XiaoMi-AI文件搜索系统
World File Search SystemRIS
具有最小导频开销的决策导向混合 RIS 信道估计
摘要 — 要获得可重构智能表面 (RIS) 的好处，通常需要信道状态信息 (CSI)。然而，RIS 系统中的 CSI 获取具有挑战性，并且通常会导致非常大的导频开销，尤其是在非结构化信道环境中。因此，RIS 信道估计问题引起了广泛关注，并且近年来也成为热门研究课题。在本文中，我们针对一般非结构化信道模型提出了一种决策导向 RIS 信道估计框架。所采用的 RIS 包含一些可以同时反射和感知传入信号的混合元素。我们表明，借助混合 RIS 元素，可以准确恢复导频开销与用户数量成比例的 CSI。因此，与采用无源 RIS 阵列的系统相比，所提出的框架大大提高了系统频谱效率，因为无源 RIS 系统中的导频开销与 RIS 元素数量乘以用户数量成正比。我们还对导频导向和决策导向框架进行了详细的频谱效率分析。我们的分析考虑了 RIS 和 BS 的信道估计和数据检测误差。最后，我们给出了大量模拟结果来验证分析的准确性，并展示了所提出的决策导向框架的优势。
MISO 广播信道中 RIS 架构的能效比较
摘要 — 在本文中，我们开发了多用户多输入单输出 (MISO) 广播信道 (BC) 的节能方案，并辅以可重构智能表面 (RIS)。为此，我们考虑了三种 RIS 架构：局部被动对角 (LP-D)、全局被动对角 (GP-D) 和全局被动超对角 (GP-BD)。在全局被动 RIS 中，RIS 的输出信号功率不大于其输入功率，但一些 RIS 元件可以放大信号。在局部被动 RIS 中，每个元件都不能放大入射信号。我们表明，如果 RIS 元件的静态功率不太高，这些 RIS 架构可以显着提高能源效率 (EE)。此外，GP-BD RIS 的复杂度和静态功率高于 LP-D RIS 和 GP-D RIS，可提供更好的频谱效率，但其 EE 性能高度依赖于静态功耗，可能比其对角对应物更差。索引词——能源效率、可重构智能表面（RIS）、超对角RIS、全局无源RIS、MISO广播信道。
b'l学院提名的Shishir Shrotriya博士，发展中国家的研究和信息系统（RIS）和新德里的海上经济与连通性中心负责人，代表Insa代表INSA，代表Insa博士在俄罗斯的Moscow，在俄罗斯莫斯科夫（Moscow）举行的俄罗斯（Moscow），从5月29日至30年5月29日，在俄罗斯举行了2024年5月29日，俄罗斯的融合。会议中的科学院。
b'l学院提名的Shishir Shrotriya博士，《发展中国家研究与信息系统的教师》（RIS）和新德里的海上经济与连通中心负责代表团的变化是由于俄罗斯科学院在会议上的修改所纳入的。
一种自主重新选择的智能表面的深入强化学习方法
摘要 - 可重新配置的智能表面（RIS）是一种可提高无线通道质量的潜在无线技术。RIS通常配备了被动元素，并为无线通信系统的覆盖范围提供了成本和功率良好的解决方案。没有任何射频（RF）链或计算资源，RIS需要从外部单元（例如基站（BS））发送控制信息。控制信息可以通过有线或无线通道传递，并且BS必须了解RIS和与RIS相关的通道条件，以有效地配置其行为。最近的作品引入了混合RIS结构，具有一些可以感知和数字化处理数据的活性元素。在这里，我们提出了一个完全自主的RI的操作，该操作在RIS和BS之间没有控制链接的情况下运行。使用一些感应元素，自主RIS基于强化学习采用了深Q网络（DQN），以提高网络的总和。我们的结果说明了在没有网络开销的无线网络中部署自动riss的潜力。索引术语 - 自主RIS，DQN，深度学习，Mu- miso，速率最大化，无线通信。
ris辅助无线链接签名，用于特定发射极标识：初步
摘要 - 特定的发射极标识（SEI）是一项有希望的技术，可以在不久的将来增强大量设备的访问安全性。在本文中，我们提出了一个可重构的智能表面（RIS）辅助SEI系统，其中合法发射器可以通过控制RIS的On-Off状态来自定义SEI期间的通道指纹。在不失去通用性的情况下，我们使用基于接收的信号强度（RSS）欺骗检测方法来分析所提出的体系结构的可行性。具体来说，基于RSS，我们得出了SEI的统计属性，并提供了一些有趣的见解，这些见解表明RIS辅助SEI理论上是可行的。然后，我们得出最佳检测阈值，以最大程度地提高呈现的性能指标。接下来，通过RIS辅助SEI原型平台上的概念验证实验验证了所提出系统的实际可行性。实验结果表明，当传输源分别在不同的位置和同一位置时，性能提高了3.5％和76％。
SNR最大化超出对角线RIS辅助单和多个天线链接
