CN113194548B - 一种智能超表面辅助的大规模无源随机接入方法 - Google Patents

一种智能超表面辅助的大规模无源随机接入方法 Download PDF

Info

Publication number
CN113194548B
CN113194548B CN202110339746.5A CN202110339746A CN113194548B CN 113194548 B CN113194548 B CN 113194548B CN 202110339746 A CN202110339746 A CN 202110339746A CN 113194548 B CN113194548 B CN 113194548B
Authority
CN
China
Prior art keywords
super
channel
matrix
data
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.)
Active
Application number
CN202110339746.5A
Other languages
English (en)
Other versions
CN113194548A (zh
Inventor
邵晓丹
陈晓明
杨禹志
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110339746.5A priority Critical patent/CN113194548B/zh
Publication of CN113194548A publication Critical patent/CN113194548A/zh
Application granted granted Critical
Publication of CN113194548B publication Critical patent/CN113194548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0833—Random access procedures, e.g. with 4-step access
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种智能超表面辅助的大规模无源随机接入方法。在6G无线网络中，一个配备大规模天线阵列的基站在超表面的辅助下同时服务大量的单天线设备。在任一给定时隙，仅有少部分设备激活。本发明提出了联合数据检测和信道估计的两阶段免授权协议。在阶段I中，只有一个激活设备通过智能超表面向基站发送导频序列，基站利用一种双线性广义近似消息传递算法，估计出超表面和基站之间的信道。在阶段II中，利用公共码本，所有激活设备通过智能超表面向基站发送数据，基站利用一种基于张量的自适应检测算法检测数据并估计激活设备和超表面之间的信道。本发明为具有大规模设备接入的超表面辅助的6G网络提供了一种高效简单的数据检测和信道估计方法。

Description

一种智能超表面辅助的大规模无源随机接入方法
技术领域
本发明涉及无线通信领域，尤其涉及一种智能超表面辅助的大规模无源随机接入方法。
背景技术
大规模随机接入为即将到来的6G网络的主要应用场景之一，到2025年，潜在的设备数量预计将超过700亿。但是庞大的设备中仅有少部分处于激活状态，需要与接入点通信。其他设备为了节省能量而暂时处于休眠状态。在这种情况下，常规的基于授权的随机接入方案导致了过高的延时和信令开销。为此，免授权随机接入方案已被视为6G无线网络的候选技术，免授权随机接入方案中的设备无需等待基站授权传输资源就可以发送其数据。
目前普遍讨论的免授权随机接入方案是有源接入，在这种接入方案中，激活的终端在每个时隙的开始阶段同时向基站发射一个各自独有的导频序列，即独立的码书，基站通过激活检测和信道估计算法，检测出哪些终端处于激活状态并估计其相应的信道状态信息。但是，这种将固定的导频序列分配给所有潜在设备的效率越来越低，因为6G无线网络中的设备数量变得越来越大。例如，为了从总数为
Figure BDA0002999015680000011
的设备中检测Ka个激活的设备，即使采用有效的稀疏恢复算法，计算代价也会以
Figure BDA0002999015680000012
速度增加。
最近，智能超表面辅助的无线通信已经成为一种有前景的应用，可以有效地提高未来无线系统的频谱和能效。具体来说，智能超表面可以通过控制大量的可重新配置的无源反射单元改变无线传播环境。在智能超表面辅助的通信系统中，准确的信道信息对于上述吞吐量的提高至关重要。然而，在实践中很难获得相应的准确的信道信息。这是因为智能超表面没有射频链路，无法发送或接收导频信号，因此很难单独地估计出超表面-基站和设-超表面信道，基站只能根据从设备发送的导频信号估计出级联信道信息。
为了解决这两个问题，本专利研究智能超表面辅助的大规模无源随机接入方法，在无源接入中，所有设备都使用相同的码书，并且激活设备同时向基站发送数据信息。基站在智能超表面的辅助下检测出这些数据信息并且估计出信道信息，但是不需要判断出哪个信息属于哪个设备。如果发送信息的设备想要标识自己，可以将其ID包含在其所发送的信息里。那么，如何在此模型基础上设计出高效的算法，实现用较短的导频长度准确地检测出数据并且估计出超表面信道信息成为了关键性问题。
发明内容
本发明的目的是针对智能超表面辅助的6G大规模接入系统中，现有的有源大规模接入方案中的每个设备需要有一个独立的码书，此方案所能检测出的数据包短，估计超表面信道需要的导频序列长，计算复杂度高的问题，提出了一种智能超表面辅助的大规模无源随机接入算法。
本发明所采用的具体技术方案如下:
一种智能超表面辅助的大规模无源随机接入方法，其包括如下步骤：
1)设置智能超表面的相位矩阵为稀疏的矩阵，并在所有激活的设备中随机选择一个设备向基站发送一定长度的导频序列；
2)基站接收到导频序列后，利用双线性广义近似消息传递方法，估计出超表面和基站之间的信道；
3)所有激活的设备利用公共码本，通过智能超表面向基站发送消息，这个消息被分成L个子消息进行传递，控制器为每个子消息发送阶段设置不同的超表面相位矩阵；
4)基站收到数据后，利用一种基于张量的自适应检测方法检测出连续空间的数据并估计出激活设备和超表面之间的信道；
5)得到连续空间的数据后，基站基于格拉斯曼星座图对每个激活设备单独执行解映射，即将每个激活设备的连续空间的数据映射回离散空间。
作为优选，步骤1)中，所述的相位矩阵和导频序列设置方法为：
在任意时刻t∈[1,tp]，控制智能超表面每个单元在时刻t的开关状态，使得每个智能超表面单元以概率
Figure BDA0002999015680000031
设置为1用于代表开的状态，以概率
Figure BDA0002999015680000032
设置为0用于代表关的状态，智能超表面的所有单元均设置开关状态后得到稀疏的超表面相位矩阵V；所述导频序列采样服从高斯分布。
作为优选，步骤2)中，所述的超表面和基站之间信道的估计方法为：
首先设置超表面和基站之间信道U的分布为
Figure BDA0002999015680000033
其中M为基站的天线数目，N为智能超表面的单元个数，U(m,n)代表信道U的第m行第n列的元素；再设置稀疏的辅助矩阵
Figure BDA0002999015680000034
的分布为
Figure BDA0002999015680000035
其中tp为导频序列的长度，F(n,t)代表辅助矩阵F的第n行第t列元素，⊙代表哈达玛积，h1为设备1与智能超表面之间的信道，g1为设备1发送的导频序列，δ0代表冲激函数，σu和σf分别代表信道U和辅助矩阵F的方差，
Figure BDA0002999015680000036
代表变量a的分布为均值为b方差为c的高斯分布；根据这两个分布，利用双线性广义近似消息传递方法得到问题
Figure BDA0002999015680000037
的解，其中p(Y|U,F)代表在超表面和基站之间信道U和辅助矩阵F已知的情况下，基站接收数据Y的分布，
Figure BDA0002999015680000038
代表U的估计值，Y为基站接收数据。
作为优选，步骤3)中所述的公共码本设置方法为：
本系统采用消息分块传输机制，即每个激活设备将要传输的B比特信息分成L个子消息分别进行传输，第1≤l≤L个子消息包含Bl比特信息；设置第l个子消息的数据长度为τ，我们将数据长度分解为
Figure BDA0002999015680000039
其中d≥2为分解的段数，τ1,τ2,…,τd≥2为各个子段的长度，Π代表相乘操作；然后第l∈[1,L]个子消息的比特数Bl也被分解为d段的子比特数Bl,i,i＝1,2,…,d；接下来，子消息包经过子星座图
Figure BDA00029990156800000310
i＝1,…,d的映射后，得到第l个子消息的第k个设备的第i个子段的传输符号为xi,k,l；最后设备k发送的第l数据为
Figure BDA0002999015680000041
其中
Figure BDA0002999015680000042
Figure BDA00029990156800000417
代表外积，vec(·)代表向量化操作；每个激活设备的每个子消息都进行以上的分解，映射和发送。
作为优选，步骤4)中所述的基于张量的自适应检测方法为：
输入所有的接收数据
Figure BDA0002999015680000043
和迭代次数t的上界T，开始进行第t＝1次迭代：
首先，更新中间变量
Figure BDA0002999015680000044
其中⊙为哈达玛积，aβ和
Figure BDA0002999015680000045
为噪声分布参数，
Figure BDA0002999015680000046
和
Figure BDA0002999015680000047
分别为第l个子消息的第i个子段在第t次迭代的数据的均值和方差，*代表取共轭，τi为第i个子段的数据信号长度，H为共轭转置；
然后，更新设备和超表面之间信道的方差Ω，t+1时刻的Ωt+1的计算方法为
Figure BDA0002999015680000048
其中
Figure BDA0002999015680000049
代表克罗内克积，1N代表长度为N的全1的矢量，N为智能超表面的反射单元个数，bη和
Figure BDA00029990156800000410
为表征信道矩阵列稀疏的分布参数，K为激活设备数目的初始值，bξ和
Figure BDA00029990156800000411
为表征信道元素稀疏的分布参数，diag(·)代表取对角操作，Pl代表发送第l个子消息时的测量矩阵；
接着，更新设备和超表面之间信道的均值的矢量形式u，t+1时刻的ut+1的计算方法为
Figure BDA00029990156800000412
其中◇代表Khatri-Rao积，
Figure BDA00029990156800000413
代表对张量
Figure BDA00029990156800000414
在d+1阶上进行展开；
接着，重新排列向量ut，可以得到第t次迭代，设备和超表面之间信道的均值
Figure BDA00029990156800000415
接着，更新数据的方差
Figure BDA00029990156800000416
的计算方法为
Figure BDA0002999015680000051
其中
Figure BDA0002999015680000052
代表第t次迭代，设备和超表面之间信道的均值的共轭转置；bγ和
Figure BDA0002999015680000053
为表征数据矩阵列稀疏的分布参数，
Figure BDA0002999015680000054
为矩阵
Figure BDA0002999015680000055
的第i行第j列的元素，在第t次迭代时，信道方差矩阵Ωt的维度大小为NK行NK列，将Ωt+1分成维度大小为N行N列的块，其中
Figure BDA0002999015680000056
为Ωt的处于第i行第j列的块,1≤i≤N，1≤j≤N，K代表给定的激活设备数目的上界值；
接着，更新数据的均值
Figure BDA0002999015680000057
的计算方法为
Figure BDA0002999015680000058
代表对张量
Figure BDA0002999015680000059
在i阶上进行展开；
接着，更新表征信道元素稀疏的分布参数
Figure BDA00029990156800000510
的计算方法为
Figure BDA00029990156800000511
其中k为第k个激活的设备，
Figure BDA00029990156800000512
为矩阵
Figure BDA00029990156800000513
的第n行第k列的元素；在第t+1次迭代时，信道方差矩阵Ωt+1的维度大小为NK行NK列，将Ωt+1分成维度大小为N行N列的块，其中
Figure BDA00029990156800000514
为Ωt+1的处于第n行第n列的块,1≤n≤N，
Figure BDA00029990156800000515
为矩阵
Figure BDA00029990156800000516
的第k行第k列的元素，1≤k≤K；
接着，更新信道各个元素的能量精度的期望
Figure BDA00029990156800000517
的计算方法为
Figure BDA00029990156800000518
其中
Figure BDA00029990156800000519
表示求期望；
接着，更新表征信道矩阵列稀疏的分布参数
Figure BDA00029990156800000520
1≤k≤K，K代表给定的激活设备数目的上界值，
Figure BDA00029990156800000521
的计算方法为
Figure BDA00029990156800000522
其中
Figure BDA00029990156800000523
为第t次迭代设备和超表面之间信道的均值矩阵
Figure BDA0002999015680000061
的第k列，
Figure BDA0002999015680000062
为矢量
Figure BDA0002999015680000063
的共轭转置，
Figure BDA0002999015680000064
代表和矩阵
Figure BDA0002999015680000065
的第k行第k列的元素；
接着，更新信道各个列矢量的能量精度期望
Figure BDA0002999015680000066
的计算方法为
Figure BDA0002999015680000067
接着，更新表征数据矩阵列稀疏的分布参数
Figure BDA0002999015680000068
的计算方法为
Figure BDA0002999015680000069
其中
Figure BDA00029990156800000610
为矩阵
Figure BDA00029990156800000611
的第k列，
Figure BDA00029990156800000612
为矩阵
Figure BDA00029990156800000613
的第k行第k列的元素；
接着，更新信道各个列矢量的能量精度期望
Figure BDA00029990156800000614
的计算方法为
Figure BDA00029990156800000615
最后，更新表征噪声精度的
Figure BDA00029990156800000616
的计算方法为
Figure BDA00029990156800000617
其中
Figure BDA00029990156800000618
其中
Figure BDA00029990156800000619
为第t次迭代设备和超表面之间信道的均值矩阵
Figure BDA00029990156800000620
的共轭转置，Tr(·)为求矩阵的迹，||·||F表示矩阵的F范数，T为转置；
完成一次迭代的更新后，更新迭代次数t←t+1，再次重复下一次迭代的更新，直到t＝T时停止循环，完成未知数据和信道的估计。
作为优选，步骤5)中所述的解映射方法为：
经过步骤5)的迭代后，得到数据在连续空间的估计值为
Figure BDA00029990156800000621
然后根据格拉斯曼星座图映射关系搜索出以下表达式的解
Figure BDA00029990156800000622
其中
Figure BDA0002999015680000071
为数据估值矩阵
Figure BDA0002999015680000072
的第k列，
Figure BDA0002999015680000073
