CN112565121B - 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法 - Google Patents

用于智能反射面辅助的大规模mimo系统的半盲信道估计方法 Download PDF

Info

Publication number
CN112565121B
CN112565121B CN202011414895.5A CN202011414895A CN112565121B CN 112565121 B CN112565121 B CN 112565121B CN 202011414895 A CN202011414895 A CN 202011414895A CN 112565121 B CN112565121 B CN 112565121B
Authority
CN
China
Prior art keywords
variance
posterior
mean
matrix
following
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.)
Active
Application number
CN202011414895.5A
Other languages
English (en)
Other versions
CN112565121A (zh
Inventor
袁晓军
何振清
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011414895.5A priority Critical patent/CN112565121B/zh
Publication of CN112565121A publication Critical patent/CN112565121A/zh
Application granted granted Critical
Publication of CN112565121B publication Critical patent/CN112565121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0204—Channel estimation of multiple channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0238—Channel estimation using blind estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H04L25/0246—Channel estimation channel estimation algorithms using matrix methods with factorisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明属于信息与通信技术领域，涉及一种适用于智能反射面辅助的大规模MIMO系统的半盲信道估计方法。为了降低发送端的导频开销和提高信道估计精度，本发明通过求解三线性矩阵分解问题，提出了一种贝叶斯近似消息传递的半盲信道估计方法，即发送符号中仅有部分序列作为导频符号。本发明方法的每一次迭代的最大计算开销仅为矩阵与矢量的乘积运算，具有较低的计算复杂度和可扩展性，能够在少量导频情况下就能获得较为准确的信道估计，并同时检测出部分发送端的未知符号序列。

