CN113225275B - 基于定位信息辅助的信道估计方法及系统 - Google Patents

基于定位信息辅助的信道估计方法及系统 Download PDF

Info

Publication number
CN113225275B
CN113225275B CN202110447573.9A CN202110447573A CN113225275B CN 113225275 B CN113225275 B CN 113225275B CN 202110447573 A CN202110447573 A CN 202110447573A CN 113225275 B CN113225275 B CN 113225275B
Authority
CN
China
Prior art keywords
ris
channel
matrix
base station
constructing
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.)
Expired - Fee Related
Application number
CN202110447573.9A
Other languages
English (en)
Other versions
CN113225275A (zh
Inventor
曾嵘
杭潇
邵智敏
包建荣
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110447573.9A priority Critical patent/CN113225275B/zh
Publication of CN113225275A publication Critical patent/CN113225275A/zh
Application granted granted Critical
Publication of CN113225275B publication Critical patent/CN113225275B/zh
Expired - Fee Related 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/145—Passive relay 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
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了车联网环境下RIS系统中基于定位信息辅助的信道估计方法及系统，方法如下：基于车联网系统，获得基站、智能反射面即RIS及车辆的相对位置信息；求得基站到RIS以及RIS到接收端，有效信号在视距传播过程中的方位角与仰角；构建基站到RIS的级联信道G，及RIS到接收端的级联信道hr,k，求解级联信道Hk；构建信道模型，构建Q个时隙的整体测量矩阵Hk；根据角域级联信道，将Hk写成CS模型，根据接收信号与反射信号的方位角与仰角，构造新的字典矩阵D，并构建新的感知矩阵Aq＝(D*Θ′q)H；对接收端接收信号设为初始化残差向量r0，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row*；根据所求得到的row*，通过LS算法得到估计信道H的稀疏向量，更新残差向量，得到估计信道。

