CN113162876A - 基于深度学习的irs反射图样和信道估计的联合设计方法 - Google Patents
基于深度学习的irs反射图样和信道估计的联合设计方法 Download PDFInfo
- Publication number
- CN113162876A CN113162876A CN202110505646.5A CN202110505646A CN113162876A CN 113162876 A CN113162876 A CN 113162876A CN 202110505646 A CN202110505646 A CN 202110505646A CN 113162876 A CN113162876 A CN 113162876A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- reflection pattern
- training
- neural network
- base station
- 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
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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度学习的IRS反射图样和信道估计联合设计方法,该方法针对智能反射表面辅助的无线通信系统,包括如下步骤:(1)生成训练非线性神经网络所需要的训练数据集;(2)搭建非线性神经网络,利用步骤(1)生成的训练数据集联合训练所述非线性神经网络,得到智能反射表面反射图样和信道估计;(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置;(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。相对于传统的信道估计方法,本发明能够在同等信道估计精度前提下显著降低导频的开销,并且本发明在线计算复杂度较低,利于工程实现。
Description
技术领域
本发明涉及智能反射表面辅助通信系统,尤其是一种基于深度学习的,IRS反射图样和信道估计的联合设计方法。
背景技术
对于智能反射表面通信,传统的信道估计方法是最小二乘(LS)和线性最小化均方误差(LMMSE)算法。然而,为了获得较高的信道估计精度,传统方法需要较多的导频开销。
近年来,深度学习方法在通信领域得到了广泛的应用。它可以离线训练神经网络,然后将训练好的神经网络用于在线部署。与传统方法相比,基于深度学习的方法具有低计算复杂度、鲁棒性强等优点。
现有基于深度学习的智能反射表面通信信道估计方法一方面将LS或者LMMSE信道估计值作为神经网络输入,从而需要较大的导频开销;另一方面,现有方法未对信道估计阶段的智能反射表面反射图样进行设计,造成性能损失。
发明内容
针对上述现有技术存在的缺陷,本发明的目的是提供一种基于深度学习的IRS反射图样和信道估计联合设计方法,以实现在信道估计时只需要少量的导频开销获得较高的估计精度。
为实现上述目的,本发明采用如下技术方案:
一种基于深度学习的IRS反射图样和信道估计联合设计方法,包括如下步骤:
(1)生成训练非线性神经网络所需要的训练数据集;
(2)搭建非线性神经网络,利用步骤(1)生成的训练数据集联合训练所述非线性神经网络,得到智能反射表面反射图样和信道估计;
(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置;
(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。
所述步骤(1)中,训练数据集为一组真实组合信道Fk和接收端噪声矩阵N,其中,表示用户k的真实组合信道,表示基站与用户k之间的直达链路信道,为基站与用户k之间的反射链路级联信道,其中G为基站与智能反射表面之间的信道矩阵,为智能反射表面与用户k之间的信道向量,diag(·)表示取输入向量元素作为对角元的对角阵。
所述步骤(2)中,非线性神经网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成,用于反射图样设计的单层线性子网络的输出为基站解相关后的导频接收信号,用于反射图样设计的单层线性子网络的输出作为用于信道估计设计的多层非线性子网络的输入。
所述步骤(2)中,采用如下训练目标和约束条件非线性神经网络:
约束条件为:|vi|=1,i=1,2,…,M
有益效果:与现有技术相比,本发明具有如下优点:
1、本发明针对智能反射表面辅助下的通信系统,通过利用深度学习方法联合训练IRS反射图样与信道估计,最小化信道估计的归一化均方误差。
2、相对于现有智能反射表面通信的信道估计方法,本发明仅需少量的导频开销即可获得较高的估计精度。
3、本发明在线计算复杂度较低,利于工程实现。
附图说明
图1是本发明的方法流程图。
图2是网络结构图。
图3是仿真实验结果图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
本发明的典型应用场景为智能反射表面辅助下的一个多天线基站与多个单天线用户之间的通信,目标为最小化归一化均方误差。
如图1所示,本发明的一种基于深度学习的IRS反射图样和信道估计联合设计方法,包括如下步骤:
(1)生成训练非线性神经网络所需要的训练数据集;
其中,训练数据集为一组真实组合信道Fk和接收端噪声矩阵N,其中,表示用户k的真实组合信道,表示基站与用户k之间的直达链路信道,为基站与用户k之间的反射链路级联信道,其中G为基站与智能反射表面之间的信道矩阵,为智能反射表面与用户k之间的信道向量,diag(·)表示取输入向量元素作为对角元的对角阵。
(2)搭建非线性神经网络,利用步骤(1)生成的训练数据集联合训练非线性神经网络,得到智能反射表面反射图样和信道估计;
其中,训练目标和约束条件分别描述为:
约束条件为:
|vi|=1,i=1,2,…,M
其中,基站接收导频和神经网络结构的设计方案为:首先将总导频时隙L分为τ个子帧,每个子帧中有L0=K个符号(即:L=τL0),并且所有用户的导频序列被设计为彼此正交。基站利用用户导频间的正交性对接收到的导频进行解相关得到yk(t)=Fkq(t)+n(t),其中yk(t)为解相关后第t个子帧中用户k的信号分量,为用户k的真实组合信道矩阵,q(t)=[1,v(t)T]T,(·)T表示转置,n(t)表示第t个子帧的噪声分量。考虑到共有τ个子帧,则有Yk=FkQ+N,其中Yk=[yk(1),…yk(τ)],Q=[q(1),…,q(τ)],N=[n(1),…,n(τ)]。最后,神经网络的输入为真实组合信道Fk和接收端噪声矩阵N,输出为智能反射表面通信系统的组合信道估计值网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成,前一个子网络的输出(即后一个子网络的输入)为基站解相关后的导频接收信号。
(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置;
(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。
为了验证本发明的技术效果,进行了仿真实验,多层非线性子网络部分使用两层1500个神经元的神经网络作为隐藏层,并使用ReLu激活函数。仿真实验环境考虑一个二维坐标系,其中基站位于(0m,0m)位置上,智能反射表面(IRS)位于(150m,0m)位置上,有三个用户均匀分布在以(150m,30m)为中心的,半径为10m的圆形区域内。仿真实验所涉及的参数如下表所示:
表1仿真实验参数表
参数 | 取值 |
基站天线数 | 4 |
智能反射表面单元数 | 100 |
用户天线数 | 1 |
用户数 | 3 |
上行链路和下行链路发射功率 | 15dBm |
上行链路的噪声功率 | -100dBm |
下行链路的噪声功率 | -85dBm |
莱斯因子 | 10 |
直达链路信道的路径损耗 | 32.6+36.7lg(d) |
反射链路级联信道的路径损耗 | 22+22lg(d) |
基站位置 | (0m,0m) |
智能反射表面位置 | (150m,0m) |
用户中心位置 | (150m,30m) |
用户分布圆形区域半径 | 10m |
训练集数量 | 10000 |
测试集数量 | 1000 |
为了进一步说明本发明的效果,本发明还对现有技术的两个对比方案进行了仿真。其中传统方法中的信道估计方法使用的是最小线性均方误差(LMMSE)方法。
图3为仿真实验的对比结果,其中横坐标为导频长度,纵坐标为归一化均方误差(NMSE)。仿真结果表明:本发明提出的基于深度学习的智能反射表面反射图样和信道估计联合设计方法仅需要少量导频即可达到较小的归一化均方误差。
以上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)
1.一种基于深度学习的IRS反射图样和信道估计联合设计方法,其特征在于:包括如下步骤:
(1)生成训练非线性神经网络所需要的训练数据集;
(2)搭建非线性神经网络,利用步骤(1)生成的训练数据集联合训练所述非线性神经网络,得到智能反射表面反射图样和信道估计;
(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置;
(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。
4.根据权利要求1所述的基于深度学习的IRS反射图样和信道估计联合设计方法,其特征在于:所述步骤(2)中,非线性神经网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成,用于反射图样设计的单层线性子网络的输出为基站解相关后的导频接收信号,用于反射图样设计的单层线性子网络的输出作为用于信道估计设计的多层非线性子网络的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505646.5A CN113162876B (zh) | 2021-05-10 | 2021-05-10 | 基于深度学习的irs反射图样和信道估计的联合设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505646.5A CN113162876B (zh) | 2021-05-10 | 2021-05-10 | 基于深度学习的irs反射图样和信道估计的联合设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113162876A true CN113162876A (zh) | 2021-07-23 |
CN113162876B CN113162876B (zh) | 2023-08-22 |
Family
ID=76874470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110505646.5A Active CN113162876B (zh) | 2021-05-10 | 2021-05-10 | 基于深度学习的irs反射图样和信道估计的联合设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113162876B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595606A (zh) * | 2021-07-29 | 2021-11-02 | 东南大学 | 一种基于深度强化学习的基站预编码与智能反射表面相移联合优化方法 |
CN113965281A (zh) * | 2021-10-08 | 2022-01-21 | 上海科技大学 | 一种基于端到端学习的空中计算系统设计方法 |
CN114499711A (zh) * | 2021-12-20 | 2022-05-13 | 浙江大学 | 基于深度复数网络的智能反射面系统的反射系数估计方法 |
CN115001907A (zh) * | 2022-05-06 | 2022-09-02 | 河北华万电子科技有限公司 | 一种irs辅助微型配电网智能计算方法 |
WO2023027560A1 (ko) * | 2021-08-27 | 2023-03-02 | 삼성전자 주식회사 | 무선 통신 시스템에서 빔 운용 방법 및 장치 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134816A (zh) * | 2020-09-27 | 2020-12-25 | 杭州电子科技大学 | 一种基于智能反射表面的elm-ls联合信道估计方法 |
-
2021
- 2021-05-10 CN CN202110505646.5A patent/CN113162876B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134816A (zh) * | 2020-09-27 | 2020-12-25 | 杭州电子科技大学 | 一种基于智能反射表面的elm-ls联合信道估计方法 |
Non-Patent Citations (1)
Title |
---|
SHIYU LIU等: ""Deep Learning Based Channel Estimation for Intelligent Reflecting Surface Aided MISO-OFDM Systems"", 《2020 IEEE 92ND VEHICULAR TECHNOLOGY CONFERENCE (VTC2020-FALL)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595606A (zh) * | 2021-07-29 | 2021-11-02 | 东南大学 | 一种基于深度强化学习的基站预编码与智能反射表面相移联合优化方法 |
WO2023027560A1 (ko) * | 2021-08-27 | 2023-03-02 | 삼성전자 주식회사 | 무선 통신 시스템에서 빔 운용 방법 및 장치 |
CN113965281A (zh) * | 2021-10-08 | 2022-01-21 | 上海科技大学 | 一种基于端到端学习的空中计算系统设计方法 |
CN113965281B (zh) * | 2021-10-08 | 2023-09-22 | 上海科技大学 | 一种基于端到端学习的空中计算系统设计方法 |
CN114499711A (zh) * | 2021-12-20 | 2022-05-13 | 浙江大学 | 基于深度复数网络的智能反射面系统的反射系数估计方法 |
CN115001907A (zh) * | 2022-05-06 | 2022-09-02 | 河北华万电子科技有限公司 | 一种irs辅助微型配电网智能计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113162876B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113162876A (zh) | 基于深度学习的irs反射图样和信道估计的联合设计方法 | |
CN113179232B (zh) | 一种基于深度学习的无源智能反射表面的信道估计方法 | |
CN113364494B (zh) | 一种针对硬件失真的irs辅助miso系统性能优化方法 | |
CN114501497B (zh) | 一种基于信噪泄漏比的多智能反射面与多用户的匹配方法 | |
CN107171757B (zh) | 一种融合智能天线的mimo无线信道建模方法 | |
CN108964725B (zh) | 时变大规模mimo网络中信道参数的稀疏估计方法 | |
CN105897319A (zh) | 一种mimo全双工中继系统信源中继联合预编码方法 | |
CN111132297B (zh) | 超密集网络发射功率最小化的波束成形优化方法与装置 | |
CN104601257B (zh) | 一种时分双工通信模式下多天线系统的互易性校准方法 | |
CN112215335B (zh) | 一种基于深度学习的系统检测方法 | |
CN114828253A (zh) | 一种ris辅助多无人机通信系统的资源分配方法 | |
Sagir et al. | Deep-learning assisted IoT based RIS for cooperative communications | |
CN115913830A (zh) | 一种智能反射面辅助的mimo通信系统的信道估计方法 | |
Jin et al. | Evolutionary game theory in multi-objective optimization problem | |
CN113645163A (zh) | 一种基于神经网络的智能反射表面反射相位配置方法 | |
CN115733530A (zh) | 一种可重构智能表面辅助毫米波通信的联合预编码方法 | |
CN110086515B (zh) | 一种mimo-noma系统上行预编码设计方法 | |
Pan et al. | Channel estimation for wireless communication systems aided by large intelligent reflecting surface | |
Deng et al. | Joint flexible duplexing and power allocation with deep reinforcement learning in cell-free massive mimo system | |
US11489560B2 (en) | Method of parameter estimation for a multi-input multi-output system | |
KR20100130312A (ko) | 분산 다중 입출력 시스템에서 최적의 선형적 전송 장치 및 방법 | |
CN111683023A (zh) | 一种模型驱动的基于深度学习的大规模设备检测方法 | |
Shen et al. | Federated learning enabled channel estimation for RIS-aided multi-user wireless systems | |
CN114629751B (zh) | 一种毫米波通信系统的信道估计方法及系统 | |
Yang et al. | Deep transfer learning-based adaptive beamforming for realistic communication channels |
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 |