CN113472705B - 基于zc序列的ris辅助信道的估计及预测方法 - Google Patents

基于zc序列的ris辅助信道的估计及预测方法 Download PDF

Info

Publication number
CN113472705B
CN113472705B CN202110668245.1A CN202110668245A CN113472705B CN 113472705 B CN113472705 B CN 113472705B CN 202110668245 A CN202110668245 A CN 202110668245A CN 113472705 B CN113472705 B CN 113472705B
Authority
CN
China
Prior art keywords
sequence
channel
estimation
ris
time
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
CN202110668245.1A
Other languages
English (en)
Other versions
CN113472705A (zh
Inventor
蒋轶
周雪萌
杨智宇
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN202110668245.1A priority Critical patent/CN113472705B/zh
Publication of CN113472705A publication Critical patent/CN113472705A/zh
Application granted granted Critical
Publication of CN113472705B publication Critical patent/CN113472705B/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
    • H04L25/0204—Channel estimation of multiple channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J13/00—Code division multiplex systems
    • H04J13/0007—Code type
    • H04J13/0055—ZCZ [zero correlation zone]
    • H04J13/0059—CAZAC [constant-amplitude and zero auto-correlation]
    • H04J13/0062—Zadoff-Chu
    • 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
    • H04B7/02—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

Abstract

本发明公开了一种基于ZC序列的RIS辅助信道的估计及预测方法。本发明由用户端多次发送ZC序列，RIS多次改变其反射相位；基站端收到多组经RIS反射的含有不同传输时延、多普勒频偏和角度的多径信号，利用最大似然法进行时变信道的参数估计；使用空间交替广义期望最大化方法将高维参数估计问题转化为多个低维参数估计问题，避免高维搜索；对于单径的参数估计，利用ZC序列的时延‑频率偏移的模糊性，设计基于FFT的信道参数联合估计算法，进一步降低运算复杂度，然后结合牛顿迭代进行精确估计；使得时变信道可以准确估计，而且可以预测；仿真结果表明，本发明可以在较小的训练开销下实现高质量的信道估计。

