.png){kind=icon}
返回
Implicit Neural Representations for Codebook Configuration in RIS-Aided Communication Systems
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2025.3633756.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可重构智能表面（Reconfigurable intelligent surface, RIS）被认为是6G无线通信的关键使能技术。通过配置反射波束赋形码本，RIS可以将信号聚焦于目标接收器以增强信号强度。本文研究了连续相位和1比特RIS辅助通信系统的码本配置问题。我们从电磁波传播机制的角度，建立了用户坐标与最优码本之间的隐式关系，并引入一种基于学习的创新方法——隐式神经表征（Implicit neural representations, INRs）来求解该隐式坐标到码本的映射问题。我们的方法仅需用户坐标，避免了依赖显式信道模型。对于连续相位RIS，我们提出了一种相位归一化技术，以解决相位表示中固有的周期性和全局相位偏移挑战。此外，针对实际的1比特RIS场景，我们将码本配置表述为一个多标签分类问题，并提出了一种编码策略以降低码本维度，从而提高学习效率。来自模拟和真实世界数据集的实验结果证明了我们的统一方法在连续和1比特码本配置下均具有显著优势。数据集和代码可在以下网址获取：https://github.com/HUSTGSNeRF/Codebook_Inr
Keyword:
RIS
codebook configuration
implicit neural representations
phase normalization
multi-label classification
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
.png){kind=icon}
Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV NetworksRIS辅助IoV网络中基于深度强化学习的AoI感知资源分配
PREAI
分享收藏分享收藏DeepSDF: Learning Continuous Signed Distance Functions for Shape RepresentationDeepSDF: 学习用于形状表示的连续符号距离函数
PREAI
分享收藏Smart radio environments empowered by reconfigurable AI meta-surfaces: an idea whose time has come
OAAI
OAAI分享收藏
查看更多内容