Gelecek nesil kablosuz sistemler için rıs tanımlama ve kullanıcı konumlandırmaya yönelik özgün uygulamalar

Yeniden yapılandırılabilir akıllı yüzey (RIS) destekli haberleşme, kablosuz yayılma ortamını dinamik olarak şekillendirme konusundaki benzeri görülmemiş yeteneği nedeniyle yeni nesil kablosuz ağlar için umut verici fiziksel katman teknolojilerden biridir. Mevcut RIS literatüründe, baz istasyonu (BS)-RIS ve kullanıcı ekipmanı (UE)-RIS bağlantılarının her zaman mevcut olduğu varsayılmaktadır. Ancak, UE'lerin mobil olma durumu ve/veya engeller nedeniyle bu bağlantılar anlık olarak ortaya çıkıp kaybolabilir. Bu nedenle, BS'nin UE'ye hizmet vermek için RIS faz kaymalarını optimize etmeye başlamadan önce hangi RIS veya RIS'ler üzerinden UE-RIS-BS bağlantısının var olduğunu bilmesi gerekir. Bölüm 3 ve 4, bu kritik ihtiyacı karşılamak ve RIS destekli sistemlerde kaynak tahsisini iyileştirmek için iki yeni yöntem önermektedir. Bölüm 3 ve 4, bu kritik ihtiyacı karşılamak ve RIS destekli sistemlerde kaynak tahsisini iyileştirmek için iki özgün yöntem önermektedir. Bölüm 3'te, ilk olarak BS'nin belirli bir UE tarafından erişilebilen RIS'leri (UE-RIS-BS bağlantısı mevcut olanları) tespit edip benzersiz şekilde tanımlamayı hedeflediği özgün bir sistem düzeyi problem tanıtılmaktadır. Sonrasında, bu probleme çözüm olarak, RIS, UE veya BS tarafında herhangi bir donanım değişikliği gerektirmeden, BS'nin UE'leri erişilebilir RIS'lerle belirli bir zaman aralığında eşleştirmesini sağlayan özgün bir RIS tespit ve tanımlama (RIS-ID) şeması önerilmektedir. RIS-ID şeması, RIS üzerindeki faz değişimlerinden yararlanarak ikili faz kaymalı anahtarlama (BPSK) modülasyonunu kullanmaktadır. Erişilebilir RIS'ler, kendilerine özgü faz kayması yansıma desenlerini (PSRP), UE tarafından iletilen modülasyonsuz taşıyıcı sinyal üzerine kodlar. Baz istasyonu daha sonra, alınan sinyal ile olası erişilebilir RIS'lerin PSRP'leri arasındaki korelasyonu değerlendirerek ilgili RIS'in UE tarafından erişilebilir olup olmadığını belirler. Önerilen RIS-ID şemasını değerlendirmek için, ana performans ölçütleri olarak yanlış ve kaçırma tespit olasılıkları analitik olarak elde edilmiştir. Bu olasılıklar, bilgisayar simülasyonları aracılığıyla doğrulanmış ve önerilen RIS-ID şemasının çeşitli çalışma senaryolarında etkinliğini göstermiştir. Bölüm 4'te, RIS-ID şeması için yeni ve daha basit bir modülasyon yöntemi önerilmiştir. Bu yöntemde, erişilebilir RIS'ler, yüzeylerine çarpan sinyali, RIS elemanlarındaki genlik-faz korelasyonundan faydalanarak yansıyan sinyallerin genliğini değiştirerek modüle ederler. Önerilen yöntemin geçerliliği, çeşitli çalışma senaryoları ve sistem yapılandırmaları altında gerçek ortamda kurulan bir deneysel düzenekle test edilmiştir. Geleneksel parmak izi tabanlı konumlama teknikleri genellikle birden fazla erişim noktasından (AP) alınan ölçümlere dayanır; bu durum kurulum maliyetlerini ve altyapı gereksinimlerini artırır. Son zamanlarda, parmak izi çeşitliliğini artırarak daha az sayıda AP ile güvenilir konumlama yapılabilmesini sağlamak amacıyla RIS'ler potansiyel bir çözüm olarak önerilmiştir. Ancak, mevcut birçok RIS tabanlı yöntem, faz kaymalarının optimize edilmesine bağlıdır; bu da bu yöntemlerin gerçek dünya uygulamalarında kullanılabilirliğini sınırlamaktadır. Bu sınırlamayı ele almak amacıyla, Bölüm 5'te, hem birden fazla AP'ye hem de RIS faz kayması optimizasyonuna ihtiyaç duymayan yeni bir RIS destekli parmak izi tabanlı konumlandırma yöntemi önerilmiştir. Önerilen yöntemde, birden fazla RIS, bir radyo frekansı (RF) kaynağından iletilen modüle edilmemiş sinyali kendi benzersiz PSRP'lerini kullanarak yansıtır. Bu modüle edilmiş yansımalar, kullanıcı ekipmanının (UE) alınan sinyali RIS'lerin bilinen PSRP'leriyle ilişkilendirerek konuma özgü parmak izi özelliklerini çıkarmasını sağlar. Çevrimdışı safhasında, önceden tanımlanmış referans noktalarındaki tüm RIS'lere karşılık gelen korelasyon metrikleri kaydedilerek bir parmak izi veri tabanı oluşturulur. Çevrimiçi safhasında ise, UE bilinmeyen konumunda korelasyon metriklerini hesaplar, bunları parmak izi veri tabanıyla karşılaştırır ve konumunu tahmin etmek için ağırlıklı k-en yakın komşu (KNN) algoritmasını kullanır. Bilgisayar simülasyonu sonuçları, önerilen yöntemin makul iletim gücü koşullarında bile metrenin altı düzeyde konumlandırma doğruluğu sağlayabildiğini doğrulamıştır.