Description

基于ZC序列的RIS辅助信道的估计及预测方法
技术领域
本发明属于无线信道估计技术领域，具体涉及智能反射面辅助的大规模MIMO无线通信系统中，基于Zadoff-Chu序列的信道估计和预测方法。
背景技术
由于丰富的频谱资源，毫米波通信成为无线系统中一种很有前途的通信技术，但其路径损耗很大。由于大规模多输入多输出(MIMO)技术可以用其阵列增益补偿路径损耗，毫米波大规模MIMO已经成为近年来的研究热点。近年来，可重构智能表面(RIS)技术已被引入无线通信系统。与传统的大规模MIMO技术相比，RIS辅助的大规模MIMO通信系统允许合并非常多(数千甚至更多)的反射器件，从而产生了具有极大阵列增益的超级大规模MIMO。作为一种无源器件，RIS可以在有限的功耗下提供良好的无线传播环境。因此，毫米波和RIS技术的结合可预见的将成为第五代(B5G)无线网络的关键之一。
信道状态信息是RIS辅助的海量MIMO获得巨大理论增益的前提，然而RIS的高维特性给获取信道状态信息带来了巨大挑战。类似的问题也发生在基于毫米波的移相网络(PSN)的混合大规模MIMO场景中。
但目前已有的研究工作基本都没有考虑到频率偏移，亦或者没有考虑到非整数倍的奈奎斯特采样时延。然而实际中由于收发端的相对运动，多普勒频偏必然存在。考虑各径的时延、多普勒频偏、角度，综合这些信息有利于环境感知、信道估计等。在模型中引入多普勒频偏不仅可以改善信道估计，而且可以预测时变信道，从而可以更节省地传输导频序列，以减少信道估计的开销。因此，如何在多径环境下实现大规模MIMO通信系统的信道估计是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种运算复杂度低，硬件实现方便的基于Zadoff-Chu序列(简称ZC序列)的对RIS辅助的大规模MIMO多径时变信道的估计及预测方法。
本发明提供的基于Zadoff-Chu序列的对RIS辅助的大规模MIMO多径时变信道的估计及预测方法，简称基于ZC序列的RIS辅助信道的估计及预测方法，由用户端(UE)多次发送ZC序列，相应的RIS多次改变其反射相位；考虑用户端到终端的直射链路被阻断的情形，基站端(BS)收到多组经RIS反射的含有不同传输时延、多普勒频偏和角度的多径信号，利用最大似然法进行时变信道的参数的估计；使用空间交替广义期望最大化(SAGE)的方法将原本的高维参数估计问题(多径)转化为多个低维参数估计问题(单径)，避免了高维搜索；对于单径的参数估计，利用ZC序列的时延-频率偏移的模糊性，设计一种高效的基于FFT的信道参数联合估计算法，进一步降低运算复杂度，然后结合牛顿迭代进行精确估计；对于多普勒频偏的估计，使得时变信道不仅可以准确估计，而且可以预测。具体步骤如下：
第一步，采用ZC序列作为训练序列；
第二步，利用ZC序列的时延-频偏可互换的性质，采用FFT高效获取时延、角度、多普勒频偏的初始解；
第三步，基于时延、角度、多普勒频偏的初始解，进行牛顿迭代，进一步获得四维参数估计问题中时延、角度、多普勒频偏的精确值，从而实现时变信道估计及预测。
其中，假设基站端存在一个Mr根天线的均匀线性阵列，RIS相对于入射角度
Figure BDA0003118140740000021
的阵列响应可以用
Figure BDA0003118140740000022
表示，具体如下：
Figure BDA0003118140740000023
其中，j表示虚数，λ表示波长，RIS元素个数为P×Q＝M，
Figure BDA0003118140740000024
表示复数域，dx和dz分别表示均匀矩形阵列相邻天线在x轴和z轴上的间距,
Figure BDA0003118140740000025
表示均匀矩形阵列天线的方向矢量矩阵，以均匀矩形阵列(URA)左上角第1根天线为坐标原点，以均匀矩形阵列天线所在平面为xoz平面且以均匀矩形阵列天线所在平面的法向量为y轴建立空间直角坐标系，θ表示在空间直角坐标系中发射信号的发射方向在xoz平面上的投影与x轴之间的夹角，
Figure BDA0003118140740000026
表示在空间直角坐标系中发射信号的发射方向与z轴负半轴之间的夹角。
在上行通道中，当单天线UE发送连续时间信号x(t)时，用户端到终端的直射链路被阻断，接收端接收到的多径信号包含U条经RIS反射的反射径，各径存在不同的时延、角度、多普勒频偏，所述多径信号模型如下：
Figure BDA0003118140740000027
其中，
Figure BDA0003118140740000028
是智能反射面和基站之间的信道，是先验已知信道；
Figure BDA0003118140740000029
是对角阵，diag(·)表示向量对角化为矩阵操作，对角元素对应RIS的M个相位；用户端到智能反射面的反射信道
Figure BDA00031181407400000210
即为待估信道。βu，θu，
Figure BDA00031181407400000211
τu，ζu表示经RIS反射的第u条径的信道增益，到达角，时延和多普勒频偏；
Figure BDA0003118140740000031
是
Figure BDA0003118140740000032
的列向量化；y(t)表示接收信号，x(t)表示训练序列，z(t)表示服从复高斯分布的高斯噪声；
Figure BDA0003118140740000033
表示实数域。
本发明第一步中，所述的ZC序列，具体设计过程如下：
(1)对于一个长度为
Figure BDA0003118140740000034
的ZC序列：
Figure BDA0003118140740000035
其中，
Figure BDA0003118140740000036
