主动IRS(Active IRS)模型总结

news2024/11/15 13:32:09

文章目录

  • A Framework for Transmission Design for Active RIS-Aided Communication with Partial CSI
  • Hybrid active and passive IRS
  • 从已有passive IRS算法拓展到active IRS算法

active IRS 与 passive IRS模型的区别

A Framework for Transmission Design for Active RIS-Aided Communication with Partial CSI

2023.5 TWC

https://ieeexplore.ieee.org/abstract/document/10134546
在这里插入图片描述

As shown in Fig. 1, we consider an RIS-aided downlink multiple-input single-output (MISO) system, where an N \mathrm{N} N antenna BS communicates with K K K single-antenna users. The RIS is assumed to be equipped with M M M reflecting elements, and its reflection coefficient matrix is given by Λ w = Diag ⁡ ( w 1 , ⋯   , w M ) ∈ C M × M \boldsymbol{\Lambda}_{\mathbf{w}}=\operatorname{Diag}\left(w_{1}, \cdots, w_{M}\right) \in \mathbb{C}^{M \times M} Λw=Diag(w1,,wM)CM×M. Here, ∠ w m \angle w_{m} wm and ∣ w m ∣ \left|w_{m}\right| wm denote the phase shift and the reflection gain of the m m m -th RIS element, respectively. For passive RISs, each RIS element comprises an impedance adjustable circuit to vary the phase shift [19]. Thus, passive RISs are capable of reflecting the incident signal 2 ^{2} 2 without consuming direct-current (DC) power, which leads to a reflection gain of ∣ w m ∣ 2 = 1 \left|w_{m}\right|^{2}=1 wm2=1 and negligible thermal noise. However, the multiplicative fading effect results in a weak received signal power for the passive RIS reflection link. To address this issue, the authors of [9] and [10] proposed a new active RIS architecture, where each active RIS element includes an active reflection-type amplifier to also amplify the incident signals. Therefore, the corresponding reflection gain is given by 1 ≤ ∣ w m ∣ 2 ≤ a max ⁡ 1 \leq\left|w_{m}\right|^{2} \leq a_{\max } 1wm2amax , where a max ⁡ a_{\max } amax is the maximum amplification gain.

The BS transmits K K K data symbols collected in vector s = [ s 1 , ⋯   , s K ] T ∈ C K × 1 \mathbf{s}=\left[s_{1}, \cdots, s_{K}\right]^{\mathrm{T}} \in \mathbb{C}^{K \times 1} s=[s1,,sK]TCK×1 to the users by applying precoder matrix F = [ f 1 , ⋯   , f K ] ∈ C N × K \mathbf{F}=\left[\mathbf{f}_{1}, \cdots, \mathbf{f}_{K}\right] \in \mathbb{C}^{N \times K} F=[f1,,fK]CN×K . Assuming independent complex Gaussian signals with E [ s s H ] = I N \mathbb{E}\left[\mathbf{s s}^{\mathrm{H}}\right]=\mathbf{I}_{N} E[ssH]=IN , the BS transmit power is given by E { ∥ F s ∥ 2 2 } = ∥ F ∥ F 2 ≤ P N \mathbb{E}\left\{\|\mathbf{F s}\|_{2}^{2}\right\}=\|\mathbf{F}\|_{F}^{2} \leq P_{N} E{Fs22}=FF2PN , where P N P_{N} PN is the BS transmit power budget. Denote by H d r ∈ C M × N \mathbf{H}_{\mathrm{dr}} \in \mathbb{C}^{M \times N} HdrCM×N the channel from the BS to the RIS, and by h k ∈ C N × 1 \mathbf{h}_{k} \in \mathbb{C}^{N \times 1} hkCN×1 and h r , k ∈ C M × 1 \mathbf{h}_{\mathrm{r}, k} \in \mathbb{C}^{M \times 1} hr,kCM×1 the channels from user k k k to the BS and to the RIS, respectively. Then, the signal received by user k k k is given by

