衰弱信道下基于强化学习的背向反射通信速率最大化研究.pdf

衰弱信道下基于强化学习的背向反射通信速率最大化研究 摘 要 射频识别技术是实现物联网的关键技术，它是一种自动识别的技术，能利用射频信 号实现无接触的信息传递，达到物体识别的目的。但近些年来，随着人们对物联网迫切 需求的不断升级，射频识别技术要广泛应用于物联网还存在诸多的局限性，如对于传统 的无源标签，其通信距离太短，并且需要有专门的阅读器来辅助通信，不具有足够的便 携性；对于有源标签，电池使得标签的体积和重量大大增加，并且制作成本和定期维护 电池的成本也都比较昂贵等诸多问题。而环境背向反射技术，是从射频识别技术中衍生 发展出来的一项新技术，也是近几年出现的一种新型通信方式。 具体而言，环境背向反射通信能够使得无线设备在不需要有源无线电传输的情况下 进行通信。它能够利用周围环境中存在的射频信号，如 Wi-Fi 信号，广播信号等，射频 标签把这些信号作为载波来实现传输自己的信息。在环境背向反射通信系统中，无线设 备在反射射频信号和吸收射频能量模式之间切换。所获取的能量用于为设备操作供电， 例如，电路功耗和信号感知操作。这项技术非常具有吸引力，可以在一定程度上解决物 联网中传统有源和无源标签的技术限制，使得轻便的计算通信设备可以低成本地嵌入到 日常用品中，在物联网时代具有广泛的应用前景。 通常，信号源、无线信道都具有不确定性，背向反射设备所感知到环境中的载波信 号的强度也不可控且具有很强的随机性，这些都会大大影响环境背向反射通信的质量。 本文搭建了背向反射通信系统模型，将标签的多阶段模式选择问题建模成多阶段的马尔 科夫决策过程，并详细地推导了接收端处的误码率情况。在给定信道分布的情况下，本 文出通过值迭代算法来获得最优模式策略，其实现的通信速率性能作为理论极限。当 我们无法准确估计信道分布，本文出利用 Q 学习算法能够通过与环境的重复交互来 探索出次优策略。最后，仿真结果表明 Q 学习算法可以逐渐逼近值迭代算法的理论通 信速率极限，并且这俩种算法的性能均明显优于其他代表性的基准方法。 关键字：物联网; 环境背向反射通信; 射频识别; 强化学习 I Research on Maximization of Backscatter Communication Rate Based on Reinforcement Learning in Fading Channels Abstract Radio frequency identification technology is the key technology to realize the Internet of Things. It is an automatic identification technology that can realize the contactless information transmission by using radio frequency signals to achieve object recognition. However, in recent years, as peoples urgent need for the Internet of Things continues to escalate, there are still many limitations to the widespread use of RFID technology in the Internet of Things. For traditional passive tags, the communication distance is too short and needs to be A specialized reader to assist communication does not have suff