CN113381953B - 基于可重构智能表面辅助的极限学习机的信道估计方法 - Google Patents

基于可重构智能表面辅助的极限学习机的信道估计方法 Download PDF

Info

Publication number
CN113381953B
CN113381953B CN202110652901.9A CN202110652901A CN113381953B CN 113381953 B CN113381953 B CN 113381953B CN 202110652901 A CN202110652901 A CN 202110652901A CN 113381953 B CN113381953 B CN 113381953B
Authority
CN
China
Prior art keywords
channel estimation
frequency domain
channel
learning machine
extreme learning
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
CN202110652901.9A
Other languages
English (en)
Other versions
CN113381953A (zh
Inventor
卿朝进
王莉
董磊
叶青
凌国伟
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.)
Xihua University
Original Assignee
Xihua 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 Xihua University filed Critical Xihua University
Priority to CN202110652901.9A priority Critical patent/CN113381953B/zh
Publication of CN113381953A publication Critical patent/CN113381953A/zh
Application granted granted Critical
Publication of CN113381953B publication Critical patent/CN113381953B/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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了基于可重构智能表面辅助的极限学习机的信道估计方法，该估计方法包括：构建直接链路和反射链路分开的信道频域响应估计值；根据所得信道频域响应估计值，构建基于极限学习机网络的信道估计模型；离线训练所述信道估计模型；对所得离线训练后的信道估计模型进行在线运行，得到增强的信道估计模型；通过所述增强的信道估计模型得到信道估计值。本发明可提高信道估计精度，特别是在于非线性失真和CP不足条件下，相比于传统的方法，本发明的信道估计性能有极大改善。

