CN113225276A - 一种面向智能反射面辅助通信系统的半盲信道估计方法 - Google Patents

Abstract

本发明公开了一种面向智能反射面辅助通信系统的半盲信道估计方法，包括以下步骤：首先基站将相应的智能反射面反射相位配置信令发送给智能反射面，智能反射面根据信令进行配置；用户向基站发送导频符号，基站根据接收信号对级联信道进行初始化估计；接着，用户向基站发送数据符号，经由智能反射面反射到达基站；基站先计算由接收信号和缺损数据组成的完备数据集的概率密度函数，对其求对数似然函数，通过计算对数似然函数的条件期望最大化时的级联信道估计,迭代获取精确的级联信道估计值。本发明可以利用较少的导频信号对级联信道进行估计，有效地降低大规模智能反射面系统的导频开销，提高了系统的通信速率。

Description

一种面向智能反射面辅助通信系统的半盲信道估计方法

技术领域

本发明属于通信领域，尤其涉及一种面向智能反射面辅助通信系统的半盲信道估计方法。

背景技术

随着移动设备的飞速增长，大规模MIMO，毫米波通信等各种先进的无线通信技术都得到了广泛地研究。然而，由于天线数量和射频(RF)链路的增长，这些技术需要更高的硬件复杂度以及更高的能量消耗来支撑，产生更高的系统成本。此外，由于缺少对无线传播信道的控制，在恶劣的传播环境中，这些技术难以为用户提供有保证的服务质量(QoS)。

面对上述问题，由大量无源反射元件组成的智能反射面(IRS)作为一种补充技术应运而生。首先，智能反射面(IRS)技术可以基于信道状态信息(CSI)调整反射系数，对入射信号进行反射，获得更好的传播性能。其次，与具有相似功能的中继和波束成形相比，IRS的反射基于无源器件，不需要有源的射频链路以及复杂的基带信道处理模块，极大地减少了能量消耗，降低了硬件复杂度。由于上述优点，IRS在无线通信中具有广阔的应用前景，例如OFDMA系统，多天线通信，无线能量传输，物理层安全方面等。

在关于IRS的应用研究与设计中，许多论文假设基站已知理想的信道状态信息，但是在实际应用中，IRS辅助的无线通信系统信道状态信息的获取仍然是一个十分具有挑战性的问题。首先，IRS辅助的无线通信系统信道状态信息的获取和传统的通信系统完全不同，IRS全部为无源反射单元，无法处理来自用户或基站的导频信号，也不能向用户或基站发射导频信号。传统的信道估计方法通常无法将用户-IRS和IRS-基站的信道分离开，只能基于用户或者是基站发送的导频信号来估计级联的用户-IRS-基站信道。其次，随着IRS反射单元数量的增长，需要估计的信道系数随之增多，信道估计的训练开销也会急剧增长，降低频谱效率。因此，在IRS辅助的无线通信系统中，信道估计问题变得更加具有挑战性。

发明内容

本发明目的在于提供一种面向智能反射面辅助通信系统的半盲信道估计方法，以解决现有导频估计方法不能利用较少的导频信号对级联信道进行估计从而智能反射面系统的导频开销大的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种面向智能反射面辅助通信系统的半盲信道估计方法，包括以下步骤：

步骤1、基站将相位控制信令配置发送给智能反射面，智能反射面根据信令配置相应的相位，其中基站拥有M根天线，用户设备为单天线，智能反射面具有N个反射单元，M、N均是正整数；

步骤2、用户向基站发送长度为L_p的导频符号，基站根据接收到的导频信号对级联信道G进行初始化估计，得到初始化的级联信道估计值

步骤3、用户发送长度为L_d的数据符号s_d，通过智能反射面反射给基站；

步骤4、基站计算由接收信号和缺损数据组成的完备数据集的概率密度函数，根据概率密度函数计算其对数似然函数，通过最大化该对数似然函数的条件期望获得级联信道估计更新值，通过迭代得到精确的级联信道估计值

进一步的，步骤1中基站发送的相位控制信令的下行相位配置向量为

将智能反射面的反射相移向量设置为维度为N×1的向量φ；其中，

θ₁，...，θ_N∈[0，2π)表示智能反射面各个反射单元的相位，()^T表示矩阵的转置，e为自然对数的底数。

进一步的，步骤2中在导频信号对级联信道G进行初始化估计阶段，基站与智能反射面之间的信道表示为F，用户到智能反射面的信道表示为h^H；F的维度为N×M，h的维度为N×1，()^H表示矩阵的共轭转置；下行链路的等效级联信道表示为φ^TG，其中G＝diag(h^H)F，G的维度为N×M，函数diag()表示将函数输入向量作为对角线元素构造对角矩阵；

