Feature Reconstruction Aided Federated Learning for Image Semantic Communication
针对图像语义通信中JSCC模块因知识库过时性能下降的问题,提出集成语义特征重建的联邦学习算法FedSFR,通过传输特征向量节省通信资源、在参数服务器端重建稳定训练,经实验和收敛性推导验证可提升联邦学习的稳定性与有效性。
2025-08-04 eess.SP
Intelligent Omni-Surfaces Aided Wireless Communications: Does the Reciprocity Hold?
智能全向表面(IOS)由于其能够通过同时向表面两侧反射和折射信号来实现全维通信的潜力而引起了人们的极大关注。然而,在IOS辅助的无线通信中,上下行信道之间的互易性是否成立仍然是一个悬而未决的问题。在这项工作中,我们首先提出了一个物理兼容的IOS相关的信道模型,在此基础上的信道互易性进行了研究。然后,我们证明了角度依赖的IOS元素的电磁响应的入射角和出射角。这是IOS的关键特征,它驱动了我们对光束非互易性的分析结果。最后,仿真和实验结果验证了我们的理论分析。
2022-11-06 eess.SP
Federated Learning in Active STARS-Aided Uplink Networks
本文利用主动同时反射与透射表面辅助联邦学习上行传输,结合无线计算减少上传参数,通过联合优化波束分配与相移提升学习精度,实验验证了其优于现有方案。
2025-07-24 eess.SP
DoA-Aided MMSE Channel Estimation for Wireless Communication Systems
本文提出了一种DoA辅助的两阶段MMSE信道估计技术,通过将信道分解为LoS路径及其正交子空间并利用高斯混合模型估计多径传播,在预计算滤波器降低复杂度的同时实现了优于现有方法的性能。
2024-04-26 eess.SP
A cooperative localization-aided tracking algorithm for THz wireless systems
提出了一种适用于太赫兹(THz)无线系统的协作辅助定位与跟踪方法。它结合了到达角(AoA)跟踪算法和双向到达时间方法,以精确跟踪用户设备(UE)的位置,减少跟踪算法估计误差造成的耳聋。该算法可以由一个基站(BS)使用来估计UE位置,或者由多个BS使用,多个BS彼此协作以增加估计的准确性以及成功估计的概率并保证低估计开销。该算法的效率进行评估的耳聋和成功的AoA估计的概率,并与快速信道跟踪算法的相应性能进行比较。
2019-10-18 eess.SP
Movable Antenna-Aided Federated Learning with Over-the-Air Aggregation: Joint Optimization of Positioning, Beamforming, and User Selection
针对无线联邦学习模拟聚合易出错且用户剔除影响收敛的问题,提出可移动天线技术增强信道自由度,并联合优化波束成形、用户选择与天线定位,以提升训练收敛速度,实验验证其显著优于传统方法。
2025-04-21 eess.SP
Reconfigurable Holographic Surface Aided Wireless Simultaneous Localization and Mapping
本文针对无线SLAM中相控阵成本高导致天线增益受限的问题,提出可重构全息表面辅助的SLAM系统,设计RHS波束控制方法及相应SLAM算法,在相同成本下实现三倍以上定位精度提升。
2024-01-16 eess.SP
Federated Transfer Learning Aided Interference Classification in GNSS Signals
本研究针对GNSS移动干扰信号分类问题,结合联邦学习与迁移学习构建神经网络分类器,在保护隐私的同时提升了分类准确率与收敛速度,还改善了区域通信性能。
2024-06-23 eess.SP
Intelligent and Secure Radio Environments for 6G Vehicular Aided HetNets: Key Opportunities and Challenges
可重构元表面作为一种新型的革命性技术正在兴起,以实现智能无线环境。由于反射元件的低成本、提高的效率和无源特性,编程和控制无线环境变得可能。由于无线物理层技术通常可以适应无线环境,因此它们与可重新配置的表面和深度学习方法的结合可以为实现安全的6G车辆辅助异构网络(HetNet)开辟新的途径。受这些吸引人的优势的激励,这项工作为6G车载辅助HetNet提供了一个智能和安全的无线电环境(ISRE)范例。我们概述了基于ISRE的6G车载辅助HetNet的使能技术。我们讨论的功能,设计目标,和应用程序,这样的网络。接下来,我们概述了基于ISRE的6G车载HetNet提供的新机会,并提出了一个案例研究,使用上下文强盗方法在安全通信的最佳IRS方面。最后,我们讨论了一些未来的研究机会。
2022-10-05 eess.SP
Towards Deep Learning-aided Wireless Channel Estimation and Channel State Information Feedback for 6G