Description

用于智能反射面辅助的大规模MIMO系统的半盲信道估计方法
技术领域
本发明属于信息与通信技术领域，涉及一种用于智能反射面辅助的大规模MIMO系统的半盲信道估计方法。
背景技术
近年来，智能反射面(RIS,Reconfigurable Intelligent Surface)作为一种提高无线网络能量和频谱效率的新颖的解决方案而受到了学术界和工业界的广泛关注。智能反射面是一种由大量低成本、可重构的反射元件组成的超面板低功耗器件，这些反射元件能够以可控的相移反射改变电磁波的传播环境，大幅降低无线通信网络的能耗并显著提高频谱利用率，从而展现出全面革新无线通信网络的潜力。通过部署并控制智能反射面的相移反射单元(被动波束赋形[4])，智能反射面通过创建高质量的通信链路，在空间中实现信号的增强或抑制，控制能量的传输和接收，减小干扰并增大有用信号强度，实现更全面的覆盖和更可靠的传输，获得更大的传输容量和更高的频谱效率。随着大规模MIMO系统商业应用的兴起，智能反射面与大规模MIMO技术的结合将是下一代无线通信系统的核心候选技术。
获取准确的信道状态信息(CSI,Channel State Information)是充分发挥智能反射面辅助MIMO系统优势的重要前提。智能反射面作为无源低功耗器件仅起着反射信号的作用，通常不具备信号处理能力，因此传统MIMO通信系统中的信道估计方法无法适用与智能反射面辅助的MIMO系统。与传统MIMO系统信道估计不同，智能反射面辅助MIMO系统需要在接收端(比如基站)估计发送端(比如用户)到智能反射面、智能反射面到接收端之间的级联信道。当前，智能反射面辅助MIMO系统的信道估计亦受到了学者们的广泛关注。例如，“Z.-Q.He and Xiaojun Yuan,“Cascaded channel estimation for large intelligentmetasurface assisted massive MIMO,”IEEE Wireless Commun.Lett.,vol.9,no.12,pp.210–214,Feb.2020”中利用智能反射面的开-关反射模式提出了一种联合双线性矩阵分解和矩阵填补的信道估计方法；“Z.Wang,L.Liu,and S.Cui,“Channel estimation forintelligent reflecting surface assisted multiuser communications:Framework,algorithms,and analysis,”IEEE Trans.Wireless Commun.,vol.19,no.10,pp.6607-6620,Oct.2020”利用用户之间的相关性和RIS设计特殊的矩阵信息提出了一种三阶段级联信道估计方法。
然而，现有RIS辅助MIMO系统的信道估计方法都是完全基于导频的方法，它们都需要较大的导频开销。事实上，传统大规模MIMO信道估计研究表明，半盲信道估计(以部分传输信号作为导频，其余作为数据)能进一步降低接收机的导频开销，在较少导频开销情况下就能够得到更为准确的信道估计。这是因为被估计的信号可作为软导频(soft pilots)信息，用以增强信道估计的精度。
发明内容
本发明的目的是提出一种适用于智能反射面辅助大规模MIMO系统的半盲信道估计方法，且半盲信道估计方法具有低计算复杂度及可扩展性。本发明的技术方案是通过基于最小均方误差最优意义准则下的近似消息，设计高效可扩展的半盲信道估计迭代算法。
考虑如图1所示的基于可重构智能反射面的上行大规模MIMO系统，设基站天线数为M,发送端有K个单天线用户，信道相关时间为T(即T时间内信道特征保持不变)，则基站端的接收信号模型为：
y[t]＝G(s[t]⊙(Fx[t]))+w[t]，t＝1，...，T (公式1)
其中，y[t]为t时刻的接收信号，x[t]为t时刻的发送符号，s[t]为智能反射面相位偏转矢量，w[t]为t时刻的叠加噪声。整个T时间段的接收信号可用矩阵表示为
Y＝G(S⊙(FX))+W (公式2)
其中，
Figure GDA0003569655560000021
其它矩阵定义与Y类似。公式2中，
Figure GDA0003569655560000022
为基站端的接收信号，
Figure GDA0003569655560000023
为高斯白噪声且其方差为σ2，
Figure GDA0003569655560000024
为智能反射面到基站端的信道矩阵，
Figure GDA0003569655560000025
为用户到智能反射面的信道矩阵，
Figure GDA0003569655560000026
(其元素为1或0)为智能反射面的开关模式矩阵，X＝[Xp，Xd]为用户端的发送符号，
Figure GDA0003569655560000027
为已知的导频符号，
Figure GDA0003569655560000028
为未知的发送符号，其中，Tp+Td＝T。主要目标是在已知
Figure GDA0003569655560000029
和Xp的条件下，从
Figure GDA00035696555600000210
中获得对
Figure GDA00035696555600000211
及Xd的估计，其估计值分别用
Figure GDA00035696555600000212
及
Figure GDA00035696555600000213
表示。从观测数据Y中求解未知的矩阵G、F及Xd涉及一个三线性矩阵分解问题，这是因为其中含有三个未知矩阵的乘积。
用p(G)、p(F)和p(X)分别表示G、F和X的先验概率密度函数，并设G、F及X中的各元素的均值为零且独立同分布，则p(G)、p(F)、及p(X)可分别表示为