是正整数，r是和
Figure BDA0003118140740000037
互质的正整数参数；
Figure BDA0003118140740000038
即ZC序列是周期的，因此可以改变ZC序列的索引范围：假设
Figure BDA0003118140740000039
是偶数，那么对于一个整数时延τ则有：
Figure BDA00031181407400000310
这表明，对于ZC序列，其整数时延τ对应
Figure BDA00031181407400000311
的频偏；对于
Figure BDA00031181407400000312
长度是奇数的情况，ZC序列的这种时延-频偏互相转换的性质依然成立；不失一般性的，令r＝1，则可省略r；
(2)考虑收发端存在的成型滤波器的影响，假设收发端存在的成型滤波器为升余弦滤波器，升余弦滤波器脉冲响应表示为：
Figure BDA00031181407400000313
其中，α是滚降系数，Ts是奈奎斯特采样周期；离散的ZC序列s(n)经过成型滤波器后表示为连续时间信号x(t)：
Figure BDA00031181407400000314
由于成型滤波器的低通特性，ZC序列的高频部分会被压制；连续时间信号x(t)中间的长为L的低频部分近似为一个啁啾信号，即：
Figure BDA00031181407400000315
其中，L为正整数且
Figure BDA00031181407400000316
滚降系数α也会影响L的选取；
因此，ZC序列的低频部分通过升余弦滤波器后的信号看作是一个啁啾信号(chirp)，并且同样存在时延和频偏的互换关系，即：
Figure BDA00031181407400000317
其中，时延τ不再局限于整数倍的奈奎斯特采样周期；
(3)基于ZC序列低频部分的近似，考虑
Figure BDA00031181407400000318
为偶数的ZC序列，记作s(n)：
Figure BDA00031181407400000319
我们在ZC序列s(n)前添加一个长度为T的循环前缀(CP)，则线性时延转化为循环时延：
Figure BDA0003118140740000041
在OFDM系统中，我们发送CP和全频段的ZC序列，从CP的无码间串扰区域开始做
Figure BDA0003118140740000042
点采样，我们仅截取信号的L点低频部分进行信道估计及预测。
本发明第二步中，所述的获取时延、角度、多普勒频偏的初始解，具体过程如下：
(1)基于模型公式(2)，经过接收端模数转换器后,接收信号的采样表示为：
Figure BDA0003118140740000043
其中，
Figure BDA0003118140740000044
是任意大于零的实数，Ts是奈奎斯特采样周期；令Ts＝1，得：
Figure BDA0003118140740000045
为了改进信道估计，我们多次改变RIS的反射相位；假设信道参数在K次观测期间保持不变，则BS接收到的第K次观测的采样信号为：
Figure BDA0003118140740000046
其中，
Figure BDA0003118140740000047
N为OFDM符号长度，k＝1，…，K。
截取每次观测的接收信号的低频部分，将yk(n)整理为如下矩阵形式：
Figure BDA0003118140740000048
且
Figure BDA0003118140740000049
Figure BDA00031181407400000410
表示复数域，⊙表示哈达玛积,则有：
Figure BDA00031181407400000411
其中
Figure BDA00031181407400000412
及
Figure BDA0003118140740000051
定义:
Figure BDA0003118140740000052
则有:
Figure BDA0003118140740000053
其中:
Figure BDA0003118140740000054
和
Figure BDA00031181407400000512
噪声服从复高斯分布，参数
Figure BDA0003118140740000055
的最大似然估计可以写成最小二乘的形式：
Figure BDA0003118140740000056
其中，β＝[β1，β2，…，βU]T，τ＝[τ1，τ2，…，τU]T，ζ＝[ζ1，ζ2，…，ζU]T，θ＝[θ1，θ2，…，θU]T，
Figure BDA0003118140740000057
||·||F表示F范数。
根据权利要求2所述ZC序列的设计，(23)可以进一步整理为:
Figure BDA0003118140740000058
定义:
Figure BDA0003118140740000059
和
Figure BDA00031181407400000510
故(24)可以进一步整理为：
Figure BDA00031181407400000511
定义:
Figure BDA0003118140740000061
又
Figure BDA0003118140740000062
且Zdiag(s*)的元素仍是独立同分布的高斯白噪声，则(27)可以重写为：
Figure BDA0003118140740000063
由(26)，时延
Figure BDA0003118140740000064
(2)对于第u条径问题的求解，首先进行时延、角度、频偏初始值的估计；第u条径的参数的初始值利用以下方法来实现：
单径场景下，(29)可以简化为：
Figure BDA0003118140740000065
将式(31)展开得到关于
Figure BDA0003118140740000066
的二次函数，将关于