深度学习(DL)是人工智能(AI)技术的一个分支,在图像分类和分割、语音识别、语言翻译等多个学科中显示出巨大的前景。近年来,DL的这一显著成功激发了将该范例应用于无线信道估计的日益增长的兴趣。由于下行链路原理本质上是归纳的,与传统的基于规则的算法不同,当人们试图将下行链路技术用于信道估计时,人们可能很容易被如此多的要控制的旋钮和要知道的小细节卡住和混淆。本文的主要目的是讨论基于DL的无线信道估计和信道状态信息(CSI)反馈中的关键问题和可能的解决方案,包括DL模型选择、训练数据获取和6G神经网络设计。具体来说,我们提出了几个案例研究与数值实验,以证明基于DL的无线信道估计框架的有效性。
2022-09-05 eess.SP
Secure Performance Analysis of RIS-aided Wireless Communication Systems
物联网是适应大规模连接和安全传输的基础平台,本文研究了基于可重构智能表面(RIS)技术的点对点无线系统物理层认证问题。由于缺乏从物联网设备(合法和非法设备)到接入点的直接链接,我们通过考虑两个主要的安全性能指标从RIS中受益。作为主要目标,我们研究了在存在窃听物联网设备的情况下显示安全性能的RIS辅助无线通信系统的保密性能。在这种情况下,RIS位于接入点和合法设备之间,旨在增强链路安全性。要指定安全的系统性能指标,我们首先提出了分析结果的保密中断概率。然后,进一步研究了保密率。有趣的是,我们要控制源处的平均信噪比和RIS的元表面元素的数量,以实现改进的系统性能。我们通过匹配Monte-Carlo模拟和分析结果来验证导出的表达式。
2022-05-26 eess.SP
Two-Timescale Transmission Design for Wireless Communication Systems Aided by Active RIS
针对有源RIS辅助通信系统,提出基于双时间尺度CSI的传输设计,推导可达速率闭式近似并优化相移,证明其性能优于无源RIS。
2024-02-28 eess.SP
MetaLocalization: Reconfigurable Intelligent Surface Aided Multi-user Wireless Indoor Localization
基于接收信号强度(RSS)的技术被广泛用于室内环境中的定位。由于相邻位置的RSS值可能是相似的,因此基于RSS的技术的定位精度是有限的。为了解决这个问题,在本文中,我们提出了利用可重构智能表面(RIS)的RSS为基础的多用户定位。由于RIS能够通过调整在表面处反射的信号的相移来定制无线电信道,所以可以通过选择在相邻位置之间具有显著RSS值差异的适当相移来提高RIS辅助方案中的定位精度。然而,它是具有挑战性的,以选择最佳的相移,因为位置估计的决策函数和相移耦合。为了应对这一挑战,我们制定了优化问题的RIS辅助定位,推导出最佳的决策函数,并设计相移优化(PSO)算法来有效地解决制定的问题。对所提出的RIS辅助技术进行了分析,并通过仿真验证了其有效性。
2023-03-24 eess.SP
An Overview of Signal Processing Techniques for RIS/IRS-aided Wireless Systems
在过去以及当前的无线通信系统中,无线传播环境被认为是损害接收信号质量的不可控的黑盒子,并且其负面影响通过依赖于各种复杂的发送/接收方案的设计来补偿。然而,通过应用这种在两个端点(即,发射机和接收机)甚至在五代无线系统之后也是有限的。可重构智能表面(RIS)或智能反射表面(IRS)已经作为一种新的革命性技术出现,其可以通过适当地调谐大量准无源和低成本反射元件的相移来以有利的方式配置无线环境,从而作为下一代/第六代(6 G)无线系统的有前景的候选技术脱颖而出。然而,为了获得RIS/IRS承诺的性能优势,有效的信号处理技术是至关重要的,用于各种目的,如信道估计,传输设计,无线定位,在本文中,我们提供了一个全面的概述RIS/IRS辅助无线系统的最新进展,从信号处理的角度来看。我们还强调了有前途的研究方向,值得在未来的调查。
2021-12-15 eess.SP
RIS-aided Wireless Communication with $1$-bit Discrete Optimization for Signal Enhancement
近年来,一种全新的无线传播环境重构技术--可重构智能表面(RIS)得到了广泛的研究。RIS是一种电磁材料的人工表面,它能够定制冲击在其上的波的传播。利用RIS进行通信服务,如信号增强,通常会导致非凸优化问题。现有的优化方法或者由于RIS元素的$N$数量大而遭受可扩展性问题,或者在某些场景中可能导致次优解决方案。本文提出了一种离散优化方法,该方法保证了对$1$位RIS找到全局最优相移,并且具有时间复杂度$\mathcal{O}(N \log(N))$。数值实验表明,所提出的方法实现了更好的"性能-复杂性权衡“比其他方法的$1$位RIS。
2022-09-12 eess.SP
Weighted Sum-Rate Maximization for Reconfigurable Intelligent Surface Aided Wireless Networks
可重构智能表面(RIS)是通过可重构无源元件以完全可定制的方式操纵入射信号来构建可编程无线环境的一种有前途的解决方案。在本文中,我们考虑了一个RI辅助的多用户多输入单输出(MISO)下行通信系统。我们的目标是最大化加权和速率(WSR)的所有用户的接入点(AP)和RIS元素的相位矢量的联合设计的波束形成,而完美的信道状态信息(CSI)设置和不完美的CSI设置进行了研究。对于理想CSI设置,利用分式规划技术,提出了一种低复杂度的联合设计问题稳态解的求解算法。然后,我们诉诸随机逐次凸逼近技术,并扩展所提出的算法的情况下,CSI是不完美的。数值结果证实了所提出方法的有效性。特别地,当信道不确定性小于10%时,所提出的算法表现得相当好。
2019-12-27 eess.SP
