Estimación del Canal de Enlace Descendente Basada en Aprendizaje Automático Distribuido para Comunicaciones Inalámbricas Asistidas por Superficies Inteligentes Reconfigurables

La estimación del canal de enlace descendente requiere un gran esfuerzo de piloto en el sistema de comunicación asistido por superficies inteligentes reconfigurables (RIS). Al aprovechar la poderosa capacidad de aprendizaje de la red neuronal, se puede utilizar la técnica de aprendizaje automático (ML) para estimar el canal de alta dimensión a partir de algunas señales piloto recibidas en el usuario. Sin embargo, dado que el conjunto de datos de entrenamiento recopilado por el único usuario solo contiene la información de parte de los escenarios de canal de una celda, la red neuronal entrenada por el único usuario no puede funcionar cuando el usuario se mueve de un escenario de canal a otro. Para resolver este desafío, proponemos aprovechar la técnica de aprendizaje automático distribuido (DML) para permitir la estimación confiable del canal de enlace descendente. Específicamente, primero construimos una red neuronal de estimación del canal de enlace descendente compartida por todos los usuarios, que puede ser entrenada de manera colaborativa por la BS y los usuarios con la ayuda de la técnica DML. Luego, proponemos una arquitectura de red neuronal jerárquica para mejorar la precisión de la estimación del canal, que puede extraer diferentes características del canal para diferentes escenarios de canal. Los resultados de simulación muestran que, en comparación con la red neuronal entrenada por el único usuario, las redes neuronales basadas en DML propuestas pueden lograr un mejor rendimiento de estimación con la reducción del esfuerzo de piloto para todos los usuarios de diferentes escenarios.