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.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Yu Liu,Ibrah... lúc arxiv.org 04-09-2024
https://arxiv.org/pdf/2402.09440.pdfYêu cầu sâu hơn