Orthogonal Time-Frequency Space (OTFS) Aided Media-Based Modulation System For 6G and Beyond Wireless Communications Networks
针对6G及未来高移动性无线通信需求,提出OTFS-MBM系统,结合OTFS的抗信道变化鲁棒性与MBM的频谱效率优势,经仿真验证其误码率等性能优于传统OTFS及OTFS-SM系统。
2025-04-12 eess.SP
Wireless Federated Learning over MIMO Networks: Joint Device Scheduling and Beamforming Design
联邦学习(FL)被认为是支持未来6G中分布式人工智能(AI)服务的关键技术。通过支持设备之间的分散数据训练和协作模型训练,FL本质上抑制了隐私泄露并降低了传输成本。然而,无线FL的性能通常受到通信延迟的限制。多输入多输出(MIMO)技术是在有限的无线资源下构建通信高效的边缘FL系统的一种有前途的解决方案。在本文中,我们提出了一种新的联合设备调度和接收波束成形设计方法,以减少FL收敛间隙共享无线MIMO网络。具体来说,我们从理论上建立FL过程的收敛性分析,然后应用所提出的设备调度策略,以最大限度地提高加权设备的FL系统延迟和总功率约束下的数量。数值结果验证了FL收敛性的理论分析,并展示了所提出的方法的吸引力的学习性能。
2021-10-31 eess.SP
Multi-RIS Aided 3D Secure Precise Wireless Transmission
提出了一种三维无线通信场景下的多个可重构智能表面(RIS)辅助安全精确无线传输(SPWT)方案。当直接路径被障碍物阻挡时,考虑了从发射机到接收机的不可用直接路径信道。然后,利用多个RISs通过发射机、RISs和接收机之间的反射路径实现SPWT,以同时提高通信性能和能量效率。首先,在单用户场景中提出了最大信号干扰噪声比(MSINR)方案。然后,多用户场景被认为是非法用户被视为窃听者。提出了一种最大保密率(MSR)方案和一种最大信漏噪比(MSLNR)方案。前者实现了更好的保密率(SR)的性能,但招致更高的复杂度。后者具有比具有SR性能损失的MSR方案更低的复杂度。仿真结果表明,单用户方案和多用户方案都能实现SPWT,将保密信息准确地传送到期望用户所在的位置。此外,MSLNR方案具有比MSR方案更低的复杂度,而SR性能接近于MSR方案。
2022-01-13 eess.SP
Delay Analysis of Wireless Federated Learning Based on Saddle Point Approximation and Large Deviation Theory
联合学习(FL)是一种协作机器学习范式,它能够在移动设备中驻留的大量分散数据上进行深度学习模型训练,而无需访问客户端的私有数据。由于移动应用或设备对模型训练的需求不断增长,绝大多数FL任务都是在无线衰落信道上实现的。然而,由于无线信道的时变特性,在FL的上行链路和下行链路传输中都会发生随机延迟。如何分析无线FL任务的总体时间消耗,或者更具体地说,FL的延迟分布,成为一个具有挑战性但重要的开放问题,特别是对于延迟敏感的模型训练。在本文中,我们提出了一个统一的框架来计算任意衰落信道下FL的近似延迟分布。具体而言,鞍点近似,极值理论(EVT),和大偏差理论(LDT)的联合利用,找到近似的延迟分布以及其尾部分布,其特征的无线FL系统的服务质量。仿真结果表明,我们的近似方法实现了一个小的近似误差,这随着训练精度的增加而消失。
2021-04-01 eess.SP
Reconfigurable Intelligent Surface Aided Constant-Envelope Wireless Power Transfer
可重构智能表面(RISs)通过人工重构电磁波的传播环境,被认为是提高无线网络能量和频谱效率的一种有前途的革命性硬件技术。在本文中,我们研究了RIS辅助多用户多输入多输出(MIMO)无线电能传输(WPT)系统,其中发射机配备了一个恒定包络的模拟波束形成器。首先,我们最大化的总接收功率的用户通过联合优化波束形成器在发射机和RIS的相移,并提出了两个交替优化的次优解分别利用半定松弛(SDR)和连续凸逼近(SCA)技术。然后,考虑到用户的公平性,我们制定了另一个问题,以最大限度地提高总接收功率的用户的个人最小接收功率的限制。提出了一种基于交替方向乘子法(ADMM)和SCA技术的低复杂度迭代算法。在多用户的情况下,我们进一步分析了当RIS单元数趋于无穷大时的渐近性能,并限制了RIS相位量化带来的性能损失。数值结果表明了分析结果的正确性和算法的有效性。
2020-12-07 eess.SP
Enhanced Secure Wireless Transmission Using IRS-aided Directional Modulation
智能反射面(IRS)作为一种优秀的辅助通信工具,可以显著提高通信速率,扩大覆盖范围。在本文中,我们提出了一个IRS辅助定向调制(DM)网络中的波束形成的研究。为了充分发挥IRS的优势,提出了两种提高保密率(SR)性能的波束形成方法。第一种最大保密率方法(Max-SR)交替优化保密消息(CM)波束形成向量、人工噪声(AN)波束形成向量和相移矩阵。第一个优化向量直接计算的瑞利比和最后两个求解广义幂迭代(GPI)。这种方法被称为Max-SR-GPI。为了降低计算复杂度,提出了一种新的具有迫零约束的最大化接收功率的方法(Max-RP-ZFC),该方法只考虑反射CM而不考虑AN。仿真结果表明,在随机相位IRS和无IRS的情况下,这两种方法都能获得约30%的速率增益,并且Max-SR-GPI在SR方面的性能略优于Max-RP-ZFC,特别是在小-大IRS情况下。