Figure GDA0003569655560000031
其中，
Figure GDA0003569655560000032
通过引入中间变量
Figure GDA0003569655560000033
和
Figure GDA0003569655560000034
则后验概率p(G，F，Z，C|Y)可表示为
Figure GDA0003569655560000035
其中，(·)T表示转置运算，zmt表示矩阵Z的第(m,t)个元素，其它标量的定义类似；
Figure GDA0003569655560000036
和ct分别表示G的第m行和C的第t列，其它矢量的定义类似。对后验概率p(G,F,Z,C|Y)进行因子图表示，如图2所示。其中，G、F、Z和C中的每一个元素都是因子图中的一个变量节点(用空心圆圈表示)，每一个概率因子都是一个校验节点(用实心方块表示)。根据如图2所示的因子图模型，本发明设计一种基于近似消息传递的迭代贝叶斯统计推断方法，因子图中左半部分的迭代近似消息对应一个外部矩阵分解(outer matrix factorization)，因子图右半部分的迭代近似消息对应一个内部矩阵分解(inner matrix factorization)；其具体技术方案包含以下步骤：
S21：设M、K、N、Tp及Td为正整数，Tp+Td＝T，已知观测数据
Figure GDA0003569655560000037
部分导频矩阵
Figure GDA0003569655560000038
定义对任意m、n、k、t分别表示m∈{1，...，M}、n∈{1,...,N}、k∈{1，...，K}、t∈{1，...，T}，符号变量gmn表示矩阵G的第(m,n)个元素；
S22：设置初始迭代次数i＝1，进入消息更新：对任意m，n，k及t∈{Tp+1，...，T},初始化
Figure GDA0003569655560000039
σ2(1)；对任意k及t∈{Tp+1，...，T}，初始化：
Figure GDA00035696555600000310
对任意n及k，初始化：
Figure GDA00035696555600000311
Figure GDA00035696555600000312
S23：实施外部矩阵分解近似消息传递；对任意m及t，通过如下迭代公式计算左半部分因子图中近似消息传递的辅助变量：
Figure GDA0003569655560000041
Figure GDA0003569655560000042
Figure GDA0003569655560000043
Figure GDA0003569655560000044
Figure GDA0003569655560000045
Figure GDA0003569655560000046
Figure GDA0003569655560000047
Figure GDA0003569655560000048
S24：对任意n及t，通过如下公式计算因子节点
Figure GDA0003569655560000049
到cnt的近似方差和均值消息：
Figure GDA00035696555600000410
Figure GDA00035696555600000411
其中，(·)*表示共轭运算；
S25：对任意m及n，通过如下迭代公式计算因子节点
Figure GDA00035696555600000412
到变量节点gmn的近似方差和均值消息：
Figure GDA00035696555600000413
Figure GDA00035696555600000414
S26：对任意m及n，结合gmn的先验分布p(gmn)，通过如下公式计算gmn的边缘后验方差和后验均值：
Figure GDA00035696555600000415
Figure GDA0003569655560000051
其中，
Figure GDA0003569655560000052
和
Figure GDA0003569655560000053
分别表示后验方差和后验均值，且其具体计算是针对如下后验概率密度函数：
Figure GDA0003569655560000054
其中，∝表示正比于符号，
Figure GDA0003569655560000055
表示随机变量gmn服从均值为
Figure GDA0003569655560000056
和方差为
Figure GDA0003569655560000057
的复循环对称高斯分布；
S26：实施内部矩阵分解近似消息传递；对任意n及t，通过如下迭代公式计算右半部分因子图中近似消息传递的辅助变量：
Figure GDA0003569655560000058
Figure GDA0003569655560000059
Figure GDA00035696555600000510
Figure GDA00035696555600000511
Figure GDA00035696555600000512
Figure GDA00035696555600000513
Figure GDA00035696555600000514
Figure GDA00035696555600000515
Figure GDA00035696555600000516
其中，
Figure GDA00035696555600000517
和
Figure GDA00035696555600000518
的计算是针对如下概率密度函数：
Figure GDA00035696555600000519
其中，
Figure GDA00035696555600000520
S27：对任意n及k；通过如下迭代公式计算因子节点
Figure GDA00035696555600000521
到变量节点fnk的近似方差和均值消息：
Figure GDA0003569655560000061
Figure GDA0003569655560000062
S28：对任意n及k，结合fnk的先验分布p(fnk)，通过如下公式计算fnk的边缘后验方差和后验均值：
Figure GDA0003569655560000063
Figure GDA0003569655560000064
其中，均值
Figure GDA0003569655560000065
和方差
Figure GDA0003569655560000066
的计算是针对如下概率密度函数：
Figure GDA0003569655560000067
S29：对任意k及t；通过如下迭代公式计算因子节点
Figure GDA0003569655560000068
到变量节点xkt的近似方差和均值消息：
Figure GDA0003569655560000069
Figure GDA00035696555600000610
S210：对任意k及t∈{Tp+1，...，T}；结合xkt的先验分布p(xkt)，通过如下公式计算xkt的边缘后验方差和后验均值：
Figure GDA00035696555600000611
Figure GDA00035696555600000612
其中，后验方差及后验均值的计算是针对如下概率密度函数：
Figure GDA00035696555600000613
S211：对任意k及t∈{1，...，Tp}；通过如下公式计算xkt的后验方差和后验均值：
Figure GDA00035696555600000614
Figure GDA00035696555600000615
S212：通过如下公式更新噪声方差：
Figure GDA0003569655560000071
其中，|·|表示求模运算；
S213：更新迭代次数i:i＝i+1；
S214：判断迭代次数i是否达到预设值，若是，则进入步骤S215，若否，则返回到步骤S23继续迭代更新；
S215：输出目标值
Figure GDA0003569655560000072
及
Figure GDA0003569655560000073
作为最终对G、F及Xd的估计。
在以上关键技术方案步骤中，S22-S25对应于因子图2中左半部分(left part)的迭代近似消息，其对应于一个外部矩阵分解(Outer matrix factorization)，S26-S211对应于因子图2中右半部分(left part)的迭代近似消息，其对应于一个内部矩阵分解(innermatrix factorization)。本发明的有益效果分别体现在将复杂的三线性矩阵分解问题(见公式2)通过基于贝叶斯近似消息传递的方法进行求解，并在接收端同时估计出信道状态信息及部分未知符号序列，为下一步进行被动信息传输作好铺垫。通过利用智能反射面状态信息矩阵S的结构化信息，所设计的半盲信道估计方法能够同时估计信道状态信息和检测出部分未知发送符号。此外，通过仿真表面，本发明方法在较少导频开销条件下能够达到较高的信道估计精度，且传输符号误码率显著优于参与比较的方法。
附图说明
图1是智能反射面辅助的多用户大规模MIMO系统示意图；
图2是后验概率分布的因子图示表示，其中圆圈表示变量节点，黑色的方块表示校验节点，每个校验节点与它相关联的变量节点相连接；
图3是智能反射面到基站的信道矩阵G的MSE随信噪比的变化关系；
图4是用户到智能反射面的信道矩阵F的MSE随信噪比的变化关系；
图5是接收端检测到发送端的QPSK符号的SER随信噪比的变化关系；
图6是智能反射面到基站的信道矩阵G的MSE随导频数的变化关系；
图7是用户到智能反射面的信道矩阵F的MSE随导频数的变化关系；
图8是接收端检测到发送端的QPSK符号的SER随导频数的变化关系；
具体实施方式
下面结合附图对本发明进行详细描述，以便本领域的技术人员能够更好地理解本发明。
设基站天线数为M＝256，智能反射面天线数为N＝128，用户个数为K＝20。智能反射面的开关状态矩阵S设为0-1伯努利分布矩阵，且采样率(稀疏度)为0.3，即S中相对于有0.3*M*N个元素为1，其余全为0元素。用户端的传输数据为quadrature phase-shiftkeying(QPSK)符号。设信道矩阵G和F为零均值且方差为1的瑞利衰落信道。然后按照本发明技术方案步骤S21-S215的消息传递算法实施半盲信道估计。所有仿真实验结果均通过200次蒙特卡洛独立实验得到。图3-5分别给出了信道矩阵G及F的MSE、传输符号的误码率随信噪比(Signal-to-Noise Ratio,SNR)的变换关系，其中导频数为90，信道相干时间为T＝300。图6-8分别给出了信道矩阵G及F的均方误差(MSE，Mean Squared Error)、传输符号的误码率(SER，Symbol Error Rate)随导频数(Tp)的变换关系，其中传输符号Td为＝300,SNR＝30dB；在图8中，SNR＝5dB。由图可知，贝叶斯最优意义下的近似消息传递算(TAMP,Trilinear Approximate Message Passing)法要显著优于“Z.-Q.He and Xiaojun Yuan,“Cascaded channel estimation for large intelligent metasurface assistedmassive MIMO,”IEEE Wireless Commun.Lett.,vol.9,no.12,pp.210–214,Feb.2020”中的JBF-MC方法，在少量导频开销条件下就能达到更好的估计性能。