y k = h k H F s + h r , k H Λ w ( H d r F s + z ) + n k = ( h k H + h r , k H Λ w H d r ) F s + h r , k H Λ w z + n k , \begin{aligned} y_{k} & =\mathbf{h}_{k}^{\mathrm{H}} \mathbf{F} \mathbf{s}+\mathbf{h}_{\mathrm{r}, k}^{\mathrm{H}} \boldsymbol{\Lambda}_{\mathbf{w}}\left(\mathbf{H}_{\mathrm{dr}} \mathbf{F} \mathbf{s}+\mathbf{z}\right)+n_{k} \\ & =\left(\mathbf{h}_{k}^{\mathrm{H}}+\mathbf{h}_{\mathrm{r}, k}^{\mathrm{H}} \boldsymbol{\Lambda}_{\mathbf{w}} \mathbf{H}_{\mathrm{dr}}\right) \mathbf{F} \mathbf{s}+\mathbf{h}_{\mathrm{r}, k}^{\mathrm{H}} \boldsymbol{\Lambda}_{\mathbf{w}} \mathbf{z}+n_{k}, \end{aligned} yk=hkHFs+hr,kHΛw(HdrFs+z)+nk=(hkH+hr,kHΛwHdr)Fs+hr,kHΛwz+nk,

where n k n_{k} nk and z \mathbf{z} z are the zero-mean additive white Gaussian noise (AWGN) at the user and the RIS, respectively, which follow distributions n k ∼ CN ⁡ ( 0 , σ k 2 ) n_{k} \sim \operatorname{CN}\left(0, \sigma_{k}^{2}\right) nkCN(0,σk2) and z ∼ CN ⁡ ( 0 , σ z 2 I M ) \mathbf{z} \sim \operatorname{CN}\left(\mathbf{0}, \sigma_{z}^{2} \mathbf{I}_{M}\right) zCN(0,σz2IM) with noise powers σ k 2 \sigma_{k}^{2} σk2 and σ z 2 \sigma_{z}^{2} σz2 , respectively. Notice that the thermal noise z \mathbf{z} z , which can be ignored in passive RIS-aided systems, has to be considered in active RIS-aided systems because of the amplification. The transmit power of the active RIS is given by

E { ∥ Λ w ( H d r F s + z ) ∥ 2 2 } = ∥ Λ w H d r F ∥ F 2 + ∥ w ∥ 2 2 σ z 2 , \mathbb{E}\left\{\left\|\boldsymbol{\Lambda}_{\mathbf{w}}\left(\mathbf{H}_{\mathrm{dr}} \mathbf{F} \mathbf{s}+\mathbf{z}\right)\right\|_{2}^{2}\right\}=\left\|\boldsymbol{\Lambda}_{\mathbf{w}} \mathbf{H}_{\mathrm{dr}} \mathbf{F}\right\|_{F}^{2}+\|\mathbf{w}\|_{2}^{2} \sigma_{z}^{2}, E{Λw(HdrFs+z)22}=ΛwHdrFF2+w22σz2,

where w = [ w 1 , ⋯   , w M ] H \mathbf{w}=\left[w_{1}, \cdots, w_{M}\right]^{\mathrm{H}} w=[w1,,wM]H . Furthermore, the achievable rate of user k k k is given by

R k ( F , w ) = log ⁡ 2 ( 1 + 1 I N k ∣ ( h k H + h r , k H Λ w H d r ) f k ∣ 2 ) R_{k}(\mathbf{F}, \mathbf{w})=\log _{2}\left(1+\frac{1}{\mathrm{IN}_{k}}\left|\left(\mathbf{h}_{k}^{\mathrm{H}}+\mathbf{h}_{\mathrm{r}, k}^{\mathrm{H}} \mathbf{\Lambda}_{\mathbf{w}} \mathbf{H}_{\mathrm{dr}}\right) \mathbf{f}_{k}\right|^{2}\right) Rk(F,w)=log2(1+INk1 (hkH+hr,kHΛwHdr)fk 2)