2022-09-29 eess.SP
Wideband Coverage Enhancement for IRS-Aided Wireless Networks Based on Power Measurement
针对IRS辅助宽带OFDM系统中传统信道估计开销过大问题,提出基于功率测量的信道自相关矩阵估计与覆盖增强方法,通过优化IRS反射向量提升平均覆盖性能。
2025-06-30 eess.SP
Intelligent Reflecting Surface Aided MIMO Broadcasting for Simultaneous Wireless Information and Power Transfer
智能反射表面(IRS)被调用用于增强同时无线信息和功率传输(SWIPT)辅助系统的能量收集性能。具体而言,IRS辅助SWIPT系统被认为是,其中多天线辅助基站(BS)与多个多天线辅助信息接收器(IR)进行通信,同时保证能量接收器(ER)的能量收集要求。为了最大化IRS的加权和速率(WSR),BS的发射预编码(TPC)矩阵和IRS的无源相移矩阵应该被联合优化。为了解决这个具有挑战性的优化问题,我们首先采用经典的块坐标下降(BCD)算法解耦成几个子问题,并交替优化TPC矩阵和相移矩阵的原始优化问题。对于每个子问题,我们提供了一个低复杂度的迭代算法,这是保证收敛到Karush-Kuhn-Tucker(KKT)点的每个子问题。严格证明了BCD算法收敛于原问题的KKT点。并设想了一种可行性检验方法来研究其可行性。大量的仿真结果表明,在SWIPT中使用IRS有利于提高系统性能,并且所提出的BCD算法收敛速度快,这对实际应用有吸引力。
2020-02-18 eess.SP
Federated Learning and Wireless Communications
联邦学习以其强大的功能和潜在的应用前景在无线通信和机器学习等领域受到越来越多的关注。与其他不需要通信资源的机器学习工具相比,联邦学习利用中央服务器和分布式本地客户端之间的通信来训练和优化机器学习模型。因此,如何有效地分配有限的通信资源来训练一个联邦学习模型成为性能优化的关键。另一方面,联邦学习作为一种全新的学习工具,可以潜在地增强无线网络的智能性。本文综述了联邦学习与无线通信的关系,包括联邦学习的基本原理、用于训练联邦学习模型的高效通信以及联邦学习在智能无线应用中的应用。最后,我们还指出了未来的研究挑战和方向。
2020-05-12 cs.IT eess.SP math.IT
Decision Feedback-Aided Known-Interference Cancellation
Bittium Wireless(比特姆无线)
本文提出一种决策反馈辅助的已知干扰消除方法,通过迭代消除干扰和信号以提升无线通信系统的吞吐量,但会增加计算负载。
2025-12-11 eess.SP
Flexible Cylindrical Array-Aided Secure Wireless Communications
National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China(电子科技大学无线通信国家重点实验室);State Key Laboratory of CNS/ATM and the School of Interdisciplinary Science, Beijing Institute of Technology(北京理工大学 CNS/ATM 国家重点实验室和交叉科学研究院)
本文研究了利用柔性圆柱阵列和人工噪声的多用户多输入单输出安全通信系统,通过优化波束成形、人工噪声协方差矩阵和天线位置,提高合法接收机的总速率并保障传输安全。
2026-04-10 eess.SP
Secrecy Rate Maximization for Intelligent Reflecting Surface Aided SWIPT Systems
同时无线信息和功率传输(SWIPT)和智能反射表面(IRS)是用于向能量受限的无线设备提供增强的无线通信能力和可持续能量供应的两种有前景的技术。此外,IRS和SWIPT的组合可以产生“一加一大于二”的效果。然而,由于无线媒体的广播性质,IRS辅助的SWIPT系统容易受到窃听。在本文中,我们研究了IRS辅助SWIPT系统的安全问题。我们的目标是通过联合设计的发射波束形成和人工噪声(AN)的协方差矩阵在基站(BS)和反射波束形成在IRS,在BS的发射功率约束和能量收集(EH)的约束下,在多个能量接收器的保密率最大化。为了解决制定的非凸问题,我们首先采用交替优化(AO)算法解耦的耦合变量。然后,反射波束形成,发射波束形成和AN协方差矩阵可以分别使用基于惩罚的算法和半定松弛(SDR)方法进行优化。仿真结果表明,该方案的有效性基线计划。
2020-09-09 eess.SP
Performance Analysis of RIS-Aided High-Mobility Wireless Systems
本文针对高速列车MISO通信场景,提出BCD算法联合优化RIS相移与发射波束成形,使平均信道增益提升15 dB并消除中断概率,验证了RIS在高移动性系统中的关键作用。
2025-08-21 eess.SP
Secrecy Energy Efficiency Maximization in RIS-Aided Wireless Networks
针对存在窃听者的RIS辅助无线网络上行链路,本文提出一种可证明收敛且低复杂度的保密能效最大化优化算法,并比较了有源与近无源RIS的能效表现。
2024-06-11 eess.SP math.OC