Figure BDA0003118140740000067
的二次函数最小化得:
Figure BDA0003118140740000068
其中，(·)H表示转置共轭操作；(·)*表示共轭操作；Tr(·)表示取迹操作。
定义:
Figure BDA0003118140740000069
由于p(ξ)和d(ζ)各元素的模恒为1，p(ξ)Hp(ξ)和d(ζ)Td(ζ)*是常数，故(32)可简化为：
Figure BDA00031181407400000610
将公式(34)代入公式(31)中，得到：
Figure BDA00031181407400000611
其中，|·|表示取模；此时，
Figure BDA00031181407400000612
可以用多组FFT实现高效的参数粗估计，具体如下：
(35)的分母部分可以整理为:
Figure BDA00031181407400000613
其中，
Figure BDA0003118140740000071
是
Figure BDA0003118140740000072
的第m列，则:
Figure BDA0003118140740000073
可以通过对
Figure BDA0003118140740000074
做二维快速傅里叶变换(2D-FFT)估计；其中，
Figure BDA0003118140740000075
是
Figure BDA0003118140740000076
的第((P-1)Q+q)个元素；因此，(36)可以在由
Figure BDA0003118140740000077
和
Figure BDA0003118140740000078
Figure BDA0003118140740000079
张开的网格上通过KMr个2D-FFT高效计算。
由于{W(Φk)，k＝1，…，K}是预先线下设置的，我们可以离线计算(36)并提前存储
Figure BDA00031181407400000710
其中，R(k)的每列是对W(Φk)H的各列做
Figure BDA00031181407400000711
点2D-FFT的结果；至此，(35)的分母部分可以计算并存储在向量
Figure BDA00031181407400000712
中，具体如下：
Figure BDA00031181407400000713
其中，R(k)(m，：)指R(k)的第m行。
由(18)中定义的d(ξu)，(35)的分子中，
Figure BDA00031181407400000714
可以在由
Figure BDA00031181407400000715
张开的网格上通过多组Nζ点FFT高效计算，得到
Figure BDA00031181407400000716
定义
Figure BDA00031181407400000717
Q(k)对应(35)分子的
Figure BDA00031181407400000718
因此，我们可以通过对K个Q(k)矩阵做多组Nζ点FFT估计(35)的分子，即,
Figure BDA00031181407400000719
此时，可以得到三维张量
Figure BDA00031181407400000720
因此，(35)的分子部分可以通过计算M中每个元素的绝对值的平方求解，即N＝|M|2。则(35)可以由
Figure BDA00031181407400000721
维的实数值矩阵
Figure BDA00031181407400000722
估计，
Figure BDA00031181407400000723
定义如下：
Figure BDA00031181407400000724
通过搜索
Figure BDA0003118140740000081
的最大值的索引，
Figure BDA0003118140740000082
可以准确得到。
本发明第三步中，所述的通过牛顿迭代，进一步获得四维参数的精确值，从而实现时变信道估计及预测。具体过程如下：
基于得到的初始值，利用牛顿迭代得到精确值：
Figure BDA0003118140740000083
的初始值已知时，(35)可以分步估计如下：
估计ζ，ζ时，
Figure BDA0003118140740000084
估计
Figure BDA0003118140740000085
时，
Figure BDA0003118140740000086
其中，
Figure BDA0003118140740000087
定义
Figure BDA0003118140740000088
和
Figure BDA0003118140740000089
其中，ψ1＝[ζ，ξ]T，
Figure BDA00031181407400000810
牛顿迭代的迭代式为：
Figure BDA00031181407400000811
其中，
Figure BDA00031181407400000812
和
Figure BDA00031181407400000813
分别表示关于目标函数Λ1和Λ2的Hessian矩阵和Jacobian向量，s1，s2表示步长，由回溯直线法优化得到。
时变信道估计及预测中所述的空间交替广义期望最大化(SAGE)的关键思想是将多径问题分解为多个单径问题。算法流程为：
第一步，计算：
Figure BDA00031181407400000814
其中
Figure BDA00031181407400000815
且
Figure BDA00031181407400000816
第二步，计算：
Figure BDA0003118140740000091
和
Figure BDA0003118140740000092
迭代更新每条路径的参数，直到收敛。此时，由
Figure BDA0003118140740000093