where I N k = ∑ i = 1 , i ≠ k K ∣ ( h k H + h r , k H Λ w H d r ) f i ∣ 2 + σ k 2 + ∥ h r , k H Λ w ∥ 2 2 σ z 2 \mathrm{IN}_{k}=\sum_{i=1, i \neq k}^{K}\left|\left(\mathbf{h}_{k}^{\mathrm{H}}+\mathbf{h}_{\mathrm{r}, k}^{\mathrm{H}} \boldsymbol{\Lambda}_{\mathbf{w}} \mathbf{H}_{\mathrm{dr}}\right) \mathbf{f}_{i}\right|^{2}+\sigma_{k}^{2}+ \left\|\mathbf{h}_{\mathrm{r}, k}^{\mathrm{H}} \boldsymbol{\Lambda}_{\mathbf{w}}\right\|_{2}^{2} \sigma_{z}^{2} INk=i=1,i=kK (hkH+hr,kHΛwHdr)fi 2+σk2+ hr,kHΛw 22σz2 .

Hybrid active and passive IRS

统计信道状态信息和worst case信道状态信息有何区别。

为了解决上述问题,最近提出了一种新型 IRS,称为主动 IRS(参见[20]-[24])。具体地,有源IRS包括多个有源反射元件,每个有源反射元件配备有有源负载(或称为负电阻),例如隧道二极管和负阻抗转换器。如图 1(b)所示,每个有源负载都连接到一个附加电源以进行信号放大[25]、[26]。因此,有源 IRS 不仅能够像无源 IRS 一样实现可调节的相移,而且还允许在全双工模式下对入射信号进行幅度放大(即大于 1),尽管其硬件和能源成本比无源 IRS 稍高一些 [21]。另一方面,与将射频链连接到天线的有源中继相比,有源 IRS 不需要昂贵且耗电的射频链组件 [27]。最近的文献研究了主动式 IRS 和被动式 IRS 之间的性能比较。例如,给定主动 IRS 位置和功率预算,事实证明,主动 IRS 可以比被动 IRS 实现更高的频谱效率 [21]、[28]、能源效率 [24] 和可靠性 [29]。此外,[23] 中的作者进一步优化了被动和主动 IRS 辅助系统的 IRS 放置,以实现速率最大化。结果表明,当反射元件数量较大和/或有源元件放大功率较小时,无源 IRS 通过各自的优化放置实现了比有源 IRS 更高的速率性能。此外,[22]中的作者考虑了无源和有源IRS辅助系统相同的功率预算约束,其中在有源IRS的情况下,同时考虑了基站(BS)的发射功率和有源IRS的放大功率。结果表明,只有当反射元件的数量很少和/或有源IRS的放大功率足够大时,有源IRS才优于无源IRS。

总而言之,现有的 IRS 工作表明,被动 IRS 和主动 IRS 具有互补优势。具体来说,无源 IRS 比有源 IRS 具有更高的渐近波束形成增益(即 O(N2) 与 O(N)),因此当反射元件数量 N 较大时更有吸引力 [21]、[23]。相比之下,有源 IRS 提供额外的功率放大增益,当 N 相对较小时,这会导致比无源 IRS 高得多的信噪比 (SNR) [25]、[30]、[31]。此外,主动IRS通常比被动IRS产生更高的成本和功耗。因此,这些表明,给定IRS部署成本的总预算(或者等效地要部署的有源/无源反射元件的数量),仅具有无源或有源元件的传统IRS架构可能无法实现最佳通信性能。

受上述启发,我们在本文中提出了一种新的混合主动-被动IRS2架构,如图1(c)所示,以实现被动和主动IRS的优点,进一步提高比单独使用主动或被动IRS的性能。具体来说,混合IRS由两个位于同一位置的子表面组成,每个子表面分别由一定数量的无源和有源反射元件组成。