为数据的实际估值，‖·‖2为二范数，|·|为取绝对值，xi,k,l为子星座图
Figure BDA0002999015680000074
中的元素。
本发明具有的有益效果是：本发明提出的基于智能超表面的大规模无源随机接入算法，可以利用较短的导频序列准确地检测出更长的数据包，需要的导频长度不随设备数量增加而增加，适用于超大超表面阵列场景，解决了超表面辅助的有源大规模数据检测问题中所能检测出的数据包短，估计超表面信道需要的导频序列长，计算复杂度高等所产生的一系列问题。
附图说明
图1是智能超表面辅助的大规模无源接入的场景示意图；
图2是将本发明中的基于智能超表面的大规模无源随机接入算法在不同张量大小的情况下绘制错包率和发射功率的关系图；
图3是将本发明的基于智能超表面的大规模无源随机接入算法与两阶段接入方法比较时，设备到超表面的信道的归一化均方误差与设备发射功率的关系；
具体实施方式
本实施例中，智能超表面辅助的大规模无源接入场景图如图1所示，在6G无线网络中，基站安装了M根天线，智能超表面配备了N个反射单元，智能超表面的相位由一个控制器来控制，每个设备设备配置1根天线。在任一给定时隙，仅有部分设备激活，而其他设备处于休眠状态。本发明基于免授权的无源随机接入，提出了联合数据检测和信道估计的两阶段协议。首先，在阶段I中，只有一个激活设备通过智能超表面向基站发送导频序列，基站利用一种双线性广义近似消息传递算法，估计出超表面和基站之间的信道。在阶段II中，所有激活设备应用公共码本，通过智能超表面向基站发送数据，基站利用一种基于张量的自适应检测算法来检测数据并估计激活设备和超表面之间的信道信息。
在本实施例中所采用的智能超表面辅助的大规模无源随机接入方法，其包括如下步骤：
1)设置智能超表面的相位矩阵为稀疏的矩阵，并在所有激活的设备中随机选择一个设备向基站发送一定长度的导频序列。
在本步骤中，相位矩阵和导频序列设置方法为：
在任意时刻t∈[1,tp]，控制智能超表面每个单元在时刻t的开关状态，使得每个智能超表面单元以概率
Figure BDA0002999015680000081
设置为1用于代表开的状态，以概率
Figure BDA0002999015680000082
设置为0用于代表关的状态，智能超表面的所有单元均设置开关状态后得到稀疏的超表面相位矩阵V；所述导频序列采样服从高斯分布。
2)基站接收到导频序列后，利用双线性广义近似消息传递方法，估计出超表面和基站之间的信道。
在本步骤中，超表面和基站之间信道的估计方法为：
首先设置超表面和基站之间信道U的分布为
Figure BDA0002999015680000083
其中M为基站的天线数目，N为智能超表面的单元个数，U(m,n)代表信道U的第m行第n列的元素；再设置稀疏的辅助矩阵
Figure BDA0002999015680000084
的分布为
Figure BDA0002999015680000085
其中tp为导频序列的长度，F(n,t)代表辅助矩阵F的第n行第t列元素，⊙代表哈达玛积，h1为设备1与智能超表面之间的信道，g1为设备1发送的导频序列，δ0代表冲激函数，σu和σf分别代表信道U和辅助矩阵F的方差，
Figure BDA0002999015680000086
代表变量a的分布为均值为b方差为c的高斯分布；根据这两个分布，利用双线性广义近似消息传递方法得到问题
Figure BDA0002999015680000087
的解，其中p(Y|U,F)代表在超表面和基站之间信道U和辅助矩阵F已知的情况下，基站接收数据Y的分布，
Figure BDA0002999015680000088
代表U的估计值，Y为基站接收数据。
3)所有激活的设备利用公共码本，通过智能超表面向基站发送消息，这个消息被分成L个子消息进行传递，控制器为每个子消息发送阶段设置不同的超表面相位矩阵。
在本步骤中，公共码本设置方法为：
本系统采用消息分块传输机制，即每个激活设备将要传输的B比特信息分成L个子消息分别进行传输，第1≤l≤L个子消息包含Bl比特信息；设置第l个子消息的数据长度为τ，我们将数据长度分解为
Figure BDA0002999015680000091
其中d≥2为分解的段数，τ1,τ2,…,τd≥2为各个子段的长度，Π代表相乘操作；然后第l∈[1,L]个子消息的比特数Bl也被分解为d段的子比特数Bl,i,i＝1,2,…,d；接下来，子消息包经过子星座图
Figure BDA0002999015680000092
i＝1,…,d的映射后，得到第l个子消息的第k个设备的第i个子段的传输符号为xi,k,l；最后设备k发送的第l数据为
Figure BDA0002999015680000093
其中
Figure BDA0002999015680000094
Figure BDA00029990156800000913
代表外积，vec(·)代表向量化操作；每个激活设备的每个子消息都进行以上的分解，映射和发送。
4)基站收到数据后，利用一种基于张量的自适应检测方法检测出连续空间的数据并估计出激活设备和超表面之间的信道。
在本步骤中，基于张量的自适应检测方法为：
输入所有的接收数据
Figure BDA0002999015680000095
和迭代次数t的上界T，开始进行第t＝1次迭代：
首先，更新中间变量
Figure BDA0002999015680000096
其中⊙为哈达玛积，aβ和
Figure BDA0002999015680000097
为噪声分布参数，
Figure BDA0002999015680000098
和
Figure BDA0002999015680000099
分别为第l个子消息的第i个子段在第t次迭代的数据的均值和方差，*代表取共轭，τi为第i个子段的数据信号长度，H为共轭转置；
然后，更新设备和超表面之间信道的方差Ω，t+1时刻的Ωt+1的计算方法为
Figure BDA00029990156800000910
其中
Figure BDA00029990156800000911
代表克罗内克积，1N代表长度为N的全1的矢量，N为智能超表面的反射单元个数，bη和
Figure BDA00029990156800000912
为表征信道矩阵列稀疏的分布参数，K为激活设备数目的初始值，bξ和
Figure BDA0002999015680000101
为表征信道元素稀疏的分布参数，diag(·)代表取对角操作，Pl代表发送第l个子消息时的测量矩阵；
接着，更新设备和超表面之间信道的均值的矢量形式u，t+1时刻的ut+1的计算方法为
Figure BDA0002999015680000102
其中◇代表Khatri-Rao积，
Figure BDA0002999015680000103
代表对张量
Figure BDA0002999015680000104
在d+1阶上进行展开；
接着，重新排列向量ut，可以得到第t次迭代，设备和超表面之间信道的均值