和
Figure BDA0003118140740000094
可得
Figure BDA0003118140740000095
和
Figure BDA0003118140740000096
到达RIS平面的时域信号为：
Figure BDA0003118140740000097
其中，
Figure BDA0003118140740000098
通过对
Figure BDA0003118140740000099
的每行做
Figure BDA00031181407400000910
点FFT，得到估计的到达RIS平面的频域信号；通过ZC序列对所有子载波进行补偿，得到估计的频域信道响应。
预测时间T后的信道响应，我们可以使用与上述相同的方法，但
Figure BDA00031181407400000911
本发明方法的优点：
(1)本发明能够从大规模MIMO无线通信系统场景下的多径信号中估计出各径的时延、多普勒频偏、角度，从而实现信道估计及预测。
(2)本发明考虑了现实硬件中的成型滤波器的影响，能够进行超分辨率的时延估计，实现高质量的信道估计。
(3)本发明通过交替迭代避免了高维搜索，硬件实现复杂度低。
(4)本发明设计了一种基于ZC序列的发送序列，该序列可以利用ZC序列的时延-频率偏移的模糊性，降低运算复杂度。
(5)本发明考虑了多普勒频偏的估计，使得时变信道可预测，进而减少训练开销，可以在较小的训练开销下实现高质量的信道估计。
本发明可以在大规模MIMO无线通信系统实现高精度的传输时延、多普勒频偏和角度估计，进而实现精确的信道估计及预测；同时，对于多普勒频偏的估计使得时变信道可预测，进而减少训练开销。仿真结果表明，该方法可以在较小的训练开销下实现高质量的信道估计。
附图说明
图1是RIS辅助的大规模MIMO无线通信系统示意图。
图2是窄带远场环境中信号到达角关于RIS的均匀矩形阵列的示意图。
图3是经过成型滤波器后的ZC序列的模值图。
图4是基于ZC序列的发送训练序列的格式示意图。
图5是单径场景下，时延、频偏、方位角、仰角估计的RMSE性能图，以及相应的克拉美劳线(CRB)。
图6是单径场景中，在不同观测次数K下的信道估计及预测的RMSE性能图。
图7是六径场景下的信道估计和预测的RMSE性能图。
具体实施方式
下面通过具体实施例子进一步介绍本发明。
作为实施例，本发明用计算机仿真了信号发送-成型滤波器-经过信道-接收信号-信号处理的完整过程。待发送的ZC序列L＝600，
Figure BDA0003118140740000101
每一个ZC序列各自都有一个长Tcp＝64的循环前缀。成型滤波器采用升余弦滤波器，滚降系数α＝0.3。假设接收端有Mr＝6个天线，RIS包含M＝P×Q＝32×32＝1024个元素，天线间间距均等于半波长即
Figure BDA0003118140740000102
RIS相位在
Figure BDA0003118140740000103
π，3π/2四个相位中随机选取。载波频率fc＝28GHz，带宽B＝50MHz，也即意味着Ts＝20ns。每个仿真结果都进行了100次蒙特卡洛。
实施例1，考虑直射径堵塞场景下，频偏为ξ＝3×10-6/Ts(150Hz)，角度为θ＝90°
Figure BDA0003118140740000104
时延为τ＝0.5Ts，信道增益
Figure BDA0003118140740000105
其中φ1是(0,1)之间随机产生的随机数，观测次数K＝4。图5为该信号的时延、频偏、角度估计的根均方误差(RMSE)曲线以及它们的克拉美劳线(CRB)。仿真表明本发明可以有效估计出信号的时延、频偏、角度，并且仿真性能可以逼近CRB。
实施例2，考虑实施例1场景下，本发明的方法对单径信道估计及预测的性能。图6展示了该单径信道的信道估计及预测的RMSE性能图。仿真表明本发明在单径环境下，可以实现准确的信道估计及预测。同时，观测次数取K＝2，4时的信道估计性能表明，信道估计的精度随着观测次数的增加而增加。
实施例3，六径的频偏ξ＝[3×10-4，-10-5，10-6，10-4，3×10-6，-2×10-5]/Ts，角度为θ＝[40°，65°，150°，100°，120°，90°]，
Figure BDA0003118140740000111
时延为τ＝[0.5，1.1，1.8，2.6，5.5，6.4]Ts，信道增益
Figure BDA0003118140740000112
其中φ1，…φ6在(0,1)之间随机产生。图7展示了该六径信道的信道估计及预测的RMSE性能图。仿真表明本发明在多径环境下，可以实现准确的信道估计及预测，且相较于没有考虑多普勒频偏的方法，本发明的方法在40个OFDM符号后依然可以准确预测信道。
参考文献
[1]D.Chu,“Polyphase codes with good periodic correlation properties(corresp.),”IEEE Transactions on Information Theory,vol.18,no.4,pp.531–532,1972.
[2]S.Boyd and L.Vandenberghe,Convex Optimization.2004.
[3]B.H.Fleury,M.Tschudin,R.Heddergott,D.Dahlhaus,and K.IngemanPedersen,“Channel parameter estimation in mobile radio environments using theSAGE algorithm,”IEEE Journal on Selected Areasin Communications,vol.17,no.3,pp.434–450,1999.

