CN112468193A - 基于智能反射表面的波束对准实现方法 - Google Patents

基于智能反射表面的波束对准实现方法 Download PDF

Info

Publication number
CN112468193A
CN112468193A CN202011343492.6A CN202011343492A CN112468193A CN 112468193 A CN112468193 A CN 112468193A CN 202011343492 A CN202011343492 A CN 202011343492A CN 112468193 A CN112468193 A CN 112468193A
Authority
CN
China
Prior art keywords
receiver
neural network
energy
layer
resolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011343492.6A
Other languages
English (en)
Other versions
CN112468193B (zh
Inventor
肖朝昆
束春杰
赵海玲
刘明
张翼翔
张勐
陈锋
汤丹辉
赵俊
许威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Zhenjiang Power Supply Branch
Southeast University
Danyang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Zhenjiang Power Supply Branch
Southeast University
Danyang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Zhenjiang Power Supply Branch, Southeast University, Danyang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Zhenjiang Power Supply Branch
Priority to CN202011343492.6A priority Critical patent/CN112468193B/zh
Publication of CN112468193A publication Critical patent/CN112468193A/zh
Application granted granted Critical
Publication of CN112468193B publication Critical patent/CN112468193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0868—Hybrid systems, i.e. switching and combining
    • H04B7/088—Hybrid systems, i.e. switching and combining using beam selection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0061—Error detection codes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于智能反射表面的波束对准实现方法，根据IRS的状态信息，设计一种高分辨率波束域能量阵列包含了IRS控制的所有可扫描的角度方向、接收机位置和对应的能量信息；将高分辨率能量阵列退化成低分辨率波束域能量阵列；设计BP神经网络学习能量阵列，并通过采集到的数据集训练神经网络；根据训练好的神经网络和数据在线学习，实现深度学习算法下的接收机定位和自适应波束对准。这种用深度学习推荐的盲波束对准系统模型减少时间开销和和路径损耗。本发明应用于新型的室内定位无线通信系统，兼顾自适应的波束对准和通信接收机定位，具有低开销、低功耗、智能化等特点。

Description

基于智能反射表面的波束对准实现方法
技术领域
本发明涉及一种基于智能反射表面的波束对准实现方法，属于无线通讯技术领域。
背景技术
随着无线通信技术发展，智能反射表面(IRS)技术因其低成本获得高增益的性能而在基站通信和室内通信中应用。通过无源阵列单元的调相，IRS产生一个具有固定宽度的主瓣波束，并自由控制基站波束角度方向，有效地实现无线通信的波束对准来补偿波传播过程中产生的损耗，从而在无线通信系统中消除干扰和抑制噪声，提高无线通信效率。然而，现有的全数字连接的波束对准技术具有较高的系统成本和实现复杂度。因此，提高通信能效和较低硬件成本使得IRS成为未来实现精确定位、增强传播能量的一种新型的无线通信实现方案。基于IRS角度域的波束扫描实现了信道估计复杂度的降低，从而大大减小了系统开销。
常见的定向波束对准(BA)技术是使用混合波束形成和波束扫描实现的，其中对可能的指向进行穷举搜索既需要基于已知信道状态信息(CSI)又增加了时间开销。与常规的有源相控阵天线相比，IRS一个令人瞩目的优势在于其能效低，布置场景灵活多变。一些研究分别利用已知的CSI设计梯度特征和大规模智能反射表面相位偏移波束赋形，有效降低了波束搜索的复杂度。本发明利用反向传播(BP)神经网络从低分辨率波束能量阵列重构高分辨率能量阵列的技术来实现IRS无线系统室内定位功能。区别于利用已知CSI信息解决优化问题，在这项研究中，基于码本的深度学习方法被应用于盲波束对准模型系统。在深度学习研究中的应用也改善了基于IRS通信系统的解决方案。具体地说，我们首先在离线训练中得到室内环境下特征数据集。然后，在线阶段恢复出不同位置区域全角度域波束能量阵列。本发明还给出了利用IRS完成基于深度学习的自适应波束对准方法。
发明内容
本发明的目的在于提供一种基于智能反射表面的波束对准实现方法，解决基于智能反射表面的室内通信系统中的接收机定位和自适应波束对准的技术问题，提供一种基于深度学习算法的能量阵列重构方法，以深度学习推荐的盲波束对准系统模型减少时间开销和和路径损耗。本发明应用于新型的室内定位无线通信系统，兼顾自适应的波束对准和通信接收机定位，以期达到低开销、低功耗、智能化优点。
本发明的目的通过以下技术方案予以实现：
一种基于智能反射表面的波束对准实现方法，下行的多输入单输出链路系统，包括一个基站、一个接收机和一块N×M阵列单元的智能反射表面，其中N和M分别表示智能反射表面的行和列的被动单元数目，基于智能反射表面的波束对准实现方法包含如下步骤：
步骤1，基站控制智能反射表面按照某角度的波束发送数据，接收机在室内的环境中接收该信号；
步骤2，将室内场景分为网格状，接收机布置在房间的任一网格内，基站在下行通信中完成智能反射表面所有方向角度的波束扫描，并对收到的接收机的上行能量反馈进行处理，获取高分辨率能量阵列；
步骤3，将高分辨率能量阵列退化成低分辨率能量阵列；
步骤4，建立BP神经网络学习能量阵列，并通过采集到的数据集训练神经网络，恢复出高分辨率能量阵列；
步骤5，根据训练好的BP神经网络学习能量阵列，实现深度学习算法下的接收机定位和自适应波束对准。
本发明的目的还可以通过以下技术措施来进一步实现：
前述基于智能反射表面的波束对准实现方法，步骤2中，接收机接收到的信号表示为：
Figure BDA0002799174940000021
其中，下标t和r分别表示基站和接收机，上标H表示矩阵的共轭转置，
Figure BDA0002799174940000022
表示智能反射表面到接收机的信道，Θ表示智能反射表面的阵列单元对角化相移矩阵，Ht表示基站到智能反射表面信道，x表示传输信号，n表示系统噪声；根据接收机接收的信号，计算出接收信号的能量为：
Figure BDA0002799174940000023
基站端采集不同位置上智能反射表面所有的扫描角度上对应的接收机接收信号能量。
前述基于智能反射表面的波束对准实现方法，步骤3中，高分辨率能量阵列由智能反射表面扫描的所有角度方向的方位角和水平角、接收机的位置以及对应的接收信号能量组成；其中方位角指的是从标准方向的北端起，顺时针方向到直线的水平角；水平角是测站点至两目标的方向线在水平面上投影的夹二面角；将高分辨率能量阵列按照以下公式退化为多个低分辨率能量阵列，低分辨率能量阵列由多组智能反射表面方位角和水平角及对应的接收信号能量组成:
S＝E(u:(u+w),v:(v+w))
其中S和E分别表示低分辨率能量阵列和高分辨率能量阵列，u和v分别表示高分辨率能量阵列的行和列，w表示S的分辨率，S是E的一个从第u行到第u+w行、第v列到第v+w列的连续子块。
前述基于智能反射表面的波束对准实现方法，步骤4中，BP神经网络为多层前馈神经网络，信号前向传递，误差反向传播，在信号前向传递中，输入低分辨率能量阵列S从输入层经隐含层逐层传递，直至输出层，如果输出层得不到期望输出，则根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出；隐含层包含多个全连接层，下标i、j、k分别表示第i层、第j层和第k层神经元，根据输入变量si，输入层和隐含层间连接权值wij以及隐含层阈值aj，计算隐含层输出Hj：
Figure BDA0002799174940000031
其中n是隐含层神经元的数量，f是隐含层激励函数；根据隐含层输出Hj、隐含层和输出层间连接权值wjk和阈值bk，可得BP神经网络预测输出Ok：
Figure BDA0002799174940000032
均方误差函数用作BP神经网络的损失函数，其表达式为
Figure BDA0002799174940000033
其中Yk是基站端采集的全角度域能量阵列数据集，根据损失函数可以不断更新隐含层和输出层的权值和阈值：
Figure BDA0002799174940000034
Figure BDA0002799174940000035
bk＝bk+(Yk-Ok)
其中η是学习速率，重复多次上述过程后，神经网络离线训练完成；在线阶段，根据采集到的低分辨率能量阵列数据经过训练好的神经网络后输出得到高分辨率能量阵列，即BP神经网络重构了不同位置上的高分辨率能量阵列。
前述基于智能反射表面的波束对准实现方法，步骤5中，根据训练好的神经网络和数据的在线学习，实现深度学习算法下的接收机定位和自适应波束对准具体为：基站发送具有智能反射表面方位角和水平角信息的信号，接收机接收信号并反馈接收机上的信号能量到基站，基站按照步骤4的BP神经网络训练将反馈得到的信号能量信息经过BP神经网络学习得到不同位置上高分辨率波束能量阵列和接收机位置信息，进行室内接收机定位；
同时，将基站传输到接收机的数据编码为基站媒体访问控制层中的帧，在每个帧中添加循环冗余奇偶校验位CRC，接收机校验接收到的循环冗余奇偶校验位CRC是否正确，接收机进行CRC校验后，选择接收能量最大的智能反射表面度角度作为发射角度，实现自适应波束对准。
与现有技术相比，本发明的有益效果是：
1、本发明同时结合了智能反射表面技术和深度学习算法来进行室内定位和自适应波束对准功能，根据接收机反馈，自动调整基站波束角度对准方向，有效补偿了信号传播过程中产生的损耗；
2、基于角度域的波束扫描利用IRS自适应控制波束的角度对准方向，提高接收机的接收信号功率，实现了信道估计复杂度的降低，大大减小了系统开销(时间开销和和路径损耗)和硬件成本。
附图说明
图1是多输入单输出链路系统的系统框图；
图2是本发明基于智能反射表面的波束对准实现方法的流程图；
图3是在相同信噪比下不同分辨率能量阵列学习接收机位置准确性的累积分布曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示，下行的多输入单输出链路系统，包括了一个基站、一个接收机和一块N×M阵列单元的IRS，其中N和M分别表示智能反射表面的行和列的被动单元数目。基站控制IRS按照某个角度的波束发送数据，接收机在室内的环境中接收该信号。如图2所示是本发明基于智能反射表面的波束对准实现方法的流程图。
(1)将所选室内场景分为网格状，接收机可能在房间的任一网格内。基站在下行通信中完成IRS所有方向角度的波束扫描，并收到接收机的上行能量反馈进行处理，获取高分辨率能量阵列。
(2)基站在下行通信中完成IRS多方向角度的波束扫描，并收到接收机的接收能量反馈进行处理，接收机接收到的信号可以表示为：
Figure BDA0002799174940000051
其中，下标t和r分别表示基站和接收机，上标H表示矩阵的共轭转置，
Figure BDA0002799174940000052
表示IRS到接收机信道，Θ表示IRS阵列单元对角化相移矩阵，Ht表示基站到IRS信道，x表示传输信号，n表示系统噪声。根据接收机接收的信号，可以计算出接收信号的能量为：
Figure BDA0002799174940000053
基站端采集不同位置上IRS所有的扫描角度上对应的接收机反馈接收信号能量。
(3)高分辨率能量阵列由IRS扫描的所有角度方向的方位角和水平角，接收机的位置以及对应的接收信号能量组成。其中方位角指的是从标准方向的北端起，顺时针方向到直线的水平角；水平角是测站点至两目标的方向线在水平面上投影的夹二面角。将高分辨率能量阵列按照以下公式退化为多个低分辨率阵列，低分辨率能量阵列由多组IRS方位角和水平角及对应的接收信号能量组成:
S＝E(u:(u+w),v:(v+w))
其中S和E分别表示低分辨率和高分辨率能量阵列。u和v分别表示高分辨率能量阵列的行和列，w表示S的分辨率大小，S是E的一个从第u行到第u+w行、第v列到第v+w列的连续子块。
(4)BP神经网络是一种多层前馈神经网络，信号前向传递，误差反向传播。在前向传递中，输入低分辨率能量阵列S从输入层经隐含层逐层传递，直至输出层。如果输出层得不到期望输出，则根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。隐含层包含了多个全连接层，下标i、j、k分别表示第i层、第j层和第k层神经元。根据输入变量si，输入层和隐含层间连接权值wij以及隐含层阈值aj，计算隐含层输出Hj：
Figure BDA0002799174940000054
其中n是隐含层神经元的数量，f是隐含层激励函数。根据隐含层输出Hj、隐含层和输出层间连接权值wjk和阈值bk，可得BP神经网络预测输出Ok：
Figure BDA0002799174940000061
均方误差函数用作BP神经网络的损失函数，其表达式为
Figure BDA0002799174940000062
其中Yk是基站端采集的全角度域能量阵列数据集。根据损失函数可以不断更新隐含层和输出层的权值和阈值：
Figure BDA0002799174940000063
Figure BDA0002799174940000064
bk＝bk+(Yk-Ok)
其中η是学习速率。重复多次上述过程后，神经网络离线训练完成。在线阶段，根据采集到的低分辨率能量阵列实验数据可以经过训练好的神经网络后输出得到高分辨率能量阵列，即BP神经网络重构了不同位置上的高分辨率能量阵列。
(5)根据训练好的神经网络和数据的在线学习，实现深度学习算法下的接收机定位和自适应波束对准。基站发送具有智能反射表面方位角和水平角信息的信号，接收机接收信号并反馈接收机上的信号能量到基站。基站按照步骤(4)的深度学习算法将反馈得到的信号能量信息经过BP神经网络学习得到不同位置上高分辨率波束能量阵列和接收机位置信息，进行室内接收机定位。
同时，将信息编码为媒体访问控制层中的帧，在每个帧中添加了循环冗余奇偶校验位(CRC)，接收机校验接收到的CRC码是否正确。接收机进行CRC校验后，选择接收能量最大的智能反射表面度角度作为发射角度，实现了自适应波束对准。
图3是基于智能反射表面的波束对准实现方法，在相同信噪比下，不同分辨率能量阵列学习接收机位置的累积分布(CDF)曲线图。不同线型表示不同分辨率的能量阵列对定位准确性CDF的变化情况。由图中可以看出，CDF的误差主要集中在-0.4到0.4之间，可以正确定位接收机位置，并且CDF误差越靠近0分布，定位精度越高。本发明提出的基于智能反射表面的波束对准实现方法能够有效地定位接收机位置，并且随着能量阵列分辨率的提升，获得更好的定位准确度。
除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (5)

