【摘 要】在RIS辅助的通信系统中，如何高效获取信道信息来确定最优交互矢量成为了系统面临的难题，尤其当发射机也配有大规模天线阵列时。采用深度学习技术，实现了初始时隙的群体最优天线选择和后续时隙的个体最优天线选择机制。所建议的联合波束预测方法能够将发射机和RIS的天线选择模式，以及联合波束预测网络三方进行联合优化。仿真结果表明，该方法能够通过较少的部分CSI实现高精度的联合波束预测。
【关键词】智能超表面；深度学习；天线选择；波束预测
0 引言
可重构智能超表面（RIS, Reconfigurable Intelligent Surface）技术已被视作第六代移动通信系统（6G, Sixth Generation）的关键技术。通过控制每个RIS元件的幅度和相位，RIS可以操纵输入信号使其传播到指定方向，从而实现可控的电磁传播环境，改善接收信号的质量并提高能量效率[1-3]。不过，随着反射元件数量的增加，信道状态信息的获取将面临巨大的挑战，尤其是当发射机也配备大规模天线阵列时[4]。因此，降低高昂的信道估计开销以获得系统内最优的波束赋形矢量，已经成为了RIS辅助的通信系统的一个热门的研究课题。
借助人工智能（AI, Artificial Intelligence）中的机器学习（ML, Machine Learning）和深度学习（DL, Deep Learning）技术，各种依靠部分信道状态信息（CSI, Channel State Information）来预测目标信道知识的信道预测方案已经被提出并应用在了RIS辅助的通信系统中[5-9]。例如，