Claims (4)

1.一种基于ZC序列的RIS辅助信道的估计及预测方法，其特征在于，由用户端多次发送ZC序列，相应地RIS多次改变其反射相位；考虑用户端到终端的直射链路被阻断的情形，基站端收到多组经RIS反射的含有不同传输时延、多普勒频偏和角度的多径信号，利用最大似然法进行时变信道的参数的估计；使用空间交替广义期望最大化的方法将原本的高维参数估计问题转化为多个低维参数估计问题，避免高维搜索；对于单径的参数估计，利用ZC序列的时延-频率偏移的模糊性，设计基于FFT的信道参数联合估计算法，进一步降低运算复杂度，然后结合牛顿迭代进行精确估计；对于多普勒频偏的估计使得时变信道可以准确估计，而且可以预测；具体步骤如下：
步骤一，采用ZC序列作为训练序列；
步骤二，利用ZC序列的时延-频偏可互换的性质，采用FFT高效获取时延、角度、多普勒频偏的初始解；
步骤三，基于时延、角度、多普勒频偏的初始解，进行牛顿迭代，进一步获得四维参数估计问题中时延、角度、多普勒频偏的精确值，从而实现时变信道估计及预测；
其中，假设基站端存在一个Mr根天线的均匀线性阵列，RIS相对于入射角度
Figure FDA0003118140730000011
的阵列响应用
Figure FDA0003118140730000012
表示，具体如下：
Figure FDA0003118140730000013
其中，j表示虚数，λ表示波长，RIS元素个数为P×Q＝M，
Figure FDA0003118140730000014
表示复数域，dx和dz分别表示均匀矩形阵列相邻天线在x轴和z轴上的间距，
Figure FDA0003118140730000015
表示均匀矩形阵列天线的方向矢量矩阵，以均匀矩形阵列左上角第1根天线为坐标原点，以均匀矩形阵列天线所在平面为xoz平面且以均匀矩形阵列天线所在平面的法向量为y轴建立空间直角坐标系，θ表示在空间直角坐标系中发射信号的发射方向在xoz平面上的投影与x轴之间的夹角，
Figure FDA0003118140730000016
表示在空间直角坐标系中发射信号的发射方向与z轴负半轴之间的夹角；
在上行通道中，当单天线UE发送连续时间信号x(t)时，用户端到终端的直射链路被阻断，接收端接收到的多径信号包含U条经RIS反射的反射径，各径存在不同的时延、角度、多普勒频偏，所述多径信号模型如下：
Figure FDA0003118140730000017
其中，
Figure FDA0003118140730000018
是智能反射面和基站之间的信道，是先验已知信道；
Figure FDA0003118140730000021
是对角阵，diag(·)表示向量对角化为矩阵操作，对角元素对应RIS的M个相位；用户端到智能反射面的反射信道
Figure FDA0003118140730000022
即为待估信道；βu，θu，
Figure FDA0003118140730000023
τu，ξu表示经RIS反射的第u条径的信道增益，到达角，时延和多普勒频偏；
Figure FDA0003118140730000024
是
Figure FDA0003118140730000025
的列向量化；y(t)表示接收信号，x(t)表示训练序列，z(t)表示服从复高斯分布的高斯噪声；
Figure FDA0003118140730000026
表示实数域。
2.根据权利要求1所述的基于ZC序列的RIS辅助的信道估计及预测方法，其特征在于步骤一中所述的ZC序列，具体设计过程如下：
(1)对于一个长度为
Figure FDA0003118140730000027
的ZC序列：
Figure FDA0003118140730000028
其中，
Figure FDA0003118140730000029
是正整数，r是和
Figure FDA00031181407300000210
互质的正整数参数；
Figure FDA00031181407300000211
即ZC序列是周期的，可以改变ZC序列的索引范围：假设
Figure FDA00031181407300000212
是偶数，那么对于一个整数时延τ则有：
Figure FDA00031181407300000213
这表明，对于ZC序列，其整数时延τ对应-
Figure FDA00031181407300000214
的频偏；对于
Figure FDA00031181407300000215
长度是奇数的情况，ZC序列的这种时延-频偏互相转换的性质依然成立；不失一般性，令r＝1，则可省略r；
(2)考虑收发端存在的成型滤波器的影响，假设收发端存在的成型滤波器为升余弦滤波器，升余弦滤波器脉冲响应表示为：
Figure FDA00031181407300000216
其中，α是滚降系数，Ts是奈奎斯特采样周期；离散的ZC序列s(n)经过成型滤波器后表示为连续时间信号x(t)：
Figure FDA00031181407300000217
由于成型滤波器的低通特性，ZC序列的高频部分会被压制；连续时间信号x(t)中间的长为L的低频部分近似为一个啁啾信号，即：
Figure FDA00031181407300000218
其中，L为正整数且
Figure FDA00031181407300000219
滚降系数α也会影响L的选取；
于是，ZC序列的低频部分通过升余弦滤波器后的信号看作是一个啁啾信号，并且同样存在时延和频偏的互换关系，即：
Figure FDA0003118140730000031
其中，时延τ不再局限于整数倍的奈奎斯特采样周期；
(3)基于ZC序列低频部分的近似，考虑
Figure FDA0003118140730000032
为偶数的ZC序列，记作s(n)：
Figure FDA0003118140730000033
在ZC序列s(n)前添加一个长度为T的循环前缀(CP)，则线性时延转化为循环时延：
Figure FDA0003118140730000034
在OFDM系统中，发送CP和全频段的ZC序列，从CP的无码间串扰区域开始做
Figure FDA0003118140730000035
点采样，仅截取信号的L点低频部分进行信道估计及预测。
3.根据权利要求1所述的基于ZC序列的RIS辅助的信道估计及预测方法，其特征在于，步骤二中所述的获取时延、角度、多普勒频偏的初始解，具体过程如下：
(1)基于模型公式(2)，经过接收端模数转换器后，接收信号的采样表示为：
Figure FDA0003118140730000036
其中，
Figure FDA0003118140730000037
Figure FDA0003118140730000038
是任意大于零的实数，Ts是奈奎斯特采样周期；令Ts＝1，得：
Figure FDA0003118140730000039
为了改进信道估计，多次改变RIS的反射相位；假设信道参数在K次观测期间保持不变，则BS接收到的第K次观测的采样信号为：
Figure FDA00031181407300000310
其中，
Figure FDA00031181407300000311
N为OFDM符号长度，k＝1，…，K；
截取每次观测的接收信号的低频部分，将yk(n)整理为如下矩阵形式：
Figure FDA00031181407300000312
且
Figure FDA0003118140730000041
Figure FDA0003118140730000042
表示复数域，⊙表示哈达玛积，则有：
Figure FDA0003118140730000043
其中：
Figure FDA0003118140730000044
及
Figure 674186DEST_PATH_IMAGE002
(18)
定义：
Figure FDA0003118140730000046
则有：
Figure FDA0003118140730000047
其中：
Figure FDA0003118140730000048
和
Figure FDA0003118140730000049
噪声服从复高斯分布，参数
Figure FDA00031181407300000410
的最大似然估计可以写成最小二乘的形式：
Figure FDA00031181407300000411
其中，β＝[β1，β2，…，βU]T，τ＝[τ1，τ2，…，τU]T，ξ＝[ξ1，ξ2，…，ξU]T，θ＝[θ1，θ2，…，θU]T，
Figure FDA00031181407300000412
||·||F表示F范数；