基站接收到的信号记为：

Y_p＝G^HΦdiag(s_p)+Z_p

其中，其中Y_p的维度为M×L_p，表示导频估计阶段基站的接收信号，Φ的维度为N×L_p，表示导频估计阶段智能反射面的反射相移矩阵；Φ的第l列记为φ_l，表示第l个时刻智能反射面的相移向量，且

其中

θ_n，l∈[0，2π)(n∈{1，...，N})表示第l个时刻智能反射面的第n个反射单元的相移；s_p的维度为1×L_p，表示用户发送的L_p个导频符号；Z_p的维度为M×L_p，表示高斯白噪声；

根据信道估计算法，计算初始化的级联信道估计值

计算公式如下：

其中S_p＝Φdiag(s_p)，

表示矩阵的伪逆矩阵，()^-1表示矩阵的逆矩阵。

进一步的，步骤4中，获取精确的级联信道估计值

包括以下步骤：

步骤4.1：根据接收信号Y和第i次迭代计算获得的级联信道估计值

计算完备数据集{Y，s_d}的概率密度函数，对其对数似然函数求条件期望的等价变形值，并将其记为

其中，

表示级联信道矩阵G第i次迭代的估计值，Y表示基站的接收信号，向量

表示矩阵G^H的第m行(m∈{1，...，M})；{Y，s_d}为完备数据集，其中Y为观测信号矢量，s_d为缺损数据，且s_d服从均值为0，方差为1的复高斯分布；σ²表示高斯白噪声的功率，y_l，φ_l，s_l分别表示第l个时刻基站的接收信号，智能反射面的反射相移向量和用户发送的数据；其中，y_l为M×1的向量，φ_l为N×1的向量，s_l为标量；L_p和L_d分别表示导频符号和数据符号的长度，

表示输入变量的数学期望，||||表示向量的欧几里得范数；

步骤4.2：求解使

最大的

的取值，计算公式如下

其中

其中，y_l[m]表示第l个时刻基站的接收信号y_l的第m行，()^*表示矩阵的共轭。

进一步的，步骤4.2公式中出现的

与

计算公式如下

其中，I_M表示维度为M×M的单位矩阵。

进一步的，在第i次迭代中，得到的级联信道估计值

满足

其中∈为给定的算法的收敛门限，

为本算法得到的智能反射面辅助通信系统级联信道矩阵最终的精确估计值，迭代过程结束。

本发明的一种面向智能反射面辅助通信系统的半盲信道估计方法，具有以下优点：

1、本发明仅需要在初始化阶段使用少量的导频进行估计，降低了导频开销，提高了系统的通信速率。

2、本发明提出的半盲信道估计的算法在降低导频开销的同时，也可以保证信道估计的准确性，具有较高的估计精度。

附图说明

图1为本发明的通信系统流程图；

图2为本发明的信道估计获得的归一化均方差随用户发送的导频数量增加而变化的曲线图；

图3为本发明的信道容量随智能反射面反射单元数量增加而变化的曲线图；

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种面向智能反射面辅助通信系统的半盲信道估计方法做进一步详细的描述。

如图1所示，用户发送导频以及数据符号，经由智能反射面(IRS)反射，被基站接收。基站结合导频信号和数据符号，对级联信道进行半盲估计，根据本发明方法的计算公式，迭代计算得到级联信道的估计值。

本发明提出的面向智能反射面辅助通信系统的半盲信道估计包括以下步骤：

步骤一、该通信系统中，基站拥有M根天线，用户设备为单天线，IRS具有N个反射单元，M、N均是正整数。基站先将相位控制信令配置发送给IRS，IRS根据信令配置相应的相位。

步骤二、用户向基站发送长度为L_p的导频符号，基站根据接收到的导频信号对级联信道G进行初始化估计，得到初始化的级联信道估计值

基站与IRS之间的信道表示为F，用户到IRS的信道表示为h^H。其中，F的维度为N×M，h的维度为N×1，()^H表示矩阵的共轭转置。下行链路的等效级联信道可以表示为φ^TG，其中G＝diag(h^H)F，G的维度为N×M，函数diag()表示将函数输入向量作为对角线元素构造对角矩阵。

在导频估计阶段，基站接收到的信号记为

Y_p＝G^HΦdiag(s_p)+Z_p

其中Y_p的维度为M×L_p，表示导频估计阶段基站的接收信号，Φ的维度为N×L_p，表示导频估计阶段IRS的反射相移矩阵。Φ的第l列记为φ_l，表示第l个时刻IRS的相移向量，且

其中

θ_n，l∈[0，2π)表示第l个时刻IRS的第n个反射单元的相移，()^T表示矩阵的转置，e为自然对数的底数。s_p的维度为1×L_p，表示用户发送的L_p个导频符号。Z_p的维度为M×L_p，表示高斯白噪声。

