文摘随着智能反射表面(Reconfigurable Intelligent Surface, RIS)反射单元数量的增加以及定位范围的扩大,数据维度和计算复杂度也逐渐增大。普通的RIS辅助定位算法已经无法满足高维度和高强度计算的需求。随着深度学习等人工智能技术的发展,众多学者关注用深度学习进行定位。深度学习具有学习能力强、覆盖范围广且高度依赖数据量等优点,可以有效解决数据维度大以及计算量大等问题。考虑视距(Line of Sight, LoS)链路和非视距(Non-Line of Sight, NLoS)链路都存在和仅存在NLoS的定位场景下,引入深度学习技术,采用指纹定位的方法采集位置信息,将其输入到基于多头注意力机制(Multi-Head Attention, MHA)的Transformer网络模型中进行训练,实现RIS辅助定位,挖掘信道状态信息(Channel State Information, CSI)与用户位置之间的映射关系,研究三维场景下RIS辅助定位的定位精度。
文摘该文研究智能反射表面(Intelligent Reflecting Surface,IRS)辅助的多用户下行系统中的物理层安全的优化问题。多个用户之间的信息需要相互保密,每个时隙,非信息传输的目标用户视为窃听者,因此这是一个多窃听者的安全传输系统。由于信道的时变性,基站拥有窃听信道的信道状态信息(Channel State Information,CSI)为与真实的CSI间存在误差的过时信息。在此条件下,以系统最坏情况下的保密速率最大化为目标,对基站发射信息信号和人工噪声波束成形矢量,以及IRS的相移矩阵进行联合优化。原始优化问题为非凸半正定规划问题,利用松弛变量、惩罚函数、Charnes-Cooper变换和交替迭代优化等方法将原问题转化为凸问题并求解。仿真结果显示,相较于基准方案,该文所提出的优化算法能有效提高系统的保密速率。