根据ZC序列的设计，(23)式可以进一步整理为：
Figure FDA0003118140730000051
定义：
Figure FDA0003118140730000052
和
Figure FDA0003118140730000053
故(24)式可以进一步整理为：
Figure FDA0003118140730000054
定义
Figure FDA0003118140730000055
又
Figure FDA0003118140730000056
且Zdiag(s*)的元素仍是独立同分布的高斯白噪声，则(27)可以重写为：
Figure FDA0003118140730000057
由(26)式，时延：
Figure FDA0003118140730000058
(2)对于第u条径问题的求解，首先进行时延、角度、频偏初始值的估计；第u条径的参数的初始值利用以下方法来实现：
单径场景下，(29)简化为：
Figure FDA0003118140730000059
将式(31)展开得到关于
Figure FDA00031181407300000510
的二次函数，将关于
Figure FDA00031181407300000511
的二次函数最小化得：
Figure FDA00031181407300000512
其中，(·)H表示转置共轭操作；(·)*表示共轭操作；Tr(·)表示取迹操作；
定义：
Figure FDA0003118140730000061
由于p(ξ)和d(ζ)各元素的模恒为1，p(ξ)Hp(ξ)和d(ζ)Td(ζ)*是常数，故(32)式简化为：
Figure FDA0003118140730000062
将公式(34)代入公式(31)中，得到：
Figure FDA0003118140730000063
其中，|·|表示取模；此时，ζ，ξ，θ，
Figure FDA0003118140730000064
可以用多组FFT实现高效的参数粗估计，具体如下：
(35)式的分母部分可以整理为：
Figure FDA0003118140730000065
其中，
Figure FDA0003118140730000066
是W(Φk)H的第m列，则
Figure FDA0003118140730000067
通过对
Figure FDA0003118140730000068
做二维快速傅里叶变换估计；其中，
Figure FDA0003118140730000069
是
Figure FDA00031181407300000610
的第((p-1)Q+q)个元素；因此，(36)式可以在由
Figure FDA00031181407300000611
和
Figure FDA00031181407300000612
张开的网格上通过KMr个2D-FFT高效计算；
由于{W(Φk)，k＝1，…，K}是预先线下设置的，可以离线计算(36)式并提前存储：
Figure FDA00031181407300000613
其中，R(k)的每列是对W(Φk)H的各列做
Figure FDA00031181407300000614
点2D-FFT的结果；至此，(35)式的分母部分可以计算并存储在向量
Figure FDA00031181407300000615
中，具体如下：
Figure FDA0003118140730000071
其中，R(k)(m，：)指R(k)的第m行；
由(18)式中定义的d(ξu)，(35)式的分子中，
Figure FDA0003118140730000072
可以在由
Figure FDA0003118140730000073
张开的网格上通过多组Nζ点FFT高效计算，得到：
Figure FDA0003118140730000074
定义：
Figure FDA0003118140730000075
Q(k)对应(35)式分子的
Figure FDA0003118140730000076
因此，可以通过对K个Q(k)矩阵做多组Nξ点FFT估计(35)式的分子，即，
Figure FDA0003118140730000077
此时，得到三维张量
Figure FDA0003118140730000078
因此，(35)式的分子部分可以通过计算M中每个元素的绝对值的平方求解，即N＝|M|2；则(35)式可以由
Figure FDA0003118140730000079
维的实数值矩阵
Figure FDA00031181407300000710
估计，
Figure FDA00031181407300000711
定义如下：
Figure FDA00031181407300000712
通过搜索
Figure FDA00031181407300000713
的最大值的索引，
Figure FDA00031181407300000714
可以准确得到。
4.根据权利要求1所述的基于ZC序列的RIS辅助的信道估计及预测方法，其特征在于，步骤三中所述的通过牛顿迭代，进一步获得四维参数的精确值，从而实现时变信道估计及预测；具体过程如下：
基于得到的初始值，利用牛顿迭代得到精确值：
Figure FDA00031181407300000715
的初始值已知时，(35)式可以分步估计如下：
估计ζ，ξ时，
Figure FDA00031181407300000716
估计θ，
Figure FDA00031181407300000717
时，
Figure FDA0003118140730000081
其中，
Figure FDA0003118140730000082
定义：
Figure FDA0003118140730000083
和
Figure FDA0003118140730000084
其中，ψ1＝[ζ，ξ]T，
Figure FDA0003118140730000085
牛顿迭代的迭代式为：
Figure FDA0003118140730000086
其中，
Figure FDA0003118140730000087
和
Figure FDA0003118140730000088
分别表示关于目标函数Λ1和Λ2的Hessian矩阵和Jacobian向量，s1，s2表示步长，由回溯直线法优化得到；
时变信道估计及预测中所述的空间交替广义期望最大化的关键是将多径问题分解为多个单径问题；算法流程为：
第一步，计算：
Figure FDA0003118140730000089
其中，
Figure FDA00031181407300000810
且：
Figure FDA00031181407300000811
第二步，计算：
Figure FDA00031181407300000812
和
Figure FDA00031181407300000813
迭代更新每条路径的参数，直到收敛；此时，由
Figure FDA0003118140730000091
和
Figure FDA0003118140730000092
得
Figure FDA0003118140730000093
和
Figure FDA0003118140730000094
到达RIS平面的时域信号为：
Figure FDA0003118140730000095
其中，
Figure FDA0003118140730000096
通过对
Figure FDA0003118140730000097
的每行做
Figure FDA0003118140730000098
点FFT，得到估计的到达RIS平面的频域信号；通过ZC序列对所有子载波进行补偿，得到估计的频域信道响应；
预测时间T后的信道响应，使用与上述相同的方法，但
Figure FDA0003118140730000099
CN202110668245.1A 2021-06-16 2021-06-16 基于zc序列的ris辅助信道的估计及预测方法 Active CN113472705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110668245.1A CN113472705B (zh) 2021-06-16 2021-06-16 基于zc序列的ris辅助信道的估计及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110668245.1A CN113472705B (zh) 2021-06-16 2021-06-16 基于zc序列的ris辅助信道的估计及预测方法