Claims (1)

1.用于智能反射面辅助的大规模MIMO系统的半盲信道估计方法，在智能反射面辅助的上行大规模MIMO系统中，基站天线数为M，发送端有K个单天线用户，信道相关时间为T，T时间段内基站的接收信号为：
Y＝G(S⊙(FX))+W
其中，
Figure FDA0003560026370000011
为基站端的接收信号，
Figure FDA0003560026370000012
为高斯白噪声且其方差为σ2，
Figure FDA0003560026370000013
为智能反射面到基站端的信道矩阵，
Figure FDA0003560026370000014
为用户到智能反射面的信道矩阵，
Figure FDA0003560026370000015
为智能反射面的开关模式矩阵，X＝[Xp，Xd]为用户端的发送符号，
Figure FDA0003560026370000016
为已知的导频符号，
Figure FDA0003560026370000017
为未知的发送符号，其中，Tp+Td＝T；设定目标是在已知
Figure FDA0003560026370000018
和Xp的条件下，从
Figure FDA0003560026370000019
中获得对
Figure FDA00035600263700000110
及Xd的估计，其估计值分别用
Figure FDA00035600263700000111
及
Figure FDA00035600263700000112
表示；其特征在于，所述半盲信道估计方法包括以下步骤：
S1：定义p(G)、p(F)和p(X)分别表示G、F和X的先验概率密度函数，并设G、F及X中的各元素的均值为零且独立同分布，则p(G)、p(F)、及p(X)分别表示为：
Figure FDA00035600263700000113
Figure FDA00035600263700000114
其中，
Figure FDA00035600263700000115
通过引入中间变量
Figure FDA00035600263700000116
和
Figure FDA00035600263700000117
则G、F、Z、C的后验概率密度函数p(G，F，Z，C|Y)表示为：
Figure FDA00035600263700000118
其中，(·)T表示转置运算，zmt表示矩阵Z的第(m，t)个元素，其它标量的定义同理；
Figure FDA00035600263700000119
和ct分别表示G的第m行和C的第t列，其它矢量的定义同理；
S2：对后验概率p(G，F，Z，C|Y)进行因子图表示，G、F、Z和C中的每一个元素都是因子图中的一个变量节点，每一个概率因子都是一个校验节点；根据因子图设计迭代近似消息传递算法，因子图中左半部分的迭代近似消息对应一个外部矩阵分解，因子图右半部分的迭代近似消息对应一个内部矩阵分解，具体包括：
S21：设M、K、N、Tp及Td为正整数，Tp+Td＝T，已知基站端的接收信号
Figure FDA0003560026370000021
Figure FDA0003560026370000022
部分导频矩阵
Figure FDA0003560026370000023
定义对任意m、n、k、t分别表示m∈{1，...，M}、n∈{1，...，N}、k∈{1，...，K}、f∈{1，...，T}，符号变量gmn表示矩阵G的第(m，n)个元素；预设最大所需迭代次数；
S22：设置初始迭代次数i＝1，进入消息更新：对任意m，n，k及t∈{Tp+1，...，T}，初始化
Figure FDA0003560026370000024
σ2(1)；对任意k及t∈{Tp+1，...，T}，初始化：
Figure FDA0003560026370000025
对任意n及k，初始化：
Figure FDA0003560026370000026
Figure FDA0003560026370000027
S23：实施外部矩阵分解近似消息传递；对任意m及t，通过如下迭代公式计算左半部分因子图中近似消息传递的辅助变量：
Figure FDA0003560026370000028
Figure FDA0003560026370000029
Figure FDA00035600263700000210
Figure FDA00035600263700000211
Figure FDA00035600263700000212
Figure FDA00035600263700000213
Figure FDA00035600263700000214
Figure FDA00035600263700000215
S24：对任意n及t，通过如下公式计算因子节点
Figure FDA00035600263700000216
到cnt的近似方差和均值消息：
Figure FDA00035600263700000217
Figure FDA0003560026370000031
其中，(·)*表示共轭运算；
S25：对任意m及n，通过如下迭代公式计算因子节点
Figure FDA0003560026370000032
到变量节点gmn的近似方差和均值消息：
Figure FDA0003560026370000033