Description

基于可重构智能表面辅助的极限学习机的信道估计方法
技术领域
本发明涉及无线通信中的信道估计的技术领域。
背景技术
可重构智能表面(RIS,reconfigurable intelligent surface)已被公认为未来第六代(6G,sixth generation)移动通信的潜在技术，其在频谱效率(SE,spectrumefficiency)和能源效率(EE,energy efficiency)等方面具有广阔的前景，同时，RIS具有的反射系数可控的特性使其可用于操纵无线传播环境，进而用于大规模机器类型通信(mMTC,massive machine type communication)中的“智能城市”中，而随着RIS的部署，“智能城市”生态系统也变得更具可控性和适应性。
尽管RIS增强了无线通讯系统性能，例如SE和EE等，但在具体应用中，信道估计的准确性也起着关键作用；另一方面，在第四代(4G,fourth generation)和第五代(5G,fifthgeneration)移动通信中，已采用了正交频分复用(OFDM,orthogonal frequency divisionmultiplexing)来对抗多径干扰，因此，RIS辅助OFDM系统也引起了广泛关注。
但现有技术中RIS辅助无线通信的信道估计由于导频数量过大，复杂的级联通道和无源表面元素等，使得系统面临的开销巨大，应用能力不佳。
同时，对于RIS辅助的OFDM系统，现有技术中为了避免符号间干扰(ISI,inter-symbol interference)，大多数考虑了RIS辅助下的循环前缀(CP,cyclic prefix)长度比最大延迟扩展长的情况，然而，这种考虑是不切实际的，且在现有的RIS辅助OFDM系统中，RIS额外产生的无线路径很高程度上导致了CP不足，而在实际的RIS辅助OFDM系统中，传播环境随时间变化时其CP长度通常固定，因CP不包含其他额外信息，则CP越长，SE越低，因此，在RIS辅助的实际应用中，因需要在带宽效率和复杂性之间进行权衡，并且需要具有更好的灵活性，所以CP不足的情况更为常见。尽管部分现有技术考虑过没有CP的应用场景，但其需要过采样或接收机分集，增加了接收机的成本和复杂性，实际应用能力不佳。
除了CP不足的问题之外，在现有的RIS辅助OFDM系统中也存在硬件不完善的问题，其会导致严重的非线性失真和系统性能受限，而对于信道估计，非线性失真破坏了训练序列的正交性，严重降低了估计准确性。
发明内容
本发明的目的在于提供一种基于可重构智能表面(RIS)辅助的极限学习机(Extreme Learning Machine，ELM)的信道估计方法，与现有的信道估计方法相比，其考虑了由不完美硬件引起的非线性失真和CP不足的情况，借助ELM网络，有效提高了系统性能，增强了估计精度。
本发明的技术方案如下：
基于可重构智能表面辅助的极限学习机的信道估计方法，其包括以下步骤：
S1基于可重构智能表面，构建直接链路和反射链路分开的信道频域响应估计值
Figure BDA0003112439920000021
作为信道估计模型的输入，其中，所述信道估计模型基于极限学习机网络构建；
S2根据所得信道频域响应估计值
Figure BDA0003112439920000022
构建基于极限学习机网络的信道估计模型；
S3离线训练所述信道估计模型并保存模型及参数；
S4对所得离线训练后的信道估计模型进行在线运行，得到增强的信道估计值。
其中，所述直接链路是指发射机直接到接收机的路径，反射链路是指发射机到可重构智能表面再到接收机的路径。
根据本发明的一些具体实施方式，步骤S1进一步包括：
S11将接收机接收到的时域接收信号yP与发射机发送的时域训练序列c经傅里叶变换变到频域，表示如下：
Figure BDA0003112439920000023
其中，FN表示傅里叶变换矩阵，YP表示时域接收信号yp变换至频域后的频域接收信号，C表示时域训练序列c变换至频域后的序列；
S12根据所得变换后的接收信号与训练序列，通过最小二乘预估计获得混合信道频域响应估计值
Figure BDA0003112439920000031
表示如下：
Figure BDA0003112439920000032
S13根据所述混合信道频域响应估计值
Figure BDA0003112439920000033
分离直接链路和反射链路的信道频域响应，表示如下：
Figure BDA0003112439920000034
其中，
Figure BDA0003112439920000035
表示直接链路信道估计值，
Figure BDA0003112439920000036
表示反射链路信道估计值，
Figure BDA0003112439920000037
表示取可重构智能表面反射矩阵Θ的Moore-Penrose伪逆操作；
S14由分离得到的直接链路和反射链路的信道频域响应估计值构成ELM网络的输入，如下：
Figure BDA0003112439920000038
其中，
Figure BDA0003112439920000039
表示输入至所述信道估计模型的信道频域响应估计值，M表示可重构智能表面的子表面数，为方便下文表示，统一用下标j表示第j条链路。
根据本发明的一些具体实施方式，步骤S2进一步包括：
设置M+1个极限学习机网络模型，每个极限学习机网络模型包含依次相连的1个输入层，1个隐藏层和1个输出层，其中，输入层节点数均为N,隐藏层节点数均为
Figure BDA00031124399200000310
其中x表示常数倍，输出层节点数均为N；
每个所述极限学习机网络模型中，根据随机分布设置隐藏层输入权重矩阵
Figure BDA00031124399200000311
和偏置矩阵
Figure BDA00031124399200000312
其中，
Figure BDA00031124399200000313
表示
Figure BDA00031124399200000314
维的复数集。
根据本发明的一些优选实施方式，所述隐藏层使用sigmoid函数作为激活函数。
根据本发明的一些具体实施方式，步骤S3进一步包括：
S31将所述信道频域响应估计值
Figure BDA00031124399200000315
中的M+1个矢量分别输入一个极限学习机网络模型中；
S32轮流计算所述M+1个极限学习机网络模型中隐藏层的输出权重；
S33根据所得M+1个隐藏层输出权重，通过临时存储空间，保存离线训练阶段使用的模型的权重、偏置及所得隐藏层输出权重，得到离线训练后的信道估计模型。
根据本发明的一些具体实施方式，步骤S32进一步包括：
