信系统传输性能的一种可行的解决方案。

随着人工智能技术应用领域的进一步拓展，基于深度学习的人工智能技术被

广泛应用于功率分配、波束成形和信道估计等通信领域。本文研究基于深度学习

的RIS辅助MISO系统中联合波束成形算法，从而提升基站—用户的整体通信质

量。对此，本文开展了以下分析和研究：

首先，对基于RIS辅助的无线通信系统进行建模并确定优化问题。考虑RIS

辅助的多用户MISO系统场景，由于障碍物的存在，通信质量可能会遭受很大影

响，通过合理部署RIS并调整其反射特性，在基站和用户之间建立一个通信质量

较高的辅助性反射链路。文章以用户的和速率为指标，研究下行链路通信系统中

基站和RIS联合波束成形的设计优化问题。

其次，分析了基于LMMSE信道估计+BCD算法波束成形、基于深度学习信

道估计+BCD算法波束成形算法的原理，并阐述了基于BCD算法进行求解RIS

辅助的MISO系统中联合波束成形的过程。然后对深度学习算法的网络结构进行

设计，使用Python环境仿真，利用TensorFlow框架搭建神经网络，经过训练、

测试及优化，最终确定基于深度学习的联合波束成形算法。

最后，将基于深度学习的RIS辅助MISO系统联合波束成形算法与对比算法

进行比较，并在相同场景下进行仿真，分别探究在不同的导频长度、下行传输功

率、用户数量与和速率的关系，对仿真结果进行对比分析。仿真结果表明，基于

深度学习的RIS辅助MISO系统中联合波束成形算法优于对比的传统算法，提高

了系统性能，降低了复杂度，还具有一定的泛化能力。

关键词：智能反射面；深度学习；波束成形；MISO系统

I

ABSTRACT

Withtheformalcommercialapplicationofthefifthgenerationofmobile

communicationtechnology,itisexpectedinthenextfewyearstopeoplesdemandfor

wirelesscommunicationnetworktrafficwilltimesthespeedofgrowth,andtheworld

willrealizeubiquitouswirelessconnections,butcomplexnetwork,highhardwarecost

andhighenergyconsumptionaretheimportantproblemstobesolvedinfuture

wirelesscommunication.Therefore,itisnecessarytoseekahigh-speedwireless

transmissionschemewithlowcostandlowenergyconsumption.Amongthecurrent

candidatetechnologies,ReconfigurableIntelligentSurfacestandsoutforitsunique

characteristicsoflowcost,lowenergyconsumption,programmableandeasy

deployment,andisafeasiblesolution