تخمین کانال مقاوم مبتنی بر یادگیری عمیق و شکل‌دهی پرتو غیرفعال با مدل فاز گسسته برای سیستم‌های ارتباطی همراه با صفحات هوشمند قابل پیکربندی

یک سطح هوشمند قابل پیکربندی مجدد (ris ) با تغییراتی در دامنه و فاز امواج برای افزایش ظرفیت و پوشش، عملکرد سیستم‌های ارتباطی نسل ششم (6g) را بهبود می‌بخشد. با این حال، عملکرد بهینه ris به اطلاعات حالت کانال (csi ) وابسته است که با روش‌های مرسوم با چالش مواجه می‌شود. بیشتر منابع موجود از یک مدل تغییر فاز ایده‌آل استفاده می‌کنند که در کاربردهای عملی غیرواقع‌بینانه است. در این مقاله، یک مدل فاز گسسته ارائه می‌کنیم. روش‌های مبتنی بر یادگیری عمیق ابزارهای قدرتمندی برای مواجهه ابعاد بالا در این سیستم‌ها ارائه می‌دهند. این مقاله یک الگوریتم مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی کاملاً متصل (fcnn) را برای تخمین کانال با خطای کم در سیستم‌های ris توسعه داده‌ایم. مدل پیشنهادی با استفاده از الگوریتم حداقل مربعات (ls) بهبود یافته به صورت تکراری آموزش داده شده تا سرعت همگرایی و دقت آن بیشتر شود. بطور خاص، ما یک ساختار یادگیری عمیق طراحی و آموزش می‌دهیم تا با استفاده از سیگنال‌های دریافتی، کانال‌های بین فرستنده و گیرنده را تخمین بزند. به‌منظور ارزیابی عملکرد، سیستم بر اساس دقت تخمین کانال و نمودارهای نرخ خطای بیت (ber) بررسی شده است. طبق شبیه سازی‌های انجام شده، این روش عملکرد بهتری نسبت به تکنیک‌های موجود نشان داده است و منجر به خطای تخمین کمتر در سیستم ارتباطی می‌شود. ما اثربخشی رویکرد تخمین را تحت شرایط فازهای گسسته نیز بررسی کردیم. این یافته‌ها راه را برای عملکرد قابل اعتماد ris در شبکه‌های آینده 6g هموار می‌کنند.

deep learning-based robust channel estimation and passive beamforming with discrete phase shift model for ris-assisted communication systems

a reconfigurable intelligent surface (ris) enhances the performance of sixth-generation (6g) communication systems by modifying the amplitude and phase of electromagnetic waves to improve system capacity and coverage. however, the optimal operation of an ris depends on accurate channel state information (csi), the estimation of which remains a significant challenge when using conventional methods. most existing studies rely on an ideal phase-shift model, which is impractical for real-world implementations. in this paper, we introduce a discrete-phase model to address this limitation. deep learning-based approaches provide powerful tools for handling high-dimensional problems in such systems. we propose a deep learning-based channel estimation algorithm employing a fully connected neural network (fcnn) to achieve low-error channel estimation in ris-assisted systems. the proposed model is iteratively trained using an improved least squares (ls) algorithm to enhance convergence speed and estimation accuracy. specifically, we design and train a deep learning architecture capable of estimating the channels between the transmitter and receiver based on the received signal observations. to evaluate system performance, the proposed method is assessed in terms of channel estimation accuracy and bit error rate (ber) performance. simulation results demonstrate that the proposed method outperforms existing techniques, yielding significantly lower estimation errors in communication systems. moreover, we examine the effectiveness of the estimation approach under discrete-phase conditions. these findings pave the way for reliable ris performance in future 6g networks.