S321对每个极限学习机网络模型的输入样本
Figure BDA0003112439920000041
进行归一化处理，如下：
Figure BDA0003112439920000042
其中，
Figure BDA0003112439920000043
表示第j个极限学习机网络模型在第t次训练中的输入样本，||·||2表示取Frobenius范数(又称L2范数，算子2范数)，
Figure BDA0003112439920000044
表示所得归一化后的输入样本；
S322对归一化后的输入样本
Figure BDA0003112439920000045
在经极限学习机网络模型的隐藏层激活函数激活前先进行标准化处理，如下：
Figure BDA0003112439920000046
其中，y表示经标准化处理后获得的输入激活函数的矩阵，fstd(·)表示如下的标准化处理函数：
Figure BDA0003112439920000047
其中，x代表进行标准化处理的样本，D(x)表示该样本的方差，E表示求数学期望操作；
S323基于所述标准化处理得到的输入激活函数的矩阵y，获得隐藏层输出矩阵
Figure BDA0003112439920000048
如下：
Figure BDA0003112439920000049
其中，σ(·)表示激活函数；
S324收集每个极限学习机网络模型在全部Nd次训练后获得的隐藏层输出矩阵Bj，如下：
Figure BDA0003112439920000051
S325根据所述隐藏层输出矩阵Bj，计算每个极限学习机网络模型的隐藏层输出权重βj，如下：
Figure BDA0003112439920000052
其中，
Figure BDA0003112439920000053
表示求Bj的Moore-Penrose伪逆操作，Hj表示已知的训练标签。
根据本发明的一些具体实施方式，步骤S4进一步包括：
对在线获得的接收信号经所述步骤S1得到直接链路信道频域响应估计值
Figure BDA0003112439920000054
和反射链路信道频域响应估计值
Figure BDA0003112439920000055
形成信道频域响应估计值
Figure BDA0003112439920000056
如下：
Figure BDA0003112439920000057
所得信道频域响应估计值
Figure BDA0003112439920000058
经所述步骤S321获得归一化后的在线样本
Figure BDA0003112439920000059
将所述归一化后的在线样本
Figure BDA00031124399200000510
输入所述离线训练后的信道估计模型中，通过学习得到增强的信道估计值
Figure BDA00031124399200000511
如下：
Figure BDA00031124399200000512
本发明通过可重构智能表面辅助的极限学习机网络，降低了最小均方误差NMSE，有效提高了信道估计的性能，可在由不完美硬件引起的非线性失真和CP不足等多种情况下获得精确的信道估计值。
附图说明
图1为本发明的一种具体实施方式的流程示意图；
图2为本发明的一种具体实施方式中ELM网络离线训练流程图；
图3为本发明的一种具体实施方式中ELM网络在线运行图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
根据本发明的技术方案，一种具体的实施方式包括如附图1所示的流程，具体包括以下步骤：
S1基于可重构智能表面，构建直接链路和反射链路分开的信道频域响应(CFRs,channel frequency responses)估计值
Figure BDA0003112439920000061
作为极限学习机网络的输入；
更具体的，其构建过程可包括：
S11将接收机接收到的时域接收信号yp与发射机发送的时域训练序列c经傅里叶变换变到频域，表示如下：
Figure BDA0003112439920000062
其中，FN表示傅里叶变换，YP表示时域接收信号yp变换至频域后的频域接收信号，C表示时域训练序列c变换至频域后的序列；
S12根据所得变换后的信号与训练序列，通过最小二乘(LS)预估计获得混合信道频域响应估计值
Figure BDA0003112439920000063
表示如下：
Figure BDA0003112439920000064
S13根据信道频域响应估计值
Figure BDA0003112439920000065
分离直接链路和反射链路的信道频域响应，表示如下：
Figure BDA0003112439920000066
其中，
Figure BDA0003112439920000067
表示直接链路信道频域响应估计值，
Figure BDA0003112439920000068
表示反射链路信道频域响应估计值，
Figure BDA0003112439920000069
表示取可重构智能表面反射矩阵Θ的Moore-Penrose伪逆操作；
S14由分离得到的直接链路和反射链路的信道频域响应估计值构成ELM网络的输入，如下：
Figure BDA00031124399200000610
其中，
Figure BDA0003112439920000071
表示输入ELM网络的的信道估计矩阵，M表示可重构智能表面的子表面数(相对于传统未使用可重构智能表面的信道估计，本发明的估计方法引入了可重构智能表面，在传统基础上增加了M条反射链路)，M可根据工程经验设定，j表示第j条链路。
S2根据所得信道频域响应估计值
Figure BDA0003112439920000072
构建基于ELM网络的信道估计模型；
更具体的，其构建过程可包括：
设置M+1个并列且相互不相连的ELM网络模型，每个ELM网络模型包含依次相连的1个输入层，1个隐藏层和1个输出层，其中，输入层节点数均为N,隐藏层节点数均为
Figure BDA0003112439920000073
其中x表示常数倍、可根据工程经验设置，输出层节点数均为N，隐藏层使用sigmoid函数作为激活函数；
每个ELM网络模型中，根据随机分布产生隐藏层输入权重矩阵
Figure BDA0003112439920000074
和偏置矩阵
Figure BDA0003112439920000075
其中，
Figure BDA0003112439920000076
表示
Figure BDA0003112439920000077
维的复数集；
S3离线训练所述信道估计模型并保存模型及参数；
