在基于RIS（Ranging and Identification System）的通信系统中，用于码本配置的隐式神经表示

《IEEE Transactions on Cognitive Communications and Networking》：Implicit Neural Representations for Codebook Configuration in RIS-aided Communication Systems

可重构智能表面（RIS）作为6G通信关键技术，本文提出隐式神经表示（INRs）方法解决连续相位和1位RIS的代码本配置问题。通过电磁波传播机理建立用户坐标与最优代码本的隐式关系，避免显式信道模型依赖。创新性采用相位归一化技术处理连续相位RIS的周期性和全局相位偏移问题，针对1位RIS设计降维编码策略提升学习效率。实验表明该方法在模拟和真实数据集上均显著优于传统方法。

　　

摘要：

可重构智能表面（RIS）被视为6G无线通信的一项关键技术。通过配置反射波束成形码本，RIS可以将信号聚焦到目标接收器上，从而增强信号强度。在本文中，我们研究了连续相位和1比特RIS辅助通信系统的码本配置问题。我们从电磁波传播机制的角度出发，建立了用户坐标与最优码本之间的隐式关系，并提出了一种基于学习的方法——隐式神经表示（INRs），来解决这种坐标到码本的映射问题。我们的方法仅需要用户坐标，无需依赖显式的信道模型。对于连续相位RIS，我们引入了一种相位归一化技术，以解决相位表示中固有的周期性和全局相位偏移问题。此外，在实际的1比特RIS场景中，我们将码本配置问题表述为一个多标签分类问题，并提出了一种编码策略来降低码本维度，从而提高学习效率。来自模拟和真实世界数据集的实验结果证明了我们统一方法在连续相位和1比特码本配置下的显著优势。数据集和代码可在以下链接获取：https://github.com/HUSTGSNeRF/Codebook_Inr。