.png){kind=icon}
返回
Optimization for Dynamic Multi-RIS-assisted SWIPT-Enabled V2I Networks: A Deep Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1016/j.vehcom.2025.100984.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（RISs）已作为一种极具前景的技术在第六代（6G）车联网系统中涌现，能够动态控制无线传播环境。本文中，我们通过在车到基础设施（V2I）通信系统中部署多个RIS，研究了同时无线信息与能量传输（SWIPT）。由于衰落和阴影效应，无线环境表现出高复杂性。为了准确建模，我们采用了双广义Gamma（dGG）分布。这种全面的建模方法使得在实际情况的移动性和衰落条件下，能够对基于RIS的SWIPT系统进行更真实且深入的性能评估。为反映实际车联网动态，我们引入了统计随机路点（RWP）移动模型，同时考虑了因高移动性和信道估计误差导致的信道状态信息（CSI）不完善问题。本研究还整合了非线性能量收集（NL-EH）方案，通过功率分割（PS）协议提升性能。提出一个统一目标函数，用于联合优化传输功率和PS因子，旨在最大化收集的能量和信息速率。为解决该问题的非凸性质，采用了一种迭代算法，该算法基于从Karush-Kuhn-Tucker（KKT）条件和联合优化（JO）方法中推导出的闭式解。进行了蒙特卡洛仿真以验证分析结果的准确性。此外，引入了深度神经网络（DNN）框架用于优化值预测，相较于单个RIS配置，展示了更优的SWIPT性能，同时降低了复杂度并加快了执行速度。