更具体的，所述训练过程包括如附图2所示的流程，如下：
S31将所述信道频域响应估计值
Figure BDA0003112439920000078
中的M+1个矢量分别输入一个ELM网络模型中；
S32轮流对M+1个ELM网络模型计算隐藏层输出权重；
其可进一步包括：
S321通过下式对输入样本
Figure BDA0003112439920000079
进行归一化处理，如下：
Figure BDA00031124399200000710
其中，
Figure BDA00031124399200000711
表示第j个ELM网络模型在第t次训练中的输入样本，||·||2表示取Frobenius范数(又称L2范数，算子2范数)，
Figure BDA00031124399200000712
表示第j个ELM网络模型中归一化后的输入样本；
S322通过下式对输入激活函数的归一化后的样本矢量
Figure BDA00031124399200000713
在经极限学习机网络模型的隐藏层激活函数激活前先进行标准化处理，如下：
Figure BDA0003112439920000081
其中，y表示经标准化操作后获得的输入激活函数的矩阵，fstd(·)表示如下的标准化操作：
Figure BDA0003112439920000082
其中，x代表进行标准化操作的样本，D(x)表示该样本的方差，E表示求数学期望操作；
S323基于标准化操作后得到的输入激活函数的矩阵y，通过下式获得隐藏层输出矩阵
Figure BDA0003112439920000083
Figure BDA0003112439920000084
其中，σ(·)表示激活函数，可使用如sigmoid函数；
S324收集每个ELM网络模型在全部Nd次训练后获得的隐藏层输出矩阵Bj，如下：
Figure BDA0003112439920000085
S325通过下式，根据隐藏层输出矩阵Bj，计算每个ELM网络模型隐藏层的输出权重βj，如下：
Figure BDA0003112439920000086
其中，
Figure BDA0003112439920000087
表示求Bj的Moore-Penrose伪逆操作，Hj表示已知的训练标签；
S33保存离线训练阶段使用的模型的权重，偏置以及离线训练后得到的隐藏层输出权重参数，得到离线训练后的信道估计模型；
S4对所得离线训练后的信道估计模型进行在线运行，得到增强的信道估计值。
其中，更具体的，所述在线运行过程可包括如附图3所示的流程，如下：
对在线获得的接收信号，经步骤S1得到直接链路信道频域响应估计值
Figure BDA0003112439920000088
和反射链路信道频域响应估计值
Figure BDA0003112439920000089
形成信道频域响应估计值
Figure BDA00031124399200000810
如下：
Figure BDA0003112439920000091
所得信道频域响应估计值
Figure BDA0003112439920000092
经步骤S321获得归一化后的在线样本
Figure BDA0003112439920000093
将归一化后的在线样本
Figure BDA0003112439920000094
输入离线训练后的信道估计模型中，通过学习得到增强的信道估计值
Figure BDA0003112439920000095
如下：
Figure BDA0003112439920000096
根据以上具体实施方式，本发明进一步提供了如下的一些实施例：
实施例1
设置：N＝6，多径数L＝4，循环前缀长度LCP＝2，M＝4，t＝1(即第一次实验，为减小误差，共有Nd次实验，实验次数用上标t表示)；
在步骤S1中，将接收信号yp与训练序列c经傅里叶变换变到频域后，进一步根据LS预估计可获得例如以下的信道估计值
Figure BDA0003112439920000097
Figure BDA0003112439920000098
在该信道估计值分离为直接链路信道估计值
Figure BDA0003112439920000099
和反射链路信道估计值
Figure BDA00031124399200000910
后，构成的输入估计值
Figure BDA00031124399200000911
如下：
Figure BDA00031124399200000912
可以看出，分离后的
Figure BDA00031124399200000913
有5条路径，其中第一列的向量是发射机到接收机的直接链路，第二到五列的向量是经过可重构智能表面的4条反射链路，由此，可重构智能表面的直接链路和反射链路得以分开，后续5条路径可分别送入5个ELM网络模型中学习。
在步骤S3中，将分离后的
Figure BDA0003112439920000101
的5列分别送入5个ELM网络模型中，获得各自的隐藏层输出权重，首先对输入样本进行归一化处理，如下：
Figure BDA0003112439920000102
对归一化后的样本进行离线训练和在线运行后，获得增强的信道估计值
Figure BDA0003112439920000103
如下：
Figure BDA0003112439920000104
根据参考的原始信道值H，如下：
Figure BDA0003112439920000105
可以求得在信噪比SNR＝0,5,10,…,30dB下的最小均方误差NMSE，如下：
NMSE＝[0.24 0.09 0.04 0.02 0.02 0.02 0.02]；
NMSE_ELM＝[0.240 0.084 0.028 0.010 0.004 0.002 0.002]；
可以看出，使用信道估计模型后，NMSE值减小，信道估计性能得到提高。
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，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的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.基于可重构智能表面辅助的极限学习机的信道估计方法，其特征在于：包括以下步骤：
S1基于可重构智能表面，构建直接链路和反射链路分开的信道频域响应估计值
Figure FDA0003549611090000019
作为信道估计模型的输入，其中，所述信道估计模型基于极限学习机网络构建；
S2根据所得信道频域响应估计值
Figure FDA00035496110900000110
构建基于极限学习机网络的信道估计模型；