Figure FDA0003560026370000034
S26：对任意m及n，结合gmn的先验分布p(gmn)，通过如下公式计算gmn的边缘后验方差和后验均值：
Figure FDA0003560026370000035
Figure FDA0003560026370000036
其中，
Figure FDA0003560026370000037
和
Figure FDA0003560026370000038
分别表示后验方差和后验均值，且其具体计算是针对如下后验概率密度函数：
Figure FDA0003560026370000039
其中，∝表示正比于符号，
Figure FDA00035600263700000310
表示随机变量gmn服从均值为
Figure FDA00035600263700000311
和方差为
Figure FDA00035600263700000312
的复循环对称高斯分布；
S26：实施内部矩阵分解近似消息传递；对任意n及t，通过如下迭代公式计算右半部分因子图中近似消息传递的辅助变量：
Figure FDA00035600263700000313
Figure FDA00035600263700000314
Figure FDA00035600263700000315
Figure FDA00035600263700000316
Figure FDA00035600263700000317
Figure FDA00035600263700000318
Figure FDA0003560026370000041
Figure FDA0003560026370000042
Figure FDA0003560026370000043
其中，
Figure FDA0003560026370000044
和
Figure FDA0003560026370000045
的计算是针对如下概率密度函数：
Figure FDA0003560026370000046
其中，
Figure FDA0003560026370000047
S27：对任意n及k；通过如下迭代公式计算因子节点
Figure FDA0003560026370000048
到变量节点fnk的近似方差和均值消息：
Figure FDA0003560026370000049
Figure FDA00035600263700000410
S28：对任意n及k，结合fnk的先验分布p(fnk)，通过如下公式计算fnk的边缘后验方差和后验均值：
Figure FDA00035600263700000411
Figure FDA00035600263700000412
其中，均值
Figure FDA00035600263700000413
和方差
Figure FDA00035600263700000414
的计算是针对如下概率密度函数：
Figure FDA00035600263700000415
S29：对任意k及t；通过如下迭代公式计算因子节点
Figure FDA00035600263700000416
到变量节点xkt的近似方差和均值消息：
Figure FDA00035600263700000417
Figure FDA00035600263700000418
S210：对任意k及t∈{Tp+1，...，T}；结合xkt的先验分布p(xkt)，通过如下公式计算xkt的边缘后验方差和后验均值：
Figure FDA0003560026370000051
Figure FDA0003560026370000052
其中，后验方差及后验均值的计算是针对如下概率密度函数：
Figure FDA0003560026370000053
S211：对任意k及t∈{1...，Tp}；通过如下公式计算xkt的后验方差和后验均值：
Figure FDA0003560026370000054
Figure FDA0003560026370000055
S212：通过如下公式更新噪声方差：
Figure FDA0003560026370000056
其中，|·|表示求模运算；
S213：更新迭代次数i＝i+1；
S214：判断迭代次数i是否达到预设值，若是，则进入步骤S215，若否，则返回到步骤S23继续迭代更新；
S215：输出目标值
Figure FDA0003560026370000057
及
Figure FDA0003560026370000058
作为最终对G、F及Xd的估计。
CN202011414895.5A 2020-12-07 2020-12-07 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法 Active CN112565121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414895.5A CN112565121B (zh) 2020-12-07 2020-12-07 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414895.5A CN112565121B (zh) 2020-12-07 2020-12-07 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法

