当RIS反射系数得到精确调整时,在可重新配置的智能表面(RISS)中的被动横向形成可以可行,有效的通信方式。在本文中,我们提出了一个框架,以从Terahertz(THZ)通信系统中的时间序列预测的角度进行深入学习,以跟踪RIS反射系数。所提出的框架对类似的学习驱动的框架实现了两步的增强。具体而言,在第一步中,我们训练液态机器(LSM)在先前的时间步长(称为时间序列序列)上跟踪历史RIS反射系数,并预测其即将到来的时间步骤。我们还通过Xavier初始化技术微调了训练的LSM,以降低预测方差,从而导致更高的预测准确性。在第二步中,我们使用集合学习技术,该技术利用多个LSM的预测能力来最大程度地减少预测差异并提高第一步的精度。从数值上证明,在第一步中,采用Xavier初始化技术来微调LSM最多的LSM预测差异最多可使LSM降低26%,并且在现有的对应物中提高了46%可实现的光谱效率(SE),当部署11x11的RIS时。在第二步中,在训练单个LSM的相同计算复杂性下,具有多个LSM的集合学习降低了单个LSM的预测差异高达66%,并最多可提高可实现的SE系统。
translated by 谷歌翻译