Contrôle de la qualité de service en cas de CSI parfait et imparfait dans les systèmes de communication multigroupe à diffusion multiple assistée par surface réfléchissante intelligente

Pour répondre à l’explosion de la demande d’applications à forte intensité de données, l’amélioration de la capacité de transmission sans fil est devenue cruciale pour les réseaux d’aujourd’hui. Cet article se concentre sur l’amélioration de la qualité de service (QoS) et de la satisfaction des utilisateurs dans les systèmes multigroupes de multidiffusion assistés par surface réfléchissante intelligente (IRS) en gérant les données effectivement transmises au lieu d’envoyer toutes les données sources. L’un des principaux défis de ce problème consiste à déterminer la capacité ergodique lorsque la distribution signal-bruit-plus-interférence (SINR) dans les systèmes sans fil assistés par IRS est très compliquée. Pour résoudre ce problème, nous proposons un cadre basé sur un réseau neuronal profond (DNN) pour prédire avec précision la capacité à long terme du réseau. Nous adaptons des techniques bien connues de forçage par le zéro (ZF) et de diagonalisation par blocs (BD) pour obtenir des solutions efficaces et sûres dans les systèmes multi-groupes à diffusion multiple assistés par l’IRS. En outre, nous considérons le système en cas d’informations imparfaites sur l’état du canal (CSI). En adoptant l’estimation du canal en trois phases, nous proposons un cadre d’apprentissage en deux étapes pour améliorer la précision du canal estimé. Sur la base des résultats prédits, nous étudions des algorithmes d’ajustement pour s’adapter aux changements environnementaux, augmentant ainsi la qualité de service reçue et la satisfaction de l’utilisateur. Nos résultats numériques confirment l’efficacité de la conception proposée, l’erreur d’estimation du canal étant nettement inférieure à celle de l’algorithme d’estimation du canal à trois phases utilisé dans la littérature.