CN112134816B - 一种基于智能反射表面的elm-ls联合信道估计方法 - Google Patents

Abstract

本发明涉及一种基于智能反射表面的ELM‑LS联合信道估计方法，应用于配备有M根天线的基站，一个单天线用户以及包含K个反射元件的IRS的系统，M和K为正整数，基站的发射信号x经过级联信道和直连信道到达接收端；联合信道估计方法包括以下步骤：S1、将IRS的信道估计问题转化为估计θ问题；S2、通过发射和接收导频训练极限学习机ELM，使得输出的误差最小；S3、通过开关法判断直连信道质量；S4、计算接收信号y的信噪比q；若q小于或等于阈值λ，则转至S5；若q大于阈值λ，则转至S6；S5、选择ELM估计；S6、选择LS估计。本发明的联合信道估计方法，提升存在直连信道干扰情况下的IRS信道估计准确率。

Description

一种基于智能反射表面的ELM-LS联合信道估计方法

技术领域

本发明属于通信技术领域，具体涉及一种基于智能反射表面的ELM-LS联合信道估计方法。

背景技术

智能反射表面IRS是由大量无源反射元件组成的，通过软件控制反射相位实现智能可编程无线传播环境的技术。通过智能控制器，每个元件都具有可重构的振幅和相移，能独立地反射入射信号，并通过适当调整相移以提高接收端信号功率。

智能反射表面技术的一个问题是信道估计，其中包含两个关键问题：由于IRS包含大量反射元件，它增加了要估计的链路数量；IRS本身是一个无源元件，因此只能通过从发射机探测信道，在接收机处估计信道，与传统的非IRS信道估计相比，更容易受到干扰。

极限学习机ELM是从单隐层前向神经网络发展而来的一种机器学习算法。ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络SLFNs，在保证学习精度的前提下比传统的学习算法速度更快。

发明内容

基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于智能反射表面的ELM-LS联合信道估计方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于智能反射表面的ELM-LS联合信道估计方法，应用于配备有M根天线的基站，一个单天线用户以及包含K个反射元件的IRS的系统，M和K为正整数，基站的发射信号x经过级联信道和直连信道到达接收端；所述联合信道估计方法包括以下步骤：

S1、将IRS的信道估计问题转化为估计θ问题；

S2、通过发射和接收导频训练极限学习机ELM，使得输出的误差最小；

S3、通过开关法判断直连信道质量；

S4、计算接收信号s的信噪比q；若q小于或等于阈值λ，则转至S5；若q大于阈值λ，则转至S6；

S5、选择ELM估计；

S6、选择LS估计。

作为优选方案，所述步骤S1具体包括：

第t个时隙的数据传输模型如下：

y_t＝(h_d+G^Hdiag(φ_t)h)x_t+n_t

其中，y_t为实际接收信号，发射信号

|x_t|＝1，接收信号

基站和用户之间的直连信道

基站与IRS之间的信道

IRS相移矩阵

T表示转置，

p_t,k∈[0,2π]和β_t,k∈[0,1]分别表示与IRS第k个无源元件有关的相移和振幅反射系数；假设IRS在工作时保持最大功率，即β_t,k＝1；IRS到用户的信道

高斯白噪声

假设传输在信道相干时间内完成，即h_d、G和h是常数；

将级联信道表示为V＝G^Hdiag(h)＝[v₁...v_K]，由式(1)可得：

y_t＝(h_d+Vφ_t)x_t+n_t

在t＝1,...,T时间间隔内把上式矩阵化，令

X＝diag([x₁1_M,...,x_T1_M])

可得：

Y＝XΨθ+n

其中，X代表时间T内的发送数据，是T维对角矩阵与全1向量1_M的克罗内克积，T≥K+1；Ψ代表beamforming后的相移矩阵，是IRS相移矩阵Φ与单位矩阵I_M的克罗内克积，Φ表示如下：

将已知的发送数据矩阵X和相移矩阵Ψ记为Λ，得到IRS的信道估计模型Y＝Λθ+n，IRS的信道估计问题转化为估计θ问题，采用线性最小二乘法对θ估计：

作为优选方案，所述步骤S2具体包括：

采用大小为导频长度

的训练样本集：

其中，发射信号矩阵X作为隐层输入，接收信号矩阵Y作为隐层输出，ELM的输出s计算如下：

其中，I为ELM隐藏神经元的数目，G为ELM的激活函数，a_i，β_i，b_i分别代表第i个隐藏神经元输入、输出权重和偏差；

单隐层神经网络学习的目标是使得输出s的误差最小，表示为：

在ELM算法中，当输入权重a_i和单隐层偏置b_i被随机确定，单隐层的输出矩阵就被唯一确定；

训练单隐层神经网络可转化为求解一个线性系统，并且输出权重可被确定：

其中，

代表矩阵的Moore-Penrose广义逆，证明求得的解的范数是最小的并且唯一；

在通过

计算出连接到输出层的权重向量β，训练后的ELM网络可通过导频信号来估计信道CSI。

作为优选方案，所述步骤S3具体包括：

通过关闭所有IRS上的反射元件来估计直连信道h_d，通过调整β_k实现IRS元件打开/关闭，即φ_k∈{0,1}，在t＝1时φ_1.k＝0,k＝1,...,K，IRS相移矩阵Φ如下：

作为优选方案，所述步骤S5中，选择ELM估计之后，向ELM输入发射机和接收机的导频信号，计算得到估计的CSI。

作为优选方案，所述步骤S6中，选择LS估计之后，采用线性最小二乘法对θ估计。

本发明与现有技术相比，有益效果是：

本发明的基于智能反射表面的ELM-LS联合信道估计方法，提升存在直连信道干扰情况下的IRS信道估计准确率，利用基于ELM的信道估计方法抗噪声干扰的特性，针对直连信道噪声干扰通过开关法估计信道质量，当噪声较大时选择ELM估计，当噪声较小时选择LS估计。

附图说明

图1为本发明实施例的未加直连信道的MSE-SNR对比图；

图2为本发明实施例的加入直连信道干扰的MSE-SNR对比图；

图3为本发明实施例的联合信道估计方案的MSE-SNR对比图。

具体实施方式

以下通过具体实施例对本发明的技术方案作进一步解释说明。

本发明实施例的基于智能反射表面IRS的ELM-LS联合信道估计方法，利用基于ELM的信道估计方法抗噪声干扰的特性，针对直连信道噪声干扰通过开关法估计信道质量，动态选择信道估计方法，有效提高了IRS信道估计准确率。

表1用于IRS信道估计的ELM算法表

用机器学习算法ELM对IRS系统进行信道估计，通过接收和发送导频信号获得CSI。

表2 ELM-LS联合信道估计算法表

本发明实施例的基于智能反射表面的ELM-LS联合信道估计方法，具体包括以下步骤：

S1、将IRS的信道估计问题转化为估计θ问题；

具体地，我们考虑一个带有IRS辅助的TDD毫米波下行通信系统，该系统由一个配备有M根天线的基站，一个单天线用户以及包含K个反射元件的IRS组成。基站的发射信号x经过级联信道和直连信道到达接收端。第t个时隙的数据传输模型如下：

y_t＝(h_d+G^Hdiag(φ_t)h)x_t+n_t

其中发射信号

|x_t|＝1，接收信号

基站和用户之间的直连信道

基站与IRS之间的信道

H表示共轭转置，IRS相移矩阵

p_t,k∈[0,2π]和β_t,k∈[0,1]分别表示与IRS第k个无源元件有关的相移和振幅反射系数，为了简单起见，我们假设IRS在工作时保持最大功率，即β_t,k＝1。IRS到用户的信道

高斯白噪声

我们假设传输可以在信道相干时间内完成，即h_d、G和h是常数。

由于IRS是无源元件，我们很难单独估计G和h，为了降低复杂度选择估计级联信道。我们将级联信道表示为V＝G^Hdiag(h)＝[v₁...v_K]，由(1)式可得

y_t＝(h_d+Vφ_t)x_t+n_t

在t＝1,...,T时间间隔内把上式矩阵化，令

X＝diag([x₁1_M,...,x_T1_M])

可得

Y＝XΨθ+n

其中，X代表时间T(T≥K+1)内的发送信号矩阵，是T维对角矩阵与全1向量1_M的克罗内克积，Y代表接收信号矩阵，Ψ代表beamforming后的相移矩阵，是IRS相移矩阵Φ与单位矩阵I_M的克罗内克积，Φ表示如下：

我们将已知的发送信号矩阵X和相移矩阵Ψ之积记为Λ，可以得到IRS的信道估计模型Y＝Λθ+n，IRS的信道估计问题可以转化为估计θ问题，可以采用线性最小二乘法对θ估计：

S2、通过发射和接收导频训练极限学习机ELM，使得输出的误差最小；

具体地，在训练过程中我们采用大小为导频长度

的训练样本集

其中，发射信号矩阵X作为隐层输入，接收信号矩阵Y作为隐层输出，ELM的输出计算如下：

其中，I为ELM隐藏神经元的数目，G为ELM的激活函数，a_i，β_i，b_i分别代表第i个隐藏神经元输入、输出权重和偏差。

单隐层神经网络训练的目标是使得输出s的误差最小，可以表示为

传统的机器学习算法需要在迭代的过程中调整所有参数，而在ELM算法中,一旦输入权重a_i和单隐层偏置b_i被随机确定，单隐层的输出矩阵就被唯一确定。训练单隐层神经网络可以转化为求解一个线性系统。并且输出权重可以被确定

其中，

代表矩阵的Moore-Penrose广义逆，可证明求得的解的范数是最小的并且唯一。

在通过

计算出连接到输出层的权重向量β，训练后的ELM网络可以通过导频信号来估计信道CSI。

S3、通过开关法判断直连信道质量；

具体地，通过关闭所有IRS上的反射元件来估计直连信道h_d，通过调整β_k实现IRS元件打开/关闭，即φ_k∈{0,1}，在t＝1时φ_1.k＝0,k＝1,...,K，IRS相移矩阵Φ如下：

S4、计算接收信号s₁的信噪比q，根据信道质量状态分别采用不同的估计方法；若q小于或等于阈值λ，则转至S5；若q大于阈值λ，则转至S6；

S5、选择ELM估计，向ELM输入发射机和接收机的导频信号，计算得到估计的CSI。

S6、选择LS估计，采用线性最小二乘法对θ估计：

图1给出了信噪比0：5：20时，未加直连信道的ELM信道估计与LS信道估计的MSE-SNR对比图。可以看出LS受信噪比影响较大，在噪声干扰大时LS的误差较大，而噪声干扰小时误差较小；相比之下ELM对噪声不敏感，在噪声较大时优于LS。

图2为信噪比0：4：20时，加入直连信道干扰的ELM与LS的MSE-SNR对比图。与图比较，ELM基本没有变化，而LS很差，这说明直连信道噪声对LS估计产生较大干扰，当存在直连信道噪声时ELM优于LS。

图3为信噪比0：4：20时，假设每一次信道状态随机，为了简化仿真设置信道状态为阻塞和非阻塞。可以看到信噪比大于4时联合信道估计是优于LS和ELM的，ELM-LS估计的MSE性能得到了改善。信噪比小于4时联合信道估计并不是最优，这与上文低信噪比下LS估计存在较大误差的分析相一致，如果将选择估计方法的判断条件改为信噪比大于4且信道阻塞时采用LS，那么联合估计还是最优的。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (3)

1.一种基于智能反射表面的ELM-LS联合信道估计方法，其特征在于，应用于配备有M根天线的基站，一个单天线用户以及包含K个反射元件的IRS的系统，M和K为正整数，基站的发射信号x经过级联信道和直连信道到达接收端；所述联合信道估计方法包括以下步骤：

S1、将IRS的信道估计问题转化为估计θ问题；

S2、通过发射和接收导频训练极限学习机ELM，使得输出的误差最小；

S3、通过开关法判断直连信道质量；

S4、计算接收信号y的信噪比q；若q小于或等于阈值λ，则转至S5；若q大于阈值λ，则转至S6；

S5、选择ELM估计；

S6、选择LS估计；

所述步骤S1具体包括：

第t个时隙的数据传输模型如下：

y_t＝(h_d+G^Hdiag(φ_t)h)x_t+n_t

其中，发射信号

|x_t|＝1，接收信号

基站和用户之间的直连信道

基站与IRS之间的信道

IRS相移矩阵

T表示转置，

p_t,k∈[0,2π]和β_t,k∈[0,1]分别表示与IRS第k个无源元件有关的相移和振幅反射系数；假设IRS在工作时保持最大功率，即β_t,k＝1；IRS到用户的信道

高斯白噪声

假设传输在信道相干时间内完成，即h_d、G和h是常数；

将级联信道表示为V＝G^Hdiag(h)＝[v₁...v_K]，由式(1)可得：

y_t＝(h_d+Vφ_t)x_t+n_t

在t＝1,...,T时间间隔内把上式矩阵化，令

X＝diag([x₁1_M,...,x_T1_M])

可得：

Y＝XΨθ+n

其中，X代表时间T内的发送数据，是T维对角矩阵与全1向量1_M的克罗内克积，T≥K+1；Ψ代表beamforming后的相移矩阵，是IRS相移矩阵Φ与单位矩阵I_M的克罗内克积，Φ表示如下：

将已知的发送数据矩阵X和相移矩阵Ψ记为Λ，得到IRS的信道估计模型Y＝Λθ+n，IRS的信道估计问题转化为估计θ问题，采用线性最小二乘法对θ估计：

所述步骤S2具体包括：

采用大小为导频长度

的训练样本集：

其中，发射信号矩阵X作为隐层输入，接收信号矩阵Y作为隐层输出，ELM的输出s计算如下：

其中，I为ELM隐藏神经元的数目，G为ELM的激活函数，a_i，β_i，b_i分别代表第i个隐藏神经元输入、输出权重和偏差；

单隐层神经网络学习的目标是使得输出s的误差最小，表示为：

在ELM算法中，当输入权重a_i和单隐层偏置b_i被随机确定，单隐层的输出矩阵就被唯一确定；

训练单隐层神经网络可转化为求解一个线性系统，并且输出权重可被确定：

其中，

代表矩阵的Moore-Penrose广义逆，证明求得的解的范数是最小的并且唯一；

在通过

计算出连接到输出层的权重向量β，训练后的ELM网络可通过导频信号来估计信道CSI；

所述步骤S3具体包括：

通过关闭所有IRS上的反射元件来估计直连信道h_d，通过调整β_k实现IRS元件打开/关闭，即φ_k∈{0,1}，在t＝1时，φ_1.k＝0,k＝1,...,K，IRS相移矩阵Φ如下：

2.根据权利要求1所述的一种基于智能反射表面的ELM-LS联合信道估计方法，其特征在于，所述步骤S5中，选择ELM估计之后，向ELM输入发射机和接收机的导频信号，计算得到估计的CSI。

3.根据权利要求1所述的一种基于智能反射表面的ELM-LS联合信道估计方法，其特征在于，所述步骤S6中，选择LS估计之后，采用线性最小二乘法对θ估计。

Images