1.一种基于智能反射表面的波束对准实现方法，下行的多输入单输出链路系统，包括一个基站、一个接收机和一块N×M阵列单元的智能反射表面，其中N和M分别表示智能反射表面的行和列的被动单元数目，其特征在于，基于智能反射表面的波束对准实现方法包含如下步骤：
步骤1，基站控制智能反射表面按照某角度的波束发送数据，接收机在室内的环境中接收该信号；
步骤2，将室内场景分为网格状，接收机布置在房间的任一网格内，基站在下行通信中完成智能反射表面所有方向角度的波束扫描，并对收到的接收机的上行能量反馈进行处理，获取高分辨率能量阵列；
步骤3，将高分辨率能量阵列退化成低分辨率能量阵列；
步骤4，建立BP神经网络学习能量阵列，并通过采集到的数据集训练神经网络，恢复出高分辨率能量阵列；
步骤5，根据训练好的BP神经网络学习能量阵列，实现深度学习算法下的接收机定位和自适应波束对准。
2.如权利要求1所述的基于智能反射表面的波束对准实现方法，其特征在于，所述步骤2中，接收机接收到的信号表示为：
Figure FDA0002799174930000011
其中，下标t和r分别表示基站和接收机，上标H表示矩阵的共轭转置，
Figure FDA0002799174930000012
表示智能反射表面到接收机的信道，Θ表示智能反射表面的阵列单元对角化相移矩阵，Ht表示基站到智能反射表面信道，x表示传输信号，n表示系统噪声；根据接收机接收的信号，计算出接收信号的能量为：
Figure FDA0002799174930000013
基站端采集不同位置上智能反射表面所有的扫描角度上对应的接收机接收信号能量。
3.如权利要求1所述的基于智能反射表面的波束对准实现方法，其特征在于，步骤3中，高分辨率能量阵列由智能反射表面扫描的所有角度方向的方位角和水平角、接收机的位置以及对应的接收信号能量组成；其中方位角指的是从标准方向的北端起，顺时针方向到直线的水平角；水平角是测站点至两目标的方向线在水平面上投影的夹二面角；将高分辨率能量阵列按照以下公式退化为多个低分辨率能量阵列，低分辨率能量阵列由多组智能反射表面方位角和水平角及对应的接收信号能量组成:
S＝E(u:(u+w),v:(v+w))
其中S和E分别表示低分辨率能量阵列和高分辨率能量阵列，u和v分别表示高分辨率能量阵列的行和列，w表示S的分辨率，S是E的一个从第u行到第u+w行、第v列到第v+w列的连续子块。
4.如权利要求1所述的基于智能反射表面的波束对准实现方法，其特征在于，步骤4中，BP神经网络为多层前馈神经网络，信号前向传递，误差反向传播，在信号前向传递中，输入低分辨率能量阵列S从输入层经隐含层逐层传递，直至输出层，如果输出层得不到期望输出，则根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出；隐含层包含多个全连接层，下标i、j、k分别表示第i层、第j层和第k层神经元，根据输入变量si，输入层和隐含层间连接权值wij以及隐含层阈值aj，计算隐含层输出Hj：
Figure FDA0002799174930000021
其中n是隐含层神经元的数量，f是隐含层激励函数；根据隐含层输出Hj、隐含层和输出层间连接权值wjk和阈值bk，可得BP神经网络预测输出Ok：
Figure FDA0002799174930000022
均方误差函数用作BP神经网络的损失函数，其表达式为
Figure FDA0002799174930000023
其中Yk是基站端采集的全角度域能量阵列数据集，根据损失函数可以不断更新隐含层和输出层的权值和阈值：
Figure FDA0002799174930000031
Figure FDA0002799174930000032
bk＝bk+(Yk-Ok)
其中η是学习速率，重复多次上述过程后，神经网络离线训练完成；在线阶段，根据采集到的低分辨率能量阵列数据经过训练好的神经网络后输出得到高分辨率能量阵列，即BP神经网络重构了不同位置上的高分辨率能量阵列。
5.如权利要求1所述的基于智能反射表面的波束对准实现方法，其特征在于，步骤5中，根据训练好的神经网络和数据的在线学习，实现深度学习算法下的接收机定位和自适应波束对准具体为：基站发送具有智能反射表面方位角和水平角信息的信号，接收机接收信号并反馈接收机上的信号能量到基站，基站按照步骤4的BP神经网络训练将反馈得到的信号能量信息经过BP神经网络学习得到不同位置上高分辨率波束能量阵列和接收机位置信息，进行室内接收机定位；同时，将基站传输到接收机的数据编码为基站媒体访问控制层中的帧，在每个帧中添加循环冗余奇偶校验位CRC，接收机校验接收到的循环冗余奇偶校验位CRC是否正确，接收机进行CRC校验后，选择接收能量最大的智能反射表面度角度作为发射角度，实现自适应波束对准。
CN202011343492.6A 2020-11-26 2020-11-26 基于智能反射表面的波束对准实现方法 Active CN112468193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011343492.6A CN112468193B (zh) 2020-11-26 2020-11-26 基于智能反射表面的波束对准实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011343492.6A CN112468193B (zh) 2020-11-26 2020-11-26 基于智能反射表面的波束对准实现方法