I. Santamaria在西班牙桑坦德市的Cantabria大学通信部门（电子邮件：i.santamaria@unican.es）。M. Soleymani与德国Paderborn 33098 Uni-VersitätPaderborn的信号和系统理论小组（电子邮件：moham- mad.soleymani@sst.upb.de）。E. Jorswieck曾与德国Braunschweig 38106 TechnischeUniversitätkraunschweig一起在德国Braunschweig的TechnischeUniversität大学（电子邮件：e.jorswieck@tu-bs.de）。J.Gutiérrez与IHP-Leibniz-InstitutFür创新的Mikroelelektronik，15236 Frankfurt（Oder），德国（电子邮件：teran@ihp- microelectronics.com）。根据Grant PID2019-104958RB-C43（Adele）（Adele），Santamaria I. Santamaria的工作得到了Ciencia EInnovación和AEI部长的支持。Eduard Jorswieck的工作是由联邦教育和研究部（德国BMBF，德国）通过“Souverän计划”所支持的。数字。vernetzt。”联合项目6G-RIC，根据16Kisk020k和16Kisk031的赠款。
主动发布 CAB-23-SUB-0468 - 100 天计划
选举过程。因此，我建议我们简化监管影响声明 (RIS) 的流程，将其从正常的 QA 流程中豁免，并且在我们只是废除立法时不要求 RIS。但是，在我们实施新政策举措时，机构将被要求完成实施后评估。如果机构正在准备 RIS，他们应该专注于成本效益分析和实施问题，因为他们无法在可用时间内完成完整的 RIS。
可重构智能表面在非...中的应用
摘要 — 下一代通信技术将通过地面网络与由高空平台站和卫星组成的非地面网络 (NTN) 之间的合作成为可能。此外，随着人类踏上在其他星球上建立新栖息地的漫长道路，NTN 和深空网络 (DSN) 之间的合作将是必要的。在这方面，我们建议使用可重构智能表面 (RIS) 来改善这些网络之间的协调，因为 RIS 完全符合在太空中运行的尺寸、重量和功率限制。提出了一个全面的 RIS 辅助非地面和行星际通信框架，指出了挑战、用例和未解决的问题。此外，根据模拟结果讨论了 RIS 辅助 NTN 在太阳闪烁和卫星阻力等环境影响下的性能。
白皮书关于南非旅游业的发展和促进2024年
afcftaafriðancontonenta traee traee区RoaeͳAseeůaðŭ ; cks /listri- diStriðteveůoɖŵentdoee f /s f /s f /s byeveryůentfinanðe /nstitƶtions，以及oŵe事务WROEƶT /ws /nteőrateAeveůoɖŵent /kza /kza /niiankðeanziŵsipiationd /cdeetinős͕S͕S͕S͕S͕S͕S͕SIFERINðEndEs。 toƶrisŵ ^eðtor ^trateőljkckrőanizationforgonoŵiohcoͳoɖaneaneeveoɖŵentww' /wƶƶiůiðͳwrivate'roǁttered' ^aewa ^oƶtśrafaneationawarŭs ^atkhzƶtśriðantoƶrisŵoarě ^a ^tatistiðsƶtśriða ^tzsśortͳterͳterŵZentaůpůzt c ^and ttoƶrisŵ traveůtoƶrisŵCoŵɖetivilities /needžtśeTśeTśeTśeeɖartŵtraye͕ /ni niƶstlj zaŵssoƶŭroeðisiontttc to tttc to grass ane toƶrisŵcoƶnðiϰ/zϰtś/neƶstriazevoůƶtion
RIS 辅助 6G V2X 系统中集成传感和通信的深度强化学习
摘要 — 集成传感和通信 (ISAC) 技术的最新进展为解决下一代无线通信网络 (6G) 车对万物 (V2X) 中的通信质量和高分辨率定位要求带来了新的可能性。同时为车辆目标的智能服务提供高精度定位和高通信容量 (CC) 具有挑战性。在本文中，我们提出了一种可重构智能表面 (RIS) 辅助的 6G V2X 系统，以在满足基本通信要求的情况下实现车辆目标的高精度定位。我们提供了车辆目标的 CC 和 3-D 费舍尔信息矩阵 (FIM) 公式。我们展示了反射器单元中的相位调制对联合定位精度和 CC 性能的直接影响。同时，我们设计了一个灵活的深度确定性策略梯度 (FL-DDPG) 算法网络，采用 ϵ -贪婪策略来解决高维非凸优化问题，在满足各种 CC 要求的同时实现最小定位误差。仿真结果表明，FL-DDPG算法将定位精度提升了至少89%，将车辆目标的到达率提升了近3倍，优于传统数学方法。与经典的深度强化学习方法相比，FL-DDPG在满足通信要求的前提下获得了更好的定位精度。当面对不完美信道时，FL-DDPG能够有效解决ISAC系统中的信道估计误差问题。