为了实现最佳性能,我们在给定的部署预算下设计了混合IRS的有源与无源反射元件分配,以最佳平衡有源IRS独特的功率放大增益和无源IRS比有源IRS更高的波束成形增益之间的权衡。为此,我们考虑如图 2 所示的混合主动-被动 IRS 辅助多用户通信系统,其中 BS 向用户集群传输独立数据。混合IRS被正确地部署在该用户集群的边缘,以在不同的时隙为其半空间反射区域中的用户提供服务。我们根据实际模型考虑混合 IRS 的给定部署预算,以及每个有源和无源元件的不同成本,其中有源元件通常比无源元件产生更高的成本3。为了减少实时信道估计开销并避免频繁的 IRS 反射调整,我们考虑一种实用的方法,即仅基于统计信道状态信息(CSI)设计混合 IRS 波束成形,假设实际的莱斯衰落信道模型(即仅假设信道路径损耗参数和莱斯衰落因子已知),而不需要了解所有相关链路的瞬时 CSI。下面,我们总结了本文的主要贡献。

在这里插入图片描述

从已有passive IRS算法拓展到active IRS算法

不需要考虑原来的被动相位约束,需要新增加Active IRS的发射功率约束。
passive IRS可以视为Active IRS的特例

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1353206.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

centos7 ping不通域名

如果ip能ping通,ping不通域名可以试试以下操作: 1.编辑resolv.conf文件 vi /etc/resolv.conf 添加 nameserver 8.8.8.8 2.编辑nsswitch.conf vi /etc/nsswitch.conf 改成下图所示: 3.编辑sysctl.conf vi /etc/sysctl.conf 加上两行内…

爬虫如何获取免费代理IP(二)

89ip代理爬取代码实现 一、代码实现 import requests import time import random from fake_useragent import UserAgent from lxml import etree import os import csv""" 89ip代理爬取 """class IPSipder(object):def __init__(self):self.u…

rime中州韵小狼毫 inputShow lua Translator 输入字符透传翻译器

在 rime中州韵小狼毫 help lua Translator 中我们分享了如何使用 lua 脚本定义一个 translator,并以 五笔・拼音 为例引用了该 translator,并且达到了预期的效果。 今天,我们继续通过 lua 脚本为 rime中州韵/小狼毫 输入法打造一个 translat…

【Linux Shell】1. Shell 简述

文章目录 【 1. Shell 解释器、Shell语言、Shell脚本 】【 2. Shell 环境 】【 3. 一个简单的 Shell 脚本 】3.1 Shell 脚本的编写3.2 Shell 脚本的运行3.2.1 作为可执行程序运行 Shell 脚本3.2.2 作为解释器参数运行 Shell 脚本 【 1. Shell 解释器、Shell语言、Shell脚本 】 …

C++学习(二)

我们是在学习过了C语言,基础上来看这篇文章的,如果你是直接学C,这篇文章不太适合你的,因为这里只讲C基础中与C语言不同之处。 一.main函数区别 在C语言中,我们写main函数是不是可以省略前面的int,但是在C中&#xff…

React(2): 使用 html2canvas 生成图片

使用 html2canvas 生成图片 需求 将所需的内容生成图片div 中包括 svg 等 前置准备 "react": "^18.2.0","react-dom": "^18.2.0","html2canvas": "^1.4.1",实现 <div ref{payRef}></div>const pa…

Character Controller Smooth

流畅的角色控制器 Unity的FPS解决方案&#xff01; 它是一种具有非常平滑运动和多种设置的解决方案&#xff1a; - 移动和跳跃 - 坐的能力 - 侧翻角度 - 不平整表面的处理 - 惯性守恒 - 重力 - 与物理物体的碰撞。 - 支持没有家长控制的平台 此解决方案适用于那些需要角色控制器…

Spring Boot 整合 MinIO自建对象存储服务

GitHub 地址&#xff1a;GitHub - minio/minio: The Object Store for AI Data Infrastructure 另外&#xff0c;MinIO 可以用来作为云原生应用的主要存储服务&#xff0c;因为云原生应用往往需要更高的吞吐量和更低的延迟&#xff0c;而这些都是 MinIO 的优势。安装过程跳过。…

(七)独立按键

文章目录 独立按键原理图三行代码法简单概述代码书写键码推算如何使用短按键长按键 状态机法简单概述代码书写键码推算如何使用短按键长按键 现象 独立按键原理图 三行代码法 简单概述 代码书写 u8 Trg 0x00;//短按键 u8 Cont 0x00;//长按键 void BtnThree(void) {u8 reada…

李沐机器学习系列2--- mlp

1 Introduction LP中有一个很强的假设&#xff0c;输入和输出是线性关系&#xff0c;这一般是不符合事实的。 通过几何的方式去对信息进行理解和压缩是比较高效的&#xff0c;MLP可以表示成下面的形式。 1.1 从线性到非线性 X ∈ R n d X \in R^{n \times d} X∈Rnd表示输入…

2023-12-26分割回文串和子集以及子集II

131. 分割回文串 思想&#xff1a;回溯三步骤&#xff01;① 传入参数 ② 回溯结束条件 ③ 单层搜索逻辑&#xff01;抽象成回溯树&#xff0c;树枝上是每次从头部穷举切分出的子串&#xff0c;节点上是待切分的剩余字符串【从头开始每次往后加一】 class Solution:def partiti…

基于混合蛙跳算法优化的Elman神经网络数据预测 - 附代码

基于混合蛙跳算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于混合蛙跳算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于混合蛙跳优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&…

ChatGPT持续火热,OpenAI年收入突破16亿美元

著名科技媒体The Information消息&#xff0c;由于OpenAI的ChatGPT等产品实现强劲增长&#xff0c;其年收入将突破16亿美元。 这主要得益于OpenAI在2023年发布了一系列重磅产品&#xff0c;包括GPT-4、ChatGPT企业版、GPT-4 Turbo、DALLE 3、苹果/安卓应用、自定义GPTs、Assis…

测试人必看,看完必会的fiddler抓包,抓包抓的好........

&#x1f4e2;专注于分享软件测试干货内容&#xff0c;欢迎点赞 &#x1f44d; 收藏 ⭐留言 &#x1f4dd; 如有错误敬请指正&#xff01;&#x1f4e2;交流讨论&#xff1a;欢迎加入我们一起学习&#xff01;&#x1f4e2;资源分享&#xff1a;耗时200小时精选的「软件测试」资…

ELF文件信息一览

准备开个专栏&#xff0c;记录《从零开始实现链接器》的学习过程&#xff0c;先占个坑。 之前一直想把自己的学习过程记录在个人博客网站上&#xff0c;但这个要自己维护&#xff0c;上传图片什么的比较麻烦。关键是没有人互动&#xff0c;自己也没有怎么去看&#xff0c;慢慢的…

麒麟云增加计算节点

一、安装基座系统并配置好各项设置 追加的计算节点服务器&#xff0c;安装好系统&#xff0c;把主机名、网络网线&#xff08;网线要和其他网线插的位置一样&#xff09;、hosts这些配置好&#xff0c;在所有节点的/etc/hosts里面添加信息 在控制节点添加/kylincloud/multinod…

解决Redis序列化乱码问题

如果我们使用原生的JDK序列化&#xff0c;那么当我们将数据存储到Redis中就会出现乱码的情况 为了解决这个问题我们需要重写RedisTemplate从而解决序列化乱码问题 首先在Maven中引入相应的依赖 <dependency> <groupId>com.fasterxml.jackson.core</group…

交换机01_以太网

1、交换机工作原理 交换机是数据链路层的设备&#xff0c;数据链路层传输的是数据帧&#xff0c;所以封装的是MAC头部&#xff08;主要有源MAC地址和目的MAC地址&#xff09; 2、数据链路层的功能&#xff1a; 建立逻辑连接&#xff0c;进行物理地址寻址&#xff0c;差错校验…

CMake入门教程【核心篇】安装(install)

&#x1f608;「CSDN主页」&#xff1a;传送门 &#x1f608;「Bilibil首页」&#xff1a;传送门 &#x1f608;「本文的内容」&#xff1a;CMake入门教程 &#x1f608;「动动你的小手」&#xff1a;点赞&#x1f44d;收藏⭐️评论&#x1f4dd; 文章目录 1. 概述2. 使用方法2…

基于头脑风暴算法优化的Elman神经网络数据预测 - 附代码

基于头脑风暴算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于头脑风暴算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于头脑风暴优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&…