چکیده مقاله
یک سطح هوشمند قابل پیکربندی مجدد RIS با تغییراتی در دامنه و فاز امواج برای افزایش ظرفیت و پوشش عملکرد سیستم های ارتباطی نسل ششم ۶G را بهبود می بخشد با این حال عملکرد بهینه RIS به اطلاعات حالت کانال CSIT وابسته است که با روش های مرسوم با چالش مواجه می شود بیشتر منابع موجود از یک مدل تغییر فاز ایده آل استفاده می کنند که در کاربردهای عملی غیر واقع بینانه است در این مقاله یک مدل فاز گسسته ارائه می کنیم روش های مبتنی بر یادگیری عمیق ابزارهای قدرتمندی برای مواجهه با ابعاد بالا در این سیستم ها ارائه می دهند این مقاله یک الگوریتم مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کاملا متصل FCNN را برای تخمین کانال با خطای کم در سیستم های RIS توسعه داده ایم مدل پیشنهادی با استفاده از الگوریتم حداقل مربعات LS بهبود یافته به صورت تکراری آموزش داده شده تا سرعت همگرایی و دقت آن بیشتر شود بطور خاص، ما یک ساختار یادگیری عمیق طراحی و آموزش می دهیم تا با استفاده از سیگنال های دریافتی کانال های بین فرستنده و گیرنده را تخمین بزند به منظور ارزیابی عملکرد سیستم بر اساس دقت تخمین کانال و نمودارهای نرخ خطای بیت BER بررسی شده است طبق شبیه سازی های انجام شده این روش عملکرد بهتری نسبت به تکنیک های موجود نشان داده است و منجر به خطای تخمین کمتر در سیستم ارتباطی می شود ما اثر بخشی رویکرد تخمین را تحت شرایط فازهای گسسته نیز بررسی کردیم این یافته ها راه را برای عملکرد قابل اعتماد RIS در شبکه های آینده ۶G هموار می کنند
کلیدواژه‌ها
نویسندگان
مجتبی حاجی آبادی
استادیار و عضو هیات علمی گروه مهندسی مخابرات، دانشکده برق و کامپیوتر دانشگاه بیرجند
ناصر ندا
دانشیار و عضو هیات علمی گروه مهندسی مخابرات، دانشکده برق و کامپیوتر دانشگاه بیرجند
امیر مرادبند
دانشجوی دکتری گروه مهندسی مخابرات دانشکده برق و کامپیوتر دانشگاه بیرجند
شیوه ارجاع
�اجی آبادی، مجتبی و ندا، ناصر و مرادبند، امیر،1404،تخمین کانال مقاوم مبتنی بر یادگیری عمیق و شکل دهی پرتو غیر فعال با مدل فاز گسسته برای سیستم های ارتباطی همراه با صفحات هوشمند قابل پیکربندی،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائه‌شده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین