CN111817768A - 一种用于智能反射表面无线通信的信道估计方法 - Google Patents

Abstract

本发明公开了一种用于智能反射表面无线通信的信道估计方法。该方法包括：智能表面端接收用户端发送的导频信号进行处理，并通过智能表面端反射将导频信号传输至基站；在智能表面端和基站，分别根据接收的导频信号进行信道估计，获得第一信道估计矩阵，并分别构建增强型深度残差网络，以第一信道估计矩阵作为增强型深度残差网络的输入，以第二信道估计矩阵作为输出进行训练，进而获得信道的精确估计。本发明在降低智能反射表面的接收传感器数量的条件下，基于从用户接收的导频信号来帮助在基站和智能表面端进行信道估计，不仅提高了信道估计的精确度并降低了计算复杂度。

Description

一种用于智能反射表面无线通信的信道估计方法

技术领域

本发明涉及无线通信技术领域，更具体地，涉及一种用于智能反射表面无线通信的信道估计方法。

背景技术

为了满足第五代(5G)无线通信网络的高吞吐量预期，采用大型智能表面(RIS)是提高未来无线系统的覆盖范围和速率的有前途的解决方案。RIS表面包含大量近乎无源的元件，这些元件与入射信号相互作用，通过反射入射信号，提高了无线系统的性能。另外，对于毫米波通信，由于采用毫米波频率信号，其波长较微波更短，基站(BS)和用户设备(UE)都可以配备大规模天线阵列，以获得更高的光谱效率。然而，在RIS上进行信道估计是一个关键的挑战性问题。由于存在大量的RIS元件，如果所有RIS元件都是无源的，进行信道估计将产生巨大的训练开销，而如果RIS元件都是有源的，将导致硬件的复杂性和功耗过高，且所有元件都需要通过全数字或模数混合架构连接至基带。

然而，对于现有技术的信道估计方案，例如最小均方误差估计器，需要很长的导频序列和大规模的信道参数，这对于例如毫米波大规模系统是不可行的。在毫米波大规模系统中具有非常复杂的信道特征，而由于缺乏散射，信道在时域和角度域通常都是稀疏的。在此背景下，利用毫米波信道的稀疏特性，已经引入了很多的基于压缩感知的RIS信道估计方案。但是，由于毫米波信道稀疏模式通常是未知的，因此通过压缩感知技术实现的信道估计在准确性和可靠性等方面还有待提高。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种用于智能反射表面无线通信的信道估计方法，智能反射表面通过有源元件对信号采用增强型深度残差网络进行训练，进而有效获得准确、可靠的信道估计。

本发明提供一种用于智能反射表面无线通信的信道估计方法。该方法包括：

智能表面端接收用户端发送的导频信号进行处理，并通过智能表面端反射将导频信号传输至基站；

在智能表面端和基站，分别根据接收的导频信号进行信道估计，获得第一信道估计矩阵，并分别构建增强型深度残差网络，以所述第一信道估计矩阵作为增强型深度残差网络的输入，以第二信道估计矩阵作为所述增强型深度残差网络输出的目标矩阵进行训练，其中所述第二信道估计矩阵相对于所述第一信道估计矩阵具有更高的分辨率；

在训练过程中，通过前向传递，预测所述增强型深度残差网络的输出，并根据损失函数得到当前循环的损失，以及通过链式法则，根据随机梯度下降算法，将更新的网络参数反向传递至所述增强型深度残差网络，实现网络参数的更新。

在一个实施例中，训练所述增强型深度残差网络的过程包括：

将接收信号组合成一个张量大小为

的矩阵；

通过矩阵变换，将矩阵转化成大小

的所述第一信道估计矩阵Y，并设定所述增强型深度残差网络输出的目标矩阵大小为N_ele×2N_t，N_ele×2N_r；

以所述第一信道矩阵Y作为所述增强型深度残差网络输入，通过训练网络参数W生成所述第二信道估计矩阵H，表示为

其中，k是超分辨率参数为，

N_1T×N_2T＝N_t，对于均匀平面阵列，每k×k个元件有一个有源元件，N_1R和N_2R分别表示智能表面端均匀平面阵列的两个平面维度元件数量，N_1T和N_2T分别代表用户端均匀平面阵列的两个平面维度天线数量，N_r和N_t分别表示发射器和接收器处的天线数量,N_ele表示智能表面端的总单元数。

在一个实施例中，所述损失函数设置为L＝||H'-H||²，H表示当前循环输入的信道矩阵，H′表示预测的输出信道矩阵。

在一个实施例中，所述更新的网络参数表示为：

η表示学习效率，L表示损失，W表示学习到的网络参数。

在一个实施例中，所述增强型深度残差网络包括多个残差块层，每一个残差块层使用多个滤波器以获得多个特征。

与现有技术相比，本发明的优点在于，所提供的信道估计方法，具有高效率、低复杂度以及应用能力强等优势，尤其适用于基于毫米波大规模MIMO信道。本发明提供新型RIS体系结构，在该体系结构中，除了部分有源元件(连接到RIS控制器的基带)之外，所有RIS元件都是无源的。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的用于智能反射表面无线通信的信道估计方法的流程图；

图2是根据本发明一个实施例的增强型深度残差网络的结构示意图；

图3是根据本发明一个实施例的不同分辨率下的归一化平均绝对误差的性能对比示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明实施例中，将信道矩阵视为二维图像，将通过数量受限的RIS有源元件进行信道估计视为超分辨率恢复问题，利用增强型深度残差网络(Enhanced Deep ResidualNetworks for Single Image Super-Resolution，EDSR)从低分辨率图像重构出高分辨率图像，在重构质量和重构速度方面均有显著改善。

参见图1所示，本发明实施例提供的用于智能反射表面无线通信的信道估计方法包括以下步骤：

步骤S110，用户端发送导频信号，通过混合组合矩阵和混合预编码矩阵进行处理，并通过RIS面板的反射，使基站接收到导频信号。

对于基站、用户端和RIS反射面板，以具有混合架构和任意阵列几何结构的典型智能反射面无线通信毫米波大规模MIMO系统为例，其中主径被遮挡。令N_r和N_t分别表示发射器和接收器处的天线数量,N_ele表示RIS的总单元数。

在RIS端接收的上行信号可以表示为:

y_RIS＝h_tPs+n. (1)

基站端接收的上行信号可以表示为：

y_BS＝Qh_rΘh_tPs+n. (2)

其中，混合组合矩阵表示为Q，混合预编码矩阵表示为P，上行导频序列表示为s，高斯白噪声表示为n。在该实施例中，已假设RIS反射相位系数Θ为已知量。h_t表示用户端和RIS之间的信道，h_r表示基站和RIS之间的信道。

信道估计过程是：在RIS端进行h_t的估计，并将h_t通过连接到RIS的控制器传输到基站端，而对h_r的估计方法与估计h_t的方法类似，以估计h_t的方法为参考即可，在本发明中不再赘述。

具体地，用户和RIS之间的信道可表示为：

基站和RIS之间的信道可表示为：

其中l表示第l条多径，L_t表示用户和RIS之间信道的多径数量，L_r表示基站和RIS之间信道的多径数量，z_l表示依赖于距离的路径损耗和阴影衰落。

和

表示第l条路径发送的仰角和方位角，

和

表示第l条路径接收的仰角和方位角。

和

分别表示在用户和RIS之间传输过程中用户和RIS处的导向矢量，

和

分别表示在基站和RIS之间传输过程中基站和RIS处的导向矢量。导向矢量取决于阵列的几何形状。

在不失一般性的情况下，本发明实施例设置信号向量||Ps||²＝1进行信道估计。假设超分辨率参数为k，则

N_1T×N_2T＝N_t，即对于均匀平面阵列(UPAs)，每k×k个元件有一个有源元件，其中N_1R，N_2R分别代表RIS端UPAs两个平面维度元件数量，N_1T和N_2T分别代表用户端UPAs两个平面维度天线数量。

和

可表示为:

其中，d代表天线间距，λ代表波长，

表示克罗内克乘积，T表示转置。

步骤S120，在RIS端采用增强型深度残差网络，从带噪的低分辨率信道矩阵中得到高分辨率信道矩阵。

在本发明实施例中，RIS将接收信号转化为二维图像，采用基于深度学习的超分辨率网络从带噪的低分辨率信道矩阵中得到高分辨率信道矩阵。

具体地，步骤S120包括：

用户与RIS，RIS与基站之间的信道矩阵的张量大小分别为

由于信道矩阵的实部和虚部可以看作是两个独立的矩阵，首先将接收信号y_RIS组合成一个张量大小为

的较大矩阵。经过简单变换，将矩阵转化成大小

的低分辨率信道矩阵Y，目标矩阵的大小为N_ele×2N_t，N_ele×2N_r。增强型深度残差网络(EDSR)以低分辨信道矩阵作为输入，通过训练W生成估计的高分辨率信道H，其中W表示EDSR的网络参数。高分辨率信道H与低分辨率信道矩阵Y之间的映射关系表示为：

优选地，本发明实施例采用EDSR网络，参见图2所示，其包括多个残差块(ResidualBlock)，每个残差块有卷积层和激活层(Relu)构成。

相比于传统的SRResNet，EDSR在网络中删除了批量归一化层。由于批量归一化层对功能进行了归一化，而对功能进行归一化，降低了网络的范围灵活性，因此通过删除批量归一化层可以显著提高重构性能。此外，由于批量归一化层消耗的内存量与卷积层相同，因此删除批量归一化层也能够降低GPU的内存使用量。与SRResNet相比，没有批处理归一化层的基准模型在训练期间可以节省40％的内存使用量，在有限的计算资源下，可以建立一个比常规ResNet结构更大的模型，因此具有更好的性能。

EDSR性能提升最根本的方法是增加参数数量。在卷积神经网络(CNN)中，可以通过堆叠许多层或增加过滤器数量来增强模型性能。具有深度(层数)B和宽度(特征通道数)F的通用CNN架构大致占用具有O(BF²)参数的O(BF)内存。因此，在考虑有限的计算资源时，增加F而不是B可以使模型容量最大化。

在每个残差块中，恒定缩放比例层位于最后的卷积层之后。当使用大量过滤器时，这些模块极大地稳定了训练过程。在测试阶段，该层可以集成到之前的卷积层中，以提高计算效率。该结构类似于SRResNet，但是在残差块之外没有ReLU激活层。

当训练模型的分辨率参数k为×4时，使用预训练的×2网络初始化模型参数。这种预训练策略可以加快训练速度并改善最终性能。

步骤S130，通过前向传递，预测高分辨率信道并根据损失函数得到当前循环的损失。

具体地，步骤S130包括：EDSR采用卷积神经网络架构，其低分辨率信道矩阵作为输入，以高分辨率信道矩阵作为预测结果。通过前向传递，预测高分辨率信道并根据例如损失函数L＝||H'-H||²得到当前循环的损失。

优选的，在EDSR中使用多个滤波器以获得多个特征。捕获具有最大价值的最重要的特征。一个过滤器可以表示为一个特征。一系列3×3卷积的多滤波器组成的残差层构成了整体的卷积神经网络。

步骤S140，通过链式法则，根据随机梯度下降算法，将更新的网络参数反向传递至增强型深度残差网络，实现网络参数的更新。

具体地，步骤S140包括：

通过链式法则，根据SGD(随机梯度下降)算法，将更新的网络参数

反向传递至EDSR的网络，实现网络参数的更新，并再次进行步骤S130。其中η表示学习效率，可根据计算精度和效率设置为合适的值。

例如，当NMSE性能在连续5个epoch内不变后，停止循环。并保存当前循环下的EDSR网络参数。

为理解本发明，以下进一步介绍本发明的验证方法和验证过程。

仍结合图1和图2所示，本发明实施例提供的基于智能反射面无线通信的信道估计方法包括以下步骤。

S1：用户端发送导频信号，通过混合组合矩阵和混合预编码矩阵进行处理，进一步通过RIS面板的反射，使得基站接收到导频信号。

例如，随机分布着1个基站、1个用户和一面RIS反射板，其中主射径被遮挡，用户端发送导频信号，RIS端接收上行信号可以表示为：

y_RIS＝h_tPs+n (8)

其中混合预编码矩阵表示为P，高斯白噪声表示为n，h_t表示用户和RIS之间的信道。在不失一般性的情况下，本发明中使用||Ps||²＝1进行信道估计。

并且用户和RIS之间的信道由以下信道模型给出：

其中l表示第l条多径，L_t表示用户和RIS之间的信道的多径数量，并且z_l表示依赖于距离的路径损耗和阴影。

和

表示第l条路径发送的仰角和方位角，

和

表示第l条路径接收的仰角和方位角。同时

和

分别表示在用户和RIS之间传输过程中用户和RIS处的导向矢量。假设超分辨率参数为k，

N_1T×N_2T＝N_t，其中N_1R，N_2R分别代表RIS端UPAs两个平面维度元件数量，N_1T和N_2T分别代表用户端UPAs两个平面维度天线数量。对于均匀平面阵列(UPAs)，则每k×k个元件有一个有源元件。

和

由下式给出:

S2：在RIS端将接收信号转化为低分辨率信道矩阵。作为二维图像，可以将问题视为超分辨率图像重构模型，从噪声观察中恢复高分辨率的图像。接收信道矩阵的张量大小为

将接收信道矩阵y_RIS组合成一个张量大小为

的较大矩阵。经过简单变换，将矩阵转化成大小

的低分辨率信道矩阵Y。

将低分辨信道矩阵Y作为输入，通过训练EDSR网络，生成估计的高分辨率信道，其中W表示的EDSR的网络参数，输出为N_ele×2N_t大小的高分辨率信道矩阵H。

S3：通过前向传递，预测高分辨率信道并根据损失函数L＝||H'-H||²得到当前循环的损失。

S4：通过链式法则，根据随机梯度下降算法(SGD)，将更新的网络参数

反向传递至EDSR的网络，实现网络参数的更新，并再次进行步骤S130。其中η表示学习效率。

当NMSE(归一化后的平均绝对误差)在连续5个epoch(即使用训练集中的全部样本训练5次)内不变后，停止循环。并保存当前循环下的EDSR网络参数。

进一步地，采用本发明的方法用于基于智能反射面无线通信的毫米波大规模MIMO系统的信道估计。

场景设置：典型智能反射面无线通信毫米波大规模MIMO系统，其中主径被遮挡，发射器和接收器均为多天线，令N_r和N_t分别表示发射器和接收器处的天线数量,N_ele表示RIS的总单元数。

仿真参数如下表1，基准模型没有残留的缩放层，因为每个卷积层仅使用64个特征图。

表1参数设置

图3是不同分辨率下的NMSE(归一化后的平均绝对误差)性能对比图，其中横坐标表示接收信号的信噪比，纵坐标表示NMSE性能。超分辨率参数k为2，3和4时，分别将EDSR超分辨率记为EDSR 1/4，EDSR 1/9和EDSR1/16。经验证，NMSE性能得到了提升，其中，在低信噪比下，EDSR的性能优于传统的MMSE，LS(最小二乘法)算法；在高信噪比下，EDSR的性能也满足无线通信的信道估计要求。

综上所述，本发明提供的用于智能反射表面无线通信的信道估计方法，在上行阶段，用户端发送导频经过智能反射表面到达基站，智能反射表面通过有源元件对信号采用增强型深度残差网络进行训练、验证和测试，得到估计信道。在本发明这种体系结构中，除了部分有源元件(连接到RIS控制器的基带)之外，所有RIS元件都是无源的。因此，本发明不仅能够获得对于无源波束成形增益至关重要的信道状态信息(CSI)，而且能够降低所需的有源RIS单元的数量，进而降低了硬件的复杂性和功耗。

本发明提出的信道估计方法，在降低RIS的接收传感器数量的条件下，基于从用户接收的导频信号来帮助在基站(BS)和RIS端进行信道估计。验证结果表明，所提出的基于EDSR的信道估计器提升了信道估计的精度，能够适用于大范围的SNR，并显著降低了信道估计的复杂度。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (9)

1.一种用于智能反射表面无线通信的信道估计方法，包括以下步骤：

智能表面端接收用户端发送的导频信号进行处理，并通过智能表面端反射将导频信号传输至基站；

在智能表面端和基站，分别根据接收的导频信号进行信道估计，获得第一信道估计矩阵，并分别构建增强型深度残差网络，以所述第一信道估计矩阵作为增强型深度残差网络的输入，以第二信道估计矩阵作为所述增强型深度残差网络输出的目标矩阵进行训练，其中所述第二信道估计矩阵相对于所述第一信道估计矩阵具有更高的分辨率；

在训练过程中，通过前向传递，预测所述增强型深度残差网络的输出，并根据损失函数得到当前循环的损失，以及通过链式法则，根据随机梯度下降算法，将更新的网络参数反向传递至所述增强型深度残差网络，实现网络参数的更新。

2.根据权利要求1所述的用于智能反射表面无线通信的信道估计方法，其中，训练所述增强型深度残差网络的过程包括：

将接收信号组合成一个张量大小为

的矩阵；

通过矩阵变换，将矩阵转化成大小

的所述第一信道估计矩阵Y，并设定所述增强型深度残差网络输出的目标矩阵大小为N_ele×2N_t，N_ele×2N_r；

以所述第一信道矩阵Y作为所述增强型深度残差网络输入，通过训练网络参数W生成所述第二信道估计矩阵H，表示为

其中，k是超分辨率参数为，

N_1T×N_2T＝N_t，对于均匀平面阵列，每k×k个元件有一个有源元件，N_1R和N_2R分别表示智能表面端均匀平面阵列的两个平面维度元件数量，N_1T和N_2T分别代表用户端均匀平面阵列的两个平面维度天线数量，N_r和N_t分别表示发射器和接收器处的天线数量,N_ele表示智能表面端的总单元数。

3.根据权利要求2所述的用于智能反射表面无线通信的信道估计方法，其中，智能表面端的上行接收信号y_RIS表示为；

y_RIS＝h_tP_s+n；

将用户端和智能表面端之间的信道表示为：

其中，P是混合预编码矩阵，s是上行导频序列，n是高斯白噪声，Θ是智能表面端的反射相位系数，h_t表示用户端和智能表面端之间的信道，l表示第l条多径，Lt表示用户端和智能表面端之间的信道的多径数量，z_l表示依赖于距离的路径损耗和阴影衰落，

和

分别表示第l条路径发送的仰角和方位角

和

分别表示第l条路径接收的仰角和方位角，

和

分别表示在用户端和智能表面端之间传输过程中用户端和智能表面端处的导向矢量。

4.根据权利要求3所述的用于智能反射表面无线通信的信道估计方法，其中，基站的上行接收信号表示为：

y_BS＝Qh_rΘh_tPs+n.

基站和智能表面端之间的信道表示为：

其中，Q表示混合组合矩阵，P表示混合预编码矩阵，s表示上行导频序列，n表示高斯白噪声，Θ表示智能反射端的反射相位系数，h_t表示用户端和智能表面反射端之间的信道，h_r表示基站和智能表面端之间的信道，l表示第l条多径，Lr表示基站和智能表面端之间信道的多径数量，z_l表示依赖于距离的路径损耗和阴影衰落，

和

表示第l条路径发送的仰角和方位角，

和

表示第l条路径接收的仰角和方位角，

和

分别表示在用户和智能表面端之间传输过程中用户和智能表面端处的导向矢量，

和

分别表示在基站和智能表面端之间传输过程中基站和智能表面端处的导向矢量。

5.根据权利要求1所述的用于智能反射表面无线通信的信道估计方法，其中，所述损失函数设置为L＝||H'-H||²，H表示当前循环输入的信道矩阵，H′表示预测的输出信道矩阵。

6.根据权利要求5所述的用于智能反射表面无线通信的信道估计方法，其中，所述更新的网络参数表示为：

η表示学习效率，L表示损失，W表示学习到的网络参数。

7.根据权利要求1所述的用于智能反射表面无线通信的信道估计方法，其中，所述增强型深度残差网络包括多个残差块层，每一个残差块层使用多个滤波器以获得多个特征。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1所述的用于智能反射表面无线通信的信道估计方法的步骤。

9.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的用于智能反射表面无线通信的信道估计方法的步骤。

Images