根据典型信道估计算法，如最小方差算法，计算初始化的级联信道估计值

计算公式如下

其中S_p＝Φdiag(s_p)，

表示矩阵的伪逆矩阵，()^-1表示矩阵的逆矩阵。

步骤3、用户发送长度为L_d的数据符号s_d，通过IRS反射给基站。

步骤4基站计算由接收信号和缺损数据组成的完备数据集的概率密度函数，根据概率密度函数计算其对数似然函数，通过最大化该对数似然函数的条件期望获得级联信道估计更新值，通过迭代得到精确的级联信道估计值

基站结合导频信号和数据符号，对级联信道进行半盲估计，根据本发明方法的计算公式，迭代计算得到级联信道的估计值。此步骤可以进一步划分为两个阶段，计算对数似然函数的条件期望，计算使得期望最大化的级联信道更新值。通过上述两阶段的计算迭代，获取级联信道最终的精确估计值

阶段一：根据接收信号Y和第i次迭代计算获得的级联信道估计值

计算完备数据集{Y，s_d}的概率密度函数，对其对数似然函数求条件期望的等价变形值，并将其记为

其中，

表示级联信道矩阵G第i次迭代的估计值，

为上述步骤中，利用典型信道估计算法得到的初始化级联信道估计值。Y表示基站的接收信号，

表示矩阵G^H的第m行(m∈{1，...，M})。{Y，s_d}为完备数据集，其中Y为观测信号矢量，s_d为缺损数据，且s_d服从均值为0，方差为1的复高斯分布。σ²表示高斯白噪声的功率，y_l，φ_l，s_l分别表示第l个时刻基站的接收信号，IRS的反射相移向量和用户发送的数据。其中，y_l为M×1的向量，φ_l为N×1的向量，s_l为标量。L_p和L_d分别表示导频符号和数据符号的长度，

表示输入变量的数学期望，||||表示向量的欧几里得范数。

阶段二：求解使

最大的

的取值，本发明中计算公式如下

其中

其中，y_l[m]表示第l个时刻基站的接收信号y_l的第m行，()^*表示矩阵的共轭。

进一步的，步骤4.2公式中出现的

与

计算公式如下：

其中，I_M表示维度为M×M的单位矩阵。

在第i次迭代中，得到的级联信道估计值

满足

其中∈为给定的算法的收敛门限，一般情况下可以取值为10^-6。则

为本算法得到的智能反射面辅助的通信系统级联信道矩阵最终的精确估计值，迭代过程结束。

图2比较了本发明提出的半盲信道估计算法，二元反射(ON/OFF)信道估计方法和基于离散傅里叶变换矩阵(DFT)的信道估计方法。其中M＝8，N＝32，SNR＝20dB。信道估计的归一化均方差定义为

可以看出，当导频序列的长度增加时，所有信道估计方法的性能都会有所提升。在导频数量L_p小于IRS单元数量N的情况下，如果仅使用导频对信道进行估计，无论是二元反射信道估计方法还是基于离散傅里叶变换矩阵(DFT)的信道估计方法，信道估计的误差都会很大。在这种情况下，利用半盲信道估计可以有效地提高信道估计的性能，节省导频数量。当导频数量L_p大于或等于IRS单元数量N时，二元反射(ON/OFF)信道估计方法和基于离散傅里叶变换矩阵(DFT)的信道估计方法的性能得到迅速提升，在这种情况下，半盲信道估计仍然可以实现比导频估计更高的准确度。

图3对比了基于本发明提出的算法，基于离散傅里叶变换矩阵(DFT)的信道估计方法以及基站已知理想的信道状态信息的情况下，信道容量随IRS反射单元数量增加而变化的情况。其中M＝8，SNR＝20dB，T_coher＝1024。其中用户的上行可达速率(信道容量的上限)表示为

其中，T_coher表示相干周期，T_p表示导频传输阶段，T_p＝L_p，T_coher-T_p表示数据传输阶段。w和φ_l分别表示基站的接收波束成形向量与IRS反射相移向量。其中，φ_l由定点迭代的算法得到，接收波束成形向量w具体表达式如下

可以发现由于基于离散傅里叶变换矩阵(DFT)的信道估计方法所需的最小导频数量L_p(DFT)等于IRS单元数量N，因此，如果在系统中采用这种信道估计的方法，随着IRS反射单元数量的增多，信道估计需要的导频开销也会越来越大，信道容量只能得到短暂地提升，然后急剧下降，直到T_coher＝T_p时，信道容量下降至0。而我们所提出的半盲信道估计的方法需要的导频数量L_p可以小于或等于N/4，所得到的信道容量随着IRS反射单元数量的增加而增加，最后得到趋于稳定的信道容量。

本发明提出了一种面向智能反射面辅助通信系统的半盲信道估计方法。在智能反射面辅助的通信系统中，结合导频符号与数据符号，对级联信道进行半盲估计。与现有的导频估计方法相比，这种半盲信道估计的方法在保证信道估计准确性的同时，有效地降低了信道估计的导频开销，提高了系统的通信速率。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (6)

1.一种面向智能反射面辅助通信系统的半盲信道估计方法，其特征在于，包括以下步骤：

步骤1、基站将相位控制信令配置发送给智能反射面，智能反射面根据信令配置相应的相位，其中基站拥有M根天线，用户设备为单天线，智能反射面具有N个反射单元，M、N均是正整数；

步骤2、用户向基站发送长度为L_p的导频符号，基站根据接收到的导频信号对级联信道G进行初始化估计，得到初始化的级联信道估计值

步骤3、用户发送长度为L_d的数据符号s_d，通过智能反射面反射给基站；

步骤4、基站计算由接收信号和缺损数据组成的完备数据集的概率密度函数，根据概率密度函数计算其对数似然函数，通过最大化该对数似然函数的条件期望获得级联信道估计更新值，通过迭代得到精确的级联信道估计值

2.根据权利要求1所述的面向智能反射面辅助通信系统的半盲信道估计方法，其特征在于，所述步骤1中基站发送的相位控制信令的下行相位配置向量为

将智能反射面的反射相移向量设置为维度为N×1的向量φ；其中，

θ₁，...，θ_N∈[0，2π)表示智能反射面各个反射单元的相位，()^T表示矩阵的转置，e为自然对数的底数。

3.根据权利要求2所述的面向智能反射面辅助通信系统的半盲信道估计方法，其特征在于，所述步骤2中在导频信号对级联信道G进行初始化估计阶段，基站与智能反射面之间的信道表示为F，用户到智能反射面的信道表示为h^H；F的维度为N×M，h的维度为N×1，()^H表示矩阵的共轭转置；下行链路的等效级联信道表示为φ^TG，其中G＝diag(h^H)F，G的维度为N×M，函数diag()表示将函数输入向量作为对角线元素构造对角矩阵；

基站接收到的信号记为：

Y_p＝G^HΦdiag(s_p)+Z_p

其中，其中Y_p的维度为M×L_p，表示导频估计阶段基站的接收信号，Φ的维度为N×L_p，表示导频估计阶段智能反射面的反射相移矩阵；Φ的第l列记为φ_l，表示第l个时刻智能反射面的相移向量，且

其中

θ_n，l∈[0，2π)(n∈{1，...，N})表示第l个时刻智能反射面的第n个反射单元的相移；s_p的维度为1×L_p，表示用户发送的L_p个导频符号；Z_p的维度为M×L_p，表示高斯白噪声；

根据信道估计算法，计算初始化的级联信道估计值

计算公式如下：

其中S_p＝Φdiag(sp)，

表示矩阵的伪逆矩阵，()^-1表示矩阵的逆矩阵。

4.根据权利要求3所述的面向智能反射面辅助通信系统的半盲信道估计方法，其特征在于，所述步骤4中，获取精确的级联信道估计值

包括以下步骤：

步骤4.1：根据接收信号Y和第i次迭代计算获得的级联信道估计值

计算完备数据集{Y，s_d}的概率密度函数，对其对数似然函数求条件期望的等价变形值，并将其记为

其中，

表示级联信道矩阵G第i次迭代的估计值，Y表示基站的接收信号，向量

表示矩阵G^H的第m行(m∈{1，...，M})；{Y，s_d}为完备数据集，其中Y为观测信号矢量，s_d为缺损数据，且s_d服从均值为0，方差为1的复高斯分布；σ²表示高斯白噪声的功率，y_l，φ_l，s_l分别表示第l个时刻基站的接收信号，智能反射面的反射相移向量和用户发送的数据；其中，y_l为M×1的向量，φ_l为N×1的向量，s_l为标量；L_p和L_d分别表示导频符号和数据符号的长度，

表示输入变量的数学期望，|| ||表示向量的欧几里得范数；

步骤4.2：求解使

最大的

的取值，计算公式如下：

其中

其中，y_l[m]表示第l个时刻基站的接收信号y_l的第m行，()^*表示矩阵的共轭。

5.根据权利要求4所述的面向智能反射面辅助通信系统的半盲信道估计方法，其特征在于，所述步骤4中公式中出现的

与

计算公式如下：

其中，I_M表示维度为M×M的单位矩阵。

6.根据权利要求5所述的面向智能反射面辅助通信系统的半盲信道估计方法，其特征在于，在第i次迭代中，得到的级联信道估计值

满足：

其中ε为给定的算法的收敛门限，

为本算法得到的智能反射面辅助通信系统级联信道矩阵最终的精确估计值，迭代过程结束。

Images