S3离线训练所述信道估计模型并保存模型及参数；
S4对所得离线训练后的信道估计模型进行在线运行，得到增强的信道估计值；
其中，步骤S1包括：
S11将接收机接收到的时域接收信号yp与发射机发送的时域训练序列c经傅里叶变换变到频域，表示如下：
Figure FDA0003549611090000011
其中，FN表示傅里叶变换矩阵，YP表示时域接收信号yp变换至频域后的频域接收信号，C表示时域训练序列c变换至频域后的序列；
S12根据所得变换后的接收信号与训练序列，通过最小二乘预估计获得混合信道频域响应估计值
Figure FDA0003549611090000012
表示如下：
Figure FDA0003549611090000013
S13根据所述混合信道频域响应估计值
Figure FDA0003549611090000014
分离直接链路和反射链路的信道频域响应，表示如下：
Figure FDA0003549611090000015
其中，
Figure FDA0003549611090000016
表示直接链路信道估计值，
Figure FDA0003549611090000017
表示反射链路信道估计值，
Figure FDA0003549611090000018
表示取可重构智能表面反射矩阵Θ的Moore-Penrose伪逆操作；
S14由分离得到的直接链路和反射链路的信道频域响应估计值构成ELM网络的输入，如下：
Figure FDA0003549611090000021
其中，
Figure FDA0003549611090000022
表示输入至所述信道估计模型的信道频域响应估计值，M表示可重构智能表面的子表面数，j表示第j条链路；
步骤S2包括：
设置M+1个极限学习机网络模型，每个极限学习机网络模型包含依次相连的1个输入层，1个隐藏层和1个输出层，其中，输入层节点数均为N,隐藏层节点数均为
Figure FDA0003549611090000023
其中x表示常数倍，输出层节点数均为N；
每个所述极限学习机网络模型中，根据随机分布设置隐藏层输入权重矩阵
Figure FDA0003549611090000024
和偏置矩阵
Figure FDA0003549611090000025
其中，
Figure FDA0003549611090000026
表示
Figure FDA0003549611090000027
维的复数集；
步骤S3包括：
S31将所述信道频域响应估计值
Figure FDA0003549611090000028
中的M+1个矢量分别输入一个极限学习机网络模型中；
S32轮流计算所述M+1个极限学习机网络模型中隐藏层的输出权重；
S33保存离线训练阶段使用的模型的权重、偏置及所得隐藏层输出权重，得到离线训练后的信道估计模型；
其中，步骤S32包括：
S321对每个极限学习机网络模型的输入样本
Figure FDA0003549611090000029
j＝1,…,M+1进行归一化处理，如下：
Figure FDA00035496110900000210
其中，
Figure FDA00035496110900000211
表示第j个极限学习机网络模型在第t次训练中的输入样本，||·||2表示取Frobenius范数，
Figure FDA00035496110900000212
表示所得归一化后的输入样本；
S322对归一化后的输入样本
Figure FDA00035496110900000213
在经极限学习机网络模型的隐藏层激活函数激活前先进行标准化处理，如下：
Figure FDA0003549611090000031
其中，y表示经标准化处理后获得的输入激活函数的矩阵，fstd(·)表示如下的标准化处理函数：
Figure FDA0003549611090000032
其中，x代表进行标准化处理的样本，D(x)表示该样本的方差，E表示求数学期望操作；
S323基于所述标准化处理得到的输入激活函数的矩阵y，获得隐藏层输出矩阵
Figure FDA0003549611090000033
如下：
Figure FDA0003549611090000034
其中，σ(·)表示激活函数；
S324收集每个极限学习机网络模型在全部Nd次训练后获得的隐藏层输出矩阵Bj，如下：
Figure FDA0003549611090000035
S325根据所述隐藏层输出矩阵Bj，计算每个极限学习机网络模型的隐藏层输出权重βj，如下：
Figure FDA0003549611090000036
其中，
Figure FDA0003549611090000037
表示求Bj的Moore-Penrose伪逆操作，Hj表示已知的训练标签；
步骤S4包括：
对在线获得的接收信号，经所述步骤S1得到直接链路信道频域响应估计值
Figure FDA0003549611090000038
和反射链路信道频域响应估计值
Figure FDA0003549611090000039
形成信道频域响应估计值
Figure FDA00035496110900000310
如下：
Figure FDA00035496110900000311
所得信道频域响应估计值
Figure FDA00035496110900000312
经所述步骤S321获得归一化后的在线样本
Figure FDA00035496110900000313
将所述归一化后的在线样本
Figure FDA0003549611090000041
输入所述离线训练后的信道估计模型中，通过学习得到增强的信道估计值
Figure FDA0003549611090000042
如下：
Figure FDA0003549611090000043
2.根据权利要求1所述的信道估计方法，其特征在于：所述隐藏层使用sigmoid函数作为激活函数。
CN202110652901.9A 2021-06-11 2021-06-11 基于可重构智能表面辅助的极限学习机的信道估计方法 Active CN113381953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110652901.9A CN113381953B (zh) 2021-06-11 2021-06-11 基于可重构智能表面辅助的极限学习机的信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110652901.9A CN113381953B (zh) 2021-06-11 2021-06-11 基于可重构智能表面辅助的极限学习机的信道估计方法