Reconfigurable-Metasurface-Aided Multi-State Generalized Polarization-Space Modulation for Next-Generation Wireless Communications
我们提出了一种低成本的可重构元表面发射机,以实现广义极化空间调制(GPSM),已提出了下一代无线通信。与传统的多输入多输出GPSM不同,我们的电磁兼容,使用钡锶钛薄膜的形状因子降低设计产生两个以上的偏振态。全波仿真结果表明,我们的优化设计实现了0.08-0.95的偏振转换比与5%的带宽在28 GHz和误码率相当或优于传统的系统。
2021-03-23 eess.SP physics.app-ph
Deep Neural Network Aided Scenario Identification in Wireless Multi-path Fading Channels
School of Electronic Science(电子科学学院);National University of Defense Technology(国防科技大学)
这封信阐述了我们在无线多径衰落信道中用于无线通信场景识别的深度神经网络(DNN)方面的初步工作。在这封信中,六种渠道情景参考COST 207渠道模型已经完成。在信噪比大于20 dB的情况下,识别准确率为100%,而在信噪比为0 ~ 40 dB的情况下,平均识别准确率为88.4%。该方法在快时变条件下进行了测试,这与现实世界中的无线多径衰落信道相似,使其能够在实际场景识别的可行性。
2018-11-23 cs.LG eess.SP
Active Reconfigurable Intelligent Surface-Aided Terahertz Wireless Communications
本文探索主动可重构智能表面(RIS)辅助的太赫兹(THz)通信,通过制定考虑主动噪声、信号放大、分子吸收和波束失准等因素的遍历速率,解决了THz通信中遮挡敏感和覆盖受限的问题。
2024-07-03 cs.NI eess.SP
Secrecy Energy Efficiency Maximization in RIS-Aided Wireless Networks with Statistical CSI
针对RIS辅助多用户无线网络的上行窃听场景,提出一种可证明收敛的联合优化算法,优化用户功率、超表面反射系数与基站接收滤波器以最大化保密能效,分析了复杂度并验证了性能。
2024-08-17 eess.SP math.OC
Intelligent Reflecting Surface Aided Wireless Sensing: Applications and Design Issues
智能反射面(IRS)是一种新兴技术,它通过巧妙地调节大量无源反射元件的信号反射,能够显著提高无线通信的性能。另一方面,随着无处不在的无线设备和周围的射频信号,无线传感已成为下一代/6 G无线网络的一个有前途的新应用。通过协同低成本的IRS和肥沃的无线传感应用,本文提出了一种新的IRS辅助传感模式,以提高无线传感的性能成本效益。首先,我们提供了一个无线传感应用的概述和利用IRS克服其在实际情况下的性能限制的新机会。接下来,我们讨论了基于三种方法的IRS辅助传感方案,即被动传感、半被动传感和主动传感。我们比较了它们在性能、硬件成本和实现复杂性方面的优缺点,并概述了它们的主要设计问题,包括IRS部署、信道捕获和反射设计以及传感算法。最后,数值结果表明IRS的巨大潜力,提高无线传感精度和优越的性能相比,其他计划的IRS主动传感。
2023-02-12 cs.IT eess.SP math.IT
Reconfigurable Intelligent Surface Aided Wireless Sensing for Scene Depth Estimation
当前的场景深度估计方法主要依赖于光学感测,其带有隐私问题并且遭受对于遥远的、有光泽的和透明的表面/对象的估计模糊性。可重构智能表面(RISs)提供了一种使用低成本和高能效架构来采用大量天线的途径。这具有实现具有高空间分辨率的RIS辅助无线传感的潜力。在本文中,我们建议采用RIS辅助无线传感系统的场景深度估计。我们开发了一个全面的框架,用于使用RIS辅助毫米波传感系统构建准确的深度图。在这个框架中,我们提出了一个新的RIS交互码本能够创建一个感测网格的反射光束,满足高效的场景深度图建设的理想特性。使用所设计的码本,对接收到的信号进行处理以构建高分辨率深度图。仿真结果将所提出的解决方案与基于RGB的方法进行了比较,并突出了在场景深度感知中采用RIS辅助毫米波传感的前景。
2022-11-15 cs.IT eess.SP math.IT
Environment Semantics Aided Wireless Communications: A Case Study of mmWave Beam Prediction and Blockage Prediction
本文提出了一种环境语义辅助的无线通信框架,该框架从环境图像数据中提取语义信息,根据任务相关性进行选择性编码,然后进行融合,为信道相关任务做出决策。作为一个案例研究,我们开发了一个环境语义辅助网络架构的毫米波通信系统,这是由一个语义特征提取网络,特征选择算法,面向任务的编码器,和决策网络。以街道摄像机拍摄的图像和用户身份信息为输入,训练环境语义辅助网络结构,以预测基站的最佳波束索引和阻塞状态。可以看出,在没有导频训练或昂贵的波束扫描的情况下,环境语义辅助的网络架构可以实现非常有效的波束预测和及时的阻塞预测,从而满足超可靠和低延迟通信(URLLC)的要求。仿真结果表明,与现有的网络结构相比,所提出的环境语义辅助网络结构在保证预测精度和保护用户隐私的同时,减少了系统开销,如存储空间和计算开销.
