CN112887002B - 一种智能反射面辅助通信的波束域信道角度估计方法 - Google Patents

Abstract

本发明公开了一种有智能反射面辅助通信的波束域信道的角度估计方法，针对现有的压缩感知角度估计方法计算量大的问题，本方法通过设置智能反射面的反射系数使其形成不同的反射角度，并依次对智能反射面到达角、智能反射面离开角进行估计，从而获得波束域信道的角度估计值。本发明减少了智能反射面辅助通信信道角度估计中的导频开销，操作流程也更为简便。

Description

一种智能反射面辅助通信的波束域信道角度估计方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种智能反射面辅助通信的波束域信道角度估计方法。

背景技术

智能反射表面是一种新型的人工电磁材料，它由大量相同结构的反射单元所构成。从微观上看，可以人为地控制每个反射单元的反射系数(相位、幅度)，使其对入射的电磁波独立施加可控影响；从宏观上看，可以协同控制所有反射单元，来改变反射波束的数量、方向、散射程度等。

智能反射面的最优反射系数设置，需要以发射端-智能反射面-接收端之间的三组信道响应为依据进行设计，因此需要进行瞬时信道状态信息(Channel StateInformation，CSI)的估计。而智能反射面在进行信号反射时，其功能上属于被动无源器件，不具备信号接收、采样功能，仅能从基站、用户天线处进行信号采样，并据此估计瞬时CSI，因此需要设计与传统信道估计不同的信道估计技术。对于具备大量均匀密集排布、单元间隔小于半波长、距离收发端较远、环境散射体成簇状分布的智能反射面来说，可以将其信道建模为波束域信道模型，因此波束域信道的角度估计成了获取CSI的重点。现有的智能反射面波束域信道角度估计主要是通过划分空间角度域，采用压缩感知方法来估计角度值。但将角度域密集划分后，问题的运算规模极大，复杂度过高。因此亟需一种新的角度估计方法来获取信道角度，其过程不能过于复杂。

发明内容

发明目的：在智能反射面辅助通信系统中，用户和智能反射面之间及基站和智能反射面之间均可能存在多条信道路径，因此智能反射面会有多组不同的入射角和反射角，要把这些角度都估计出来可能需要复杂度较高的算法，如背景技术中提到的压缩感知算法。针对这一问题，本发明提出一种智能反射面辅助通信的波束域信道角度估计方法，操作流程更为简便，也可以获得精确的估计角度值。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种智能反射面辅助通信的波束域信道的角度估计方法，其特征在于，包括如下步骤：

步骤1：基站配备多天线，用户配备单天线，用户发送导频数据，基站侧利用经典谱估计方法估计出信号到达角。

步骤2：将基站接收波束方向对准智能反射面，用户持续发送导频数据，将其持续发送的时间分为多个等间隔的时隙，在每个时隙开始，对智能反射面的反射系数进行配置，并保持该配置直到该时隙结束。在基站侧，计算并记录每个时隙收到的信号平均功率；

步骤3：基站找到信号平均功率序列的局部极大值，并进行筛选。基站通过极大值平均功率的时隙序号找出相对应的空间角度，作为智能反射面入射角的估计值；

步骤4：基站通过步骤1中估计的到达角信息判断智能反射面和基站之间是否存在除视距链路之外的非视距链路，若不存在，则完成估计，若存在，则转到步骤5；

步骤5：将基站接收波束方向对准其中一条非视距链路的信号到达角方向，用户持续发送导频数据，将其持续发送的时间等分为多个连续的阶段。每个阶段的时间分为数量相同的等间隔时隙，不同阶段的时隙序号相同。在任一阶段中，每个时隙开始时，对智能反射面的反射系数进行配置，并保持该配置直到该时隙结束。在基站侧，计算并记录每个阶段中所有时隙收到的信号平均功率；

步骤6：基站将不同阶段中相同时隙序号对应的信号平均功率值进行相乘，在相乘的结果中找到全局最大值，把该最大值的时隙序号所对应的空间角度作为智能反射面反射角的估计值；

步骤7：基站通过步骤1中估计的到达角信息判断智能反射面和基站之间是否存在尚未估计反射角的其他非视距链路，若不存在，则完成估计，若存在，则转到步骤5；

作为优选，所述步骤3中，基站筛选信号平均功率局部极大值的方法如下：找出信号平均功率的全局最大值，选定该最大值的20-30％为筛选标准值，未达到筛选标准值的局部极大值被剔除，达到筛选标准值的局部极大值被保留。

作为优选，所述步骤2和步骤5中，智能反射面的反射系数矢量配置为

v_j＝phase(a(μ₀)oa^＊(θ_j))

其中，j为时隙序号，θ_j为入射空间角度，a(μ₀)代表以μ₀为反射空间角度的导向矢量，它与时隙序号无关，o表示哈达玛积，phase()表示只取该矢量的相位部分。

作为优选，所述步骤3中的时隙序号和入射空间角度之间一一对应，所述步骤6中的时隙序号和反射空间角度之间一一对应。

作为优选，若所述步骤1中有多个用户存在的情况，则分别让每个用户执行步骤2和步骤3，且在步骤5中只选择步骤2中基站侧接收信号平均功率最大的一个用户来发送导频数据，其余步骤保持不变，得到多用户情况下的角度估计。

作为优选，所述步骤1中基站侧所使用的经典谱估计方法包括但不限于多信号分类算法、基于旋转不变技术的信号参数估计算法。

本发明相比现有技术，具有以下有益效果：

本发明通过在不同时隙内给智能反射面设置不同的反射系数，从而实现了智能反射面的入射波束和反射波束在空间角度域中进行“扫描”的效果，能够更方便快捷地估计出智能反射面辅助通信的多组波束域信道角度，相比于用压缩感知来估计信道角度的方法，本发明的信道角度估计方法极大地减小了问题的复杂度，也能够获得较为精确的角度估计值。

附图说明

图1为实例中智能反射面辅助通信的系统模型示意图；

图2为实例一和实例二不同时隙数目下的接收功率及角度估计结果对比图；

图3为实例二中不同阶段的接收功率对比图；

图4为实例二和实例三中每阶段不同时隙数目下的角度估计结果对比图；

图5为实例一、二、三中所使用的时隙数与传统信道角度估计方法对比图；

图6为本发明信道角度估计方法的流程示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种智能反射面辅助通信的波束域信道角度估计方法，通过在不同时隙内给智能反射面配置不同的反射系数，首先估计出用户到智能反射面的入射角度，再估计出智能反射面到基站的反射角度，如图4所示，包括如下步骤：

步骤1：

基站具有M根天线，呈线阵分布，IRS具有N个反射单元，呈线阵分布，单个用户，用户有一根全向天线。本实例中设置M＝64，N＝256。将用户到IRS的信道表示为波束域信道为：

其中θ_i,i＝0,1,...,L₂-1为智能反射面的信号入射角度，对应的路径增益为β_i,i＝0,1,...,L₂-1，

为导向矢量，Δ_IRS是对波长归一化后的IRS反射单元的距离。类似地，IRS到基站的表示为波束域信道为：

μ_l,l＝0,1,...,L₁-1为智能反射面的信号反射角度，对应的基站侧接收信号到达角为φ_l,l＝0,1,...,L₁-1，对应的路径增益为α_l,l＝0,1,...,L₁-1。

为导向矢量，Δ_BS是对波长归一化后的基站天线单元的距离。在两个信道中，视距链路(Line-of-Sight，LoS)的角度/增益下标均记为0。本实例中将路径增益α_l和β_i均设置为从复高斯分布CN(0,1)产生的随机数，将基站处的到达角、智能反射面的入射角和反射角均设置为服从[0,π)内均匀分布的随机角度。用户到智能反射面的信道路径数设置为L₂＝3，智能反射面到基站的信道路径数设置为L₁＝3，Δ_IRS和Δ_BS均设置为0.5。

则用户到基站的合成信道为H＝H₁ΘH₂，Θ＝diag(v₀,v₁,...,v_N-1)是反射系数组成的对角阵。基站通过经典的谱估计方法可以获得到达角φ_l,l＝0,1,...,L₁-1。

步骤2：

设定基站接收波束固定指向智能反射面的LoS方向，成形矢量为

令用户发送的导频数据为1，此时基站的接收信号功率为：

对智能反射面，在第j个时隙序号时，其入射空间角度为θ_j，则将反射系数矩阵配置为

o代表哈达玛积，phase()代表只取其相位，diag()表示将矢量对角化为矩阵。μ₀为基站和智能反射面之间LoS信道的反射角度，故可根据已估计出的φ₀求出。基站处计算并记录每个时隙收到的信号平均功率值。

本实例中将用户持续发送导频的时间等分为30个时隙，每个时隙内智能反射面的反射系数配置保持不变。从[0,π)的范围内间隔均匀地取出30个采样点，每个采样点对应的角度值作为空间角度θ_j的值，采样点的序号和时隙序号一一对应。该步骤中30个采样点角度对应的接收功率图位于说明书附图中的图2。

步骤3：

此时步骤2中反射系数的a_N(μ₀)可与信道H₁中的

相互匹配，

可与信道H₂相互匹配，故当θ_j＝θ_i,i＝0,1,...,L₂-1时，基站处接收信号平均功率会出现局部极大值。由于步骤2中的角度采样点较多，信号平均功率可能会出现其他局部极大值，因此需要对数据进行筛选。

本实例中以接收信号平均功率中最大值的30％为筛选标准值，低于筛选标准值的局部极大值被剔除，其余的被保留下来。根据被保留的局部极大值所对应的时隙序号j，即可找到对应的空间角度θ_j，将其作为智能反射面到达角的估计值。该步骤中得到的估计值与真实值的对比位于说明书附图中的图2。

步骤4：

根据步骤1中基站估计出的到达角φ_l,l＝0,1,...,L₁-1的个数判断，是否还有除视距链路信道以外的其他非视距链路(Non-Line-of-Sight，NLoS)信道，即L₁＞1是否成立，若成立，则转到步骤5，否则完成角度估计。

步骤5：

将基站接收波束方向对准需要估计智能反射面反射角度的第l条路径，此时基站处成形矢量为

基站处信号接收功率为

将用户持续发送导频的时间分为L₂个阶段，每个阶段均有相同的时隙数。在第i个阶段的第j个时隙中，智能反射面的反射系数矩阵配置为

其中，a_N(θ_i)代表以θ_i为入射空间角度的导向矢量，各个阶段的θ_i均不相同。a_N(μ_j)代表以μ_j为反射空间角度的导向矢量，其值只与时隙序号j有关，与阶段序号i无关。

本实例中L₁＝3，即基站和智能反射面之间除了LoS信道路径还有两条NLoS信道路径，则先把基站接收波束方向对准需要估计角度的第一条NLoS路径，基站成形矢量设为

本实例中将用户持续发送导频的时间分为3个阶段，在这3个阶段中，智能反射面反射系数矩阵中的

分别与第1、第2、第3个入射空间角度相匹配。将每个阶段持续发送导频的时间等分为20个时隙，从[0,π)的范围内间隔均匀地取出20个采样点，每个采样点对应的角度值作为反射空间角度μ_j的值，采样点的序号和时隙序号一一对应。在基站侧，计算并记录每个阶段中所有时隙收到的信号平均功率；

步骤6：

基站将不同阶段中相同时隙序号对应的信号平均功率值进行相乘，将得到的第i个阶段中第j个时隙的信号平均功率记为R_ij，则乘积结果为

步骤5中分为3个阶段，每个阶段有20个等间隔时隙，则第j个时隙的乘积结果为

在乘积结果中找到最大值R_jmax的时隙序号j_max，把其对应的反射空间角度μ_jmax作为该NLoS路径的反射角度估计值。

步骤7：

基站根据步骤1中估计出的到达角φ_l,l＝0,1,...,L₁-1的个数判断，是否还有尚未估计反射角度的其他NLoS信道路径，若是，则转到步骤5，否则完成角度估计。

实施例二：

步骤1：

基站具有M根天线，呈线阵分布，IRS具有N个反射单元，呈线阵分布，单个用户，用户有一根全向天线。本实例中设置M＝64，N＝256。将用户到IRS的信道表示为波束域信道为：

其中θ_i,i＝0,1,...,L₂-1为智能反射面的信号入射角度，对应的路径增益为β_i,i＝0,1,...,L₂-1，

为导向矢量，Δ_IRS是对波长归一化后的IRS反射单元的距离。类似地，IRS到基站的表示为波束域信道为：

μ_l,l＝0,1,...,L₁-1为智能反射面的信号反射角度，对应的基站侧接收信号到达角为φ_l,l＝0,1,...,L₁-1，对应的路径增益为α_l,l＝0,1,...,L₁-1。

为导向矢量，Δ_BS是对波长归一化后的基站天线单元的距离。在两个信道中，视距链路(Line-of-Sight，LoS)的角度/增益下标均记为0。本实例中将路径增益α_l和β_i及基站处的到达角、智能反射面的入射角和反射角均设置为和实例一相同的值。用户到智能反射面的信道路径数设置为L₂＝3，智能反射面到基站的信道路径数设置为L₁＝3，Δ_IRS和Δ_BS均设置为0.5。

则用户到基站的合成信道为H＝H₁ΘH₂，Θ＝diag(v₀,v₁,...,v_N-1)是反射系数组成的对角阵。基站通过经典的谱估计方法可以获得到达角φ_l,l＝0,1,...,L₁-1。

步骤2：

设定基站接收波束固定指向智能反射面的LoS方向，成形矢量为

令用户发送的导频数据为1，此时基站的接收信号功率为：

对智能反射面，在第j个时隙序号时，其入射空间角度为θ_j，则将反射系数矩阵配置为

o代表哈达玛积，phase()代表只取其相位，diag()表示将矢量对角化为矩阵。μ₀为基站和智能反射面之间LoS信道的反射角度，故可根据已估计出的φ₀求出。基站处计算并记录每个时隙收到的信号平均功率值。

本实例中将用户持续发送导频的时间等分为100个时隙，每个时隙内智能反射面的反射系数配置保持不变。从[0,π)的范围内间隔均匀地取出100个采样点，每个采样点对应的角度值作为空间角度θ_j的值，采样点的序号和时隙序号一一对应。该步骤中100个采样点角度对应的接收功率图位于说明书附图中的图2。

步骤3：

此时步骤2中反射系数的a_N(μ₀)可与信道H₁中的

相互匹配，

可与信道H₂相互匹配，故当θ_j＝θ_i,i＝0,1,...,L₂-1时，基站处接收信号平均功率会出现局部极大值。由于步骤2中的角度采样点较多，信号平均功率可能会出现其他局部极大值，因此需要对数据进行筛选。

本实例中以接收信号平均功率中最大值的20％为筛选标准值，低于筛选标准值的局部极大值被剔除，其余的被保留下来。根据被保留的局部极大值所对应的时隙序号j，即可找到对应的空间角度θ_j，将其作为智能反射面到达角的估计值。该步骤中得到的估计值与真实值的对比位于说明书附图中的图2。

从实例一和实例二角度估计值和真实角度值的对比中可以看出，实例二中角度估计的误差都在1°以内，而实例一中的角度估计误差都在2°左右。因此，角度采样点越多，即时隙越多，则角度估计值就越接近于真实值，角度估计的结果就越准确。这是一个复杂度与精确度折衷的问题，复杂度越高，则精确度越高。

步骤4：

根据步骤1中基站估计出的到达角φ_l,l＝0,1,...,L₁-1的个数判断，是否还有除LoS信道以外的其他NLoS信道，即L₁＞1是否成立，若成立，则转到步骤5，否则完成角度估计。

步骤5：

将基站接收波束方向对准需要估计智能反射面反射角度的第l条路径，此时基站处成形矢量为

基站处信号接收功率为

将用户持续发送导频的时间分为L₂个阶段，每个阶段均有相同的时隙数。在第i个阶段的第j个时隙中，智能反射面的反射系数矩阵配置为

其中，a_N(θ_i)代表以θ_i为入射空间角度的导向矢量，各个阶段的θ_i均不相同。a_N(μ_j)代表以μ_j为反射空间角度的导向矢量，其值只与时隙序号j有关，与阶段序号i无关。

本实例中L₁＝3，即基站和智能反射面之间除了LoS信道路径还有两条NLoS信道路径，则先把基站接收波束方向对准需要估计角度的第一条NLoS路径，基站成形矢量设为

本实例中将用户持续发送导频的时间分为3个阶段，在这3个阶段中，智能反射面反射系数矩阵中的

分别与第1、第2、第3个入射空间角度相匹配。将每个阶段持续发送导频的时间等分为20个时隙，从[0,π)的范围内间隔均匀地取出20个采样点，每个采样点对应的角度值作为反射空间角度μ_j的值，采样点的序号和时隙序号一一对应。在基站侧，计算并记录每个阶段中所有时隙收到的信号平均功率。该步骤中3个不同阶段所对应的接收功率图位于说明书附图中的图3。

步骤6：

基站将不同阶段中相同时隙序号对应的信号平均功率值进行相乘，将得到的第i个阶段中第j个时隙的信号平均功率记为R_ij，则乘积结果为

步骤5中分为3个阶段，每个阶段有20个等间隔时隙，则第j个时隙的乘积结果为

在乘积结果中找到最大值R_{j max}的时隙序号j_max，把其对应的反射空间角度μ_{j max}作为该NLoS路径的反射角度估计值。该步骤中3个不同阶段对应的接收功率相乘结果图及角度估计值位于说明书附图中的图4。

步骤7：

基站根据步骤1中估计出的到达角φ_l,l＝0,1,...,L₁-1的个数判断，是否还有尚未估计反射角度的其他NLoS信道路径，若是，则转到步骤5，否则完成角度估计。

实施例三：

步骤1：

基站具有M根天线，呈线阵分布，IRS具有N个反射单元，呈线阵分布，单个用户，用户有一根全向天线。本实例中设置M＝64，N＝256。将用户到IRS的信道表示为波束域信道为：

其中θ_i,i＝0,1,...,L₂-1为智能反射面的信号入射角度，对应的路径增益为β_i,i＝0,1,...,L₂-1，

为导向矢量，Δ_IRS是对波长归一化后的IRS反射单元的距离。类似地，IRS到基站的表示为波束域信道为：

μ_l,l＝0,1,...,L₁-1为智能反射面的信号反射角度，对应的基站侧接收信号到达角为φ_l,l＝0,1,...,L₁-1，对应的路径增益为α_l,l＝0,1,...,L₁-1。

为导向矢量，Δ_BS是对波长归一化后的基站天线单元的距离。在两个信道中，视距链路(Line-of-Sight，LoS)的角度/增益下标均记为0。本实例中将路径增益α_l和β_i及基站处的到达角、智能反射面的入射角和反射角均设置为和实例一相同的值。用户到智能反射面的信道路径数设置为L₂β3，智能反射面到基站的信道路径数设置为L₁β3，Δ_IRS和Δ_BS均设置为0.5。

则用户到基站的合成信道为H＝H₁ΘH₂，Θβdiag(v₀,v₁,...,v_N-1)是反射系数组成的对角阵。基站通过经典的谱估计方法可以获得到达角φ_l,lβ0,1,...,L₁-1。

步骤2：

设定基站接收波束固定指向智能反射面的LoS方向，成形矢量为

令用户发送的导频数据为1，此时基站的接收信号功率为：

对智能反射面，在第j个时隙序号时，其入射空间角度为θ_j，则将反射系数矩阵配置为

代表哈达玛积，phase()代表只取其相位，diag()表示将矢量对角化为矩阵。μ₀为基站和智能反射面之间LoS信道的反射角度，故可根据已估计出的φ₀求出。基站处计算并记录每个时隙收到的信号平均功率值。

本实例中将用户持续发送导频的时间等分为100个时隙，每个时隙内智能反射面的反射系数配置保持不变。从[0,π)的范围内间隔均匀地取出100个采样点，每个采样点对应的角度值作为空间角度θ_j的值，采样点的序号和时隙序号一一对应。

步骤3：

此时步骤2中反射系数的a_N(μ₀)可与信道H₁中的

相互匹配，

可与信道H₂相互匹配，故当θ_j＝θ_i,i＝0,1,...,L₂-1时，基站处接收信号平均功率会出现局部极大值。由于步骤2中的角度采样点较多，信号平均功率可能会出现其他局部极大值，因此需要对数据进行筛选。

本实例中以接收信号平均功率中最大值的25％为筛选标准值，低于筛选标准值的局部极大值被剔除，其余的被保留下来。根据被保留的局部极大值所对应的时隙序号j，即可找到对应的空间角度θ_j，将其作为智能反射面到达角的估计值。

步骤4：

根据步骤1中基站估计出的到达角φ_l,l＝0,1,...,L₁-1的个数判断，是否还有除LoS信道以外的其他NLoS信道，即L₁＞1是否成立，若成立，则转到步骤5，否则完成角度估计。

步骤5：

将基站接收波束方向对准需要估计智能反射面反射角度的第l条路径，此时基站处成形矢量为

基站处信号接收功率为

将用户持续发送导频的时间分为L₂个阶段，每个阶段均有相同的时隙数。在第i个阶段的第j个时隙中，智能反射面的反射系数矩阵配置为

其中，a_N(θ_i)代表以θ_i为入射空间角度的导向矢量，各个阶段的θ_i均不相同。a_N(μ_j)代表以μ_j为反射空间角度的导向矢量，其值只与时隙序号j有关，与阶段序号i无关。

本实例中L₁＝3，即基站和智能反射面之间除了LoS信道路径还有两条NLoS信道路径，则先把基站接收波束方向对准需要估计角度的第一条NLoS路径，基站成形矢量设为

本实例中将用户持续发送导频的时间分为3个阶段，在这3个阶段中，智能反射面反射系数矩阵中的

分别与第1、第2、第3个入射空间角度相匹配。将每个阶段持续发送导频的时间等分为60个时隙，从[0,π)的范围内间隔均匀地取出60个采样点，每个采样点对应的角度值作为反射空间角度μ_j的值，采样点的序号和时隙序号一一对应。在基站侧，计算并记录每个阶段中所有时隙收到的信号平均功率；

步骤6：

基站将不同阶段中相同时隙序号对应的信号平均功率值进行相乘，将得到的第i个阶段中第j个时隙的信号平均功率记为R_ij，则乘积结果为

步骤5中分为3个阶段，每个阶段有60个等间隔时隙，则第j个时隙的乘积结果为

在乘积结果中找到最大值R_jmax的时隙序号j_max，把其对应的反射空间角度μ_jmax作为该NLoS路径的反射角度估计值。该步骤中3个不同阶段对应的接收功率相乘结果图及角度估计值位于说明书附图中的图4。

从实例二和实例三的角度估计值与真实角度值的对比中可以看出，实例三的角度估计误差在2°左右，实例二的角度估计误差在6°左右，是实例三的三倍。因此，每个阶段中时隙数目越多，即角度采样点越多，估计结果就越准确，这仍然是一个复杂度与精度折衷的问题。

步骤7：

基站根据步骤1中估计出的到达角φ_l,l＝0,1,...,L₁-1的个数判断，是否还有尚未估计反射角度的其他NLoS信道路径，若是，则转到步骤5，否则完成角度估计。

实例一、实例二、实例三及传统估计方法中所使用的时隙数目与智能反射面的反射单元个数的关系位于说明书附图中的图5，可以看到，本发明方法所使用的时隙数不随着反射单元个数的变化而变化，这一点上它与传统方法不同。此外，在反射单元个数较少时，传统方法所使用的时隙数更少，优于本方法，但随着反射单元个数的增多，传统方法所需的时隙数越来越多，开销增大，在这种情况下，本方法的优势更为明显。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种智能反射面辅助通信的波束域信道的角度估计方法，其特征在于，包括如下步骤：

步骤1：基站配备多天线，用户配备单天线，用户发送导频数据，基站侧利用经典谱估计方法估计出信号到达角；

步骤2：将基站接收波束方向对准智能反射面，用户持续发送导频数据，将其持续发送的时间分为多个等间隔的时隙，在每个时隙开始，对智能反射面的反射系数进行配置，并保持该配置直到该时隙结束；在基站侧，计算并记录每个时隙收到的信号平均功率；

步骤3：基站找到信号平均功率序列的局部极大值，并根据筛选标准值对局部极大值进行筛选；基站通过极大值平均功率的时隙序号找出相对应的空间角度，作为智能反射面入射角的估计值；

步骤4：基站通过步骤1中估计的到达角信息判断智能反射面和基站之间是否存在除视距链路之外的非视距链路，若不存在，则完成估计，若存在，则转到步骤5；

步骤5：将基站接收波束方向对准其中一条非视距链路的信号到达角方向，选择步骤2中基站侧接收信号平均功率最大的用户持续发送导频数据，将其持续发送的时间等分为多个连续的阶段；每个阶段的时间分为数量相同的等间隔时隙，不同阶段的时隙序号相同；在任一阶段中，每个时隙开始时，对智能反射面的反射系数进行配置，并保持该配置直到该时隙结束；在基站侧，计算并记录每个阶段中所有时隙收到的信号平均功率；

步骤6：基站将不同阶段中相同时隙序号对应的信号平均功率值进行相乘，在相乘的结果中找到全局最大值，把该最大值的时隙序号所对应的空间角度作为智能反射面反射角的估计值；

步骤7：基站通过步骤1中估计的到达角信息判断智能反射面和基站之间是否存在尚未估计反射角的其他非视距链路，若不存在，则完成估计，若存在，则转到步骤5。

2.根据权利要求1所述智能反射面辅助通信的波束域信道的角度估计方法，其特征在于：步骤3中，基站筛选信号平均功率局部极大值的方法如下：找出信号平均功率的全局最大值，选定该最大值的20-30％为筛选标准值，未达到筛选标准值的局部极大值被剔除，达到筛选标准值的局部极大值被保留。

3.根据权利要求1所述智能反射面辅助通信的波束域信道的角度估计方法，其特征在于：步骤2和步骤5中，智能反射面的反射系数矢量配置为

v_j＝phase(a(μ₀)oa^*(θ_j))

其中，j为时隙序号，θ_j为入射空间角度，a(μ₀)代表以μ₀为反射空间角度的导向矢量，它与时隙序号无关，o表示哈达玛积，phase( )表示只取该矢量的相位部分。

4.根据权利要求1所述智能反射面辅助通信的波束域信道的角度估计方法，其特征在于：步骤3中的时隙序号和入射空间角度之间是一对一的关系，时隙序号不同，则入射空间角度不同；步骤6中的时隙序号和反射空间角度之间是一对一的关系，时隙序号不同，则反射空间角度不同。

5.根据权利要求1所述智能反射面辅助通信的波束域信道的角度估计方法，其特征在于：步骤1中基站侧所使用的经典谱估计方法包括但不限于多信号分类算法、基于旋转不变技术的信号参数估计算法。

Images