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 PDFInfo
- 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
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
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- 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
- H04L25/0256—Channel estimation using minimum mean square error criteria
-
- 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)
- 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
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:
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:
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:
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IRS到用户的信道表示为令 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,令表示采集的基站波束形成向量,定义和 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:
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,和分别表示接收和发射阵列响应向量,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
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
IRS到用户信道表示为:
p=FPc
H=diag(p)R=p*⊙R
代入前面的公式可得:
y=Φh+n
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:
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:
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
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)
由此,得到以下方程:
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:
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:
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:
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IRS到用户的信道表示为令 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,令表示采集的基站波束形成向量,定义和 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:
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,和分别表示接收和发射阵列响应向量,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
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
IRS到用户信道表示为:
p=FPc
H=diag(p)R=p*⊙R
代入前面的公式可得:
y=Φh+n
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:
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:
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:
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
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)
由此,得到以下方程:
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:
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:
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:
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:
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:
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:
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:
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IRS到用户的信道表示为令 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,令表示采集的基站波束形成向量,定义和 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:
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,和分别表示接收和发射阵列响应向量,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
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
IRS到用户信道表示为:
根据有限散射特性,IRS到用户信道写成:
p=FPc
H=diag(p)R=p*⊙R
代入前面的公式可得:
y=Φh+n
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:
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
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)
由此,得到以下方程:
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:
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。
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)
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)
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)
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 |
-
2020
- 2020-12-11 CN CN202011443013.8A patent/CN112769461B/zh active Active
-
2021
- 2021-10-15 WO PCT/CN2021/124020 patent/WO2022121497A1/zh active Application Filing
Patent Citations (4)
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)
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 |