CN112769461B - 基于毫米波智能反射面通信的大规模天线信道估计方法 - Google Patents

基于毫米波智能反射面通信的大规模天线信道估计方法 Download PDF

Info

Publication number
CN112769461B
CN112769461B CN202011443013.8A CN202011443013A CN112769461B CN 112769461 B CN112769461 B CN 112769461B CN 202011443013 A CN202011443013 A CN 202011443013A CN 112769461 B CN112769461 B CN 112769461B
Authority
CN
China
Prior art keywords
channel
representing
irs
millimeter wave
matrix
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
CN202011443013.8A
Other languages
English (en)
Other versions
CN112769461A (zh
Inventor
唐杰
陈真
章秀银
霍万良
唐珩膑
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011443013.8A priority Critical patent/CN112769461B/zh
Publication of CN112769461A publication Critical patent/CN112769461A/zh
Priority to PCT/CN2021/124020 priority patent/WO2022121497A1/zh
Application granted granted Critical
Publication of CN112769461B publication Critical patent/CN112769461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413MIMO systems
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/391Modelling the propagation channel
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/024Channel estimation channel estimation algorithms
    • H04L25/0242Channel estimation channel estimation algorithms using matrix methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/024Channel estimation channel estimation algorithms
    • H04L25/0256Channel estimation using minimum mean square error criteria
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种基于毫米波智能反射面通信的大规模天线信道估计方法,该方法步骤如下:采集基站采用的波束形成矢量;采集用户在不同时刻接收到的信号;利用Kronecker积,将信道模型转换为稀疏恢复问题;对信道模型进行变异操作和交叉操作;利用基于LB的局部搜索算法进行CS重建;进行选择操作并得出最终的决策。本发明的效果是利用IRS技术,增强毫米波MIMO通信系统的覆盖范围,采用压缩感知并利用混合多目标进化算法解决压缩感知的重建问题从而提高基于智能反射面技术的毫米波MIMO通信系统的信道估计精度。