Figure BDA0002999015680000105
接着，更新数据的方差
Figure BDA0002999015680000106
的计算方法为
Figure BDA0002999015680000107
其中
Figure BDA0002999015680000108
代表第t次迭代，设备和超表面之间信道的均值的共轭转置；bγ和
Figure BDA0002999015680000109
为表征数据矩阵列稀疏的分布参数，
Figure BDA00029990156800001010
为矩阵
Figure BDA00029990156800001011
的第i行第j列的元素，在第t次迭代时，信道方差矩阵Ωt的维度大小为NK行NK列，将Ωt+1分成维度大小为N行N列的块，其中
Figure BDA00029990156800001012
为Ωt的处于第i行第j列的块,1≤i≤N，1≤j≤N，K代表给定的激活设备数目的上界值；
接着，更新数据的均值
Figure BDA00029990156800001013
的计算方法为
Figure BDA00029990156800001014
代表对张量
Figure BDA00029990156800001015
在i阶上进行展开；
接着，更新表征信道元素稀疏的分布参数
Figure BDA00029990156800001016
的计算方法为
Figure BDA00029990156800001017
其中k为第k个激活的设备，
Figure BDA00029990156800001018
为矩阵
Figure BDA00029990156800001019
的第n行第k列的元素；在第t+1次迭代时，信道方差矩阵Ωt+1的维度大小为NK行NK列，将Ωt+1分成维度大小为N行N列的块，其中
Figure BDA00029990156800001020
为Ωt+1的处于第n行第n列的块,1≤n≤N，
Figure BDA0002999015680000111
为矩阵
Figure BDA0002999015680000112
的第k行第k列的元素，1≤k≤K；
接着，更新信道各个元素的能量精度的期望
Figure BDA0002999015680000113
的计算方法为
Figure BDA0002999015680000114
其中
Figure BDA0002999015680000115
表示求期望；
接着，更新表征信道矩阵列稀疏的分布参数
Figure BDA0002999015680000116
1≤k≤K，K代表给定的激活设备数目的上界值，
Figure BDA0002999015680000117
的计算方法为
Figure BDA0002999015680000118
其中
Figure BDA0002999015680000119
为第t次迭代设备和超表面之间信道的均值矩阵
Figure BDA00029990156800001110
的第k列，
Figure BDA00029990156800001111
为矢量
Figure BDA00029990156800001112
的共轭转置，
Figure BDA00029990156800001113
代表和矩阵
Figure BDA00029990156800001114
的第k行第k列的元素；
接着，更新信道各个列矢量的能量精度期望
Figure BDA00029990156800001115
的计算方法为
Figure BDA00029990156800001116
接着，更新表征数据矩阵列稀疏的分布参数
Figure BDA00029990156800001117
的计算方法为
Figure BDA00029990156800001118
其中
Figure BDA00029990156800001119
为矩阵
Figure BDA00029990156800001120
的第k列，
Figure BDA00029990156800001121
为矩阵
Figure BDA00029990156800001122
的第k行第k列的元素；
接着，更新信道各个列矢量的能量精度期望
Figure BDA00029990156800001123
的计算方法为
Figure BDA00029990156800001124
最后，更新表征噪声精度的
Figure BDA00029990156800001125
的计算方法为
Figure BDA00029990156800001126
其中
Figure BDA00029990156800001127
其中
Figure BDA00029990156800001128
为第t次迭代设备和超表面之间信道的均值矩阵
Figure BDA0002999015680000121
的共轭转置，Tr(·)为求矩阵的迹，||·||F表示矩阵的F范数，T为转置；
完成一次迭代的更新后，更新迭代次数t←t+1，再次重复下一次迭代的更新，直到t＝T时停止循环，完成未知数据和信道的估计。
5)得到连续空间的数据后，基站基于格拉斯曼星座图对每个激活设备单独执行解映射，即将每个激活设备的连续空间的数据映射回离散空间。
在本步骤中，解映射方法为：
经过步骤5)的迭代后，得到数据在连续空间的估计值为
Figure BDA0002999015680000122
然后根据格拉斯曼星座图映射关系搜索出以下表达式的解
Figure BDA0002999015680000123
其中
Figure BDA0002999015680000124
为数据估值矩阵
Figure BDA0002999015680000125
的第k列，
Figure BDA0002999015680000126
为数据的实际估值，‖·‖2为二范数，|·|为取绝对值，xi,k,l为子星座图
Figure BDA0002999015680000127
中的元素。
上述接入方法通过计算机仿真可以看出：如图2所示，在本发明的基于智能超表面的大规模无源随机接入方案中，子消息划分段数d＝4和d＝3时的错包率高于子消息划分为d＝2的情况，因此本方案在子消息划分的段数较小的情况时有更大增益，原因是d＝4和d＝3时系统的自由度小于d＝2的情况。图3表明本发明提出的基于智能超表面的大规模无源随机接入方案，相对于传统的两阶段接入算法的设备到超表面的信道的估计准确度有明显提升，并且本文方案需要很小的发射功率便能达到和另外一种方案相同的信道估计性能。并且所提出的方案的信道估计的归一化均方误差随着采样网格长度的增加而降低，这是由于增加采样网格长度会导致更高的角度分辨率，这使得信道变得更加稀疏。所提出方案的优势首先是因为本文方案不仅探索了信道稀疏性，而且可以自适应地估计出激活设备的数目，进而降低了模型复杂度。因此，本发明提出的基于智能超表面的大规模无源随机接入方案可以为6G大规模通信系统提供一种高效的数据检测和信道估计方法。