Publications (2)

Publication Number Publication Date
CN113381953A CN113381953A (zh) 2021-09-10
CN113381953B true CN113381953B (zh) 2022-04-22

Family

ID=77574129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110652901.9A Active CN113381953B (zh) 2021-06-11 2021-06-11 基于可重构智能表面辅助的极限学习机的信道估计方法

Country Status (1)

Country Link
CN (1) CN113381953B (zh)

Families Citing this family (3)

* 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
CN114567527B (zh) * 2022-03-10 2023-04-28 西华大学 一种可重构智能表面辅助叠加导引融合学习信道估计方法
CN114866377B (zh) * 2022-04-28 2024-05-28 西安交通大学 工业物联网ris辅助通信中基于导频重构的反射信道估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110300075A (zh) * 2019-04-30 2019-10-01 北京科技大学 一种无线信道估计方法
CN110971457A (zh) * 2019-11-20 2020-04-07 西华大学 一种基于elm的时间同步方法
CN111541505A (zh) * 2020-04-03 2020-08-14 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018124846A1 (ko) * 2017-01-01 2018-07-05 엘지전자(주) 무선 통신 시스템에서 개루프 mimo 전송을 위한 빔포밍된 복수의 참조 신호 송신 방법 및 이를 위한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110300075A (zh) * 2019-04-30 2019-10-01 北京科技大学 一种无线信道估计方法
CN110971457A (zh) * 2019-11-20 2020-04-07 西华大学 一种基于elm的时间同步方法
CN111541505A (zh) * 2020-04-03 2020-08-14 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
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 (6)