2023-01-14 eess.IV eess.SP
Energy balancing for robotic aided clustered wireless sensor networks using mobility diversity algorithms
研究了在移动机器人的辅助下,在大范围内随机部署的分簇无线传感器网络的能量平衡问题。传感器节点(SN)的任务是监测感兴趣的区域(ROI),并将其测试统计数据报告给簇头(CH),簇头随后通过无线衰落信道报告给融合中心(FC)。为了最大限度地提高生命周期的无线传感器网络,MR部署作为一个自适应中继之间的一个子集的CH和FC。为了实现这一点,我们开发了一种由MR执行的多链路移动性分集算法(MDA),其将允许同时补偿所建立的无线链路处的小尺度衰落(即,MR到FC以及各种CH到MR通信链路)。仿真结果表明,所提出的MR辅助技术是能够显着降低所需的传输功率,从而延长无线传感器网络的运行寿命。我们还展示了如何在各种无线链路的小规模衰落的影响是减轻使用建议的多链路MDA执行的MR配备了一个单一的天线。
2018-06-12 cs.DC eess.SP
PHY-Fed: An Information-Theoretic Secure Aggregation in Federated Learning in Wireless Communications
联邦学习(FL)是一种在无线边缘的分布式机器学习,它可以保护客户端数据的隐私不受对手甚至中央服务器的侵犯。现有的联邦学习方法或者使用(i)易受推断影响的安全多方计算(SMC),或者(ii)差分隐私,这可能会降低测试准确性,因为大量的参与方各自具有相对少量的数据。为了解决这个问题与现有的方法在文献中,在本文中,我们介绍了PHY-Fed,一个新的框架,确保联邦算法从信息理论的角度来看。
2022-10-30 cs.IT eess.SP math.IT
IRS-Aided Multi-Antenna Wireless Powered Communications in Interference Channels
本文研究了干扰信道中IRS辅助的多天线无线供电通信,提出三种传输方案及通用算法框架以最大化系统总吞吐量,数值结果表明IRS辅助方案在吞吐量和能耗上均优于无IRS方案。
2024-07-30 cs.IT eess.SP math.IT
Rate Maximizations for Reconfigurable Intelligent Surface-Aided Wireless Networks: A Unified Framework via Block Minorization-Maximization
可重构智能表面(RIS)由于其在5G及以后无线网络中的应用前景,近年来引起了人们的研究兴趣。在RIS的帮助下,无线传播环境不再是静态的,可以定制以支持不同的服务需求。在本文中,我们将探讨速率最大化的问题,在RI辅助无线网络中,考虑波束成形和反射设计联合。三个代表性的设计问题,从不同的系统设置的基础上提出了统一的算法框架,通过块最小化最大化(BMM)方法。在处理其他一些相关问题的建议框架的扩展和推广。所提出的算法的优点是通过数值模拟与国家的最先进的方法进行比较。
2021-12-26 cs.IT eess.SP math.IT
IRS Aided Federated Learning: Multiple Access and Fundamental Tradeoff
本研究提出IRS辅助的三种多址协议(I-TDMA、I-FDMA、I-NOMA)以降低联邦学习延迟,通过联合优化资源分配实现延迟最小化,并揭示IRS下协议性能权衡的充分条件。
2025-03-31 cs.DC eess.SP
Path Planning for the Dynamic UAV-Aided Wireless Systems using Monte Carlo Tree Search
在无人机辅助无线通信系统中,在线路径规划是近年来研究的热点。为了更好地适应实时动态环境,首次提出了一种基于蒙特卡罗树搜索(MCTS)的路径规划方案。具体来说,我们考虑了一个无人机作为移动服务器为地面上的一组移动用户提供计算任务卸载服务,其中地面用户的移动遵循随机路点模型。我们的模型的目标是最大化的平均吞吐量的能量消耗和用户公平性的约束下,所提出的省时MCTS算法可以进一步提高性能。仿真结果表明,与Q学习算法和深度Q网络算法相比,该算法具有更高的平均吞吐量和更快的收敛性能。
2022-01-13 cs.NI eess.SP
RIS-aided Wireless-Powered Backscatter Communications for Sustainable Internet of Underground Things
本研究提出将可重构智能表面与无线供能反向散射地下传感器网络集成,以克服地下信道损伤,并通过农业案例证明其在总吞吐量上优于三个基准,为可持续地下物联网提供新方案。