Claims (5)

1.一种智能超表面辅助的大规模无源随机接入方法，其特征在于包括如下步骤：
1)设置智能超表面的相位矩阵为稀疏的矩阵，并在所有激活的设备中随机选择一个设备向基站发送一定长度的导频序列；
2)基站接收到导频序列后，利用双线性广义近似消息传递方法，估计出超表面和基站之间的信道；
3)所有激活的设备利用公共码本，通过智能超表面向基站发送消息，这个消息被分成L个子消息进行传递，控制器为每个子消息发送阶段设置不同的超表面相位矩阵；
4)基站收到数据后，利用一种基于张量的自适应检测方法检测出连续空间的数据并估计出激活设备和超表面之间的信道；
5)得到连续空间的数据后，基站基于格拉斯曼星座图对每个激活设备单独执行解映射，即将每个激活设备的连续空间的数据映射回离散空间；
步骤4)中所述的基于张量的自适应检测方法为：
输入所有的接收数据
Figure FDA0003558749580000011
和迭代次数t的上界T，开始进行第t＝1次迭代：
首先，更新中间变量
Figure FDA0003558749580000012
其中⊙为哈达玛积，aβ和
Figure FDA0003558749580000013
为噪声分布参数，
Figure FDA0003558749580000014
和
Figure FDA0003558749580000015
分别为第l个子消息的第i个子段在第t次迭代的数据的均值和方差，*代表取共轭，τi为第i个子段的数据信号长度，H为共轭转置；
然后，更新设备和超表面之间信道的方差Ω，t+1时刻的Ωt+1的计算方法为
Figure FDA0003558749580000016
其中
Figure FDA0003558749580000017
代表克罗内克积，1N代表长度为N的全1的矢量，N为智能超表面的反射单元个数，bη和
Figure FDA0003558749580000018
为表征信道矩阵列稀疏的分布参数，K为激活设备数目的初始值，bξ和
Figure FDA0003558749580000021
为表征信道元素稀疏的分布参数，diag(·)代表取对角操作，Pl代表发送第l个子消息时的测量矩阵；
接着，更新设备和超表面之间信道的均值的矢量形式u，t+1时刻的ut+1的计算方法为
Figure FDA0003558749580000022
其中◇代表Khatri-Rao积，
Figure FDA0003558749580000023
代表对张量
Figure FDA0003558749580000024
在d+1阶上进行展开；
接着，重新排列向量ut，可以得到第t次迭代，设备和超表面之间信道的均值
Figure FDA0003558749580000025
接着，更新数据的方差
Figure FDA0003558749580000026
Figure FDA0003558749580000027
的计算方法为
Figure FDA0003558749580000028
其中
Figure FDA0003558749580000029
代表第t次迭代，设备和超表面之间信道的均值的共轭转置；bγ和
Figure FDA00035587495800000210
为表征数据矩阵列稀疏的分布参数，
Figure FDA00035587495800000211
为矩阵
Figure FDA00035587495800000212
的第i行第j列的元素，在第t次迭代时，信道方差矩阵Ωt的维度大小为NK行NK列，将Ωt+1分成维度大小为N行N列的块，其中
Figure FDA00035587495800000213
为Ωt的处于第i行第j列的块,1≤i≤N，1≤j≤N，K代表给定的激活设备数目的上界值；
接着，更新数据的均值
Figure FDA00035587495800000214
Figure FDA00035587495800000215
的计算方法为
Figure FDA00035587495800000216
Figure FDA00035587495800000217
代表对张量
Figure FDA00035587495800000218
在i阶上进行展开；
接着，更新表征信道元素稀疏的分布参数
Figure FDA00035587495800000219
Figure FDA00035587495800000220
的计算方法为
Figure FDA00035587495800000221
其中k为第k个激活的设备，
Figure FDA00035587495800000222
为矩阵
Figure FDA00035587495800000223
的第n行第k列的元素；在第t+1次迭代时，信道方差矩阵Ωt+1的维度大小为NK行NK列，将Ωt+1分成维度大小为N行N列的块，其中
Figure FDA00035587495800000224
为Ωt+1的处于第n行第n列的块,1≤n≤N，
Figure FDA0003558749580000031
为矩阵
Figure FDA0003558749580000032
的第k行第k列的元素，1≤k≤K；
接着，更新信道各个元素的能量精度的期望
Figure FDA0003558749580000033
Figure FDA0003558749580000034
的计算方法为
Figure FDA0003558749580000035
其中
Figure FDA0003558749580000036
表示求期望；
接着，更新表征信道矩阵列稀疏的分布参数
Figure FDA0003558749580000037
K代表给定的激活设备数目的上界值，
Figure FDA0003558749580000038
的计算方法为
Figure FDA0003558749580000039
其中
Figure FDA00035587495800000310
为第t次迭代设备和超表面之间信道的均值矩阵
Figure FDA00035587495800000311
的第k列，
Figure FDA00035587495800000312
为矢量
Figure FDA00035587495800000313
的共轭转置，
Figure FDA00035587495800000314
代表和矩阵
Figure FDA00035587495800000315
的第k行第k列的元素；
接着，更新信道各个列矢量的能量精度期望
Figure FDA00035587495800000316
