In diesem Artikel wird eine neuartige zweistufige Kanalschätzungsmethode basierend auf Extreme Learning Machine (ELM) für ein IRS-unterstütztes Mehrbenutzer-ISAC-System vorgestellt.
In der ersten Stufe werden die direkten Sensorik- und Kommunikationskanäle am ISAC-Basisstation (BS) und den Downlink-Benutzern geschätzt, indem der IRS ausgeschaltet wird. In der zweiten Stufe werden dann die reflektierten Uplink- und Downlink-Kommunikationskanäle geschätzt, indem der IRS eingeschaltet wird.
Für jede Schätzungsstufe werden zwei Arten von Eingabe-Ausgabe-Paaren für das ELM-Netzwerk entworfen. Die erste Art verwendet die ursprünglichen empfangenen ISAC-Signale, während die zweite Art auf den Least-Squares-Schätzungen der Kanäle basiert. Durch die Verwendung von Datenvervielfältigung werden die Trainingsdatensätze erweitert, um die Schätzgenauigkeit zu verbessern.
Die Simulationsergebnisse zeigen, dass der vorgeschlagene ELM-basierte Ansatz eine deutlich höhere Schätzgenauigkeit im Vergleich zu Least-Squares- und neuronalen Netzwerk-basierten Referenzverfahren bei gleichzeitig geringerer Trainingskomplexität und schnellerer Trainingsgeschwindigkeit erreicht.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Yu Liu,Ibrah... alle arxiv.org 04-09-2024
https://arxiv.org/pdf/2402.09440.pdfDomande più approfondite