基于深度学习的链路质量估计,用于RIS辅助无人机支持的无线通信系统

科学领域:

• 无线通信工程 无线通信工程
• 网络中的人工智能
• 空中通信系统 空中通信系统

背景情况:

• 无人机 (UAV) 越来越多地用于无线通信,但由于功率限制和非视线 (NLOS) 连接,在城市环境中面临挑战.
• 可重新配置的智能表面 (RIS) 提供了一个有前途的解决方案,通过优化信号传播来改善无人机通信.
• 在动态RIS辅助无人机网络中,估计地面用户的链接质量仍然是一个重大挑战.

研究的目的:

• 为多用户RIS辅助无人机支持的无线通信系统提出一个新的链接质量估计模型.
• 准确评估动态和复杂环境中的个人地面用户的通信链路质量.
• 利用先进的机器学习技术,提高空中通信网络的性能.

主要方法:

• 开发一种链接质量估计模型,使用一个门式循环单元 (GRU),一种循环神经网络.
• 该GRU模型处理时间序列数据,包括用户通道信息和RIS相位转移配置.
• 模拟多用户RIS辅助无人机支持的无线通信系统,以验证该模型的有效性.

主要成果:

• 提出的基于GRU的模型证明了有效和准确的地面用户链接质量的估计.
• 该框架成功地处理了动态RIS配置和无人机移动性的复杂性.
• 模拟结果证实了该模型在增强通信性能预测方面的能力.

结论:

• 在具有挑战性的RIS辅助无人机通信场景中,GRU模型为链路质量估计提供了强大的解决方案.
• 准确的链接质量估计对于优化资源配置和确保可靠的通信至关重要.
• 这项研究通过人工智能驱动的道评估,为智能空中通信网络的发展做出了贡献.