人工智能驱动的实时阶段优化用于能源采集-启用双IRS合作社NOMA在非视线条件下
Yasir Al-Ghafri1, Hafiz M Asif1, Zia Nadir1,2
1Department of Electrical and Computer Engineering, Sultan Qaboos University (SQU), Muscat 123, Oman.
本研究介绍了使用智能反射表面 (IRS) 和能量收集 (EH) 进行高效非视线 (NLoS) 通信的无线网络. 一个机器学习模型优化了IRS相位移,提高了绿色网络的光谱效率和可靠性.
科学领域:
- 无线通信网络 无线通信网络
- 信号处理 信号处理
- 机器学习应用 机器学习应用
背景情况:
- 下一代无线网络需要提高频谱效率和能源效率.
- 非视线 (NLoS) 通信在无线系统中带来了重大挑战.
- 对于智能反射表面 (IRS) 的传统优化方法可能是复杂和计算密集的.
研究的目的:
- 提出一种新的无线网络架构,集成双重IRS,能源收获 (EH) 和合作性NOMA (C-NOMA).
- 开发一种基于学习的低复杂性方法,用于优化动态NLoS环境中的IRS相位移.
- 评估绿色通信系统的频谱效率和服务可靠性的性能改进.
主要方法:
- 设计了一个结合双IRS,EH和C-NOMA的无线网络架构.
- 采用轻量级机器学习模型来预测最佳的IRS相位转移配置.
- 基于学习的模型在道行为和系统观测上进行了训练,以便快速适应.
- 进行了数值分析,以验证拟议系统的性能.
主要成果:
- 与传统系统相比,拟议的架构显示了光谱效率的显著改善.
- 通过集成EH和基于继电器的通信,服务可靠性得到了显著提高.
- 基于学习的IRS阶段转移优化被证明是有效的和低复杂性的.
- 该系统有助于开发绿色通信系统.
结论:
- 集成架构有效地利用IRS,EH和C-NOMA实现卓越的NLoS通信性能.
- 机器学习方法在动态无线环境中为IRS相位转移优化提供了有效的解决方案.
- 拟议的系统有助于实现节能和可靠的下一代无线网络.
更多相关视频
09:09High Throughput, Real-time, Dual-readout Testing of Intracellular Antimicrobial Activity and Eukaryotic Cell Cytotoxicity
Published on: November 16, 2016
07:38Enabling Real-Time Compensation in Fast Photochemical Oxidations of Proteins for the Determination of Protein Topography Changes
Published on: September 1, 2020
相关概念视频
Cooperative Allosteric Transitions
Cooperative Allosteric Transitions
Cooperative Allosteric Transitions
Cooperative Binding of Transcription Regulators
Real-World Application of Classical Conditioning
Higher-order, or second-order, conditioning occurs when a neutral stimulus becomes associated with an already established conditioned stimulus through repeated pairings. For instance, if a dog has been...
Real Time RT-PCR
The real-time quantification of the number of amplified products is...