Description

基于定位信息辅助的信道估计方法及系统
技术领域
本专利属于车联网环境下RIS(智能表面)辅助通信的信道估计技术领域，特别涉及一种车联网环境下RIS系统中基于定位信息辅助的信道估计方法及系统。
背景技术
近年来，可重构智能表面(RIS)被提出，以低硬件成本和能耗提高无线通信系统的覆盖范围和容量。RIS概念建立在控制电磁波在通信信道中的传播以提高通信系统的性能的基础上。具体的而言，IRS是一个由若干微面元组成的元表面，这些微面元可以控制入射信号的相位。理想状态下，被控制的相位是连续的，但是元表面使用亚波长尺寸的若干离散“元素”来近似这一点，每个“元素”引起不同的相移。这样，当信号入射时，使得所有相移的联合效应是在选定方向上的放射光束。
一般来说，由大量的被动式低成本元素组成的RIS可以被部署来在基站和用户之间建立额外的链接。通过根据周围环境重新配置这些RIS元件，RIS可以提供高波束形成增益。可靠的波束形成需要准确的信道状态信息(CSI)。将RIS系统应用于车联网中，特别是对于收发都是单天线的系统，利用RIS的波束形成增益，可以增加接收信号的功率，并提供空间与多普勒分集增益。
传统信道估计方案直接应用于RIS辅助系统有两个主要障碍。首先，所有的RIS元件都是无源的，它不能发送、接收或处理任何导频信号以实现信道估计。其次，由于一个RIS通常由数百个元素组成，因此要估计信道的尺寸比传统系统中的尺寸要大得多，这将导致急剧增加信道估计的导频开销。因此，必须为RIS辅助无线通信系统开发准确的信道估计方案。
发明内容
本发明针对现有技术的不足，提出了一种车联网环境下RIS系统中基于定位信息辅助的信道估计方法及系统，本发明可以提高RIS系统中信道估计的精度并降低估计时间。具体来说，本发明针对RIS系统，基于行结构稀疏性的OMP算法改进，提高信道估计方法的性能。
为了达到上述的目的，本发明采用以下技术方案：
一种车联网环境下RIS系统中基于定位信息辅助的信道估计方法，包括如下步骤：
步骤1：基于车联网系统，获得基站、智能反射面(RIS)以及车辆(接收端)的相对位置信息；
步骤2：根据相对位置可以求得基站到RIS以及RIS到接收端，有效信号在视距传播过程中的方位角与仰角；
步骤3：基于步骤2所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，并求解级联信道Hk；
步骤4：构建信道模型，考虑将下行链路导频传输分为Q个时隙，不同时隙构建不同维度的RIS反射向量，构建Q个时隙的整体测量矩阵Hk；
步骤5：根据角域级联信道，进一步将Hk写成CS模型，根据接收信号与反射信号的方位角与仰角，构造新的字典矩阵D，并构建新的感知矩阵Aq＝(D*Θ′q)H；
步骤6：对接收端接收信号设为初始化残差向量r0，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row*；
步骤7：根据所求得到的row*，通过LS算法得到估计信道H的稀疏向量，更新残差向量，得到估计信道。
优选的，步骤1具体如下：基于车联网系统获得通信中物体的相对位置信息，首先初始化发送端，智能反射面以及接收端的相对位置，设
BS:(x1,y1,z1)
RIS:(x2,y2,z2)
User:(x3,y3,z3)
其中，所设坐标均为对应通信设备的中心点位置。
优选的，步骤2具体如下：根据所得到的基站，RIS以及接收端的相对位置，可求出BS的方位角与仰角分别为：
Figure BDA0003037444770000031
Figure BDA0003037444770000032
RIS接收信号的方位角与仰角分别为：
Figure BDA0003037444770000033
Figure BDA0003037444770000034
RIS反射信号的方位角与仰角分别为：
Figure BDA0003037444770000035
Figure BDA0003037444770000036
优选的，步骤3具体如下：基于步骤2所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，即
Figure BDA0003037444770000037
其中，M,N分别对应基站的天线数量与RIS反射元件的数量。αG表示基站到RIS的路径损耗；
Figure BDA0003037444770000038
其中，N是RIS反射元件的数量。αr,k表示RIS到第k个用户的路径损耗，a(ν,ψ)与
Figure BDA0003037444770000039
进一步表示为
Figure BDA00030374447700000310
Figure BDA00030374447700000311
其中，
Figure BDA00030374447700000312
Figure BDA0003037444770000041
λ是载波波长，d通常满足d＝λ/2的天线间距，
Figure BDA0003037444770000042
表示克罗内克积；
进一步定义
Figure BDA0003037444770000043
作为第k个用户的M×N级联信道，利用虚拟角域，可以进一步写为
Figure BDA0003037444770000044
其中
Figure BDA0003037444770000045
定义为M×N角域级联联信道，UM与UN分别表示为BS和RIS上的M×M与N×N的字典酉矩阵。
优选的，步骤4具体如下：在下行链路中BS通过Q个时隙将已知的导频信号传输给用户，特别的，在第q个时隙第k个用户接收到的信号为
Figure BDA0003037444770000046
其中，sk,q表示发送给第k个用户的导频信号，θq＝[θq,1,...,θq,N]T是RIS的反射向量，θq,n表示RIS的第n个元件(n＝1,...,N)在第q个时隙的反射系数。nk,q为均值为0，方差为σ2的接收噪声。由级联信道
Figure BDA0003037444770000047
进一步写为
yk,q＝Hkθqsk,q+nk,q
经过Q个时隙导频传输，获得M×Q整体测量矩阵Yk＝[yk,1,...,yk,Q，假定sk,q＝1，即
Figure BDA0003037444770000048
其中Θ＝[θ1,...,θQ]，Wk＝[nk,1,...nk,Q]
优选的，步骤5具体如下：由步骤3所得到的角域级联矩阵，进一步将整体体量矩阵写为CS模型
Figure BDA0003037444770000049
其中，
Figure BDA00030374447700000410
为Q×M有效测量矩阵，
Figure BDA00030374447700000411
为有效噪声矩阵，
Figure BDA00030374447700000412
为Q×N感知矩阵；
通过对角域级联信道的转换，构建新的训练字典矩阵D辅助OMP算法做信道估计，首先构建一个随机的RIS反射向量矩阵
Figure BDA0003037444770000051
其中Θ′q为第q个时隙RIS的N个元件的反射系数，取
Figure BDA0003037444770000052
Figure BDA0003037444770000053
设
Figure BDA0003037444770000054
Figure BDA0003037444770000055
由thate1与thate2进一步得到
Figure BDA0003037444770000056
Figure BDA0003037444770000057
Figure BDA0003037444770000058
由新的字典矩阵构建新的感知矩阵Aq＝(D*Θ′q)H，作为训练字典，通过接收信号做信道估计。
优选的，步骤6具体如下：对接收端接收信号设为初始化残差向量r0
r0＝Yk
其中Yk是第k个用户接收到的信号，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row，即
Figure BDA0003037444770000059
优选的，步骤7具体如下：根据所求得到的row*，通过LS算法得到估计信道Hk的稀疏向量，即
Ω＝A(:,row*)；
hc＝zeros(N,1)；
hc(row*,:)＝(ΩTΩ)-1Ω*Yk
更新残差向量，即
r0＝S-Ω*hc
最终得到估计信道hc。
本发明还公开了一种车联网环境下RIS系统中基于定位信息辅助的信道估计系统，其特征是包括如下模块：
位置信息获取模块：基于车联网系统，获得基站、智能反射面即RIS以及车辆的相对位置信息；
角度求解模块：根据相对位置求得基站到RIS以及RIS到接收端，有效信号在视距传播过程中的方位角与仰角；
信道构建模块：基于角度求解模块所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，并求解级联信道Hk；
信道模型构建模块：构建信道模型，考虑将下行链路导频传输分为Q个时隙，不同时隙构建不同维度的RIS反射向量，构建Q个时隙的整体测量矩阵Hk；
矩阵构建模块：根据角域级联信道，将Hk写成CS模型，根据接收信号与反射信号的方位角与仰角，构造新的字典矩阵D，并构建新的感知矩阵Aq＝(D*Θ′q)H；H是矩阵的共轭转置；
振幅最大行求解模块：对接收端接收信号设为初始化残差向量r0，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row*；
信道估计模块：根据所求得到的row*，通过LS算法得到估计信道H的稀疏向量，更新残差向量，得到估计信道。
优选的，位置信息获取模块具体如下：基于车联网系统获得通信中物体的相对位置信息，首先初始化发送端，智能反射面以及接收端的相对位置，设
BS:(x1,y1,z1)
RIS:(x2,y2,z2)
User:(x3,y3,z3)
其中，所设坐标均为对应通信设备的中心点位置。
优选的，角度求解模块具体如下：根据所得到的基站，RIS以及接收端的相对位置，可求出BS的方位角与仰角分别为：
Figure BDA0003037444770000061
Figure BDA0003037444770000071
RIS接收信号的方位角与仰角分别为：
Figure BDA0003037444770000072
Figure BDA0003037444770000073
RIS反射信号的方位角与仰角分别为：
Figure BDA0003037444770000074
Figure BDA0003037444770000075
优选的，信道构建模块具体如下：基于步骤2所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，即
Figure BDA0003037444770000076
其中，M,N分别对应基站的天线数量与RIS反射元件的数量。αG表示基站到RIS的路径损耗；
Figure BDA0003037444770000077
其中，N是RIS反射元件的数量。αr,k表示RIS到第k个用户的路径损耗，a(ν,ψ)与
Figure BDA0003037444770000078
进一步表示为
Figure BDA0003037444770000079
Figure BDA00030374447700000710
其中，
Figure BDA00030374447700000711
Figure BDA00030374447700000712
λ是载波波长，d通常满足d＝λ/2的天线间距，
Figure BDA00030374447700000713
表示克罗内克积；
进一步定义
Figure BDA0003037444770000081
作为第k个用户的M×N级联信道，利用虚拟角域，可以进一步写为
Figure BDA0003037444770000082
其中
Figure BDA0003037444770000083
定义为M×N角域级联联信道，UM与UN分别表示为BS和RIS上的M×M与N×N的字典酉矩阵。
优选的，信道模型构建模块具体如下：在下行链路中BS通过Q个时隙将已知的导频信号传输给用户，特别的，在第q个时隙第k个用户接收到的信号为
yk,q＝Gdiag(θq)hr,ksk,q+nk,q
＝Gdiag(hr,k)θqsk,q+nk,q
其中，sk,q表示发送给第k个用户的导频信号，θq＝[θq,1,...,θq,N]T是RIS的反射向量，θq,n表示RIS的第n个元件(n＝1,...,N)在第q个时隙的反射系数。nk,q为均值为0，方差为σ2的接收噪声。由级联信道
Figure BDA0003037444770000084
进一步写为
yk,q＝Hkθqsk,q+nk,q
经过Q个时隙导频传输，获得M×Q整体测量矩阵Yk＝[yk,1,...,yk,Q，假定sk,q＝1，即
Figure BDA0003037444770000085
其中Θ＝[θ1,...,θQ]，Wk＝[nk,1,...nk,Q]
优选的，矩阵构建具体如下：由步骤3所得到的角域级联矩阵，进一步将整体体量矩阵写为CS模型
Figure BDA0003037444770000086
其中，
Figure BDA0003037444770000087
为Q×M有效测量矩阵，
Figure BDA0003037444770000088
为有效噪声矩阵，
Figure BDA0003037444770000089
为Q×N感知矩阵；
通过对角域级联信道的转换，构建新的训练字典矩阵D辅助OMP算法做信道估计，首先构建一个随机的RIS反射向量矩阵
Figure BDA00030374447700000810
其中Θ′q为第q个时隙RIS的N个元件的反射系数，取
Figure BDA0003037444770000091
Figure BDA0003037444770000092
设
Figure BDA0003037444770000093
Figure BDA0003037444770000094
由thate1与thate2进一步得到
Figure BDA0003037444770000095
Figure BDA0003037444770000096
Figure BDA0003037444770000097
由新的字典矩阵构建新的感知矩阵Aq＝(D*Θ′q)H，作为训练字典，通过接收信号做信道估计。
优选的，振幅最大行求解模块具体如下：对接收端接收信号设为初始化残差向量r0
r0＝Yk
其中Yk是第k个用户接收到的信号，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row，即
Figure BDA0003037444770000098
优选的，信道估计模块具体如下：根据所求得到的row*，通过LS算法得到估计信道Hk的稀疏向量，即
Ω＝A(:,row*)；
hc＝zeros(N,1)；
hc(row*,:)＝(ΩTΩ)-1Ω*Yk
更新残差向量，即
r0＝S-Ω*hc
最终得到估计信道hc。
本发明技术方案具有如下技术效果；
(1)本发明应用于车联网环境下的RIS系统中，利用车联网获得的位置信息，基于传统的OMP算法，优化训练字典矩阵的大小和精度，提高信道估计的精度。
(2)本发明还降低了OMP算法时间复杂度，通过降低码本空间大小，从而降低信道估计客的时间以及复杂度。
附图说明
图1是本发明一种优选实施例的框图。
具体实施方式
以下优选实施例是对本发明提供的方法和技术方案的进一步说明，但不应该理解成对发明的限制。
实施例1
一种车联网环境下RIS系统中基于定位信息辅助的信道估计方法，具体包括以下步骤：
步骤1：基于车联网系统获得通信中物体的相对位置信息，首先初始化发送端，智能反射面以及接收端的相对位置，设
BS:(x1,y1,z1)
RIS:(x2,y2,z2)
User:(x3,y3,z3)
其中，所设坐标均为对应通信设备的中心点位置。
步骤2：根据所得到的基站，RIS以及接收端的相对位置，可求出BS的方位角与仰角分别为：
Figure BDA0003037444770000101
Figure BDA0003037444770000102
RIS接收信号的方位角与仰角分别为：
Figure BDA0003037444770000111
Figure BDA0003037444770000112
RIS反射信号的方位角与仰角分别为：
Figure BDA0003037444770000113
Figure BDA0003037444770000114
步骤3：基于步骤2所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，即
Figure BDA0003037444770000115
其中，M,N分别对应基站的天线数量与RIS反射元件的数量。αG表示基站到RIS的路径损耗；
Figure BDA0003037444770000116
其中，N是RIS反射元件的数量。αr,k表示RIS到第k个用户的路径损耗，a(ν,ψ)与
Figure BDA0003037444770000117
进一步表示为
Figure BDA0003037444770000118
Figure BDA0003037444770000119
其中，
Figure BDA00030374447700001110
Figure BDA00030374447700001111
λ是载波波长，d通常满足d＝λ/2的天线间距，
Figure BDA00030374447700001112
表示克罗内克积；
进一步定义
Figure BDA00030374447700001113
作为第k个用户的M×N级联信道，利用虚拟角域，可以进一步写为
Figure BDA00030374447700001114
其中
Figure BDA0003037444770000121
定义为M×N角域级联联信道，UM与UN分别表示为BS和RIS上的M×M与N×N的字典酉矩阵。
步骤4：在下行链路中BS通过Q个时隙将已知的导频信号传输给用户，特别的，在第q个时隙第k个用户接收到的信号为
yk,q＝Gdiag(θq)hr,ksk,q+nk,q
＝Gdiag(hr,k)θqsk,q+nk,q
其中，sk,q表示发送给第k个用户的导频信号，θq＝[θq,1,...,θq,N]T是RIS的反射向量，θq,n表示RIS的第n个元件(n＝1,...,N)在第q个时隙的反射系数。nk,q为均值为0，方差为σ2的接收噪声。由级联信道
Figure BDA0003037444770000122
进一步写为
yk,q＝Hkθqsk,q+nk,q
经过Q个时隙导频传输，获得M×Q整体测量矩阵Yk＝[yk,1,...,yk,Q，假定sk,q＝1，即
Figure BDA0003037444770000123
其中Θ＝[θ1,...,θQ]，Wk＝[nk,1,...nk,Q]
步骤5：由步骤3所得到的角域级联矩阵，进一步将整体体量矩阵写为CS模型
Figure BDA0003037444770000124
其中，
Figure BDA0003037444770000125
为Q×M有效测量矩阵，
Figure BDA0003037444770000126
为有效噪声矩阵，
Figure BDA0003037444770000127
为Q×N感知矩阵；
通过对角域级联信道的转换，构建新的训练字典矩阵D辅助OMP算法做信道估计，首先构建一个随机的RIS反射向量矩阵
Figure BDA0003037444770000128
其中Θ′q为第q个时隙RIS的N个元件的反射系数，取
Figure BDA0003037444770000129
Figure BDA00030374447700001210
设
Figure BDA00030374447700001211
Figure BDA0003037444770000131
由thate1与thate2进一步得到
Figure BDA0003037444770000132
Figure BDA0003037444770000133
Figure BDA0003037444770000134
由新的字典矩阵构建新的感知矩阵Aq＝(D*Θ′q)H，作为训练字典，通过接收信号做信道估计。
步骤6：对接收端接收信号设为初始化残差向量r0
r0＝Yk
其中Yk是第k个用户接收到的信号，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row，即
Figure BDA0003037444770000135
步骤7：根据所求得到的row*，通过LS算法得到估计信道Hk的稀疏向量，即
Ω＝A(:,row*)；
hc＝zeros(N,1)；
hc(row*,:)＝(ΩTΩ)-1Ω*Yk
更新残差向量，即
r0＝S-Phi*hc
最终得到估计信道hc。
实施例2
如图1所示，一种车联网环境下RIS系统中基于定位信息辅助的信道估计系统，具体包括以下模块：
位置信息获取模块：基于车联网系统获得通信中物体的相对位置信息，首先初始化发送端，智能反射面以及接收端的相对位置，设
BS:(x1,y1,z1)
RIS:(x2,y2,z2)
User:(x3,y3,z3)
其中，所设坐标均为对应通信设备的中心点位置。
角度求解模块：根据所得到的基站，RIS以及接收端的相对位置，可求出BS的方位角与仰角分别为：
Figure BDA0003037444770000141
Figure BDA0003037444770000142
RIS接收信号的方位角与仰角分别为：
Figure BDA0003037444770000143
Figure BDA0003037444770000144
RIS反射信号的方位角与仰角分别为：
Figure BDA0003037444770000145
Figure BDA0003037444770000146
信道构建模块：基于角度求解模块所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，即
Figure BDA0003037444770000147
其中，M,N分别对应基站的天线数量与RIS反射元件的数量。αG表示基站到RIS的路径损耗；
Figure BDA0003037444770000148
其中，N是RIS反射元件的数量。αr,k表示RIS到第k个用户的路径损耗，a(ν,ψ)与
Figure BDA0003037444770000151
进一步表示为
Figure BDA0003037444770000152
Figure BDA0003037444770000153
其中，
Figure BDA0003037444770000154
Figure BDA0003037444770000155
λ是载波波长，d通常满足d＝λ/2的天线间距，
Figure BDA0003037444770000156
表示克罗内克积；
进一步定义
Figure BDA0003037444770000157
作为第k个用户的M×N级联信道，利用虚拟角域，可以进一步写为
Figure BDA0003037444770000158
其中
Figure BDA0003037444770000159
定义为M×N角域级联联信道，UM与UN分别表示为BS和RIS上的M×M与N×N的字典酉矩阵。
信道模型构建模块：在下行链路中BS通过Q个时隙将已知的导频信号传输给用户，特别的，在第q个时隙第k个用户接收到的信号为
yk,q＝Gdiag(θq)hr,ksk,q+nk,q
＝Gdiag(hr,k)θqsk,q+nk,q
其中，sk,q表示发送给第k个用户的导频信号，θq＝[θq,1,...,θq,N]T是RIS的反射向量，θq,n表示RIS的第n个元件(n＝1,...,N)在第q个时隙的反射系数。nk,q为均值为0，方差为σ2的接收噪声。由级联信道
Figure BDA00030374447700001510
进一步写为
yk,q＝Hkθqsk,q+nk,q
经过Q个时隙导频传输，获得M×Q整体测量矩阵Yk＝[yk,1,...,yk,Q，假定sk,q＝1，即
Figure BDA00030374447700001511
其中Θ＝[θ1,...,θQ]，Wk＝[nk,1,...nk,Q]
矩阵构建模块：由步骤3所得到的角域级联矩阵，进一步将整体体量矩阵写为CS模型
Figure BDA0003037444770000161
其中，
Figure BDA0003037444770000162
为Q×M有效测量矩阵，
Figure BDA0003037444770000163
为有效噪声矩阵，
Figure BDA0003037444770000164
为Q×N感知矩阵；
通过对角域级联信道的转换，构建新的训练字典矩阵D辅助OMP算法做信道估计，首先构建一个随机的RIS反射向量矩阵
Figure BDA0003037444770000165
其中Θ′q为第q个时隙RIS的N个元件的反射系数，取
Figure BDA0003037444770000166
Figure BDA0003037444770000167
设
Figure BDA0003037444770000168
Figure BDA0003037444770000169
由thate1与thate2进一步得到
Figure BDA00030374447700001610
Figure BDA00030374447700001611
Figure BDA00030374447700001612
由新的字典矩阵构建新的感知矩阵Aq＝(D*Θ′q)H，作为训练字典，通过接收信号做信道估计。
振幅最大行求解模块：对接收端接收信号设为初始化残差向量r0
r0＝Yk
其中Yk是第k个用户接收到的信号，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row，即
Figure BDA00030374447700001613
信道估计模块：根据所求得到的row*，通过LS算法得到估计信道Hk的稀疏向量，即
Ω＝A(:,row*)；
hc＝zeros(N,1)；
hc(row*,:)＝(ΩTΩ)-1Ω*Yk
更新残差向量，即
r0＝S-Phi*hc
最终得到估计信道hc。
本发明涉及的RIS是一个比较热门的现有系统，其已经被很多领域引用。
本发明涉及的车联网也是现有技术，其是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与X(即车与车、人、路、服务平台)之间的网络连接，提升车辆整体的智能驾驶水平，为用户提供安全、舒适、智能、高效的驾驶感受与交通服务，同时提高交通运行效率，提升社会交通服务的智能化水平。车联网通过新一代信息通信技术，实现车与云平台、车与车、车与路、车与人、车内等全方位网络链接，主要实现了“三网融合”，即将车内网、车际网和车载移动互联网进行融合。车联网是利用传感技术感知车辆的状态信息，并借助无线通信网络与现代智能信息处理技术实现交通的智能化管理，以及交通信息服务的智能决策和车辆的智能化控制。本发明用车联网就是通过车联网应用的传感技术，可以获得通信过程中基站、RIS以及车辆的相对位置信息，对车联网环境下RIS系统中的信道估计具有帮助作用。
本发明通过车联网技术与RIS辅助系统相结合，一方面可以利用RIS的波束形成增益，提高接收信号功率，另一方面可以利用车联网的传感技术获得通信过程中基站、RIS以及车辆的相对位置信息，辅助车联网环境下RIS系统的信道估计。
以上实施例的说明只是用于帮助理解本发明方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求保护范围内。

Claims (9)

1.车联网环境下RIS系统中基于定位信息辅助的信道估计方法，其特征是包括如下步骤：
步骤1：基于车联网系统，获得基站、智能反射面即RIS以及车辆的相对位置信息；
步骤2：根据相对位置求得基站到RIS以及RIS到接收端，有效信号在视距传播过程中的方位角与仰角；
步骤3：基于步骤2所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，并求解级联信道Hk；
步骤4：构建信道模型，考虑将下行链路导频传输分为Q个时隙，不同时隙构建不同维度的RIS反射向量，构建Q个时隙的整体测量矩阵Hk；
步骤5：根据角域级联信道，进一步将Hk写成CS模型，根据接收信号与反射信号的方位角与仰角，构造新的字典矩阵D，并构建新的感知矩阵Aq＝(D*Θ′q)H；H是矩阵的共轭转置；
步骤6：对接收端接收信号设为初始化残差向量r0，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row*；
步骤7：根据所求得到的row*，通过LS算法得到估计信道H的稀疏向量，更新残差向量，得到估计信道。
2.如权利要求1所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，
步骤1具体如下：基于车联网系统，获得基站、智能反射面即RIS以及车辆的相对位置信息，首先初始化发送端，智能反射面以及接收端的相对位置，设
BS:(x1,y1,z1)
RIS:(x2,y2,z2)
User:(x3,y3,z3)
其中，所设坐标均为对应通信设备的中心点位置。
3.如权利要求2所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，步骤2具体如下：根据所得到的基站，RIS以及接收端的相对位置，求出BS的方位角与仰角分别为：
Figure FDA0003574925340000021
Figure FDA0003574925340000022
RIS接收信号的方位角与仰角分别为：
Figure FDA0003574925340000023
Figure FDA0003574925340000024
RIS反射信号的方位角与仰角分别为：
Figure FDA0003574925340000025
Figure FDA0003574925340000026
4.如权利要求3所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，步骤3具体如下：基于步骤2所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，即
Figure FDA0003574925340000027
其中，M,N分别对应基站的天线数量与RIS反射元件的数量；αG表示基站到RIS的路径损耗；
Figure FDA0003574925340000028
其中，N是RIS反射元件的数量；αr,k表示RIS到第k个用户的路径损耗，a(ν,ψ)与
Figure FDA0003574925340000029
进一步表示为
Figure FDA0003574925340000031
Figure FDA0003574925340000032
其中，
Figure FDA0003574925340000033
Figure FDA0003574925340000034
λ是载波波长，d满足d＝λ/2的天线间距，
Figure FDA0003574925340000035
表示克罗内克积；
进一步定义
Figure FDA0003574925340000036
作为第k个用户的M×N级联信道，利用虚拟角域，进一步写为
Figure FDA0003574925340000037
其中
Figure FDA0003574925340000038
定义为M×N角域级联联信道，UM与UN分别表示为BS和RIS上的M×M与N×N的字典酉矩阵。
5.如权利要求4所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，步骤4：在下行链路中BS通过Q个时隙将已知的导频信号传输给用户，在第q个时隙第k个用户接收到的信号为
yk,q＝Gdiag(θq)hr,ksk,q+nk,q
＝Gdiag(hr,k)θqsk,q+nk,q
其中，sk,q表示发送给第k个用户的导频信号，θq＝[θq,1,...,θq,N]T是RIS的反射向量，θq,n表示RIS的第n个元件在第q个时隙的反射系数，(n＝1,...,N)；nk,q为均值为0，方差为σ2的接收噪声；由级联信道
Figure FDA0003574925340000039
进一步写为
yk,q＝Hkθqsk,q+nk,q
经过Q个时隙导频传输，获得M×Q整体测量矩阵Yk＝[yk,1,...,yk,Q]，假定sk,q＝1，即
Figure FDA00035749253400000310
其中Θ＝[θ1,...,θQ]，Wk＝[nk,1,...nk,Q]。
6.如权利要求5所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，步骤5具体如下：由步骤3所得到的角域级联矩阵，进一步将整体体量矩阵写为CS模型
Figure FDA0003574925340000041
其中，
Figure FDA0003574925340000042
为Q×M有效测量矩阵，
Figure FDA0003574925340000043
为有效噪声矩阵，
Figure FDA0003574925340000044
为Q×N感知矩阵；
通过对角域级联信道的转换，构建新的训练字典矩阵D辅助OMP算法做信道估计，首先构建一个随机的RIS反射向量矩阵
Figure FDA0003574925340000045
其中Θ′q为第q个时隙RIS的N个元件的反射系数，取
Figure FDA0003574925340000046
Figure FDA0003574925340000047
设
Figure FDA0003574925340000048
Figure FDA0003574925340000049
由thate1与thate2进一步得到
Figure FDA00035749253400000410
Figure FDA00035749253400000411
Figure FDA00035749253400000412
由新的字典矩阵构建新的感知矩阵Aq＝(D*Θ′q)H，作为训练字典，通过接收信号做信道估计。
7.如权利要求6所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，步骤6具体如下：对接收端接收信号设为初始化残差向量r0
r0＝Yk
其中Yk是第k个用户接收到的信号，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row，即
Figure FDA00035749253400000413
8.如权利要求7所述车联网环境下中基于定位信息辅助的信道估计方法，其特征是，步骤7具体如下：根据所求得到的row*，通过LS算法得到估计信道Hk的稀疏向量，即
Ω＝A(:,row*)；
hc＝zeros(N,1)；
hc(row*,:)＝(ΩTΩ)-1Ω*Yk
更新残差向量，即
r0＝Yk-Ω*hc
最终得到估计信道hc。
9.车联网环境下RIS系统中基于定位信息辅助的信道估计系统，其特征是包括如下模块：
位置信息获取模块：基于车联网系统，获得基站、智能反射面即RIS以及车辆的相对位置信息；
角度求解模块：根据相对位置求得基站到RIS以及RIS到接收端，有效信号在视距传播过程中的方位角与仰角；
信道构建模块：基于角度求解模块所得到信息构建基站到RIS的级联信道G，以及RIS到接收端的级联信道hr,k，并求解级联信道Hk；
信道模型构建模块：构建信道模型，考虑将下行链路导频传输分为Q个时隙，不同时隙构建不同维度的RIS反射向量，构建Q个时隙的整体测量矩阵Hk；
矩阵构建模块：根据角域级联信道，将Hk写成CS模型，根据接收信号与反射信号的方位角与仰角，构造新的字典矩阵D，并构建新的感知矩阵Aq＝(D*Θ′q)H；H是矩阵的共轭转置；
振幅最大行求解模块：对接收端接收信号设为初始化残差向量r0，计算感知矩阵A与残差向量r0的相关性，根据相关性求得振幅最大行row*；
信道估计模块：根据所求得到的row*，通过LS算法得到估计信道H的稀疏向量，更新残差向量，得到估计信道。
CN202110447573.9A 2021-04-25 2021-04-25 基于定位信息辅助的信道估计方法及系统 Expired - Fee Related CN113225275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110447573.9A CN113225275B (zh) 2021-04-25 2021-04-25 基于定位信息辅助的信道估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110447573.9A CN113225275B (zh) 2021-04-25 2021-04-25 基于定位信息辅助的信道估计方法及系统

