توصيفگر ها :
سطوح انعكاسي هوشمند , انتشار بيسيم , تغيير فاز , مدولاسيون OFDM-SPM , يادگيري تقويتي عميق
چكيده فارسي :
محيط انتشار به عنوان موجودي با رفتار تصادفي بين فرستنده و گيرنده درك ميشود كه به دليل تراكنشهاي غيرقابلكنترل محيطاطراف با سيگنالهاي راديويي، موجب كاهش كيفيت سيگنال دريافتي شده است و نيز آنها را با مشكلات پراكندگي، بازتابش و شكست
روبرو كرده است. تحقيقات اخير نشان داده است كه سطوح انعكاسي هوشمندميتوانند جبهه موج، بهعنوانمثال فاز، دامنه، فركانس و حتي قطبش سيگنالهاي برخوردي را بدون نياز به عمليات رمزگشايي و رمزگذاري پيچيده كنترل كنند . در موارد زيادي كه به دليل عدم ديدمستقيم بين فرستنده و گيرنده سيگنال بهدرستي دريافت نميشود سيگنال حاصل از انعكاس اين سطوح كمك شايانذكري در دريافت آن دارد كه اين امر بهويژه براي گسترش پوشش در ارتباطات امواج ميليمتري كه در برابر انسداد بسيار آسيبپذير هستند مفيد است. باوجودمزايايي كه كاربرد اين سطوح در محيط بيسيم براي ما به ارمغان ميآورد يك سري مشكلات و چالشهايي ازجمله چگونگي يافتن مكانفرستنده، گيرنده و نحوهي بازتاب سيگنالهاي برخوردي وجود دارد. اجراي هوشمند چنين فرآيندي نيازمند دستيابي به كانالهايي با ابعاد
بزرگ بين فرستنده و IRS و گيرنده است. تاكنون روشهايي براي تخمين كانال موردبررسي قرارگرفته است كه يكي از راهحلهاي
ارائهشده، استفاده از يادگيري عميق براي پيشبيني ماتريس بازتاب بهينه در IRS است و اين روش نيازمند مجموعهاي از دادهها در مرحلهي
يادگيري است. در اين تحقيق، تكنيك يادگيري تقويتي عميق جهت پيشبيني ماتريس بازتاب بهينه بكار ميرود كه اين روش نياز به مجموعه
دادههاي اوليه را به حداقل ميرساند اما سرعت همگرايي به مقدار خروجي بهينهي كمي را تجربه ميكند. سپس با استفاده از مدولاسيون
OFDM-SPM كه منجر ميشود تا در پهناي باند كمتر، وروديهاي دقيقتري را به همراه داشته باشد، زمان پردازش شبكه را كاهش و
سرعت همگرايي مدل افزايش مييابد. همچنين با بهكارگيري تكنيك OFDM-SPM جهت ارسال نمادها موجب كاهش توان موردنياز
براي ارسال تعداد بيتهاي موردنظر نسبت به روشهاي قبل ميشود .
چكيده انگليسي :
The propagation environment is considered a phenomenon with random behavior between the transmitter and the receiver, which has caused a decrease in the quality of the received signal due to the uncontrollable transactions of the surrounding environment with radio signals and has also caused them to face scattering, reflection, and refraction problems. Recent research has shown that intelligent reflection surfaces could control the wavefront, for example, the phase, amplitude, frequency, and even polarization of incident signals, without the need for complex decoding and encoding operations. In many cases where the signal is not received correctly due to the lack of direct vision between the transmitter and the receiver, the signal resulting from the reflection of these levels has a significant effect on receiving it; which is especially useful for extending coverage in millimeter wave communications, which are highly vulnerable to obstruction. Despite these surfaces’ advantages in the wireless environment, there are several problems and challenges, such as finding the transmitter’s location and how to reflect the incident signals. The intelligent implementation of such a process requires the availability of large channels between the transmitter, the IRS, and the receiver. So far, methods for channel estimation have been investigated, and one of the proposed solutions is to use deep learning to predict the optimal reflection matrix in IRS. This method requires a set of data in the learning phase. This research uses the deep reinforcement learning technique to predict the optimal reflection matrix. This method minimizes the need for the initial data set, but the convergence speed to the optimal output value is low, so using the OFDM-SPM technique to send the symbols reduces the power. It is required to send the desired number of bits compared to the previous methods. In addition, the use of OFDM-SPM modulation leads to more accurate inputs in less bandwidth and reduces network processing time to increase the convergence speed of the model.