2024-12-18 cs.NI eess.SP
Federated Learning for Wireless Communications: Motivation, Opportunities and Challenges
Virginia Tech(弗吉尼亚理工学院)
在无线通信社区中,人们越来越有兴趣用基于数据驱动的机器学习(ML)的解决方案来补充传统的基于模型的设计方法。虽然传统的ML方法依赖于在中央实体中具有数据和处理头的假设,但这在无线通信应用中并不总是可行的,因为私有数据的不可访问性和将原始数据传输到中央ML处理器所需的大的通信开销。因此,将数据保存在生成位置的分散式ML方法更具吸引力。由于其隐私保护的性质,联邦学习与许多无线应用特别相关,特别是在第五代(5G)网络的背景下。在这篇文章中,我们提供了一个方便的介绍联邦学习的一般思想,讨论了在5G网络中的几个可能的应用,并描述了关键的技术挑战和开放的问题,为未来的研究联邦学习的背景下,无线通信。
2020-05-03 cs.LG eess.SP stat.ML
Intelligent Reflecting Surface Aided Wireless Networks: From Single-Reflection to Multi-Reflection Design and Optimization
智能反射面(IRS)是无线通信网络中一种很有前途的技术。通过动态调谐大量无源元件的反射幅度/相移,IRS实现了灵活的无线信道控制和配置,从而显著提高了无线信号传输速率和可靠性。尽管有大量关于设计和优化各种IRS辅助的无线系统的文献,但现有工作主要集中在仅通过一个或多个IRS来增强具有单个信号反射的无线链路,这可能不足以在一些恶劣的传播条件(例如,具有密集堵塞物/障碍物的室内环境)。这个问题可以通过采用两个或更多个IRS来协助每个无线链路并联合利用它们的单个以及多个信号反射来解决。然而,所得到的双/多IRS辅助的无线系统面临更复杂的设计问题,以及新的实际挑战的实现相比,传统的单IRS对应,在IRS反射优化,信道获取,以及IRS部署和关联/选择。因此,一个新的范例,设计多IRS合作被动波束形成和联合主动/被动波束路由要求创新的设计方法和优化方法。在本文中,我们给出了多IRS辅助无线网络的教程概述,重点是解决由于多IRS信号反射和路由的新挑战。并指出了今后值得研究和探索的重要方向。
2022-04-25 cs.IT eess.SP math.IT
Beamforming Design for Hybrid IRS-aided AF Relay Wireless Networks
本文提出一种由无源和有源元件组成的混合IRS辅助AF中继无线网络,并设计了基于逐次凸逼近和分数规划的低复杂度方法(LC-SCA-FP)联合优化波束成形与反射系数矩阵,仿真证明其速率优于基准方案。
2023-11-23 cs.IT eess.SP math.IT
Federated Learning in Multi-RIS Aided Systems
研究了多个可重构智能表面辅助的联邦学习系统中的模型聚合问题。空中计算(AirComp)实现了计算与通信的有效结合。由于所有的本地参数都是在共享的无线信道上传输的,因此不期望的传播误差不可避免地使全局聚合的性能恶化。本文的目标是:1)减小AirComp的信号失真; 2)提高联邦学习的收敛速度。因此,通过设计发射功率、控制接收标量、调谐相移以及选择模型上传过程中的参与者来优化均方误差和设备集。将混合整数非线性问题(P0)分解为连续变量的非凸问题(P1)和整数变量的组合问题(P2)。为了求解子问题(P1),首先推导出收发器的封闭形式表达式,然后通过半定松弛来解决多天线情况。其次,通过引入基于惩罚的逐次凸逼近法来解决相移设计问题。在子问题(P2)中,采用凸规划的差分方法优化设备集合,以加速收敛,同时满足聚合误差要求。在此基础上,提出了一种交替优化算法来寻找问题(P0)的次优解。仿真结果表明:与基线算法相比,所设计的算法收敛速度更快,模型聚合精度更高;多个RIS的使用可以显著改善联邦学习的训练损失和预测精度。
2021-07-08 cs.IT eess.SP math.IT
Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization
University of Hong Kong(香港大学);University of New South Wales(新南威尔士大学);Southern University of Science and Technology(南方科技大学)