Publications (2)

Publication Number Publication Date
CN113225275A CN113225275A (zh) 2021-08-06
CN113225275B true CN113225275B (zh) 2022-05-27

Family

ID=77088713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110447573.9A Expired - Fee Related CN113225275B (zh) 2021-04-25 2021-04-25 基于定位信息辅助的信道估计方法及系统

Country Status (1)

Country Link
CN (1) CN113225275B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11848709B2 (en) * 2020-08-14 2023-12-19 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
CN113701759B (zh) * 2021-08-27 2024-05-03 杭州腓腓科技有限公司 基于可重构超材料的室内同步定位与地图构建方法与系统
CN113765581B (zh) * 2021-09-27 2022-09-30 北京理工大学 基于压缩感知与波束对齐的ris快时变信道估计方法
CN113890798B (zh) * 2021-10-18 2022-12-27 清华大学 Ris级联信道多用户联合的结构化稀疏估计方法及装置
CN113992483B (zh) * 2021-11-02 2023-11-03 新疆北斗同创信息科技有限公司 可重构表面辅助simo系统中基于叠加导频的信道估计方法
WO2023092361A1 (zh) * 2021-11-24 2023-06-01 株式会社Ntt都科摩 通信系统中的终端以及发送设备
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
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
WO2023097677A1 (en) * 2021-12-03 2023-06-08 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for reconfigurable intelligent surface node in communication network
CN114338301B (zh) * 2021-12-13 2023-10-31 上海电机学院 一种基于压缩感知的ris辅助毫米波系统的信道估计方法
CN114244657B (zh) * 2021-12-23 2023-12-15 数源科技股份有限公司 多用户场景下的智能反射表面选择方法
CN114520699B (zh) * 2021-12-28 2023-06-30 重庆邮电大学 可重构智能表面辅助毫米波通信的低复杂度信道估计方法
CN114337871B (zh) * 2021-12-29 2023-02-28 北京交通大学 一种ris辅助信道仿真及信道容量分析方法
CN114745232B (zh) * 2022-04-02 2023-08-11 上海应用技术大学 智能可重构表面辅助毫米波mimo系统的信道估计方法
CN115549734B (zh) * 2022-09-19 2024-01-09 华工未来科技(江苏)有限公司 一种基于智能反射面辅助的DoA估计方法、系统、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2847309A1 (en) * 2013-03-21 2014-09-21 Kms Consulting Llc Precision aiming system for a weapon
CN105372623A (zh) * 2015-12-15 2016-03-02 吉林大学 一种基于l型阵列的信源仰角和方位角估计方法
CN108761412A (zh) * 2018-04-27 2018-11-06 常熟理工学院 一种低信噪比情况下压缩感知雷达单目标参数估计方法
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
CN112637764A (zh) * 2020-12-16 2021-04-09 同济大学 智能反射面辅助无线定位系统及其反射波束成形设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4301327B2 (ja) * 2006-08-24 2009-07-22 セイコーエプソン株式会社 光学装置を備えるプロジェクタ

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2847309A1 (en) * 2013-03-21 2014-09-21 Kms Consulting Llc Precision aiming system for a weapon
CN105372623A (zh) * 2015-12-15 2016-03-02 吉林大学 一种基于l型阵列的信源仰角和方位角估计方法
CN108761412A (zh) * 2018-04-27 2018-11-06 常熟理工学院 一种低信噪比情况下压缩感知雷达单目标参数估计方法
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
CN112637764A (zh) * 2020-12-16 2021-04-09 同济大学 智能反射面辅助无线定位系统及其反射波束成形设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Leveraging Location Information for RIS-Aided mmWave MIMO Communications;Jiguang He;《IEEE》;20210319;全文 *
一种面向物联网的智能反射面通信系统优化方法;李苗钰;《西北工业大学学报》;20210415;全文 *

Also Published As

Publication number Publication date
CN113225275A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113225275B (zh) 基于定位信息辅助的信道估计方法及系统
CN113285897B (zh) 车联网环境下ris系统中基于定位信息辅助的信道估计方法及系统
CN112865893B (zh) 智能反射面辅助的sm-noma系统资源分配方法
CN112235026B (zh) 一种mimo-ofdma太赫兹通信系统的混合波束设计方法
CN103245956B (zh) 一种基于稳健波束形成算法的gps抗多径方法
CN111162823A (zh) 双向mimo通信系统中预编码矩阵和相移矩阵优化方法
CN106031068A (zh) 一种基于波束成形的通信方法及装置
CN102394680A (zh) 一种用于多波束切换天线系统中的波束搜索方法及装置
CN114567399B (zh) 一种空中基站的多天线多径信道状态信息建模与反馈方法
CN101359946B (zh) 波束赋形的方法与装置
CN112994770B (zh) 基于部分csi的ris辅助多用户下行鲁棒无线传输方法
CN114338301A (zh) 一种基于压缩感知的ris辅助毫米波系统的信道估计方法
CN114095318A (zh) 智能超表面辅助的混合构型毫米波通信系统信道估计方法
CN114666803A (zh) 一种移动边缘计算系统的部署、控制方法及其系统
CN114745232B (zh) 智能可重构表面辅助毫米波mimo系统的信道估计方法
CN116600314A (zh) 一种高铁毫米波通信系统的通信控制方法及系统
CN114124263A (zh) 基于大规模智能反射单元的无人机信道模型建立方法
CN116405348A (zh) 通信感知一体化系统阵列天线与5g新空口估角方法
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
CN114499615B (zh) 一种太赫兹通信系统中近远场统一的发射波束成形方法
CN115334524A (zh) 一种基于全向智能超表面的通信和雷达目标检测方法
CN115022146A (zh) 一种可重构智能表面辅助的通信与定位一体化全双工系统
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
CN106603144A (zh) 用于机载卫星导航平台的循环平稳波束形成方法及系统
CN110225449B (zh) 一种基于毫米波cran的3d定位、测速和环境映射方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220527

CF01 Termination of patent right due to non-payment of annual fee