CN113179232B - 一种基于深度学习的无源智能反射表面的信道估计方法 - Google Patents

一种基于深度学习的无源智能反射表面的信道估计方法 Download PDF

Info

Publication number
CN113179232B
CN113179232B CN202110436060.8A CN202110436060A CN113179232B CN 113179232 B CN113179232 B CN 113179232B CN 202110436060 A CN202110436060 A CN 202110436060A CN 113179232 B CN113179232 B CN 113179232B
Authority
CN
China
Prior art keywords
channel
irs
base station
cascade
passive
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
CN202110436060.8A
Other languages
English (en)
Other versions
CN113179232A (zh
Inventor
孙强
赵欢
齐月月
钱盼盼
章嘉懿
王珏
徐晨
杨永杰
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.)
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Original Assignee
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
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 Nantong University, Nantong Research Institute for Advanced Communication Technologies Co Ltd filed Critical Nantong University
Priority to CN202110436060.8A priority Critical patent/CN113179232B/zh
Publication of CN113179232A publication Critical patent/CN113179232A/zh
Application granted granted Critical
Publication of CN113179232B publication Critical patent/CN113179232B/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
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于深度学习的无源智能反射表面的信道估计方法，由离线信道估计阶段和线上信道预测阶段两部分实现。离线信道估计阶段中上行链路中用户端发送导频信号，基站端控制IRS依次打开无源元件反射入射导频信号，基站端接收导频信号利用最小均方误差方法估计其相应的级联信道信息，再使用等概率均匀采样的方法从已估计的级联信道信息中选取少量的采样级联信道信息，利用少量采样级联信道信息和完全级联信道信息构建新数据集；线上信道预测阶段基站端在线估计出少量采样级联信道信息输入到已训练好的ResNet网络恢复出完全级联信道信息。本发明可灵活地选择无源元件个数和设置残差神经网络的残差单元以满足不同系统和用户服务质量的特点。

Description

一种基于深度学习的无源智能反射表面的信道估计方法
技术领域
本发明涉及无线通信技术领域，具体为一种基于深度学习的无源智能反射表面的信道估计方法。
背景技术
随着5G通信网络商业化，大规模多输入多输出传输带来巨大的能源消耗和硬件复杂度。最近开始探索下一代(6G)通信技术，其中，智能反射表面(Intelligent ReflectingSurface，IRS)以其低成本、低硬件复杂度、以及易改变无线传播环境的特性而备受学术界和工业界的关注。IRS是一种具有电磁特性的二维表面，由大量的超材料制成的无源可重构反射单元组成。这些单元通过控制相位、幅度、频率甚至极化与入射信号进行交互，以提高无线通信系统的覆盖率和速率。IRS协助无线通信时，通过基站端调控反射波束改变传输环境，但是，由于具有高维级联信道和大量无源反射元件，估计其级联信道状态信息将产生大量的导频训练开销和硬件复杂度。
发明内容
本发明的目的在于提供一种基于深度学习的无源智能反射表面的信道估计方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的无源智能反射表面的信道估计方法,无线通信系统的直接链路被障碍物阻断，IRS协助无线通信系统进行通信，利用深度学习工具中的残差神经网络，获取高维完全级联信道状态信息，由离线信道估计和线上信道预测两部分实现；离线信道估计包括如下步骤：
步骤11、IRS协助无线通信系统通信中，采用具有K个子载波OFDM系统，对于每个信道相干块s(s＝1,···,S)，上行链路中用户端发送一个导频信号，基站端控制IRS依次打开N个无源元件反射入射信号，基站端接收来自IRS反射的导频信号并估计出无源元件第k个子载波级联信道信息hk,估计完K个子载波的完全级联信道信息，构建完全级联信道向量
Figure BDA0003033133570000021
步骤12、布设在IRS上的天线划分为M个相同区域，
Figure BDA0003033133570000022
r为选择系数，每个无源元件被选择的概率均相同，依据信道相关性在每个区域对角线上选择一个无源元件，获取其采样级联信道向量
Figure BDA0003033133570000023
其中，WIRS是一个M×N的选择矩阵，选择IRS无源元件在原始信道hk的相应位置，构建采样级联信道向量
Figure BDA0003033133570000024
步骤13、将获取的采样级联信道向量和完全级联信道向量构成新数据点
Figure BDA0003033133570000025
加入深度学习数据集D；
步骤14、在获取所有相干块S的数据之后，对于使用数据集D进行归一化和实数化处理，然后利用处理过的数据集D对ResNet网络模型对进行训练，学习如何输入采样级联信道向量去恢复级联信道向量，通过调整ResNet网络模型残差单元个数和学习率，加快神经网络收敛速度；
步骤15、采用keras平台使用处理过的数据集D对ResNet网络模型进行监督学习训练，采用均方误差损失函数
Figure BDA0003033133570000026
和Adam优化器进行多轮训练去优化ResNet网络模型参数，直至达到设定的总迭代次数后ResNet网络收敛训练完成，θ表示神经网络的所有参数集合，
Figure BDA0003033133570000027
表示归一化后的期望输出
Figure BDA0003033133570000028
和预测输出h的均方误差；
线上信道预测包括如下步骤：
步骤21、利用步骤14中已训练好的ResNet网络模型，进行在线预测级联信道信息，上行链路中用户端发送一个导频信号，基站控制IRS依次打开M个无源元件反射入射信号，基站端接收来自IRS反射的导频信号并估计相应的采样级联信道信息；
步骤22、将步骤21中估计的采样级联信道向量输入到已训练好神经网络模型预测完全级联信道向量。
优选的，步骤11中所述的无线通信系统中基站端和用户端为单天线，可以拓展到多天线，IRS布设的无源元件采用节能的模拟移相器，不连接基带单元，没有信息处理能力，由基站端进行调控，每个无源元件都有开和关两种模式，用户端发送导频信号，基站端控制IRS依次打开无源元件反射导频信号到基站端，基站端利用最小均方误差方法估计其级联信道信息。
优选的，步骤12中IRS天线间距设置为
Figure BDA0003033133570000031
天线之间的具有很高的信道相关性，然后利用信道相关性，将IRS划分为M个相同区域，在每个区域对角线上选择一个无源元件，获取其采样信道状态信息，其中M可以通过选择系数r进行调整去适应于大规模MIMO和各种室内室外场景，确定M之后通过选择矩阵WIRS选择每个区域上信道相关性最大的无源元件原始位置。
优选的，步骤14中ResNet网络模型训练具体步骤如下：
步骤31：数据集D进行预处理操作，输入的采样级联信道进行归一化处理，即所有样本除以输入样本中的最大值，表示为：
Figure BDA0003033133570000032
由于深度学习主要使用实值进行计算，为了不丢失采样级联信道中虚部的值，将输入数据实部和虚部的值分开，然后构建成一个M×K×2三维实值输入矩阵，同理也对输出目标值级联信道向量做归一化和实数化处理；
步骤32、ResNet网络模型调节残差单元个数加速神经网络收敛，残差单元中的快捷连接直接将数据传递到后面的层。避免了多重非线性堆积引起的梯度消失问题，每一个残差单元包含三层卷积核为3×3，步长为1的卷积层，卷积层的的特征维度分别为64、32、2。最后一层的特征维度和输入层相同，使用按0填充，将三个卷积层的输出尺寸设置为与输入采样信道相同，卷积层之后都引入批量归一化层和激活函数层，批量归一化层通过减少内部协变量偏移，加快网络的收敛速度。
优选的，步骤14中ResNet神经网络初始学习率设置为0.001，学习率随着迭代次数可调，每20次迭代后学习率变换为之前学习率的0.5，迭代采用最小批量样本数为200，epoch设置为200。
与现有技术相比，本发明的有益效果是：
(1)本发明采用深度学习中的残差神经网络与无源IRS系统的信道估计相结合，有效地利用之前观察的少量的采样信道状态信息来恢复当前完全信道状态信息，进而可以选择最佳反射波束，有效地对抗大尺度衰落，提高功率效率、频谱效率、定位的准确度、可实现速率和覆盖率。
(2)本发明中，IRS通过等概率均匀选择策略选取少量无源元件进行信道估计，大幅减少的导频训练开销和降低硬件复杂度。
(3)本发明中，未被调度的无源元件可以使用休眠模式，进一步降低系统的整体能耗。
(4)本发明通过线下训练和线上预测，节省大量的计算开销，适用于室内和室外各种场景，并具有很好的鲁棒性。
附图说明
图1为IRS协助无线通信系统模型；
图2为ResNet网络模型；
图3为ResNet采用少量采样信道向量恢复完全信道向量的流程图。
具体实施方式
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，所描述的实施例仅仅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。
请参阅图1-3，本实施例的IRS辅助无线通信系统网络架构如图1所示，图示场景由一个IRS，基站和用户组成，基站与用户之间通过IRS协助进行通信，而基站和用户都是单天线(可以扩展到多天线收发器)，直接链路被建筑物阻断。IRS由N个无源反射元件组成，其中，无源元件使用射频(Radio Frequency,RF)移相器实现，并且未连接基带单元；可以通过基站端的控制器调节相位去反射入射信号。
系统模型
采用具有K个子载波OFDM系统，定义
Figure BDA0003033133570000051
为第k个子载波上的从基站端和用户端分别到IRS的上行链路信道向量。根据信道互易性，下行链路信道向量分别定义为
Figure BDA0003033133570000052
和
Figure BDA0003033133570000053
符号H表示共轭转置。从基站到IRS上行链路信道向量hB,k有L条路径，每条路径l都会产生一条时延tl，一个复系数gl，还有到达的方位角θl∈[0,2π)和仰角φl∈[0,2π)。ρB表示基站和IRS之间的路径损耗，d表示信道延迟，p(t)表示在t秒时评估T间隔信号的脉冲整形函数。最后，第k个子载波的频域信道向量hB,k可表示为：
Figure BDA0003033133570000054
其中，
Figure BDA0003033133570000055
表示到达IRS方位角θl和仰角φl的阵列响应向量，同理表示hU,k。
考虑到莱斯块衰落信道模型，所以假设hB,k和hU,k在信道相干时间上保持恒定，信道相干时间取决于用户的移动性和无线环境的动态性，最后，将用户端的接收信号表示为：
Figure BDA0003033133570000056
其中，符号⊙为取哈达玛积，xk表示第k个子载波上的发送信号，其发射功率为
Figure BDA0003033133570000061
符号
Figure BDA0003033133570000062
为取数学期望，PB表示总发射功率，
Figure BDA0003033133570000063
表示用户端接收噪声。将
Figure BDA0003033133570000064
称为IRS反射矩阵，表示IRS与来自基站端的入射信号进行交互作用。条件Δ满足反射矩阵Φ是一个对角线结构，
Figure BDA0003033133570000065
表示Φ的对角线向量，即
Figure BDA0003033133570000066
符号diag为取对角线矩阵。这种对角线结构由调控IRS产生，其中每个元件m(m＝1,2,…,N)将反射与每个交互因子
Figure BDA0003033133570000067
相乘后的入射信号。假设只使用移相器去完成RIS元件的调控，则每个交互因子表示为
Figure BDA0003033133570000068
将这种情形下的交互向量
Figure BDA0003033133570000069
称为反射波束向量，hk＝(hU,k⊙hB,k)为第k个子载波的级联信道向量。
级联信道信息的获取
本发明实施例提供一种基于残差神经网络的无源IRS的级联信道信息估计方法，如图2所示，残差神经网络模型由输入层、2个残差单元和输出层组成。ResNet网络结构如下：
1)输入层：输入层是整个神经网络的信息接入口，本文中每一个输入数据都是经过预处理的三维采样信道矩阵。
2)残差单元：如图2所示，每一个残差单元包含三层卷积核为3×3，步长为1的卷积层(Convolutional Layer,Conv)，卷积层的的特征维度分别为64、32、2。最后一层的特征维度和输入层相同，使用按0填充，将三个卷积层的输出尺寸设置为与输入采样信道相同。卷积层之后都引入批量归一化(Batch Normalization,BN)层和激活函数层，批量归一化层通过减少内部协变量偏移，加快网络的收敛速度。采用带泄露修正线性单元激活函数(LeakyRectified Linear Unit,LeakyReLU)，其中参数alpha设置为0.01，LeakyReLU是ReLU激活函数的变体，解决ReLU激活函数进入负区间不学习的问题。ResNet网络改进的残差单元有两个优点：首先，大多数ResNet网络都包含池化层，这是一种下采样的形式，不同于传统方式，本专利提出的残差单元输出尺寸与采样信道矩阵大小相同，目的是细化而不是降维；其次，残差单元中的快捷连接(Shortcut Connections,ShortCut)直接将数据传递到后面的层。避免了多重非线性堆积引起的梯度消失问题。ResNet网络设置2个残差单元时具有良好的性能，进一步增加残差单元并不能显著提高学习效果，而且增加了计算的复杂度。
3)输出层：输出层预测的级联信道向量的特征维度与输入层相同，以便获得恢复的完全信道向量的实部和虚部。
无线通信系统的直接链路被障碍物阻断，IRS协助无线通信系统进行通信，利用深度学习工具中的残差神经网络，获取高维完全级联信道状态信息，由离线信道估计和线上信道预测两部分实现；离线信道估计包括如下步骤：
步骤11、IRS协助无线通信系统通信中，采用具有K个子载波OFDM系统，对于每个信道相干块s(s＝1,···,S)，上行链路中用户端发送一个导频信号，基站端控制IRS依次打开N个无源元件反射入射信号，基站端接收来自IRS反射的导频信号并估计出无源元件第k个子载波级联信道信息hk,估计完K个子载波的完全级联信道信息，构建完全级联信道向量
Figure BDA0003033133570000071
步骤12、布设在IRS上的天线划分为M个相同区域，
Figure BDA0003033133570000072
r为选择系数，每个无源元件被选择的概率均相同，依据信道相关性在每个区域对角线上选择一个无源元件，获取其采样级联信道向量
Figure BDA0003033133570000073
其中，WIRS是一个M×N的选择矩阵，选择IRS无源元件在原始信道hk的相应位置，构建采样级联信道向量
Figure BDA0003033133570000074
步骤13、将获取的采样级联信道向量和完全级联信道向量构成新数据点
Figure BDA0003033133570000081
加入深度学习数据集D；
步骤14、在获取所有相干块S的数据之后，对于使用数据集D进行归一化和实数化处理，然后利用处理过的数据集D对ResNet网络模型对进行训练，学习如何输入采样级联信道向量去恢复级联信道向量，通过调整ResNet网络模型残差单元个数和学习率，加快神经网络收敛速度；
步骤15、采用keras平台使用处理过的数据集D对ResNet网络模型进行监督学习训练，采用均方误差损失函数
Figure BDA0003033133570000082
和Adam优化器进行多轮训练去优化ResNet网络模型参数，直至达到设定的总迭代次数后ResNet网络收敛训练完成，θ表示神经网络的所有参数集合，
Figure BDA0003033133570000083
表示归一化后的期望输出
Figure BDA0003033133570000084
和预测输出h的均方误差；
线上信道预测包括如下步骤：
步骤21、利用步骤14中已训练好的ResNet网络模型，进行在线预测级联信道信息，上行链路中用户端发送一个导频信号，基站控制IRS依次打开M个无源元件反射入射信号，基站端接收来自IRS反射的导频信号并估计相应的采样级联信道信息；
步骤22、将步骤21中估计的采样级联信道向量输入到已训练好神经网络模型预测完全级联信道向量。
步骤11中所述的无线通信系统中基站端和用户端为单天线，可以拓展到多天线，IRS布设的无源元件采用节能的模拟移相器，不连接基带单元，没有信息处理能力，由基站端进行调控，每个无源元件都有开和关两种模式，用户端发送导频信号，基站端控制IRS依次打开无源元件反射导频信号到基站端，基站端利用最小均方误差方法估计其级联信道信息。
本发明中，步骤12中IRS天线间距设置为
Figure BDA0003033133570000091
天线之间的具有很高的信道相关性，然后利用信道相关性，将IRS划分为M个相同区域，在每个区域对角线上选择一个无源元件，获取其采样信道状态信息，其中M可以通过选择系数r进行调整去适应于大规模MIMO和各种室内室外场景，确定M之后通过选择矩阵WIRS选择每个区域上信道相关性最大的无源元件原始位置。
本发明中，步骤14中ResNet网络模型训练具体步骤如下：
步骤31：数据集D进行预处理操作，输入的采样级联信道进行归一化处理，即所有样本除以输入样本中的最大值，表示为：
Figure BDA0003033133570000092
由于深度学习主要使用实值进行计算，为了不丢失采样级联信道中虚部的值，将输入数据实部和虚部的值分开，然后构建成一个M×K×2三维实值输入矩阵，同理也对输出目标值级联信道向量做归一化和实数化处理；
步骤32、ResNet网络模型调节残差单元个数加速神经网络收敛，残差单元中的快捷连接直接将数据传递到后面的层。避免了多重非线性堆积引起的梯度消失问题，每一个残差单元包含三层卷积核为3×3，步长为1的卷积层，卷积层的的特征维度分别为64、32、2。最后一层的特征维度和输入层相同，使用按0填充，将三个卷积层的输出尺寸设置为与输入采样信道相同，卷积层之后都引入批量归一化层和激活函数层，批量归一化层通过减少内部协变量偏移，加快网络的收敛速度。
本发明中，步骤14中ResNet神经网络初始学习率设置为0.001，学习率随着迭代次数可调，每20次迭代后学习率变换为之前学习率的0.5，迭代采用最小批量样本数为200，epoch设置为200。
综上所述，本发明采用深度学习中的残差神经网络与无源IRS系统的信道估计相结合，有效地利用之前观察的少量的采样信道状态信息来恢复当前完全信道状态信息，进而可以选择最佳反射波束，有效地对抗大尺度衰落，提高功率效率、频谱效率、定位的准确度、可实现速率和覆盖率；IRS通过等概率均匀选择策略选取少量无源元件进行信道估计，大幅减少的导频训练开销和降低硬件复杂度；未被调度的无源元件可以使用休眠模式，进一步降低系统的整体能耗；本发明通过线下训练和线上预测，节省大量的计算开销，适用于室内和室外各种场景，并具有很好的鲁棒性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (5)

1.一种基于深度学习的无源智能反射表面的信道估计方法,无线通信系统的直接链路被障碍物阻断，IRS协助无线通信系统进行通信，利用深度学习工具中的残差神经网络，获取高维完全级联信道状态信息，由离线信道估计和线上信道预测两部分实现；其特征在于：离线信道估计包括如下步骤：
步骤11、IRS协助无线通信系统通信中，采用具有K个子载波OFDM系统，对于每个信道相干块s(s＝1,···,S)，上行链路中用户端发送一个导频信号，基站端控制IRS依次打开N个无源元件反射入射信号，基站端接收来自IRS反射的导频信号并估计出无源元件第k个子载波级联信道信息hk,估计完K个子载波的完全级联信道信息，构建完全级联信道向量
Figure FDA0003033133560000011
步骤12、布设在IRS上的天线划分为M个相同区域，
Figure FDA0003033133560000012
r为选择系数，每个无源元件被选择的概率均相同，依据信道相关性在每个区域对角线上选择一个无源元件，获取其采样级联信道向量
Figure FDA0003033133560000013
其中，WIRS是一个M×N的选择矩阵，选择IRS无源元件在原始信道hk的相应位置，构建采样级联信道向量
Figure FDA0003033133560000014
步骤13、将获取的采样级联信道向量和完全级联信道向量构成新数据点
Figure FDA0003033133560000015
加入深度学习数据集D；
步骤14、在获取所有相干块S的数据之后，对于使用数据集D进行归一化和实数化处理，然后利用处理过的数据集D对ResNet网络模型对进行训练，学习如何输入采样级联信道向量去恢复级联信道向量，通过调整ResNet网络模型残差单元个数和学习率，加快神经网络收敛速度；
步骤15、采用keras平台使用处理过的数据集D对ResNet网络模型进行监督学习训练，采用均方误差损失函数
Figure FDA0003033133560000016
和Adam优化器进行多轮训练去优化ResNet网络模型参数，直至达到设定的总迭代次数后ResNet网络收敛训练完成，θ表示神经网络的所有参数集合，
Figure FDA0003033133560000021
表示归一化后的期望输出
Figure FDA0003033133560000022
和预测输出h的均方误差；
线上信道预测包括如下步骤：
步骤21、利用步骤14中已训练好的ResNet网络模型，进行在线预测级联信道信息，上行链路中用户端发送一个导频信号，基站控制IRS依次打开M个无源元件反射入射信号，基站端接收来自IRS反射的导频信号并估计相应的采样级联信道信息；
步骤22、将步骤21中估计的采样级联信道向量输入到已训练好神经网络模型预测完全级联信道向量。
2.根据权利要求1所述的一种基于深度学习的无源智能反射表面的信道估计方法，其特征在于：步骤11中所述的无线通信系统中基站端和用户端为单天线，可以拓展到多天线，IRS布设的无源元件采用节能的模拟移相器，不连接基带单元，没有信息处理能力，由基站端进行调控，每个无源元件都有开和关两种模式，用户端发送导频信号，基站端控制IRS依次打开无源元件反射导频信号到基站端，基站端利用最小均方误差方法估计其级联信道信息。
3.根据权利要求1所述的一种基于深度学习的无源智能反射表面的信道估计方法，其特征在于：步骤12中IRS天线间距设置为
Figure FDA0003033133560000023
天线之间的具有很高的信道相关性，然后利用信道相关性，将IRS划分为M个相同区域，在每个区域对角线上选择一个无源元件，获取其采样信道状态信息，其中M可以通过选择系数r进行调整去适应于大规模MIMO和各种室内室外场景，确定M之后通过选择矩阵WIRS选择每个区域上信道相关性最大的无源元件原始位置。
4.根据权利要求1所述的一种基于深度学习的无源智能反射表面的信道估计方法，其特征在于：步骤14中ResNet网络模型训练具体步骤如下：
步骤31：数据集D进行预处理操作，输入的采样级联信道进行归一化处理，即所有样本除以输入样本中的最大值，表示为：
Figure FDA0003033133560000031
由于深度学习主要使用实值进行计算，为了不丢失采样级联信道中虚部的值，将输入数据实部和虚部的值分开，然后构建成一个M×K×2三维实值输入矩阵，同理也对输出目标值级联信道向量做归一化和实数化处理；
步骤32、ResNet网络模型调节残差单元个数加速神经网络收敛，残差单元中的快捷连接直接将数据传递到后面的层， 避免了多重非线性堆积引起的梯度消失问题，每一个残差单元包含三层卷积核为3×3，步长为1的卷积层，卷积层的的特征维度分别为64、32、2， 最后一层的特征维度和输入层相同，使用按0填充，将三个卷积层的输出尺寸设置为与输入采样信道相同，卷积层之后都引入批量归一化层和激活函数层，批量归一化层通过减少内部协变量偏移，加快网络的收敛速度。
5.根据权利要求1所述的一种基于深度学习的无源智能反射表面的信道估计方法，其特征在于：步骤14中ResNet神经网络初始学习率设置为0.001，学习率随着迭代次数可调，每20次迭代后学习率变换为之前学习率的0.5，迭代采用最小批量样本数为200，epoch设置为200。
CN202110436060.8A 2021-04-22 2021-04-22 一种基于深度学习的无源智能反射表面的信道估计方法 Active CN113179232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110436060.8A CN113179232B (zh) 2021-04-22 2021-04-22 一种基于深度学习的无源智能反射表面的信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110436060.8A CN113179232B (zh) 2021-04-22 2021-04-22 一种基于深度学习的无源智能反射表面的信道估计方法

Publications (2)

Publication Number Publication Date
CN113179232A CN113179232A (zh) 2021-07-27
CN113179232B true CN113179232B (zh) 2021-10-26

Family

ID=76924679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110436060.8A Active CN113179232B (zh) 2021-04-22 2021-04-22 一种基于深度学习的无源智能反射表面的信道估计方法

Country Status (1)

Country Link
CN (1) CN113179232B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113595606B (zh) * 2021-07-29 2022-08-12 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
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
CN114143146B (zh) * 2021-10-28 2023-08-15 西安交通大学 一种基于图信号方法的ofdm系统信道估计系统和方法
CN114124623B (zh) * 2021-10-28 2023-07-07 中国信息通信研究院 一种无线通信信道估计方法和装置
CN113709070B (zh) * 2021-10-29 2022-01-18 南通先进通信技术研究院有限公司 智能反射面辅助通信系统中降低训练开销的模式切换方法
CN116155332A (zh) * 2021-11-19 2023-05-23 中兴通讯股份有限公司 波束训练方法、第一节点、第二节点、通信系统及介质
CN114629751B (zh) * 2021-11-25 2023-07-28 南京信息工程大学 一种毫米波通信系统的信道估计方法及系统
CN114143150B (zh) * 2021-12-09 2024-09-10 中央民族大学 一种用户公平性通信传输方法
CN114172597B (zh) * 2021-12-10 2023-09-05 中国传媒大学 一种基于可重构智能表面的非迭代参数联合估计方法
CN114501497B (zh) * 2022-01-21 2023-04-28 南通大学 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
CN114915523B (zh) * 2022-07-19 2022-09-27 南昌大学 基于模型驱动的智能超表面信道估计方法及系统
CN115474270A (zh) * 2022-08-31 2022-12-13 东南大学 一种智能反射表面辅助的指纹库室内定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112468193A (zh) * 2020-11-26 2021-03-09 国网江苏省电力有限公司丹阳市供电分公司 基于智能反射表面的波束对准实现方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11728571B2 (en) * 2019-07-12 2023-08-15 Arizona Board Of Regents On Behalf Of Arizona State University Large intelligent surfaces with sparse channel sensors

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112468193A (zh) * 2020-11-26 2021-03-09 国网江苏省电力有限公司丹阳市供电分公司 基于智能反射表面的波束对准实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Learning Based Channel Estimation for Intelligent Reflecting Surface Aided MISO-OFDM Systems;Liu, SY; Lei, Ming;Zhao, Min-Jian et al;《2020 IEEE 92ND VEHICULAR TECHNOLOGY CONFERENCE (VTC2020-FALL)》;20201007;全文 *
基于ResNet 的大型智能表面在毫米波系统中的应用;齐月月,孙强,钱盼盼,等;《电讯技术》;20210131;第61卷(第1期);全文 *

Also Published As

Publication number Publication date
CN113179232A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
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
CN111246491B (zh) 一种智能反射表面辅助的太赫兹通信系统设计方法
CN111355520B (zh) 一种智能反射表面辅助的太赫兹安全通信系统设计方法
CN113225276B (zh) 一种面向智能反射面辅助通信系统的半盲信道估计方法
CN1695271B (zh) 包括虚拟天线单元的天线阵
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
CN109547076B (zh) 一种毫米波大规模mimo系统中的混合预编码方法
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
CN113422745B (zh) 一种基于深度学习的空海无线信道估计方法
CN112994770B (zh) 基于部分csi的ris辅助多用户下行鲁棒无线传输方法
CN115426013B (zh) 基于无监督学习的ris辅助通信系统预编码与相移方法
CN114745232A (zh) 智能可重构表面辅助毫米波mimo系统的信道估计方法
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
CN113644940A (zh) 一种基于统计csi的智能反射面的相移设计方法
CN114785388A (zh) 智能全向面辅助的多用户大规模simo上行m阶调制加权和速率优化方法
Li et al. Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems
Gizzini et al. Adaptive channel estimation based on deep learning
CN117614781A (zh) 基于ris的两阶段超分辨率参数信道估计方法及装置
CN110138413B (zh) 一种空时域自适应宽线性降秩波束形成方法
CN114629751B (zh) 一种毫米波通信系统的信道估计方法及系统
Desai et al. A review on deep learning algorithms for large intelligent surfaces in next generation wireless systems
CN115276879A (zh) 智能反射面中基于半定松弛的安全速率最大化方法及装置
Zhang et al. Beamforming Design for IRS-Assisted OFDM-ISAC System in C-RAN
CN114244657A (zh) 多用户场景下的智能反射表面选择方法
Kundu et al. Channel estimation for large intelligent surface aided miso communications: From lmmse to deep learning solutions

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