Publications (2)

Publication Number Publication Date
CN113472705A CN113472705A (zh) 2021-10-01
CN113472705B true CN113472705B (zh) 2022-06-21

Family

ID=77870114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110668245.1A Active CN113472705B (zh) 2021-06-16 2021-06-16 基于zc序列的ris辅助信道的估计及预测方法

Country Status (1)

Country Link
CN (1) CN113472705B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11601307B2 (en) * 2018-12-17 2023-03-07 U-Blox Ag Estimating one or more characteristics of a communications channel
US11848709B2 (en) * 2020-08-14 2023-12-19 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
CN114338297B (zh) * 2021-11-26 2023-06-30 河南工程学院 一种非相干LoRa系统下的联合定时同步与频偏估计方法
CN114172546B (zh) * 2021-12-10 2022-11-01 中国传媒大学 Ris辅助mimo系统中一种多参数迭代估计方法
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
CN114422048A (zh) * 2021-12-30 2022-04-29 西安电子科技大学 一种高速飞行器快时变多径大时延差信道探测方法及系统
CN114567360B (zh) * 2022-03-04 2024-01-26 东南大学 一种用于智能超表面无线通信的信道参数估计方法
WO2023221094A1 (en) * 2022-05-20 2023-11-23 Lenovo (Beijing) Limited Methods and apparatuses for uplink signal enhancement
CN115412187A (zh) * 2022-07-10 2022-11-29 重庆邮电大学 一种基于可重构智能表面的毫米波信道追踪方法
CN116094875A (zh) * 2023-02-09 2023-05-09 重庆邮电大学 一种超大规模mimo系统中基于上行辅助的otfs下行信道估计方法
CN116743530B (zh) * 2023-08-08 2023-10-31 中国电子科技集团公司第二十九研究所 基于数据辅助的otsm系统信道估计方法、介质及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010219A (zh) * 2019-11-28 2020-04-14 东南大学 可重构智能表面辅助的多用户mimo上行链路传输方法
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
CN112565121A (zh) * 2020-12-07 2021-03-26 电子科技大学 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
CN112910807A (zh) * 2021-02-04 2021-06-04 华中科技大学 一种基于空间随机采样的智能超表面信道估计方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010219A (zh) * 2019-11-28 2020-04-14 东南大学 可重构智能表面辅助的多用户mimo上行链路传输方法
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
CN112565121A (zh) * 2020-12-07 2021-03-26 电子科技大学 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
CN112910807A (zh) * 2021-02-04 2021-06-04 华中科技大学 一种基于空间随机采样的智能超表面信道估计方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Enabling Large Intelligent Surfaces With Compressive Sensing and Deep Learning;ABDELRAMAN TAHA等;《IEEE ACCESS》;20200502;全文 *

Also Published As

Publication number Publication date
CN113472705A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN113472705B (zh) 基于zc序列的ris辅助信道的估计及预测方法
Zhou et al. Channel estimation for RIS-aided multiuser millimeter-wave systems
Han et al. Localization and channel reconstruction for extra large RIS-assisted massive MIMO systems
WO2022165872A1 (zh) 一种针对毫米波3d mimo信道的路径参数提取方法
CN109412983B (zh) 一种基于dft域的无网格化大规模mimo信道估计算法
CN113156365B (zh) 基于共轭zc序列对的速度、角度、距离联合估计方法
CN108683619B (zh) 一种低复杂度的大规模mimo信道参数估计方法
CN105891771A (zh) 一种提高估计精度的基于连续分布的角度估计方法与设备
Qi et al. Off-grid compressive channel estimation for mm-wave massive MIMO with hybrid precoding
Li et al. Distributed MIMO radar based on sparse sensing: Analysis and efficient implementation
CN108594166A (zh) 一种二维波达方向估计方法及装置
Ghermezcheshmeh et al. Parametric channel estimation for LoS dominated holographic massive MIMO systems
Mo et al. Beamspace channel estimation with beam squint effect for the millimeter-wave MIMO-OFDM systems
Teng et al. Variational bayesian multiuser tracking for reconfigurable intelligent surface aided mimo-ofdm systems
CN110086734B (zh) 一种时变大规模mimo系统中的信道追踪和恢复方法
CN113644940A (zh) 一种基于统计csi的智能反射面的相移设计方法
EP3763052A1 (en) Channel covariance matrix conversion
Rinchi et al. Single-snapshot localization for near-field RIS model using atomic norm minimization
CN114520699B (zh) 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
Xia et al. Sensing-enabled Predictive Beamforming Design for RIS-assisted V2I Systems: A Deep Learning Approach
Wang et al. Spatial-wideband effect in massive MIMO systems
Liu et al. Reconfigurable Intelligent Surface Enhanced Massive Connectivity with Massive MIMO
Wang et al. A block sparsity based channel estimation technique for mmWave massive MIMO with beam squint effect
Jing et al. Transceiver beamforming for over-the-air computation in massive MIMO systems
Peng et al. Channel estimation for RIS-aided mmWave MIMO system from 1-sparse recovery perspective

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