Publications (2)

Publication Number Publication Date
CN112565121A CN112565121A (zh) 2021-03-26
CN112565121B true CN112565121B (zh) 2022-05-13

Family

ID=75059159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414895.5A Active CN112565121B (zh) 2020-12-07 2020-12-07 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法

Country Status (1)

Country Link
CN (1) CN112565121B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113225276B (zh) * 2021-05-08 2022-05-20 东南大学 一种面向智能反射面辅助通信系统的半盲信道估计方法
CN113472705B (zh) * 2021-06-16 2022-06-21 复旦大学 基于zc序列的ris辅助信道的估计及预测方法
CN113992483B (zh) * 2021-11-02 2023-11-03 新疆北斗同创信息科技有限公司 可重构表面辅助simo系统中基于叠加导频的信道估计方法
CN114726687B (zh) * 2022-03-24 2023-06-30 南京邮电大学 一种智能反射面辅助毫米波大规模mimo系统的信道估计方法
CN115022146B (zh) * 2022-07-25 2023-05-26 电子科技大学 一种可重构智能表面辅助的通信与定位一体化全双工系统
CN115694688A (zh) * 2022-10-28 2023-02-03 中国科学技术大学 智能反射面辅助通信系统信道估计方法、设备和存储介质
CN115941001B (zh) * 2022-11-10 2023-09-19 浙江辰时科技集团有限公司 基于mimo系统的信息传输收发装置、系统、方法和存储介质
CN116318490B (zh) * 2023-05-25 2023-08-29 广州南方卫星导航仪器有限公司 一种基于5g应急通信车的通信信号检测方法及系统
CN116626665B (zh) * 2023-07-24 2023-10-13 无锡航征科技有限公司 雷达测量流速的方法、流速仪及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106998307A (zh) * 2017-06-01 2017-08-01 电子科技大学 一种用于大规模天线系统的盲信号检测及信道估计方法
CN108736938A (zh) * 2018-09-07 2018-11-02 电子科技大学 用于大规模mimo上行链路信道估计和数据解调方法
CN110266352A (zh) * 2019-05-27 2019-09-20 东南大学 一种大规模mimo系统中智能反射面相移矩阵自适应设计方法
CN111983560A (zh) * 2020-08-05 2020-11-24 北京理工大学 一种双可重构智能表面辅助的毫米波单基站定位方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9191256B2 (en) * 2012-12-03 2015-11-17 Digital PowerRadio, LLC Systems and methods for advanced iterative decoding and channel estimation of concatenated coding systems
US10268166B2 (en) * 2016-09-15 2019-04-23 Otis Elevator Company Intelligent surface systems for building solutions
CN111726310B (zh) * 2020-06-30 2021-10-22 清华大学 基于消息传播算法的联合信道估计与译码方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106998307A (zh) * 2017-06-01 2017-08-01 电子科技大学 一种用于大规模天线系统的盲信号检测及信道估计方法
CN108736938A (zh) * 2018-09-07 2018-11-02 电子科技大学 用于大规模mimo上行链路信道估计和数据解调方法
CN110266352A (zh) * 2019-05-27 2019-09-20 东南大学 一种大规模mimo系统中智能反射面相移矩阵自适应设计方法
CN111983560A (zh) * 2020-08-05 2020-11-24 北京理工大学 一种双可重构智能表面辅助的毫米波单基站定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Passive Beamforming and Information Transfer Design for Reconfigurable Intelligent Surfaces Aided Multiuser MIMO Systems;Wenjing Yan; Xiaojun Yuan; Zhen-Qing He; Xiaoyan Kuai;《 IEEE Journal on Selected Areas in Communications》;20200831;第38卷(第8期);全文 *

Also Published As

Publication number Publication date
CN112565121A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112565121B (zh) 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法
Mirza et al. Channel estimation method and phase shift design for reconfigurable intelligent surface assisted MIMO networks
CN112134816B (zh) 一种基于智能反射表面的elm-ls联合信道估计方法
CN111953391A (zh) 智能反射面辅助的多用户mimo上行能效谱效联合优化方法
CN113613273B (zh) 一种智能超表面辅助无线供电网络的稳健能效优化方法
CN111181619A (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN107241167B (zh) 一种基于大规模mimo系统bp检测的改进方法
CN111787558A (zh) 一种mimome系统及其安全速率优化方法
CN114070365B (zh) 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
CN114785384B (zh) 智能超表面辅助大规模mimo相关信道的容量分析与优化方法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
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
Khan et al. Antenna beam-forming for a 60 Ghz transceiver system
Zhu et al. Index modulation for fluid antenna-assisted MIMO communications: System design and performance analysis
CN114765785B (zh) 一种基于最大信噪比的多智能反射面选择方法
CN116033461A (zh) 一种基于star-ris辅助的共生无线电传输方法
Gholami et al. Message Passing for a Bayesian Semi-Blind Approach to Cell-Free Massive MIMO
CN114301508A (zh) 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法
CN114710187A (zh) 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法
Noordin et al. Cascaded and Separate Channel Estimation based on CNN for RIS-MIMO Systems
KR20230017641A (ko) 다중 사용자 miso 통신 시스템 및 그에 적용되는 지능형 반사 표면의 위상 변환 행렬 설계 방법
CN114598368B (zh) 一种基于毫米波宽带通信的全双工鲁棒混合波束成形方法
CN111865379B (zh) 一种基于交替方向乘子法的安全预编码方法
CN113328771B (zh) 一种基于共轭梯度算法的大规模mimo信号检测方法

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