31788

حداكثر سازي نرخ مجموع با يادگيري تقويتي در سيستم مخابراتي بيسيم MISO با IRS فعال

كارشناسي ارشد

مهندسي برق

1400

1403/07/10

ابوالفضل فلاحتي

ندارم

مهندسي برق

سطح بازتابي هوشمند كه سطح هوشمند قابل بازآرايي نيز ناميده مي شود، يك تكنولوژي جديد براي بهبود عملكرد سيستم هاي مخابراتي پسا نسل پنجم تلفن همراه مي باشد كه از تعداد زيادي عنصر كوچك و كم هزينه كه قادر به بازتاب امواج برخورد كننده به خود هستند تشكيل شده است. عناصري كه در IRS وجود دارند غير فعال هستند به اين معنا كه موج را بدون تقويت و فقط با توانايي تغيير فاز، بازتاب مي كنند. عدم تقويت توان موج، عامل بوجود آمدن مشكلي با نام محو شدگي دو مسيره شده كه موجب محو شديد سيگنال ارسالي خواهد شد. به تازگي نوع جديدي از سطوح بازتابي هوشمند معرفي شده است كه علاوه بر تغيير فاز، قابليت تقويت توان سيگنال را نيز دارا مي باشند. اين ويژگي موجب غلبه بر محو شدگي دو مسيره و مشكلات حاصل از آن خواهد شد. سطح فعال در مقايسه با سطوح غير فعال توان بيشتري مصرف كرده، اما برخلاف تقويت كننده هاي رايج، از حلقه RF استفاده نمي كند و درنتيجه ميتواند جايگزين مناسبي براي سطح غيرفعال باشد. هدف اين پايان نامه مقايسه سطوح فعال با سطوح غير فعال رايج در شرايطي نزديك به واقعيت بر مبناي يادگيري تقويتي عميق بعنوان شاخهاي از يادگيري ماشين ميباشد. در ابتدا مسئله اي با هدف بيشينه سازي نرخ مجموع يك سيستم چندكاربره و MISO در حضور يك سطح بازتابي فعال بررسي خواهد شد. سپس با كمك الگوريتم DDPG بعنوان عامل يادگيري تقويتي، اين مسئله بصورت پيوسته حل خواهد شد و در ادامه تغييراتي بر روي همين مدل براي حل مسئله بصورت گسسته، اعمال ميشود. نتايج حاصل شده نشان دهنده افت عملكرد شديد سطح فعال گسسته، در برابر سطح فعال پيوسته ميباشد. بطوريكه با افزايش تعداد عناصر سطح گسسته، عملكرد آن از سطح غيرفعال نيز پايين تر خواهد آمد. همچنين ثابت ميشود كه روش پيشنهادي نسبت به روش هاي كلاسيك موجود در حالت پيوسته و گسسته، پيچيدگي محاسباتي بسيار كمتري خواهد داشت.

1403/09/24

Sum-Rate Maximization for Active IRS in MISO wireless communication System using Reinforcement Learning

10/1/2025 12:00:00 AM

The Intelligent reflecting surface, which is also called the reconfigurable Intelligent surface, is a new technology to improve the performance of beyond-5th generation mobile phone telecommunication systems, which consists of a large number of small and low-cost elements that are able to reflect the waves that hit them. The elements present in the IRS are passive in the sense that they reflect the wave without amplification and only with the ability to change the phase. Failure to amplify the wave power causes a problem called double path fading, which will cause a severe fading of the transmitted signal. Recently, a new type of Intelligent reflective surfaces has been introduced, which, in addition to changing the phase, also have the ability to amplify the signal power. This feature will overcome the double path fading and the resulting problems. The active surface consumes more power compared to the passive surfaces, but unlike common amplifiers, it does not use the RF chain, and as a result, it can be a good substitute for the passive surface. The purpose of this thesis is to compare active surfaces with common passive surfaces in conditions close to reality based on deep reinforcement learning as a branch of machine learning. First, a problem with the aim of maximizing the sum rate of a multi-user and MISO system in the presence of an active reflective surface will be investigated. Then, with the help of the DDPG algorithm as a reinforcement learning agent, this problem will be solved continuously, and further changes will be applied to this model to solve the problem discretely. The obtained results show a severe performance drop of the discrete active surface compared to the continuous active surface. As the number of elements of the discrete surface increases, its performance will be lower than that of the passive surface. It is also proven that the proposed method will have much less computational complexity than the existing classical methods in continuous and discrete mode.

سطح بازتابي هوشمند , سطح بازتابي هوشمند فعال , يادگيري تقويتي عميق

Intelligent reflecting surface , Active IRS , Deep Reinforcement Learning

Hojjat Javadzadeh

Abolfazl Falahati