Figure FDA00035587495800000317
的计算方法为
Figure FDA00035587495800000318
接着，更新表征数据矩阵列稀疏的分布参数
Figure FDA00035587495800000319
Figure FDA00035587495800000320
的计算方法为
Figure FDA00035587495800000321
其中
Figure FDA00035587495800000322
为矩阵
Figure FDA00035587495800000323
的第k列，
Figure FDA00035587495800000324
为矩阵
Figure FDA00035587495800000325
的第k行第k列的元素；
接着，更新信道各个列矢量的能量精度期望
Figure FDA00035587495800000326
Figure FDA00035587495800000327
的计算方法为
Figure FDA00035587495800000328
最后，更新表征噪声精度的
Figure FDA00035587495800000329
Figure FDA00035587495800000330
的计算方法为
Figure FDA00035587495800000331
其中
Figure FDA00035587495800000332
其中
Figure FDA00035587495800000333
为第t次迭代设备和超表面之间信道的均值矩阵
Figure FDA0003558749580000041
的共轭转置，Tr(·)为求矩阵的迹，||·||F表示矩阵的F范数，T为转置；
完成一次迭代的更新后，更新迭代次数t←t+1，再次重复下一次迭代的更新，直到t＝T时停止循环，完成未知数据和信道的估计。
2.根据权利要求1所述的一种智能超表面辅助的大规模无源随机接入方法，其特征在于步骤1)中，所述的相位矩阵和导频序列设置方法为：
在任意时刻t∈[1,tp]，控制智能超表面每个单元在时刻t的开关状态，使得每个智能超表面单元以概率
Figure FDA0003558749580000042
设置为1用于代表开的状态，以概率
Figure FDA0003558749580000043
设置为0用于代表关的状态，智能超表面的所有单元均设置开关状态后得到稀疏的超表面相位矩阵V；所述导频序列采样服从高斯分布。
3.根据权利要求1所述的一种智能超表面辅助的大规模无源随机接入方法，其特征在于步骤2)中，所述的超表面和基站之间信道的估计方法为：
首先设置超表面和基站之间信道U的分布为
Figure FDA0003558749580000044
其中M为基站的天线数目，N为智能超表面的单元个数，U(m,n)代表信道U的第m行第n列的元素；再设置稀疏的辅助矩阵
Figure FDA0003558749580000045
的分布为
Figure FDA0003558749580000046
其中tp为导频序列的长度，F(n,t)代表辅助矩阵F的第n行第t列元素，⊙代表哈达玛积，h1为设备1与智能超表面之间的信道，g1为设备1发送的导频序列，δ0代表冲激函数，σu和σf分别代表信道U和辅助矩阵F的方差，
Figure FDA0003558749580000047
代表变量a的分布为均值为b方差为c的高斯分布；根据这两个分布，利用双线性广义近似消息传递方法得到问题
Figure FDA0003558749580000048
的解，其中p(Y|U,F)代表在超表面和基站之间信道U和辅助矩阵F已知的情况下，基站接收数据Y的分布，
Figure FDA0003558749580000049
代表U的估计值，Y为基站接收数据。
4.根据权利要求1所述的一种智能超表面辅助的大规模无源随机接入方法，其特征在于步骤3)中所述的公共码本设置方法为：
本系统采用消息分块传输机制，即每个激活设备将要传输的B比特信息分成L个子消息分别进行传输，第1≤l≤L个子消息包含Bl比特信息；设置第l个子消息的数据长度为τ，我们将数据长度分解为
Figure FDA0003558749580000051
其中d≥2为分解的段数，τ1,τ2,…,τd≥2为各个子段的长度，Π代表相乘操作；然后第l∈[1,L]个子消息的比特数Bl也被分解为d段的子比特数Bl,i,i＝1,2,…,d；接下来，子消息包经过子星座图
Figure FDA0003558749580000052
的映射后，得到第l个子消息的第k个设备的第i个子段的传输符号为xi,k,l；最后设备k发送的第l数据为
Figure FDA0003558749580000053
其中
Figure FDA0003558749580000054
Figure FDA0003558749580000055
代表外积，vec(·)代表向量化操作；每个激活设备的每个子消息都进行以上的分解，映射和发送。
5.根据权利要求1所述的一种智能超表面辅助的大规模无源随机接入方法，其特征在于步骤5)中所述的解映射方法为：
经过步骤5)的迭代后，得到数据在连续空间的估计值为
Figure FDA0003558749580000056
然后根据格拉斯曼星座图映射关系搜索出以下表达式的解
Figure FDA0003558749580000057
其中
Figure FDA0003558749580000058
为数据估值矩阵
Figure FDA0003558749580000059
的第k列，
Figure FDA00035587495800000510
为数据的实际估值，‖·‖2为二范数，|·|为取绝对值，xi,k,l为子星座图
Figure FDA00035587495800000511
中的元素。
CN202110339746.5A 2021-03-30 2021-03-30 一种智能超表面辅助的大规模无源随机接入方法 Active CN113194548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339746.5A CN113194548B (zh) 2021-03-30 2021-03-30 一种智能超表面辅助的大规模无源随机接入方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339746.5A CN113194548B (zh) 2021-03-30 2021-03-30 一种智能超表面辅助的大规模无源随机接入方法

Publications (2)

Publication Number Publication Date
CN113194548A CN113194548A (zh) 2021-07-30
CN113194548B true CN113194548B (zh) 2022-05-20

Family

ID=76974628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339746.5A Active CN113194548B (zh) 2021-03-30 2021-03-30 一种智能超表面辅助的大规模无源随机接入方法

Country Status (1)

Country Link
CN (1) CN113194548B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114051284B (zh) * 2021-11-11 2023-12-22 中国信息通信研究院 一种波束识别随机接入方法和设备
CN116781206A (zh) * 2022-03-11 2023-09-19 华为技术有限公司 信号传输方法及相关装置
CN115021780B (zh) * 2022-05-18 2023-12-22 浙江大学 基于无蜂窝大规模多输入多输出系统的免授权随机接入方法
CN115550994A (zh) * 2022-09-29 2022-12-30 浙江大学 一种与源址无关的分布式状态监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108476102A (zh) * 2015-11-17 2018-08-31 华为技术有限公司 用于多源信道估计的系统与方法
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
CN112073134A (zh) * 2020-11-11 2020-12-11 华东交通大学 一种高铁下智能反射表面辅助信道估计与检测方法
KR102192234B1 (ko) * 2019-10-28 2020-12-17 성균관대학교 산학협력단 지능형 반사 평면을 포함하는 무선 통신 시스템의 통신 방법 및 이를 위한 장치
CN112187323A (zh) * 2020-09-29 2021-01-05 国网江苏省电力有限公司丹阳市供电分公司 混合低精度架构下基于irs的大规模mimo的级联信道估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108476102A (zh) * 2015-11-17 2018-08-31 华为技术有限公司 用于多源信道估计的系统与方法
KR102192234B1 (ko) * 2019-10-28 2020-12-17 성균관대학교 산학협력단 지능형 반사 평면을 포함하는 무선 통신 시스템의 통신 방법 및 이를 위한 장치
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
CN112187323A (zh) * 2020-09-29 2021-01-05 国网江苏省电力有限公司丹阳市供电分公司 混合低精度架构下基于irs的大规模mimo的级联信道估计方法
CN112073134A (zh) * 2020-11-11 2020-12-11 华东交通大学 一种高铁下智能反射表面辅助信道估计与检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Covariance-Based Cooperative Activity Detection for Massive Grant-Free Random Access;Xiaodan Shao;《GLOBECOM 2020 - 2020 IEEE Global Communications Conference》;20210211;全文 *
基于可重构智能表面的移动通信简要综述;周儒雅;《移动通信》;20200630(第6期);全文 *
智能反射表面无线通信的信道估计与帧结构设计;李然;《无线电通信技术》;20210130;第47卷(第1期);全文 *

Also Published As

Publication number Publication date
CN113194548A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN113194548B (zh) 一种智能超表面辅助的大规模无源随机接入方法
CN108540410B (zh) 免调度传输系统联合活跃用户检测和信道估计方法
CN109327918B (zh) 一种低开销的fdd大规模mimo下行信道重建方法
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
CN111641570B (zh) 一种基于深度学习的联合设备检测和信道估计方法
CN110430147B (zh) 一种面向fdd系统的信道跟踪方法
CN110177062B (zh) 一种终端激活检测和信道估计方法
CN104698430A (zh) 一种用于提高精度的基于虚拟天线阵列的角度估计方法
CN111835464B (zh) 一种与源址无关的大规模合作接入方法
CN110289898A (zh) 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法
CN111865845A (zh) 一种mimo用户检测与信道估计装置及方法
CN105246086A (zh) 一种确定天线角度的方法和设备
CN110971547A (zh) 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法
CN103200136A (zh) 一种频域超分辨率多径时延估计方法
CN114500322B (zh) 免授权大规模接入场景下设备活跃检测和信道估计方法
CN111683023B (zh) 一种模型驱动的基于深度学习的大规模设备检测方法
Dampahalage et al. Supervised learning based sparse channel estimation for RIS aided communications
CN104579439A (zh) 适用于大规模mimo的天线选择方法及系统
CN107181705A (zh) 一种半盲信道估计方法及系统
CN116647426A (zh) 一种基于无线能量传输的去蜂窝共生通信传输方法
CN107426748B (zh) 一种无线网络控制系统中多传感器估计性能方法
Lin et al. Communication-Efficient Joint Signal Compression and Activity Detection in Cell-Free Massive MIMO
CN106230755B (zh) 一种mimo系统信道估计方法和装置
Dong et al. Bandit sampling for faster activity and data detection in massive random access
CN110365379B (zh) 一种大规模天线系统联合码分和波束分多址方法

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