Description

基于毫米波智能反射面通信的大规模天线信道估计方法
技术领域
本发明涉及反射面增强通信和压缩感知技术领域,具体涉及一种基于混合多目标进化算法的智能反射面增强毫米波MIMO信道估计方法。
背景技术
随着5G用户的增长,如何提升5G通信技术的系统容量和传输速率仍然是当前主要的挑战,进一步增加天线数量仍然是MIMO技术演进的重要方向。MIMO技术是指能在不增加带宽的情况下,成倍地提高通信系统的容量和频谱利用率。它可以定义为发送端和接收端之间存在多个独立信道,也就是说天线单元之间存在充分的间隔,因此,消除了天线间信号的相关性,提高了信号的链路性能,增加了数据吞吐量。
一般而言,普通的基站需要配备3面天线,4G基站则需要配置2×2面(即2根接收天线2根发射天线),未来随着4G向4.5G继续演进以及5G落地,massive MIMO基站(128、256甚至更多天线)的大规模应用将促使基站天线数量迎来爆发式增长。这将极大增加了运营商的基站建设成本。
为有效减低成本,一种有效的低成本技术,即智能反射面技术,可有效通过调整相位以改变信号的传播方向,实现对信号盲区的覆盖;同时有效提升边缘用户的接入能力。
现有技术中,由于天线数量大,信道估计复杂度难以承受,传统的多天线MultipleInput Multiple Output(MIMO)信道估计方法可能不直接适用于毫米波MIMO系统。因此,虽然目前有大量的算法用于毫米波MIMO信道模型下的信道估计,但没有考虑智能反射面Intelligent Reflecting Surface(IRS)引入场景下的毫米波MIMO信道模型,不能满足现实通信技术发展的需求。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于毫米波智能反射面通信的大规模天线信道估计方法,通过IRS增强毫米波MIMO通信系统的信道估计。
本发明的目的可以通过采取如下技术方案达到:
一种基于毫米波智能反射面通信的大规模天线信道估计方法,所述的信道估计方法包括以下步骤:
S1、采集基站采用的波束形成矢量和用户在不同时刻接收到的信号;
S2、利用Kronecker积,将IRS增强的毫米波MIMO通信信道模型转换成稀疏恢复重构问题;
S3、对毫米波MIMO通信信道模型依次进行变异操作和交叉操作,其中,所述的变异操作为:
vi,t=hi,t+F(hr2,t-hr3,t),
其中,vi,t为变异后的个体,hi,t为当前迭代的个体,hr2,t,hr3,t为种群中随机选取的两个个体,F为变异因子;
所述的交叉操作为:
Figure GDA0003462168060000021
其中,zi,t为交叉后的个体,r为随机数,C为交叉阈值;
S4、利用基于LB的局部搜索算法进行压缩感知compressed sensing(CS)重建,过程如下:由于zi,t是稀疏的,采用快速迭代收缩阈值算法将信道估计转换成一个稀疏信号恢复问题,如下:
Figure GDA0003462168060000031
其中,
Figure GDA0003462168060000032
为最小化zi,t符号,
Figure GDA0003462168060000033
表示2范数的平方,‖ ‖1表示1范数,G(zi,t)表示目标函数,y表示接收到的信号,Φ表示观察矩阵,λ是正则化参数;
S5、通过CS重建后生成个体si,t后,从下一代群解、当前群解及其相应的试验解中进行选择操作,选择出优势的个体:
Figure GDA0003462168060000034
其中,hi,t+1表示选择操作后生成的信道,G(si,t)表示个体si,t的目标函数值;
S6、利用种群分布的最大斜率确定最后的决策,过程如下:考虑到帕累托膝盖区域Pareto knee regions上的第l个点(DBl,FBl),其斜率方差Δφl值最大的解定义为近似最优解,DBl和FBl分别表示第l个点的横坐标和纵坐标位置。
进一步地,所述的步骤S2过程如下:
将毫米波MIMO通信信道视为级联信道矩阵H,从基站到IRS的信道表示为
Figure GDA0003462168060000035
IRS到用户的信道表示为
Figure GDA0003462168060000036
Figure GDA0003462168060000037
Figure GDA0003462168060000038
表示IRS的相移矩阵,θm∈[0,2π]和βm∈[0,1]分别表示与IRS第m个无源元件相关的相移和振幅反射系数,j=-1表示参数标量,e表示自然对数的底数,m=1,2,…,M,假设βm=1,令
Figure GDA0003462168060000039
表示采集的基站波束形成向量,定义
Figure GDA00034621680600000310
Figure GDA00034621680600000311
Figure GDA00034621680600000312
则用户在第t时刻接收到的信号为:
y=pHΘRwx+n=uHdiag(pH)Rwx+n=uHHwx+n
其中,pH表示IRS到用户的信道矩阵的共轭转置,x是传输信号,n表示均值为0方差为σ2的加性高斯白噪声,H为级联信道矩阵;基站到IRS的信道表示为:
Figure GDA0003462168060000041
式中,N、M分别表示信道的维度大小标量,ρ表示基站和IRS之间的平均路径损耗,L是路径数,αl表示与第l路径相关的复增益,
Figure GDA0003462168060000042
Figure GDA0003462168060000043
分别表示接收和发射阵列响应向量,
Figure GDA0003462168060000044
和γl分别表示接收端的仰角和方位角,φl是离开角AoD,假设智能反射面IRS是Mx×My均匀平面阵列,则有
Figure GDA0003462168060000045
其中
Figure GDA0003462168060000046
表示Kronecker积,ax(u)和ay(v)分别是:
Figure GDA0003462168060000047
Figure GDA0003462168060000048
其中,Mx和My分别是智能反射面IRS的水平和垂直维度;
Figure GDA0003462168060000049
Figure GDA00034621680600000410
d表示天线间距,λ是信号波长,T表示转置符号;
根据毫米波信道的稀疏散射特性,相对于R的维数,路径L的数目很小,因此将R表示为
Figure GDA00034621680600000411
其中,
Figure GDA00034621680600000412
是一个过完备矩阵,它的每一列由ayl)构成,其中φl表示角度,矩阵
Figure GDA00034621680600000413
的每一列由ax(u)构成,矩阵
Figure GDA00034621680600000414
的每一列由ay(v)构成,
Figure GDA00034621680600000415
其中u表示角度,
Figure GDA00034621680600000416
是与信道路径增益相对应的具有L个非零项的稀疏矩阵;
IRS到用户信道表示为:
Figure GDA0003462168060000051
其中,μ表示IRS和用户之间的平均路径损耗,cl表示与第l条路径相关的复增益,
Figure GDA0003462168060000052
表示偏离的偏振角,M表示信道的维度大小标量;根据有限散射特性,IRS到用户信道写成:
p=FPc
其中,
Figure GDA0003462168060000053
是一个具有L项非零项的稀疏向量,假设⊙表示转置的Khatri-Rao积,(*)表示复共轭,将级联通道表示为:
H=diag(p)R=p*⊙R
代入前面的公式可得:
Figure GDA0003462168060000054
其中,
Figure GDA0003462168060000055
经过以上变换,得到具有稀疏的级联信道矩阵H;假设传输信号x(t)=1,
Figure GDA0003462168060000056
中的接收信号y写成
Figure GDA0003462168060000057
其中,定义
Figure GDA0003462168060000058
将在不同时间点采集的信号值进行叠加
Figure GDA0003462168060000059
得到:
y=Φh+n
其中,
Figure GDA00034621680600000510
表示定义符号,
Figure GDA00034621680600000511
表示观测矩阵以及
Figure GDA00034621680600000512
式中,wT(1)、wT(N)分别表示采集的基站波束形成第一和第N个时间段的向量,pH(1)、pH(N)分别为第一和第N个时间段IRS到用户信道;
由于h是稀疏的,采用快速迭代收缩阈值算法将信道估计转换成一个稀疏信号恢复问题,如下:
Figure GDA0003462168060000061
其中,
Figure GDA0003462168060000062
为最小化h符号。
进一步地,所述的步骤S3过程如下:
首先进行变异操作,公式如下:
vi,t=hi,t+F(hr2,t-hr3,t),
其中,vi,t为变异后的个体,hi,t为当前迭代的个体,hr2,t,hr3,t为种群中随机选取的两个个体,F为变异因子;
执行完变异操作后进入交叉操作,具体为:
Figure GDA0003462168060000063
其中,zi,t为交叉后的个体,r为随机数,C为交叉阈值。
进一步地,所述的步骤S4过程如下:
根据上一步骤形成的使用一个由IST改进的软阈值局部搜索策略解决
Figure GDA0003462168060000064
其中,
Figure GDA0003462168060000065
为最小化zi,t符号;
Figure GDA0003462168060000066
表示2范数的平方,‖·‖1表示1范数,G(zi,t)表示目标函数,y表示接收到的信号,Φ表示观察矩阵,γ是正则化参数;
接着将上式的凸问题视为以下无约束优化问题的特例,即:
G(h)=f1(h)+γf2(h)
其中
Figure GDA0003462168060000071
是光滑凸函数,而f2(h)=‖h‖1是稀疏函数,该算法通过迭代序列来解决问题,第k+1次生成的信道h(k+1)是通过优化以下子问题从先前的解h(k)中获得的:
Figure GDA0003462168060000072
其中,h(k)表示第k次生成的信道,h表示待求解信道,
Figure GDA0003462168060000073
表示函数f1(h(k))的梯度,对角矩阵ρ(k)是Hessian矩阵
Figure GDA0003462168060000074
的估计,
Figure GDA0003462168060000075
表示梯度的平方项,并且
Figure GDA0003462168060000076
由此,得到以下方程:
Figure GDA0003462168060000077
其中,S(u,a)=sgn(u)max{|u|-a,0}为软阈值函数,ρ(k)通过优化Barizilai-Borwein方程来选择,如下:
Figure GDA0003462168060000078
对于γ采用并行局部搜索策略,即在每一代中,使用一个元素保持均匀分布的向量:
Λ(k)=||ΦTy||·{rand(0,1)}1×b
其中,|| ||表示∞范数,ΦT是表示观察矩阵,y表示接收的信号,rand(0,1)表示随机生成的数,b表示信号的维度大小。
进一步地,从下一代群解从当前群解及其相应的试验解中选择出优势的个体,所述的步骤S5过程如下:
根据下式计算出下一代群解,作为从当前群解及其相应的试验解中选择,计算如下:
Figure GDA0003462168060000081
其中,h(k+1)表示第k+1次生成的信道,h(k)表示第k次生成的信道,v(k+1)表示交叉操作生成的信道结果,G(v(k+1))和G(h(k+1))分别表示v(k+1)和h(k+1)的目标函数值。
进一步地,所述的步骤S6中通过Pareto给定点上的斜率来确定最终解,最大斜率变化对应的点被认为是Pareto拐点,即为最终的决策,过程如下:在帕累托前沿ParetoFont(PF)上的第l个点(DBl,FBl),其斜率方差Δφl为:
Figure GDA0003462168060000082
Figure GDA0003462168060000083
式中,φl表示第l个点处的斜率,Δφl表示l点的斜率变化;然后,将Δφl值最大的解定义为近似最优解。
本发明相对于现有技术具有如下的优点及效果:
1)本发明方法利用Katri-Rao和Kronecker积的性质,找到了级联信道的稀疏表示,并将级联信道估计问题转化为稀疏信号恢复问题,可以直接使用现有的压缩感知方法。
2)本发明方法提出了一种多目标进化算法来解决压缩感知compressed sensing(CS)重构问题,避免了正则化参数值的选取。
3)在变异操作和交叉操作中,本发明采用参数自适应机制,加快了收敛速度。
4)除交叉操作和变异操作外,本发明利用迭代收缩阈值iterative shrinkagethreshold(IST)增强的软阈值局部搜索策略,获取更好的解决效率。
附图说明
图1是本发明实施例公开的一种基于毫米波智能反射面通信的大规模天线信道估计方法的流程图;
图2是本发明公开的信道估计方法与其他两种信道估计方法的最小均方误差对比效果图;
图3是本发明公开的信道估计方法与其他两种信道估计方法的频谱效率对比效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例公开了一种基于混合多目标进化算法的智能反射面增强毫米波MIMO信道估计方法,步骤如下:
S1、构建密集的干扰的通信场景,基站与用户间的视距通信被遮挡中断,反射面被部署在该场景中,用于协助提升通信覆盖;首先,采集基站采用的波束形成矢量发送信号至反射面,用户在不同时刻接收到来自反射面的信号,形成两段中继信道连接。
S2、根据上述场景的信道,可以发现该信道为串联结构,其估计相当困难;因此,利用Kronecker积,将IRS增强的毫米波MIMO通信信道模型转换成稀疏恢复重构问题;
本实施例中,步骤S2过程如下:
将毫米波MIMO通信信道视为级联信道矩阵H,从基站到IRS的信道表示为
Figure GDA0003462168060000101
IRS到用户的信道表示为
Figure GDA0003462168060000102
Figure GDA0003462168060000103
Figure GDA0003462168060000104
表示IRS的相移矩阵,θm∈[0,2π]和βm∈[0,1]分别表示与IRS第m个无源元件相关的相移和振幅反射系数,j=-1表示参数标量,e表示自然对数的底数,m=1,2,…,M,假设βm=1,令
Figure GDA0003462168060000105
表示采集的基站波束形成向量,定义
Figure GDA0003462168060000106
Figure GDA0003462168060000107
Figure GDA0003462168060000108
则用户在第t时刻接收到的信号为:
y=pHΘRwx+n=uHdiag(pH)Rwx+n=uHHwx+n
其中,pH表示IRS到用户的信道矩阵的共轭转置,x是传输信号,n表示均值为0方差为σ2的加性高斯白噪声,H为级联信道矩阵;基站到IRS的信道表示为:
Figure GDA0003462168060000109
式中,N、M分别表示信道的维度大小标量,ρ表示基站和IRS之间的平均路径损耗,L是路径数,αl表示与第l路径相关的复增益,
Figure GDA00034621680600001010
Figure GDA00034621680600001011
分别表示接收和发射阵列响应向量,
Figure GDA00034621680600001012
和γl分别表示接收端的仰角和方位角,φl是离开角AoD,假设智能反射面IRS是Mx×My均匀平面阵列,则有
Figure GDA0003462168060000111
其中
Figure GDA0003462168060000112
表示Kronecker积,ax(u)和ay(v)分别是:
Figure GDA0003462168060000113
Figure GDA0003462168060000114
其中,Mx和My分别智能反射面IRS的水平和垂直维度;
Figure GDA0003462168060000115
Figure GDA0003462168060000116
d表示天线间距,λ是信号波长,T表示转置符号;
根据毫米波信道的稀疏散射特性,相对于R的维数,路径L的数目很小,因此将R表示为
Figure GDA0003462168060000117
其中,
Figure GDA0003462168060000118
是一个过完备矩阵,它的每一列由ayl)构成,其中φl表示角度,矩阵
Figure GDA0003462168060000119
的每一列由ax(u)构成,矩阵
Figure GDA00034621680600001110
的每一列由ay(v)构成,
Figure GDA00034621680600001111
其中u表示角度,
Figure GDA00034621680600001112
是与信道路径增益相对应的具有L个非零项的稀疏矩阵;
IRS到用户信道表示为:
Figure GDA00034621680600001113
其中,μ表示IRS和用户之间的平均路径损耗,cl表示与第l条路径相关的复增益,
Figure GDA00034621680600001114
表示偏离的偏振角,M表示信道为的维度大小标量;根据有限散射特性,IRS到用户信道写成:
p=FPc
其中,
Figure GDA00034621680600001115
是一个具有L项非零项的稀疏向量,假设⊙表示转置的Khatri-Rao积,(*)表示复共轭,将级联通道表示为:
H=diag(p)R=p*⊙R
代入前面的公式可得:
Figure GDA0003462168060000121
其中,
Figure GDA0003462168060000122
经过以上变换,得到具有稀疏的级联信道矩阵H;假设传输信号x(t)=1,
Figure GDA0003462168060000123
中的接收信号y写成
Figure GDA0003462168060000124
其中,定义
Figure GDA0003462168060000125
将在不同时间点采集的信号值进行叠加
Figure GDA0003462168060000126
得到:
y=Φh+n
其中,
Figure GDA0003462168060000127
表示定义符号,
Figure GDA0003462168060000128
表示观测矩阵以及
Figure GDA0003462168060000129
式中,wT(1)、wT(N)分别表示采集的基站波束形成第一和第N个时间段的向量,pH(1)、pH(N)分别为第一和第N个时间段IRS到用户信道;
由于h是稀疏的,采用快速迭代收缩阈值算法将信道估计转换成一个稀疏信号恢复问题,如下:
Figure GDA00034621680600001210
其中,
Figure GDA00034621680600001211
为最小化h符号。
S3、为了解决稀疏恢复问题,提出多目标优化方法,首先对毫米波MIMO通信信道优化模型依次进行变异操作和交叉操作;
本实施例中,所述的步骤S3过程如下:首先进行变异操作,其目的是为了更有利于个体进入局部最优解情况,公式如下:
vi,t=hi,t+F(hr2,t-hr3,t),
其中,vi,t为变异后的个体,hi,t为当前迭代的个体,hr2,t,hr3,t为种群中随机选取的两个个体,F为变异因子;
执行完变异操作后进入交叉操作,具体为:
Figure GDA0003462168060000131
其中,zi,t为交叉后的个体,r为随机数,C为交叉阈值。
S4、利用基于LB的局部搜索算法进行压缩感知compressed sensing(CS)重建,过程如下:由于zi,t是稀疏的,采用快速迭代收缩阈值算法将信道估计转换成一个稀疏信号恢复问题,如下:
Figure GDA0003462168060000132
其中,
Figure GDA0003462168060000133
为最小化zi,t符号,
Figure GDA0003462168060000134
表示2范数的平方,‖·‖1表示1范数,G(zi,t)表示目标函数,y表示接收到的信号,Φ表示观察矩阵,γ是正则化参数;
本实施例中,步骤S4具体实现如下:
根据上一步骤形成的使用一个由IST改进的软阈值局部搜索策略解决
Figure GDA0003462168060000135
其中,
Figure GDA0003462168060000136
为最小化zi,t符号;
Figure GDA0003462168060000137
表示2范数的平方;‖·‖1表示1范数;G(zi,t)表示目标函数;y表示接收到的信号;Φ表示观察矩阵,γ是正则化参数;
接着将上式的凸问题视为以下无约束优化问题的特例,即:
G(h)=f1(h)+γf2(h)
其中
Figure GDA0003462168060000141
是光滑凸函数,而f2(h)=‖h‖1是稀疏函数,该算法通过迭代序列来解决问题,第k+1次生成的信道h(k+1)是通过优化以下子问题从先前的解h(k)中获得的:
Figure GDA0003462168060000142
其中,h(k)表示第k次生成的信道,h表示待求解信道,
Figure GDA0003462168060000143
表示函数f1(h(k))的梯度,对角矩阵ρ(k)是Hessian矩阵
Figure GDA0003462168060000144
的估计,并且
Figure GDA0003462168060000145
由此,得到以下方程:
Figure GDA0003462168060000146
其中,S(u,a)=sgn(u)max{|u|-a,0}为软阈值函数;ρ(k)通过优化Barizilai-Borwein方程来选择,如下:
Figure GDA0003462168060000147
对于λ采用并行局部搜索策略,即在每一代中,使用一个元素保持均匀分布的向量:
Λ(k)=||ΦTy||·{rand(0,1)}1×b
其中,|| ||表示∞范数,ΦT是表示观察矩阵,y表示接收的信号;rand(0,1)表示随机生成的数,b表示信号的维度大小。
通过CS重建后生成si,t后,从下一代群解、当前群解及其相应的试验解中进行选择操作,选择出优势的个体:
Figure GDA0003462168060000151
其中,hi,t+1表示选择操作后生成的信道,,G(si,t)表示si,t的目标函数值;
本实施例中,步骤S5过程如下:
根据下式计算出下一代群解,作为从当前群解及其相应的试验解中选择,计算如下:
Figure GDA0003462168060000152
其中,h(k+1)表示第k+1次生成的信道,h(k)表示第k次生成的信道,v(k+1)表示交叉操作生成的信道结果,G(v(k+1))和G(h(k+1))分别表示v(k+1)和h(k+1)的目标函数值。
S6、利用种群分布的最大斜率确定最后的决策,过程如下:考虑到帕累托膝盖区域Pareto knee regions上的第l个点(DBl,FBl),其斜率方差Δφl值最大的解定义为近似最优解,DBl和FBl分别表示第l个点的横坐标和纵坐标位置。
本实施例的步骤S6中,通过帕累托Pareto给定点上的斜率来确定最终解,最大斜率变化对应的点被认为是Pareto拐点,即为最终的决策。帕累托Pareto即为经过多目标算法运行后生成一组最终结果,这组结果都为优化解,但为权衡多目标的之间的互斥,研究表明位于帕累托膝盖区域的解为最佳权衡结果,即帕累托前沿Pareto Font(PF)。为了获取帕累托前沿我们考虑建立膝盖区域的最大斜率为帕累托前沿,具体过程如下:在帕累托膝盖区域上的第l个点(DBl,FBl),其斜率方差Δφl为:
Figure GDA0003462168060000161
Figure GDA0003462168060000162
式中,φl表示第l个点处的斜率,Δφl表示l点的斜率变化;然后,将Δφl值最大的解定义为近似最优解。
本实施例公开的基于毫米波智能发射面通信的大规模天线信道估计方法的效果通过以下实验进一步说明:
从图2所显示的人脑图像的恢复结果可以看出,本实施例公开的基于毫米波智能反射面通信的大规模天线信道估计方法得到的信道比其他方法估计出来的误差更小、精度更高。
从图3中可以看出不同的迭代次数变化情况下,几种同类方法估计出来的频谱效率随功率增大的变化情况。特别地,随着功率的增加,本实施例公开的信道估计方法可获得更高的频谱效率。进一步说明本实施例公开的信道估计方法得到的信道结果可以获得更精确的信道结果。
综上所述,本实施例公开了一种基于混合多目标进化算法的智能反射面增强毫米波MIMO信道估计方法,通过利用压缩感知技术和使用多目标进化算法来解决CS重构问题,有效地实现了IRS增强毫米波MIMO通信系统的信道估计。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (4)

1.一种基于毫米波智能反射面通信的大规模天线信道估计方法,其特征在于,所述的信道估计方法包括以下步骤:
S1、采集基站采用的波束形成矢量和用户在不同时刻接收到的信号;
S2、利用Kronecker积,将智能反射面IRS增强的毫米波MIMO通信信道模型转换成稀疏恢复重构问题;
S3、对毫米波MIMO通信信道模型依次进行变异操作和交叉操作,其中,所述的变异操作为:
vi,t=hi,t+F(hr2,t-hr3,t),
其中,vi,t为变异后的个体,hi,t为当前迭代的个体,hr2,t,hr3,t为种群中随机选取的两个个体,F为变异因子;
所述的交叉操作为:
Figure FDA0003498870610000011
其中,zi,t为交叉后的个体,r为随机数,C为交叉阈值;
S4、利用基于LB的局部搜索算法进行压缩感知CS重建,过程如下:由于zi,t是稀疏的,采用快速迭代收缩阈值算法将信道估计转换成一个稀疏信号恢复问题,如下:
Figure FDA0003498870610000012
其中,
Figure FDA0003498870610000013
为最小化zi,t符号,
Figure FDA0003498870610000014
表示2范数的平方,||·||1表示1范数,G(zi,t)表示目标函数,y表示接收到的信号,Φ表示观察矩阵,λ是正则化参数;
S5、通过压缩感知CS重建后生成个体si,t后,从下一代群解、当前群解及其相应的试验解中进行选择操作,选择出优势的个体:
Figure FDA0003498870610000021
其中,hi,t+1表示选择操作后生成的信道,G(si,t)表示个体si,t的目标函数值;
S6、利用种群分布的最大斜率确定最后的决策,过程如下:考虑到帕累托膝盖区域上的第l个点(DBl,FBl),其斜率方差Δφl值最大的解定义为近似最优解,DBl和FBl分别表示第l个点的横坐标和纵坐标位置;
其中,所述的步骤S2过程如下:
将毫米波MIMO通信信道视为级联信道矩阵H,从基站到IRS的信道表示为
Figure FDA0003498870610000022
IRS到用户的信道表示为
Figure FDA0003498870610000023
Figure FDA0003498870610000024
Figure FDA0003498870610000025
表示IRS的相移矩阵,θm∈[0,2π]和βm∈[0,1]分别表示与IRS第m个无源元件相关的相移和振幅反射系数,j=-1表示参数标量,e表示自然对数的底数,m=1,2,…,M,假设βm=1,令
Figure FDA0003498870610000026
表示采集的基站波束形成向量,定义
Figure FDA0003498870610000027
Figure FDA0003498870610000028
Figure FDA0003498870610000029
则用户在第t时刻接收到的信号为:
y=pHΘRwx+n=uHdiag(pH)Rwx+n=uHHwx+n
其中,pH表示IRS到用户的信道矩阵的共轭转置,x是传输信号,n表示均值为0方差为σ2的加性高斯白噪声,H为级联信道矩阵;基站到IRS的信道表示为:
Figure FDA00034988706100000210
式中,N、M分别表示信道的维度大小标量,ρ表示基站和IRS之间的平均路径损耗,L是路径数,αl表示与第l路径相关的复增益,
Figure FDA00034988706100000211
Figure FDA00034988706100000212
分别表示接收和发射阵列响应向量,
Figure FDA00034988706100000213
和γl分别表示接收端的仰角和方位角,φl是离开角AoD,假设智能反射面IRS是Mx×My均匀平面阵列,则有
Figure FDA0003498870610000031
其中
Figure FDA0003498870610000032
表示Kronecker积,ax(u)和ay(v)分别是:
Figure FDA0003498870610000033
Figure FDA0003498870610000034
其中,Mx和My分别是智能反射面IRS的水平和垂直维度;
Figure FDA0003498870610000035
Figure FDA0003498870610000036
d表示天线间距,λ是信号波长,T表示转置符号;
根据毫米波信道的稀疏散射特性,相对于R的维数,路径L的数目很小,因此将R表示为
Figure FDA0003498870610000037
其中,
Figure FDA0003498870610000038
是一个过完备矩阵,它的每一列由ayl)构成,其中φl表示角度,矩阵
Figure FDA0003498870610000039
的每一列由ax(u)构成,矩阵
Figure FDA00034988706100000310
的每一列由ay(v)构成,
Figure FDA00034988706100000311
其中u表示角度,
Figure FDA00034988706100000312
是与信道路径增益相对应的具有L个非零项的稀疏矩阵;
IRS到用户信道表示为:
Figure FDA00034988706100000313
其中,μ表示IRS和用户之间的平均路径损耗,cl表示与第l条路径相关的复增益,
Figure FDA00034988706100000314
表示偏离的偏振角,M表示信道的维度大小标量;
根据有限散射特性,IRS到用户信道写成:
p=FPc
其中,
Figure FDA0003498870610000041
是一个具有L项非零项的稀疏向量,假设⊙表示转置的Khatri-Rao积,“*”表示复共轭,将级联通道表示为:
H=diag(p)R=p*⊙R
代入前面的公式可得:
Figure FDA0003498870610000042
其中,
Figure FDA0003498870610000043
经过以上变换,得到具有稀疏的级联信道矩阵H;假设传输信号x(t)=1,
Figure FDA0003498870610000044
中的接收信号y写成
Figure FDA0003498870610000045
其中,定义
Figure FDA0003498870610000046
将在不同时间点采集的信号值进行叠加
Figure FDA0003498870610000047
得到:
y=Φh+n
其中,
Figure FDA0003498870610000048
表示定义符号,
Figure FDA0003498870610000049
表示观测矩阵以及
Figure FDA00034988706100000410
式中,wT(1)、wT(N)分别表示采集的基站波束形成第一和第N个时间段的向量,pH(1)、pH(N)分别为第一和第N个时间段IRS到用户信道;
由于h是稀疏的,采用快速迭代收缩阈值算法将信道估计转换成一个稀疏信号恢复问题,如下:
Figure FDA00034988706100000411
其中,
Figure FDA00034988706100000412
为最小化h符号。
2.根据权利要求1所述的基于毫米波智能反射面通信的大规模天线信道估计方法,其特征在于,所述的步骤S4过程如下:
根据上一步骤形成的使用一个由IST改进的软阈值局部搜索策略解决
Figure FDA0003498870610000051
其中,
Figure FDA0003498870610000052
为最小化zi,t符号;
接着将上式的凸问题视为以下无约束优化问题的特例:
G(h)=f1(h)+γf2(h)
其中
Figure FDA0003498870610000053
是光滑凸函数,而f2(h)=||h||1是稀疏函数,该算法通过迭代序列来解决问题,第k+1次生成的信道h(k+1)是通过优化以下子问题从先前的解h(k)中获得的:
Figure FDA0003498870610000054
其中,h(k)表示第k次生成的信道,h表示待求解信道,
Figure FDA0003498870610000055
表示函数f1(h(k))的梯度,对角矩阵ρ(k)是Hessian矩阵
Figure FDA0003498870610000056
的估计,
Figure FDA0003498870610000057
表示梯度的平方项,并且
Figure FDA0003498870610000058
由此,得到以下方程:
Figure FDA0003498870610000059
其中,S(u,a)=sgn(u)max{|u|-a,0}为软阈值函数,ρ(k)通过优化Barizilai-Borwein方程来选择,如下:
Figure FDA0003498870610000061
对于γ采用并行局部搜索策略,在每一代中,使用一个元素保持均匀分布的向量:
Λ(k)=||ΦTy||·{rand(0,1)}1×b
其中,||||表示∞范数,ΦT是表示观察矩阵,y表示接收的信号,rand(0,1)表示随机生成的数,b表示信号的维度大小。
3.根据权利要求2所述的基于毫米波智能反射面通信的大规模天线信道估计方法,其特征在于,从下一代群解从当前群解及其相应的试验解中选择出优势的个体,所述的步骤S5过程如下:
根据下式计算出下一代群解,作为从当前群解及其相应的试验解中选择,计算如下:
Figure FDA0003498870610000062
其中,h(k+1)表示第k+1次生成的信道,h(k)表示第k次生成的信道,v(k+1)表示交叉操作生成的信道结果,G(v(k+1))和G(h(k+1))分别表示v(k+1)和h(k+1)的目标函数值。
4.根据权利要求3所述的基于毫米波智能反射面通信的大规模天线信道估计方法,其特征在于,所述的步骤S6中通过Pareto给定点上的斜率来确定最终解,最大斜率变化对应的点被认为是Pareto拐点,为最终的决策,过程如下:在帕累托前沿Pareto Font上的第l个点(DBl,FBl),其斜率方差Δφl为:
Figure FDA0003498870610000071
Figure FDA0003498870610000072
式中,φl表示第l个点处的斜率,Δφl表示l点的斜率变化;然后,将Δφl值最大的解定义为近似最优解。
CN202011443013.8A 2020-12-11 2020-12-11 基于毫米波智能反射面通信的大规模天线信道估计方法 Active CN112769461B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011443013.8A CN112769461B (zh) 2020-12-11 2020-12-11 基于毫米波智能反射面通信的大规模天线信道估计方法
PCT/CN2021/124020 WO2022121497A1 (zh) 2020-12-11 2021-10-15 基于毫米波智能反射面通信的大规模天线信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443013.8A CN112769461B (zh) 2020-12-11 2020-12-11 基于毫米波智能反射面通信的大规模天线信道估计方法

Publications (2)

Publication Number Publication Date
CN112769461A CN112769461A (zh) 2021-05-07
CN112769461B true CN112769461B (zh) 2022-04-22

Family

ID=75693633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443013.8A Active CN112769461B (zh) 2020-12-11 2020-12-11 基于毫米波智能反射面通信的大规模天线信道估计方法

Country Status (2)

Country Link
CN (1) CN112769461B (zh)
WO (1) WO2022121497A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112769461B (zh) * 2020-12-11 2022-04-22 华南理工大学 基于毫米波智能反射面通信的大规模天线信道估计方法
CN113783809B (zh) * 2021-09-02 2022-09-27 哈尔滨工程大学 基于二进制人工藻类机理的Massive MIMO信道估计方法
CN113783810B (zh) * 2021-09-14 2022-06-14 华南理工大学 智能反射面辅助室内通信的信道估计方法、装置及介质
CN113965881B (zh) * 2021-09-28 2022-11-01 浙江大学 遮挡效应下的毫米波一体化通信与感知方法
CN113765617B (zh) * 2021-09-30 2023-09-22 电子科技大学 一种基于反射放大面对抗同频干扰的方法
CN114338299B (zh) * 2021-12-01 2022-12-20 同济大学 一种基于位置信息对智能反射面辅助的通信系统进行信道估计的方法
CN114142931B (zh) * 2021-12-13 2023-09-12 北京邮电大学 一种基于bic-daf-moea的复杂信道通信方法
CN114338302B (zh) * 2021-12-22 2024-02-09 中国南方电网有限责任公司超高压输电公司 一种基于毫米波联合结构的智能反射面两级信道估计方法
CN114900400B (zh) * 2022-05-24 2023-06-16 华南理工大学 一种基于智能反射面辅助物联网的联合稀疏信道估计方法
CN115002793B (zh) * 2022-06-17 2024-01-02 东南大学 均衡用户角度间距的毫米波大规模mimo系统用户分组方法
CN115379462B (zh) * 2022-06-30 2024-02-13 北京邮电大学 一种面向6g智能反射面辅助网络的三维部署方法
CN115499053A (zh) * 2022-09-20 2022-12-20 东南大学 大规模mimo低轨卫星通信系统遗传用户调度方法
CN115765900B (zh) * 2022-10-27 2024-02-27 大连海事大学 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
CN116094553B (zh) * 2022-11-07 2024-04-23 上海师范大学 基于张量分解的车联网ris辅助注意力机制通信与感知方法
CN115865575A (zh) * 2022-11-29 2023-03-28 东南大学 一种可重构智能表面辅助mimo系统分离信道重建方法
CN116016052B (zh) * 2023-01-04 2024-05-07 西南交通大学 一种用于毫米波大规模mimo系统的信道估计方法
CN116132227A (zh) * 2023-02-21 2023-05-16 东南大学 基于生成扩散模型的ris辅助大规模mimo信道估计
CN116319199B (zh) * 2023-03-02 2024-05-31 华南理工大学 无线功率通信网络最大吞吐量闭式解求解方法、装置及介质
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
CN117200846B (zh) * 2023-09-15 2024-04-05 兰州交通大学 一种基于列车位置和ris的毫米波波束成形方法及系统
CN117254994B (zh) * 2023-11-20 2024-03-15 南京邮电大学 基于定秩矩阵流形上近端梯度算法的稀疏信道估计方法
CN117676601A (zh) * 2023-12-08 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 面向窃听环境下去蜂窝大规模mimo系统的airs部署方法
CN118174994A (zh) * 2024-05-14 2024-06-11 南京信息工程大学 一种超大规模mimo通信信道估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110380997A (zh) * 2019-07-15 2019-10-25 南京邮电大学 基于自适应压缩感知的毫米波信道估计方法
CN111313951A (zh) * 2020-02-17 2020-06-19 南京邮电大学 基于非理想csi的irs辅助安全通信无线传输方法
CN111817768A (zh) * 2020-06-03 2020-10-23 北京交通大学 一种用于智能反射表面无线通信的信道估计方法
CN111865387A (zh) * 2020-08-04 2020-10-30 同济大学 智能反射面辅助无线通信系统的波束成形设计方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10382230B2 (en) * 2017-03-31 2019-08-13 Mitsubishi Electric Research Laboratories, Inc. System and method for channel estimation in mmWave communications exploiting joint AoD-AoA angular spread
CN110519189B (zh) * 2019-08-30 2022-12-09 东南大学 高度移动场景下基于压缩感知的毫米波信道估计方法
CN111107023B (zh) * 2019-09-23 2024-02-02 南京邮电大学 在大规模mimo中基于光滑范数的压缩感知信道估计方法
CN112769461B (zh) * 2020-12-11 2022-04-22 华南理工大学 基于毫米波智能反射面通信的大规模天线信道估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110380997A (zh) * 2019-07-15 2019-10-25 南京邮电大学 基于自适应压缩感知的毫米波信道估计方法
CN111313951A (zh) * 2020-02-17 2020-06-19 南京邮电大学 基于非理想csi的irs辅助安全通信无线传输方法
CN111817768A (zh) * 2020-06-03 2020-10-23 北京交通大学 一种用于智能反射表面无线通信的信道估计方法
CN111865387A (zh) * 2020-08-04 2020-10-30 同济大学 智能反射面辅助无线通信系统的波束成形设计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An Evolutionary Multiobjective Approach to Sparse Reconstruction;Lin Li et al;《IEEE Transactions on Evolutionary Computation》;20141231;第18卷(第6期);第827-845页 *
Broadband Channel Estimation for Intelligent Reflecting Surface Aided mmWave Massive MIMO Systems;Ziwei Wan et al;《2020 IEEE International Conference on Communications》;20200727;全文 *
Channel Estimation for Intelligent Reflecting Surface Assisted Multiuser Communications Framework, Algorithms, and Analysis;Zhaorui Wang et al;《IEEE Transactions on Wireless Communications》;20201031;第19卷(第10期);第6607-6620页 *
智能反射面-大有前景的6G技术;姚建文,王楠;《电信快报》;20200731(第7期);第8-13页 *
面向6G的无线通信信道特性分析与建模;王承祥 等;《物联网学报》;20200331;第4卷(第1期);第19-32页 *

Also Published As

Publication number Publication date
CN112769461A (zh) 2021-05-07
WO2022121497A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
CN112769461B (zh) 基于毫米波智能反射面通信的大规模天线信道估计方法
CN109104225B (zh) 一种能效最优的大规模mimo波束域多播传输方法
CN104865556B (zh) 基于实域加权最小化l1范数方法的MIMO雷达系统DOA估计方法
WO2018179557A1 (en) Method for decoding symbol and receiver for receiving and decoding symbol
CN107576931B (zh) 一种基于协方差低维度迭代稀疏重构的相关/相干信号波达方向估计方法
Varade et al. Robust algorithms for DOA estimation and adaptive beamforming for smart antenna application
CN114726687B (zh) 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
CN113179231A (zh) 一种毫米波大规模mimo系统中波束空间信道估计方法
CN115021792B (zh) 一种无线通信系统安全传输方法
CN112731278A (zh) 一种部分极化信号的角度与极化参数欠定联合估计方法
Chen et al. Channel estimation of IRS-aided communication systems with hybrid multiobjective optimization
CN110380995B (zh) 具有透镜天线阵的mimo系统的稀疏信道估计方法
CN111781598A (zh) 基于dsn的高分辨二维isar成像方法
Yang et al. Low-cost beamforming and DOA estimation based on one-bit reconfigurable intelligent surface
CN111239679B (zh) 一种用于互质面阵下相干信源doa估计的方法
CN115695105B (zh) 基于深度迭代智能超表面辅助通信的信道估计方法及装置
CN115022134B (zh) 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN114844538B (zh) 一种基于宽学习的毫米波mimo用户增量协作波束选择方法
Song et al. Deep learning based low-rank channel recovery for hybrid beamforming in millimeter-wave massive MIMO
Zhou et al. Manifold learning inspired dynamic hybrid precoding with antenna partitioning algorithm for dual-hop hybrid fso-rf systems
CN114785642A (zh) 一种基于稀疏张量分解的ris-mimo系统信道估计方法
CN107064884B (zh) 基于规则重叠子阵的自适应波束形成方法
Zhang et al. Channel Estimation with Dynamic Metasurface Antennas via Model-Based Learning
CN117650861B (zh) 无线环境预测方法和装置、电子设备及存储介质
CN114978264B (zh) 基于太赫兹mimo系统的混合预编码方法

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