* Cited by examiner, † Cited by third party
Title
A Novel Blind mmWave Channel Estimation Algorithm Based on ML-ELM;Zhiyuan Mai et al.;《IEEE Communications Letters》;20210531;全文 *
A Novel Millimeter Wave Channel Estimation Algorithm Based on IC-ELM;Jie Miao et al.;《2019 28th wireless and optical communications conference（WOCC）》;20190725;全文 *
channel estimation based on extreme learning machine for High speed environments;Fang Dong et al.;《proceedings of ELM-2015 Volume1》;20160131;全文 *
可重构智能面辅助的低精度量化大规模MIMO系统的信道估计;李彬睿等;《系统工程与电子技术》;20210509;全文 *
大规模智能表面通信系统的信道估计理论研究;董怡廷;《中国优秀博硕士学位论文全文数据库（硕士）》;20210315;全文 *
智能反射表面无线通信的信道估计与帧结构设计;李然等;《无线电脑通信技术》;20201125;全文 *

Also Published As

Publication number Publication date
CN113381953A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113381953B (zh) 基于可重构智能表面辅助的极限学习机的信道估计方法
CN110719239B (zh) 一种数据模型双驱动的联合mimo信道估计和信号检测方法
Ma et al. Learning assisted estimation for time-varying channels
Yang et al. Channel estimation for practical IRS-assisted OFDM systems
CN108881076B (zh) 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法
CN108833312B (zh) 一种基于时延多普勒域的时变稀疏水声信道估计方法
CN113285896B (zh) 基于堆栈式elm的时变信道预测方法
CN107276646A (zh) 大规模mimo‑ofdm上行链路迭代检测方法
Li et al. Reservoir computing meets extreme learning machine in real-time MIMO-OFDM receive processing
Ponnaluru et al. RETRACTED ARTICLE: Deep learning for estimating the channel in orthogonal frequency division multiplexing systems
Zhao et al. Multi-task learning based underwater acoustic OFDM communications
CN109391315B (zh) 一种数据模型双驱动的mimo接收机
Ma et al. Doppler compensation of Orthogonal frequency division multiplexing for Ocean Intelligent Multimodal information technology
CN107276934A (zh) 一种大规模mimo系统多用户上行鲁棒检测方法
Gizzini et al. Adaptive channel estimation based on deep learning
CN117220740A (zh) 一种非合作场景下通信与干扰一体化系统波束形成方法
Ladaycia et al. Semi‐blind MIMO‐OFDM channel estimation using expectation maximisation like techniques
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
CN114629751B (zh) 一种毫米波通信系统的信道估计方法及系统
CN106230755B (zh) 一种mimo系统信道估计方法和装置
Yao et al. Low-complexity signal detection networks based on Gauss-Seidel iterative method for massive MIMO systems
Ladaycia et al. EM-based semi-blind MIMO-OFDM channel estimation
CN113992482B (zh) 一种基于2ppj迭代的信号检测方法及其系统
Datta et al. Deep neural network aided sparse bayesian learning for wireless access channel estimation in mm-wave massive Mimo cloud radio access network systems
Dewan et al. Low complexity SDNLMS adaptive channel estimation for MIMO-OFDM systems

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210910

Assignee: Chengdu Suyouyun Information Technology Co.,Ltd.

Assignor: XIHUA University

Contract record no.: X2023510000030

Denomination of invention: Channel estimation method based on reconfigurable intelligent surface assisted extreme learning machine

Granted publication date: 20220422

License type: Common License

Record date: 20231201

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210910

Assignee: Chengdu Yingling Feifan Technology Co.,Ltd.

Assignor: XIHUA University

Contract record no.: X2023510000032

Denomination of invention: Channel estimation method based on reconfigurable intelligent surface assisted extreme learning machine

Granted publication date: 20220422

License type: Common License

Record date: 20231212

Application publication date: 20210910

Assignee: Sichuan Shenglongxing Technology Co.,Ltd.

Assignor: XIHUA University

Contract record no.: X2023510000031

Denomination of invention: Channel estimation method based on reconfigurable intelligent surface assisted extreme learning machine

Granted publication date: 20220422

License type: Common License

Record date: 20231211

EE01 Entry into force of recordation of patent licensing contract