Publications (2)

Publication Number Publication Date
CN112468193A true CN112468193A (zh) 2021-03-09
CN112468193B CN112468193B (zh) 2022-11-08

Family

ID=74808310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011343492.6A Active CN112468193B (zh) 2020-11-26 2020-11-26 基于智能反射表面的波束对准实现方法

Country Status (1)

Country Link
CN (1) CN112468193B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113179232A (zh) * 2021-04-22 2021-07-27 南通大学 一种基于深度学习的无源智能反射表面的信道估计方法
CN115314089A (zh) * 2021-05-07 2022-11-08 维沃移动通信有限公司 智能表面设备的波束控制方法、装置及电子设备
WO2022236538A1 (en) * 2021-05-10 2022-11-17 Qualcomm Incorporated Synchronization beam sweeping with controllable reflective surfaces in presence of multiple operators
WO2022241703A1 (en) * 2021-05-20 2022-11-24 Huawei Technologies Co., Ltd. Methods and apparatus for communications using a reconfigurable intelligent surface
WO2023092361A1 (zh) * 2021-11-24 2023-06-01 株式会社Ntt都科摩 通信系统中的终端以及发送设备
WO2023138591A1 (zh) * 2022-01-21 2023-07-27 索尼集团公司 用于定位的电子设备与方法
WO2024019811A1 (en) * 2022-07-19 2024-01-25 Qualcomm Incorporated Beam adaptation for reconfigurable intelligent surface aided ue positioning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111181618A (zh) * 2020-01-03 2020-05-19 东南大学 一种基于深度强化学习的智能反射表面相位优化方法
CN111245493A (zh) * 2020-01-10 2020-06-05 北京邮电大学 智能反射面辅助毫米波通信系统的高效波束训练方法
CN111246496A (zh) * 2020-03-17 2020-06-05 北京交通大学 一种基于智能反射表面的波束追踪覆盖与增强方法
CN111698637A (zh) * 2019-03-13 2020-09-22 诺基亚技术有限公司 设备外部位置处的可听干扰