无线联邦学习(FL)是一种新兴的机器学习范式,其通过无线通信从分布式数据集训练全局参数模型。本文提出了一种单位模数无线FL(UMWFL)框架,它同时上传本地模型参数,并通过优化相移计算全局模型参数。所提出的框架避免了复杂的基带信号处理,从而导致低通信延迟和实现成本。导出了训练损失界,并提出了一种惩罚交替最小化(PAM)算法,以最小化非凸非光滑损失界。在汽车学习行动(CARLA)平台上的实验结果表明,提出的UMWFL框架与PAM算法实现了更小的训练损失和测试错误比基准计划。
2021-08-31 cs.LG eess.SP
Throughput Maximization for Full-Duplex UAV Aided Small Cell Wireless Systems
研究了全双工无人机辅助的小小区无线系统,其中无人机作为基站同时向下行用户发送数据和从上行用户接收数据。为了最大化包括上行链路和下行链路容量的总系统容量,交替地优化UAV轨迹、下行链路/上行链路用户调度和上行链路用户发射功率。由此产生的优化问题是混合整数和非凸的,这是具有挑战性的解决。为了解决这个问题,利用块坐标下降法和逐次凸逼近技术。仿真结果表明,与其他设计相比,我们的设计可以实现显着的容量增益。
2019-12-10 cs.IT eess.SP math.IT
ViWi: A Deep Learning Dataset Framework for Vision-Aided Wireless Communications
Arizona State University(亚利桑那州立大学)
人工智能,特别是机器学习在塑造无线通信的未来方面发挥着越来越大的作用,开辟了许多新的有趣的研究方向。本文激发了\textit{vision-aided wireless communications}的新方向的研究,其目的是利用视觉感官信息来解决无线通信问题。与任何由机器学习驱动的新研究方向一样,获得开发数据集是视觉辅助无线通信面临的第一个也是最重要的挑战。本文通过介绍Vision-Wireless(ViWi)数据集框架来解决这个问题。它是一个参数化、系统化和可扩展的数据生成框架。它利用先进的3D建模和光线跟踪软件为相同的场景生成高保真合成无线和视觉数据样本。其结果是一个框架,不仅提供了一种生成训练和测试数据集的方法,而且有助于提供一个共同的基础,可以在此基础上评估不同机器学习解决方案的质量。
2020-04-22 cs.IT cs.LG eess.SP
Energy Efficiency in RIS-Aided Wireless Networks: Active or Passive RIS?
这项工作解决了无线网络中的主动和被动RISs之间的比较,参考系统的能源效率(EE)。为了证明收敛和计算友好的EE最大化算法的开发,优化反射系数的RIS,发射功率,和线性接收滤波器。数值结果表明,所提出的方法的性能和讨论的工作点,其中主动或被动RISs应首选从节能的角度来看。
2023-03-08 cs.IT eess.SP math.IT
Aerial Reconfigurable Intelligent Surface-Aided Wireless Communication Systems
在本文中,我们提出并研究了一个空中可重构智能表面(aerial-RIS)辅助无线通信系统。具体而言,考虑到实际的复合衰落信道,我们的特点是空到地(A2 G)的Namkagami-m小尺度衰落和逆伽马大尺度阴影的链接。为了研究所提出的系统的延迟限制性能,我们推导出一个紧密的近似封闭形式的表达式的端到端中断概率(OP)。接下来,考虑到移动环境中,性能分析是棘手的,我们依靠机器学习为基础的性能预测来评估的移动空中RIS辅助系统的性能。具体来说,考虑到空中RIS的三维(3D)空间运动,我们建立了一个深度神经网络(DNN)来准确预测OP。(i)衰落和遮蔽条件对OP具有强烈影响,(ii)随着反射元件的数量增加,空中RIS实现更高的能量效率(EE),以及(iii)空中RIS辅助系统优于传统中继系统。
2021-06-09 cs.IT eess.SP math.IT
CHARLES: Channel-Quality-Adaptive Over-the-Air Federated Learning over Wireless Networks
空中联邦学习(OTA-FL)已经成为一种有效的机制,其利用无线介质的叠加特性并在空中执行用于联邦学习的模型聚合。OTA-FL对无线信道衰落非常敏感,这会显著降低其学习精度。为了解决这个问题,在本文中,我们提出了一个OTA FL算法称为CHARLES(信道质量感知的空中本地估计和缩放)。我们的CHARLES算法进行信道状态信息(CSI)估计和自适应缩放,以减轻无线信道衰落的影响。建立了CHARLES算法的理论收敛速度性能,分析了CSI误差对CHARLES算法收敛性的影响。我们表明,自适应信道反演缩放方案在查尔斯不完美的CSI的情况下是强大的。我们还表明,通过数值结果,查尔斯优于现有的OTA-FL算法与异构数据下不完美的CSI。
2022-05-19 cs.IT eess.SP math.IT