Wideband Channel Estimation with Imperfect Hardware for Reconfigurable Intelligent Surfaces

Eren Balevi

Makale detayları

Wideband Channel Estimation with Imperfect Hardware for Reconfigurable Intelligent Surfaces

Yazarlar:

Eren Balevi

Yayıncı:

Cukurova University

Ana Başlıklar:

Elektrik Mühendisliği (Diğer)

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.38 Issue 4, pp.1083-1091

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001307439

pISSN:

2757-9255

Anahtar kelimeler:

Özet:

 Channel estimation is central part of reconfigurable intelligent surface RIS aided communication for active and passive beamforming. The primary challenge behind channel estimate is large dimensionality stemming from not only massive number of RIS elements but also many antennas in base station. Large dimensionality leads to excessive usage of pilot tones for OFDM signals implying high overhead and decreased throughput. To alleviate the high usage of pilots for channel estimation, in this study we propose to have a low complexity transmitter at the RIS simplifed with an aggressive clipping policy and a robust channel estimator against clipping. For robust channel estimation, a generative machine learning model is adapted to exploit prior information to compensate the information loss due to clipping. The simulation results clearly indicate that the proposed estimator has quite a large resiliency for clipped transmitted signals as compared to linear channel estimators.

 Channel estimation is central part of reconfigurable intelligent surface RIS aided communication for active and passive beamforming. The primary challenge behind channel estimate is large dimensionality stemming from not only massive number of RIS elements but also many antennas in base station. Large dimensionality leads to excessive usage of pilot tones for OFDM signals implying high overhead and decreased throughput. To alleviate the high usage of pilots for channel estimation, in this study we propose to have a low complexity transmitter at the RIS simplifed with an aggressive clipping policy and a robust channel estimator against clipping. For robust channel estimation, a generative machine learning model is adapted to exploit prior information to compensate the information loss due to clipping. The simulation results clearly indicate that the proposed estimator has quite a large resiliency for clipped transmitted signals as compared to linear channel estimators.

 Channel estimation is central part of reconfigurable intelligent surface RIS aided communication for active and passive beamforming. The primary challenge behind channel estimate is large dimensionality stemming from not only massive number of RIS elements but also many antennas in base station. Large dimensionality leads to excessive usage of pilot tones for OFDM signals implying high overhead and decreased throughput. To alleviate the high usage of pilots for channel estimation, in this study we propose to have a low complexity transmitter at the RIS simplifed with an aggressive clipping policy and a robust channel estimator against clipping. For robust channel estimation, a generative machine learning model is adapted to exploit prior information to compensate the information loss due to clipping. The simulation results clearly indicate that the proposed estimator has quite a large resiliency for clipped transmitted signals as compared to linear channel estimators.

 Kanal kestirimi, aktif ve pasif huzme oluşturma amaçlı kullanılan yeniden yapılandırılabilir akıllı yüzeyler RIS destekli iletişimin merkezi bir parçasıdır. Kanal kestiriminin arkasındaki temel zorluk, çok fazla RIS öğelerinden ve aynı zamanda baz istasyonundaki birçok antenden kaynaklanan büyük boyutluluktur. Büyük boyutluluk, OFDM sinyalleri için pilot tonların aşırı kullanımına yol açar, bu da fazla ek yük ve azalan veri hızı anlamına gelir. Kanal kestiriminde pilotların fazla kullanımını azaltmak için bu çalışmada, RISde düşük karmaşıklığa sahip bir vericiye sahip olmak için agresif bir kırpma politikası ve kırpmaya karşı dayanıklı bir kanal kestirimi öneriyoruz. Dayanıklı kanal tahmini için, kırpmadan kaynaklanan bilgi kaybını telafi etmek üzere önceki bilgileri kullanan üretken bir makine öğrenimi modeli uyarlanmaktadır. Simülasyon sonuçları, önerilen kanal kestiriminin, doğrusal kanal kestirimleri ile karşılaştırıldığında kırpılmış iletilen sinyaller için oldukça büyük bir esnekliğe sahip olduğunu açıkça göstermektedir.

Makale detayları

Wideband Channel Estimation with Imperfect Hardware for Reconfigurable Intelligent Surfaces

Yazarlar:

Eren Balevi

Yayıncı:

Cukurova University

Ana Başlıklar:

Elektrik Mühendisliği (Diğer)

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.38 Issue 4, pp.1083-1091

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001307439

pISSN:

2757-9255

Channel estimation

Reconfigurable intelligent surface

Machine learning

ClippingKanal kestirimi

Yeniden yapılandırılabilir akıllı yüzeyler

Makine öğrenimi

Kırpma

Sayı

Makale detayları

Yazarlar: Eren Balevi

Yayıncı: Cukurova University

Ana Başlıklar: Elektrik Mühendisliği (Diğer)

Dergi: Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.38 Issue 4, pp.1083-1091

Belge Tipi: Makale

Yayın Tarihi: 12/2023

Belge Dili: İngilizce

Document ID (Org No.): 2001307439

pISSN: 2757-9255

Sayı

Yazarlar:

Eren Balevi

Yayıncı:

Cukurova University

Ana Başlıklar:

Elektrik Mühendisliği (Diğer)

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.38 Issue 4, pp.1083-1091

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001307439

pISSN:

2757-9255