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111698637A (zh) * 2019-03-13 2020-09-22 诺基亚技术有限公司 设备外部位置处的可听干扰
CN111181618A (zh) * 2020-01-03 2020-05-19 东南大学 一种基于深度强化学习的智能反射表面相位优化方法
CN111245493A (zh) * 2020-01-10 2020-06-05 北京邮电大学 智能反射面辅助毫米波通信系统的高效波束训练方法
CN111246496A (zh) * 2020-03-17 2020-06-05 北京交通大学 一种基于智能反射表面的波束追踪覆盖与增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHIA-HUNG LIN ET AL.: "BsNet: a Deep Learning-Based Beam Selection Method for mmWave Communications", 《2019 IEEE 90TH VEHICULAR TECHNOLOGY CONFERENCE (VTC2019-FALL)》 *
KEMING FENG ET AL.: "Deep Reinforcement Learning Based Intelligent Reflecting Surface Optimization for MISO Communication Systems", 《 IEEE WIRELESS COMMUNICATIONS LETTERS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113179232A (zh) * 2021-04-22 2021-07-27 南通大学 一种基于深度学习的无源智能反射表面的信道估计方法
CN113179232B (zh) * 2021-04-22 2021-10-26 南通大学 一种基于深度学习的无源智能反射表面的信道估计方法
CN115314089A (zh) * 2021-05-07 2022-11-08 维沃移动通信有限公司 智能表面设备的波束控制方法、装置及电子设备
WO2022236538A1 (en) * 2021-05-10 2022-11-17 Qualcomm Incorporated Synchronization beam sweeping with controllable reflective surfaces in presence of multiple operators
WO2022241703A1 (en) * 2021-05-20 2022-11-24 Huawei Technologies Co., Ltd. Methods and apparatus for communications using a reconfigurable intelligent surface
WO2023092361A1 (zh) * 2021-11-24 2023-06-01 株式会社Ntt都科摩 通信系统中的终端以及发送设备
WO2023138591A1 (zh) * 2022-01-21 2023-07-27 索尼集团公司 用于定位的电子设备与方法
WO2024019811A1 (en) * 2022-07-19 2024-01-25 Qualcomm Incorporated Beam adaptation for reconfigurable intelligent surface aided ue positioning

Also Published As

Publication number Publication date
CN112468193B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN112468193B (zh) 基于智能反射表面的波束对准实现方法
CN111294096B (zh) 一种智能反射面miso无线通信系统的信道容量优化方法
CN111277312B (zh) 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN111162823A (zh) 双向mimo通信系统中预编码矩阵和相移矩阵优化方法
CN113556164A (zh) Irs辅助的swipt系统中基于能效优先的波束成型优化方法
CN113078932B (zh) 一种智能反射表面辅助的下行传输预编码设计方法
CN112804168B (zh) 一种基于张量链分解的毫米波中继系统信道估计方法
CN110138427A (zh) 基于部分连接的大规模多输入多输出混合波束赋形算法
CN115426013B (zh) 基于无监督学习的ris辅助通信系统预编码与相移方法
CN110086515A (zh) 一种mimo-noma系统上行预编码设计方法
CN116056118A (zh) 基于主被动混合智能超表面的无线通信传输方法及系统
CN116600314A (zh) 一种高铁毫米波通信系统的通信控制方法及系统
CN117560043B (zh) 一种基于图神经网络的无蜂窝网络功率控制方法
CN114900398A (zh) 非理想csi的irs辅助云接入网下行的波束成形方法
CN114614864A (zh) 多用户场景的3d波束赋形和智能反射面相移优化方法
Huang et al. Self-attention reinforcement learning for multi-beam combining in mmWave 3D-MIMO systems
CN116249128A (zh) 多ris辅助通信系统中基于端到端学习的联合波束成形方法
CN116865795A (zh) 透射式ris辅助mimo多波束对准系统及方法
CN116760439A (zh) 一种基于雷达通信一体化系统的鲁棒波束成形方法
CN111313945A (zh) 一种降低毫米波mimo系统峰均比的方法
CN111245525B (zh) 大规模mimo水声通信方法与系统
CN115765900A (zh) 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法
CN117997402B (zh) 多层智能超表面辅助的多用户上行通信方法和装置
CN115833981A (zh) 一种被动智能反射面辅助云接入网通信感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant