CN113612508A - 基于机器学习的irs辅助毫米波通信波束成形设计方法 - Google Patents

基于机器学习的irs辅助毫米波通信波束成形设计方法 Download PDF

Info

Publication number
CN113612508A
CN113612508A CN202110906965.7A CN202110906965A CN113612508A CN 113612508 A CN113612508 A CN 113612508A CN 202110906965 A CN202110906965 A CN 202110906965A CN 113612508 A CN113612508 A CN 113612508A
Authority
CN
China
Prior art keywords
irs
user
intelligent
reflection
beam forming
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.)
Granted
Application number
CN202110906965.7A
Other languages
English (en)
Other versions
CN113612508B (zh
Inventor
焦战威
严文彩
郝万明
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.)
Zhengzhou Haiwei Optoelectronic Technology Co ltd
Zhengzhou University
Original Assignee
Zhengzhou Haiwei Optoelectronic Technology Co ltd
Zhengzhou 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 Zhengzhou Haiwei Optoelectronic Technology Co ltd, Zhengzhou University filed Critical Zhengzhou Haiwei Optoelectronic Technology Co ltd
Priority to CN202110906965.7A priority Critical patent/CN113612508B/zh
Publication of CN113612508A publication Critical patent/CN113612508A/zh
Application granted granted Critical
Publication of CN113612508B publication Critical patent/CN113612508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • 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
    • H04B7/04013—Intelligent reflective surfaces
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了一种基于机器学习的IRS辅助毫米波通信波束成形设计方法，用以降低优化离散相移的计算复杂度；其步骤为：首先，根据BS‑IRS、IRS‑用户和BS‑用户链路的毫米波信道分别计算用户接收到的信号及SINR；其次，获得BS的有源波束向量和IRS上的反射系数，并构建用户的SINR的约束；然后根据BS的有源波束向量、IRS上的反射系数和用户的SINR的约束构建波束成形优化模型；最后，利用基于机器学习的CE算法迭代求解波束成形优化模型，联合优化BS的有源波束向量和IRS上的反射系数使得BS的发射功率最小。本发明基于机器学习的CE算法并利用交替迭代方法优化BS端的主动波束成形和IRS处被动波束成形，可以在较低的计算复杂度下获得接近最优的性能。

Description

基于机器学习的IRS辅助毫米波通信波束成形设计方法
技术领域
本发明涉及无线通信技术领域，特别是指一种基于机器学习的IRS辅助毫米波通信波束成形设计方法。
背景技术
毫米波(mmWave)和智能反射面(IRS)被认为是未来无线通信中支持高速数据传输的两种有前途的技术。由于毫米波的波长短，大型天线阵列可以很容易地以紧凑的形式部署，以实现更高的阵列和多路增益。此外，高定向的毫米波波束减少了多用户干扰。然而，毫米波信号严重的路径损耗导致了有限的覆盖范围。针对这一问题，开发了一种由大量智能反射单元组成的无源平面反射器，通过设计反射单元的幅度和相位来改变信号传输方向，从而提高覆盖范围。此外，IRS属于节能器件，不需要额外的射频链(RF)。因此，毫米波IRS通信将是未来无线网络的一项有前途的技术。
IRS通信的主要挑战之一是波束成形优化。起初在文献[Q.Wu,R.Zhang,“Intelligent reflecting surface enhanced wireless network via joint activeand passive beamforming,”IEEE Trans.Wireless Commun.,vol.18,no.11,pp.5394-5409,Nov.2019.]中考虑理想的智能反射面，即对IRS连续相移和基站主动波束成形进行联合优化，使发射功率最小，并提出了一种基于半定松弛(SDR)的交替优化方法。在文献[B.Zheng,C.You,R.Zhang,“Double-IRS assisted multi-user MIMO:cooperativepassive beamforming design,”IEEE Trans.Wireless Commun.,2021.]中，作者考虑了协作的IRS通信场景，在此基础上，提出了一种基于SDR的二分法优化协同无源波束成形和基站主动波束成形，使最小信噪比(SINR)最大化。之后，考虑到硬件限制，在实际部署中采用离散相移的IRS。文献[Q.Wu,R.Zhang,“Beamforming optimization for wirelessnetwork aided by intelligent reflecting surface with discrete phase shifts,”IEEE Trans.Commun.,vol.68,no.3,pp.1838-1851,Mar.2020.]中的作者提出了一种通过调整离散相移来优化无源波束成形的连续细化方法。类似地，文献[X.Tan,Z.Sun,et al.,“Enabling indoor mobile millimeter-wave networks based on smart reflect-arrays,”in Proc.IEEE INFOCOM2018-IEEE Conf.Computer Commun.,Apr,2018,pp.270-278.]中也考虑了有限分辨率的移相器，并提出了穷举搜索算法。但是，对于上述方案，当反射单元数量增加时，计算复杂度极高。
发明内容
针对现有波束成形优化时离散相移的计算复杂度高的技术问题，本发明提出了一种基于机器学习的IRS辅助毫米波通信波束成形设计方法，通过联合优化基站的主动波束成形和IRS的无源波束成形，首先考虑1-bit相移的IRS，并提出了在用户SINR约束下的最小化发射功率问题；具体来说，首先根据IRS反射系数的概率分布，随机生成多组反射系数；然后，在给定反射系数的情况下，采用迫零(ZeroForcing，ZF)算法求解基站(BS)处的主动波束成形；接下来，计算发射功率并选择与低发射功率对应的反射系数，通过最小化交叉熵(cross-entropy,CE)来更新IRS反射系数的概率分布；上述过程从随机初始化开始，通过迭代最小化CE距离，而成为一种高效的学习算法；重复上述步骤直到收敛，从而获得接近最优反射系数和主动波束成形；最后，将CE算法扩展到具有高分辨率相移的常见情况；实验结果表明，本发明方法在性能和计算复杂度之间取得了较好的平衡。
本发明的技术方案是这样实现的：
一种基于机器学习的IRS辅助毫米波通信波束成形设计方法，其步骤如下：
步骤一：基于下行毫米波智能反射面的通信系统，包括M根天线数的BS、具有N个反射单元的智能反射面和K个单天线用户；
步骤二：根据BS到智能反射面、智能反射面到单天线用户和BS到单天线用户链路的毫米波信道分别计算单天线用户接收到的信号及单天线用户的SINR；
步骤三：根据单天线用户接收到的信号获得BS的有源波束向量和智能反射面上的反射系数，并构建单天线用户的SINR的约束；
步骤四：根据BS的有源波束向量、智能反射面上的反射系数和单天线用户的SINR的约束构建波束成形优化模型；
步骤五：利用基于机器学习的CE算法迭代求解波束成形优化模型，联合优化BS的有源波束向量和智能反射面上的反射系数使得BS的发射功率最小。
BS到智能反射面链路的毫米波信道为：
Figure BDA0003202023630000021
智能反射面到单天线用户链路的毫米波信道为：
Figure BDA0003202023630000022
BS到单天线用户链路的毫米波信道为：
Figure BDA0003202023630000023
其中，G∈ΞN×M为BS到智能反射面链路的毫米波信道，LG表示BS到智能反射面链路的路径数，l1＝1,2,…,LG，
Figure BDA0003202023630000031
表示第l1条路径的复增益，
Figure BDA0003202023630000032
表示第l1条路径的出发方位角，
Figure BDA0003202023630000033
表示第l1条路径的到达方位角，
Figure BDA0003202023630000034
表示
Figure BDA0003202023630000035
的转置，
Figure BDA0003202023630000036
表示BS到智能反射面链路上IRS处的阵列相应矢量，
Figure BDA0003202023630000037
表示BS到智能反射面链路上BS处的阵列相应矢量，hr,k∈ΞN×1为智能反射面到单天线用户链路的毫米波信道，Lr,k表示智能反射面到单天线用户链路的路径数，l2＝1,2,…,Lr,k，
Figure BDA0003202023630000038
表示IRS到用户的第l2条路径的复增益，
Figure BDA0003202023630000039
表示IRS处的阵列相应矢量，hd,k∈ΞM×1为BS到单天线用户链路的毫米波信道，Ld,k表示BS到单天线用户链路的路径数，l3＝1,2,…,Ld,k，
Figure BDA00032020236300000310
表示BS到用户的第l3条路径的复增益，
Figure BDA00032020236300000311
表示BS到用户链路上BS处的阵列相应矢量，
Figure BDA00032020236300000321
表示智能反射面处的阵列响应矢量，
Figure BDA00032020236300000322
表示BS处的阵列响应矢量，ΞN×M表示N×M的矩阵，ΞN×1表示N×1的矩阵，ΞM×1表示M×1的矩阵。
所述智能反射面处的阵列响应矢量
Figure BDA00032020236300000323
表示为：
Figure BDA00032020236300000312
其中，n1＝[0,1,…,N1-1]，n2＝[0,1,…,N2-1]，λ表示信号波长，d表示元素的间距，N＝N1×N2，N1表示智能反射面的水平方向上的单元数，N2表示智能反射面的垂直方向上的单元数。
所述单天线用户接收到的信号为：
Figure BDA00032020236300000313
其中，k∈[1,…,K]，j∈[1,…,K]，j≠k，yk为用户k接收到的信号，
Figure BDA00032020236300000314
表示智能反射面到单天线用户链路的毫米波信道的共轭转置，
Figure BDA00032020236300000315
表示BS到单天线用户链路的毫米波信道的共轭转置，
Figure BDA00032020236300000316
是智能反射面的N×N对角反射矩阵，反射系数
Figure BDA00032020236300000317
为智能反射面的第n个元素，且
Figure BDA00032020236300000318
βn∈[0,1]表示反射幅度，θn∈[0,2π)表示反射相移，wj∈ΞM×1为BS对用户j的有源波束向量，sj表示用户j接收的消息且满足E[|sj|2]＝1，
Figure BDA00032020236300000319
为加性高斯白噪声，
Figure BDA00032020236300000320
为nk的方差。
所述智能反射面上的反射系数的获得方法为：
考虑到实际硬件的限制，假设在每个单元部署Q-bit有限电平的相移，采用均匀量化方法得到2Q个离散相移值，因此，离散相移值θ的集合
Figure BDA0003202023630000041
为：
Figure BDA0003202023630000042
其中，Δθ＝2π/2Q；对应的反射系数
Figure BDA0003202023630000043
的集合表示
Figure BDA0003202023630000044
为：
Figure BDA0003202023630000045
所述单天线用户的SINR为：
Figure BDA0003202023630000046
其中，SINRk为用户k的SINR，wk∈ΞM×1为BS对用户k的有源波束向量。
所述波束成形优化模型为：
Figure BDA0003202023630000047
Figure BDA0003202023630000048
Figure BDA0003202023630000049
其中，
Figure BDA00032020236300000410
W＝[w1,…,wK]∈ΞM×K，γk为用户k的SINR需求。
所述利用基于机器学习的CE算法迭代求解波束成形优化模型的方法为：首先根据反射系数的概率分布随机生成多组反射系数
Figure BDA00032020236300000411
基于生成的反射系数
Figure BDA00032020236300000412
应用迫零算法计算主动波束成形W；其次，通过最小化CE更新智能反射面的反射系数的概率分布，以重新生成反射系数
Figure BDA00032020236300000413
重复上述步骤，W和
Figure BDA00032020236300000414
交替优化直到收敛；
基于机器学习的CE算法迭代求解波束成形优化模型分为两种情况：Q＝1时，利用基于机器学习的CE算法求解波束成形优化模型；Q>1时，利用基于机器学习的CE算法求解波束成形优化模型。
所述Q＝1时，利用基于机器学习的CE算法求解波束成形优化模型的方法为：
当Q＝1时，相移
Figure BDA00032020236300000415
反射系数
Figure BDA00032020236300000416
首先，定义一个1×N的概率参数p＝[p1,…,pN]，其中，0≤pn≤1表示反射系数
Figure BDA00032020236300000417
的概率；
初始化参数
Figure BDA00032020236300000418
其中，1N×1表示N×1维的向量，且元素全部为1；在第i次迭代时，根据概率分布
Figure BDA0003202023630000051
生成S个候选反射系数
Figure BDA0003202023630000052
在任意给定的反射系数
Figure BDA0003202023630000053
下，波束成形优化模型P1可以表述为：
Figure BDA0003202023630000054
Figure BDA0003202023630000055
采用低复杂度的迫零算法获得有源波束成形W，其计算结果为：
Figure BDA0003202023630000056
其中，
Figure BDA0003202023630000057
U＝diag(u1,…,uK)为功率分配矩阵；将(11)式代入波束成形优化模型P1，约束(10b)变换为
Figure BDA0003202023630000058
令
Figure BDA0003202023630000059
则BS的发射功率可计算为：
Figure BDA00032020236300000510
其中，
Figure BDA00032020236300000511
表示与反射系数
Figure BDA00032020236300000512
相关的发射功率；
因此，模型P2可以转化为：
Figure BDA00032020236300000513
Figure BDA00032020236300000514
基于式(12)计算S个反射系数
Figure BDA00032020236300000515
对应的发射功率
Figure BDA00032020236300000516
并将其按降序排列；从中选择后Selite个低发射功率对应的反射系数作为更新样本，通过最小化CE更新p(i +1)：
Figure BDA00032020236300000517
其中，
Figure BDA00032020236300000518
中的第n个元素
Figure BDA00032020236300000519
符合伯努利分布，
Figure BDA00032020236300000520
的概率为
Figure BDA00032020236300000521
的概率为
Figure BDA00032020236300000522
则概率分布
Figure BDA00032020236300000523
为：
Figure BDA00032020236300000524
将式(15)代入式(14)中，式(14)关于
Figure BDA00032020236300000525
的一阶导数可计算为：
Figure BDA0003202023630000061
将式(16)置为零，
Figure BDA0003202023630000062
更新为：
Figure BDA0003202023630000063
利用新的概率分布重新生成S个候选反射系数；重复上述步骤，直到迭代至i＝I，其中i为达到收敛时所需的迭代次数，最终获得了接近最优的主动波束成形W和反射系数
Figure BDA0003202023630000064
所述Q>1时，利用基于机器学习的CE算法求解波束成形优化模型的方法为：
当Q>1时，相移
Figure BDA0003202023630000065
反射系数
Figure BDA0003202023630000066
生成随机样本
Figure BDA0003202023630000067
是从集合
Figure BDA0003202023630000068
中独立抽取并且服从离散分布
Figure BDA0003202023630000069
其中，
Figure BDA00032020236300000610
为集合
Figure BDA00032020236300000611
中第q个元素被选为
Figure BDA00032020236300000612
的概率，
Figure BDA00032020236300000613
满足
Figure BDA00032020236300000614
在初始化阶段，假设所有属于集合
Figure BDA00032020236300000615
的反射元素都具有相等的概率；
使用选中的后Selite个低发射功率对应的反射系数作为更新样本，通过最小化CE更新
Figure BDA00032020236300000616
Figure BDA00032020236300000617
其中，
Figure BDA00032020236300000618
表示
Figure BDA00032020236300000619
的概率分布，且
Figure BDA00032020236300000620
的表达式为：
Figure BDA00032020236300000621
其中，
Figure BDA00032020236300000622
是集合
Figure BDA00032020236300000623
中的第q个元素；当条件{·}满足时，函数1{·}＝1，否则，函数1{·}＝0；此外，为了满足
Figure BDA00032020236300000624
在式(18)中引入拉格朗日算子
Figure BDA00032020236300000625
得到：
Figure BDA00032020236300000626
对式(20)求关于
Figure BDA00032020236300000627
的一阶导数，当结果等于0时，得到：
Figure BDA00032020236300000628
当q＝1,2,…,2Q，将式(21)相加得到：
Figure BDA0003202023630000071
将式(22)代入式(21)得到：
Figure BDA0003202023630000072
与现有技术相比，本发明产生的有益效果为：本发明研究了下行毫米波IRS无线通信系统，提出了一个基于机器学习的CE算法并利用交替迭代方法来优化BS端的主动波束成形和IRS处被动波束成形，目标是最小化发射功率；首先推导了1-bit相移的IRS时，CE算法的概率更新表达式，然后将其扩展到高分辨率相移设置；通过计算复杂度分析和仿真结果表明，本发明方法可以在较低的计算复杂度下获得接近最优的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的下行毫米波IRS通信系统模型。
图2为在Selite/S＝0.2，M＝64，N＝625，K＝4，γ＝20dB时不同候选样本数下的BS发射功率与迭代次数的关系曲线。
图3为本发明方法与连续细化算法的计算复杂度对比结果。
图4为本发明方法与逐次细化算法、最优穷举搜索算法的发射功率与SINR的关系的对比结果。
图5为本发明方法和连续细化算法分别在Q＝1，Q＝2条件下的发射功率与SINR的关系的对比结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于机器学习的IRS辅助毫米波通信波束成形设计方法，具体步骤如下：
步骤一：基于下行毫米波智能反射面的通信系统，包括M根天线数的BS、具有N个反射单元的智能反射面和K个单天线用户；BS和IRS采用均匀平面阵列(UPA)。BS-IRS、IRS-用户和BS-用户链路的毫米波信道分别表示为G∈ΞN×M,hr,k∈ΞN×1和hd,k∈ΞM×1。
步骤二：根据BS到智能反射面、智能反射面到单天线用户和BS到单天线用户链路的毫米波信道分别计算单天线用户接收到的信号及单天线用户的SINR；
BS到智能反射面链路的毫米波信道为：
Figure BDA0003202023630000081
智能反射面到单天线用户链路的毫米波信道为：
Figure BDA0003202023630000082
BS到单天线用户链路的毫米波信道为：
Figure BDA0003202023630000083
其中，G∈ΞN×M为BS到智能反射面链路的毫米波信道，LG表示BS到智能反射面链路的路径数，l1＝1,2,…,LG，
Figure BDA0003202023630000084
表示第l1条路径的复增益，
Figure BDA0003202023630000085
表示第l1条路径的出发方位角，
Figure BDA0003202023630000086
表示第l1条路径的到达方位角，
Figure BDA0003202023630000087
表示
Figure BDA0003202023630000088
的转置，
Figure BDA0003202023630000089
表示BS到智能反射面链路上IRS处的阵列相应矢量，
Figure BDA00032020236300000810
表示BS到智能反射面链路上BS处的阵列相应矢量，hr,k∈ΞN×1为智能反射面到单天线用户链路的毫米波信道，Lr,k表示智能反射面到单天线用户链路的路径数，l2＝1,2,…,Lr,k，
Figure BDA00032020236300000811
表示IRS到用户的第l2条路径的复增益，
Figure BDA00032020236300000812
表示IRS处的阵列相应矢量，hd,k∈ΞM×1为BS到单天线用户链路的毫米波信道，Ld,k表示BS到单天线用户链路的路径数，l3＝1,2,…,Ld,k，
Figure BDA00032020236300000813
表示BS到用户的第l3条路径的复增益，
Figure BDA00032020236300000814
表示BS到用户链路上BS处的阵列相应矢量，
Figure BDA00032020236300000815
表示智能反射面处的阵列响应矢量，
Figure BDA00032020236300000816
表示BS处的阵列响应矢量，ΞN×M表示N×M的矩阵，ΞN×1表示N×1的矩阵，ΞM×1表示M×1的矩阵。
对于IRS，使用水平方向有N1个单元、垂直方向有N2个单元的UPA(N＝N1×N2)，因此，智能反射面处的阵列响应矢量
Figure BDA00032020236300000817
表示为：
Figure BDA0003202023630000091
其中，n1＝[0,1,…,N1-1]，n2＝[0,1,…,N2-1]，λ表示信号波长，d表示元素的间距，N＝N1×N2，N1表示智能反射面的水平方向上的单元数，N2表示智能反射面的垂直方向上的单元数。
所述单天线用户接收到的信号为：
Figure BDA0003202023630000092
其中，k∈[1,…,K]，j∈[1,…,K]，j≠k，yk为用户k接收到的信号，
Figure BDA0003202023630000093
表示智能反射面到单天线用户链路的毫米波信道的共轭转置，
Figure BDA0003202023630000094
表示S到单天线用户链路的毫米波信道的共轭转置，
Figure BDA0003202023630000095
是智能反射面的N×N对角反射矩阵，反射系数
Figure BDA0003202023630000096
为智能反射面的第n个元素，且
Figure BDA0003202023630000097
βn∈[0,1]表示反射幅度，θn∈[0,2π)表示反射相移，wj∈ΞM×1为BS对用户j的有源波束向量，sj表示用户j接收的消息且满足E[|sj|2]＝1，
Figure BDA0003202023630000098
为加性高斯白噪声，
Figure BDA0003202023630000099
为nk的方差。
步骤三：根据单天线用户接收到的信号获得BS的有源波束向量和智能反射面上的反射系数，并构建单天线用户的SINR的约束；
对于IRS，只考虑优化相移，并设置βn＝1,n∈[0,1,…,N]以最大化反射效率。考虑到实际硬件的限制，假设在每个单元部署Q-bit有限电平的相移，采用均匀量化方法得到2Q个离散相移值，因此，离散相移值θ的集合
Figure BDA00032020236300000910
为：
Figure BDA00032020236300000911
其中，Δθ＝2π/2Q；对应的反射系数
Figure BDA00032020236300000912
的集合表示
Figure BDA00032020236300000913
为：
Figure BDA00032020236300000914
所述单天线用户的SINR为：
Figure BDA00032020236300000915
其中，SINRk为用户k的SINR，wk∈ΞM×1为BS对用户k的有源波束向量。
步骤四：根据BS的有源波束向量、智能反射面上的反射系数和单天线用户的SINR的约束构建波束成形优化模型；的目标是设计BS的有源波束成形W和IRS上的反射系数
Figure BDA00032020236300000916
以使BS的发射功率最小，其中，
Figure BDA0003202023630000101
W＝[w1,…,wK]∈ΞM×K。因此，波束成形优化模型为：
Figure BDA0003202023630000102
Figure BDA0003202023630000103
Figure BDA0003202023630000104
其中，γk为用户k的SINR需求。由于非凸约束，P1的最优解是难以得到的。非凸性是由耦合变量(即W和
Figure BDA0003202023630000105
)和离散的反射系数值
Figure BDA0003202023630000106
引起的。为了解决上述问题，通常采用的一种方法是迭代优化算法。即对于任何给定的反射系数
Figure BDA0003202023630000107
主动波束成形W通过采用最小均方误差(MMSE)或基于低计算复杂度的次优ZF方法获得。然后，W和
Figure BDA0003202023630000108
交替优化，直到收敛。然而，现有的优化反射系数
Figure BDA0003202023630000109
的算法通常基于穷举搜索算法或连续细化算法，这导致了较高的计算复杂度。为了解决这个问题，本发明采用一种基于机器学习的低复杂度CE算法来获得反射系数
Figure BDA00032020236300001010
步骤五：利用基于机器学习的CE算法迭代求解波束成形优化模型，联合优化BS的有源波束向量和智能反射面上的反射系数使得BS的发射功率最小。
所述利用基于机器学习的CE算法迭代求解波束成形优化模型的方法为：首先根据反射系数的概率分布随机生成多组反射系数
Figure BDA00032020236300001011
基于生成的反射系数
Figure BDA00032020236300001012
应用迫零算法计算主动波束成形W；其次，通过最小化CE更新智能反射面的反射系数的概率分布，以重新生成反射系数
Figure BDA00032020236300001013
重复上述步骤，W和
Figure BDA00032020236300001014
交替优化直到收敛。
基于机器学习的CE算法，其目标是为学习任务获得(近似的)最优解。它包括以下两个阶段：1)根据特定的概率分布生成若干随机数据；2)根据一定的标准(如最小发射功率)，选择若干个数据，通过使其与期望分布的CE距离最小来更新概率分布参数。通过迭代计算最小化CE距离，CE算法可以得到一个集中在近似最优解区域内的概率分布。
基于机器学习的CE算法迭代求解波束成形优化模型分为两种情况：Q＝1时，利用基于机器学习的CE算法求解波束成形优化模型；Q>1时，利用基于机器学习的CE算法求解波束成形优化模型。
所述Q＝1时，利用基于机器学习的CE算法求解波束成形优化模型的方法为：
当Q＝1时，相移
Figure BDA00032020236300001015
反射系数
Figure BDA00032020236300001016
首先，定义一个1×N的概率参数p＝[p1,…,pN]，其中，0≤pn≤1表示反射系数
Figure BDA00032020236300001017
的概率。由于缺少先验信息，初始化参数
Figure BDA0003202023630000111
其中，1N×1表示N×1维的向量，且元素全部为1；也就是在初始化阶段，假设所有属于{-1,+1}的反射系数具有相等的概率。在第i次迭代时，根据概率分布
Figure BDA0003202023630000112
生成S个候选反射系数
Figure BDA0003202023630000113
在任意给定的反射系数
Figure BDA0003202023630000114
下，波束成形优化模型P1可以表述为：
Figure BDA0003202023630000115
Figure BDA0003202023630000116
采用低复杂度的ZF算法获得有源波束成形W，其计算结果为：
Figure BDA0003202023630000117
其中，
Figure BDA0003202023630000118
U＝diag(u1,…,uK)为功率分配矩阵；根据文献[Q.Wu,R.Zhang,“Beamforming optimization forwireless network aided by intelligent reflecting surface with discrete phaseshifts,”IEEE Trans.Commun.,vol.68,no.3,pp.1838-1851,Mar.2020.]，将(11)式代入问题P1，将约束(10b)变换为
Figure BDA0003202023630000119
为了得到最优解，令
Figure BDA00032020236300001110
则BS的发射功率可计算为：
Figure BDA00032020236300001111
其中，
Figure BDA00032020236300001112
表示与反射系数
Figure BDA00032020236300001113
相关的发射功率。
因此，模型P2可以转化为：
Figure BDA00032020236300001114
Figure BDA00032020236300001115
基于式(12)计算S个反射系数
Figure BDA00032020236300001116
对应的发射功率
Figure BDA00032020236300001117
并将其按降序排列；从中选择后Selite个低发射功率对应的反射系数作为更新样本，通过最小化CE更新p(i +1)：
Figure BDA00032020236300001118
其中，
Figure BDA00032020236300001119
中的第n个元素
Figure BDA00032020236300001120
符合伯努利分布，
Figure BDA00032020236300001121
的概率为
Figure BDA00032020236300001122
的概率为
Figure BDA0003202023630000121
则概率分布
Figure BDA0003202023630000122
为：
Figure BDA0003202023630000123
将式(15)代入式(14)中，式(14)关于
Figure BDA0003202023630000124
的一阶导数可计算为：
Figure BDA0003202023630000125
将式(16)置为零，
Figure BDA0003202023630000126
更新为：
Figure BDA0003202023630000127
利用新的概率分布重新生成S个候选反射系数；重复上述步骤，直到迭代至i＝I，其中i为达到收敛时所需的迭代次数，最终获得了接近最优的主动波束成形W和反射系数
Figure BDA0003202023630000128
将上述步骤总结如表1所示。
表1基于机器学习的CE算法
Figure BDA0003202023630000129
算法1的计算复杂度主要是由于：1)在步骤e中，根据式(11)得到主动波束成形W，复杂度为
Figure BDA0003202023630000131
2)在步骤f中，基于式(12)计算S个对应的发射功率
Figure BDA0003202023630000132
复杂度为
Figure BDA0003202023630000133
3)在步骤h中，在式(17)的基础上更新了p(i+1)，这个过程的复杂度是
Figure BDA0003202023630000134
经过I次迭代，算法1的总计算复杂度为
Figure BDA0003202023630000135
从仿真中可以观察到，即使在较小的I和S下也能获得良好的性能。
对于常见场景Q>1时，利用基于机器学习的CE算法求解波束成形优化模型的方法为：
当Q>1时，相移
Figure BDA0003202023630000136
反射系数
Figure BDA0003202023630000137
生成随机样本
Figure BDA0003202023630000138
Figure BDA0003202023630000139
是从集合
Figure BDA00032020236300001310
中独立抽取并且服从离散分布
Figure BDA00032020236300001311
其中，
Figure BDA00032020236300001312
为集合
Figure BDA00032020236300001313
中第q个元素被选为
Figure BDA00032020236300001314
的概率，
Figure BDA00032020236300001315
满足
Figure BDA00032020236300001316
在初始化阶段，假设所有属于集合
Figure BDA00032020236300001317
的反射元素都具有相等的概率。
使用选中的后Selite个低发射功率对应的反射系数作为更新样本，通过最小化CE更新
Figure BDA00032020236300001318
Figure BDA00032020236300001319
其中，
Figure BDA00032020236300001320
表示
Figure BDA00032020236300001321
的概率分布，且
Figure BDA00032020236300001322
的表达式为：
Figure BDA00032020236300001323
其中，
Figure BDA00032020236300001324
是集合
Figure BDA00032020236300001325
中的第q个元素；当条件{·}满足时，函数1{·}＝1，否则，函数1{·}＝0；此外，为了满足
Figure BDA00032020236300001326
在式(18)中引入拉格朗日算子
Figure BDA00032020236300001327
得到：
Figure BDA00032020236300001328
对式(20)求关于
Figure BDA00032020236300001329
的一阶导数，当结果等于0时，得到：
Figure BDA00032020236300001330
当q＝1,2,…,2Q，将式(21)相加得到：
Figure BDA00032020236300001331
将式(22)代入式(21)得到：
Figure BDA0003202023630000141
仿真结果
对本发明方法的性能进行验证；假设BS-IRS链路的路径数LG＝4，对于任意用户，IRS-用户链路的路径数Lr,k＝5，BS-用户链路的路径数Ld,k＝3。考虑BS-IRS、IRS-用户、BS-用户链路的路径损耗分别为
Figure BDA0003202023630000142
其中dBR、dRU、dBU分别表示BS-IRS、IRS-用户和BS-用户链路的距离，对于任意k，设置dBR＝50m，dRU＝2m，dBU＝60m。所有用户的信噪比要求相同，噪声功率设置为
Figure BDA0003202023630000143
此外，BS和IRS都采用UPA且天线间距为d＝λ/2。
首先评估本发明方法的收敛性。图2为Selite/S＝0.2，M＝64，N＝625，K＝4，γ＝20dB时不同候选样本数下的BS发射功率与迭代次数的关系。从图2中可以看出，在多次迭代后，发射功率先下降后趋于稳定，这表明了本发明方法的有效性。同时可以看出，S越大，发射功率越低。但是，当S＝200时，足以获得接近最优的性能。
图3比较了所提算法与连续细化算法的计算复杂度，其中S＝200，Selite＝40，M＝64，K＝4。连续细化算法的计算复杂度为
Figure BDA0003202023630000144
其中Iiter为迭代次数，根据仿真，Iiter＝10×N，这意味着达到收敛的迭代次数与IRS元素的个数密切相关。从图3可以看出，当IRS元素数量较大时，本发明方法计算复杂度远远低于连续细化算法。主要原因是连续细化算法需要对IRS的所有要素逐一进行优化。
图4显示了将本发明方法的发射功率与以下方案进行比较：1)逐次细化算法；2)最优穷举搜索算法。由于穷举搜索算法复杂度高，考虑M＝4，K＝2，N＝8，S＝10，Selite＝2。可以看到，本发明方法可以以极低的计算复杂度获得接近最优的解。
图5对比了在Q＝1、Q＝2条件下所提算法和连续细化算法的发射功率与SINR的关系。假设S＝200，Selite＝40，M＝64，N＝625，K＝4。如图5所示，本发明方法比连续细化算法的发射功率更高。但从图3中可以看出，当N＝625时，连续细化算法的计算复杂度远远高于本发明方法。这说明本发明方法在性能和计算复杂度之间取得了很好的平衡。此外，本发明方法可以在较低的计算复杂度下达到接近最优的性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，其步骤如下：
步骤一：基于下行毫米波智能反射面的通信系统，包括M根天线数的BS、具有N个反射单元的智能反射面和K个单天线用户；
步骤二：根据BS到智能反射面、智能反射面到单天线用户和BS到单天线用户链路的毫米波信道分别计算单天线用户接收到的信号及单天线用户的SINR；
步骤三：根据单天线用户接收到的信号获得BS的有源波束向量和智能反射面上的反射系数，并构建单天线用户的SINR的约束；
步骤四：根据BS的有源波束向量、智能反射面上的反射系数和单天线用户的SINR的约束构建波束成形优化模型；
步骤五：利用基于机器学习的CE算法迭代求解波束成形优化模型，联合优化BS的有源波束向量和智能反射面上的反射系数使得BS的发射功率最小。
2.根据权利要求1所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，BS到智能反射面链路的毫米波信道为：
Figure FDA0003202023620000011
智能反射面到单天线用户链路的毫米波信道为：
Figure FDA0003202023620000012
BS到单天线用户链路的毫米波信道为：
Figure FDA0003202023620000013
其中，G∈ΞN×M为BS到智能反射面链路的毫米波信道，LG表示BS到智能反射面链路的路径数，l1＝1,2,…,LG，
Figure FDA0003202023620000014
表示第l1条路径的复增益，
Figure FDA0003202023620000015
表示第l1条路径的出发方位角，
Figure FDA0003202023620000016
表示第l1条路径的到达方位角，
Figure FDA0003202023620000017
表示
Figure FDA0003202023620000018
的转置，
Figure FDA0003202023620000019
表示BS到智能反射面链路上IRS处的阵列相应矢量，
Figure FDA00032020236200000110
表示BS到智能反射面链路上BS处的阵列相应矢量，hr,k∈ΞN×1为智能反射面到单天线用户链路的毫米波信道，Lr,k表示智能反射面到单天线用户链路的路径数，l2＝1,2,…,Lr,k，
Figure FDA00032020236200000111
表示IRS到用户的第l2条路径的复增益，
Figure FDA00032020236200000112
表示IRS处的阵列相应矢量，hd,k∈ΞM×1为BS到单天线用户链路的毫米波信道，Ld,k表示BS到单天线用户链路的路径数，l3＝1,2,…,Ld,k
Figure FDA0003202023620000021
表示BS到用户的第l3条路径的复增益，
Figure FDA0003202023620000022
表示BS到用户链路上BS处的阵列相应矢量，
Figure FDA0003202023620000023
表示智能反射面处的阵列响应矢量，
Figure FDA0003202023620000024
表示BS处的阵列响应矢量，ΞN×M表示N×M的矩阵，ΞN×1表示N×1的矩阵，ΞM×1表示M×1的矩阵。
3.根据权利要求2所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述智能反射面处的阵列响应矢量
Figure FDA0003202023620000025
表示为：
Figure FDA0003202023620000026
其中，n1＝[0,1,…,N1-1]，n2＝[0,1,…,N2-1]，λ表示信号波长，d表示元素的间距，N＝N1×N2，N1表示智能反射面的水平方向上的单元数，N2表示智能反射面的垂直方向上的单元数。
4.根据权利要求2所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述单天线用户接收到的信号为：
Figure FDA0003202023620000027
其中，k∈[1,…,K]，j∈[1,…,K]，j≠k，yk为用户k接收到的信号，
Figure FDA0003202023620000028
表示智能反射面到单天线用户链路的毫米波信道的共轭转置，
Figure FDA0003202023620000029
表示BS到单天线用户链路的毫米波信道的共轭转置，
Figure FDA00032020236200000210
是智能反射面的N×N对角反射矩阵，反射系数
Figure FDA00032020236200000211
为智能反射面的第n个元素，且
Figure FDA00032020236200000212
βn∈[0,1]表示反射幅度，θn∈[0,2π)表示反射相移，wj∈ΞM×1为BS对用户j的有源波束向量，sj表示用户j接收的消息且满足E[|sj|2]＝1，
Figure FDA00032020236200000213
为加性高斯白噪声，
Figure FDA00032020236200000214
为nk的方差。
5.根据权利要求4所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述智能反射面上的反射系数的获得方法为：
考虑到实际硬件的限制，假设在每个单元部署Q-bit有限电平的相移，采用均匀量化方法得到2Q个离散相移值，因此，离散相移值θ的集合
Figure FDA00032020236200000215
为：
Figure FDA00032020236200000216
其中，Δθ＝2π/2Q；对应的反射系数
Figure FDA00032020236200000217
的集合表示
Figure FDA00032020236200000218
为：
Figure FDA00032020236200000219
6.根据权利要求5所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述单天线用户的SINR为：
Figure FDA0003202023620000031
其中，SINRk为用户k的SINR，wk∈ΞM×1为BS对用户k的有源波束向量。
7.根据权利要求6所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述波束成形优化模型为：
P1:
Figure FDA0003202023620000032
Figure FDA0003202023620000033
Figure FDA0003202023620000034
其中，
Figure FDA0003202023620000035
W＝[w1,…,wK]∈ΞM×K，γk为用户k的SINR需求。
8.根据权利要求7所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述利用基于机器学习的CE算法迭代求解波束成形优化模型的方法为：首先根据反射系数的概率分布随机生成多组反射系数
Figure FDA0003202023620000036
基于生成的反射系数
Figure FDA0003202023620000037
应用迫零算法计算主动波束成形W；其次，通过最小化CE更新智能反射面的反射系数的概率分布，以重新生成反射系数
Figure FDA0003202023620000038
重复上述步骤，W和
Figure FDA0003202023620000039
交替优化直到收敛；
基于机器学习的CE算法迭代求解波束成形优化模型分为两种情况：Q＝1时，利用基于机器学习的CE算法求解波束成形优化模型；Q>1时，利用基于机器学习的CE算法求解波束成形优化模型。
9.根据权利要求8所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述Q＝1时，利用基于机器学习的CE算法求解波束成形优化模型的方法为：
当Q＝1时，相移
Figure FDA00032020236200000310
反射系数
Figure FDA00032020236200000311
首先，定义一个1×N的概率参数p＝[p1,…,pN]，其中，0≤pn≤1表示反射系数
Figure FDA00032020236200000312
的概率；
初始化参数
Figure FDA00032020236200000313
其中，1N×1表示N×1维的向量，且元素全部为1；在第i次迭代时，根据概率分布
Figure FDA00032020236200000314
生成S个候选反射系数
Figure FDA00032020236200000315
在任意给定的反射系数
Figure FDA00032020236200000316
下，波束成形优化模型P1可以表述为：
P2:
Figure FDA0003202023620000041
Figure FDA0003202023620000042
采用低复杂度的迫零算法获得有源波束成形W，其计算结果为：
Figure FDA0003202023620000043
其中，
Figure FDA0003202023620000044
U＝diag(u1,…,uK)为功率分配矩阵；将(11)式代入波束成形优化模型P1，约束(10b)变换为
Figure FDA0003202023620000045
令
Figure FDA0003202023620000046
则BS的发射功率可计算为：
Figure FDA0003202023620000047
其中，
Figure FDA0003202023620000048
表示与反射系数
Figure FDA0003202023620000049
相关的发射功率；
因此，模型P2可以转化为：
P3:
Figure FDA00032020236200000410
Figure FDA00032020236200000411
基于式(12)计算S个反射系数
Figure FDA00032020236200000412
对应的发射功率
Figure FDA00032020236200000413
并将其按降序排列；从中选择后Selite个低发射功率对应的反射系数作为更新样本，通过最小化CE更新p(i+1)：
Figure FDA00032020236200000414
其中，
Figure FDA00032020236200000415
中的第n个元素
Figure FDA00032020236200000416
符合伯努利分布，
Figure FDA00032020236200000417
的概率为
Figure FDA00032020236200000418
Figure FDA00032020236200000419
的概率为
Figure FDA00032020236200000420
则概率分布
Figure FDA00032020236200000421
为：
Figure FDA00032020236200000422
将式(15)代入式(14)中，式(14)关于
Figure FDA00032020236200000423
的一阶导数可计算为：
Figure FDA00032020236200000424
将式(16)置为零，
Figure FDA00032020236200000425
更新为：
Figure FDA0003202023620000051
利用新的概率分布重新生成S个候选反射系数；重复上述步骤，直到迭代至i＝I，其中i为达到收敛时所需的迭代次数，最终获得了接近最优的主动波束成形W和反射系数
Figure FDA0003202023620000052
10.根据权利要求9所述的基于机器学习的IRS辅助毫米波通信波束成形设计方法，其特征在于，所述Q>1时，利用基于机器学习的CE算法求解波束成形优化模型的方法为：
当Q>1时，相移
Figure FDA0003202023620000053
反射系数
Figure FDA0003202023620000054
生成随机样本
Figure FDA0003202023620000055
Figure FDA0003202023620000056
是从集合
Figure FDA0003202023620000057
中独立抽取并且服从离散分布
Figure FDA0003202023620000058
其中，
Figure FDA0003202023620000059
为集合
Figure FDA00032020236200000510
中第q个元素被选为
Figure FDA00032020236200000511
的概率，
Figure FDA00032020236200000512
满足
Figure FDA00032020236200000513
在初始化阶段，假设所有属于集合
Figure FDA00032020236200000514
的反射元素都具有相等的概率；
使用选中的后Selite个低发射功率对应的反射系数作为更新样本，通过最小化CE更新
Figure FDA00032020236200000515
Figure FDA00032020236200000516
其中，
Figure FDA00032020236200000517
表示
Figure FDA00032020236200000518
的概率分布，且
Figure FDA00032020236200000519
的表达式为：
Figure FDA00032020236200000520
其中，
Figure FDA00032020236200000521
是集合
Figure FDA00032020236200000522
中的第q个元素；当条件{·}满足时，函数1{·}＝1，否则，函数1{·}＝0；此外，为了满足
Figure FDA00032020236200000523
在式(18)中引入拉格朗日算子
Figure FDA00032020236200000524
得到：
Figure FDA00032020236200000525
对式(20)求关于
Figure FDA00032020236200000526
的一阶导数，当结果等于0时，得到：
Figure FDA00032020236200000527
当q＝1,2,…,2Q，将式(21)相加得到：
Figure FDA00032020236200000528
将式(22)代入式(21)得到：
Figure FDA0003202023620000061
CN202110906965.7A 2021-08-09 2021-08-09 基于机器学习的irs辅助毫米波通信波束成形设计方法 Active CN113612508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110906965.7A CN113612508B (zh) 2021-08-09 2021-08-09 基于机器学习的irs辅助毫米波通信波束成形设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110906965.7A CN113612508B (zh) 2021-08-09 2021-08-09 基于机器学习的irs辅助毫米波通信波束成形设计方法

Publications (2)

Publication Number Publication Date
CN113612508A true CN113612508A (zh) 2021-11-05
CN113612508B CN113612508B (zh) 2024-06-18

Family

ID=78339921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110906965.7A Active CN113612508B (zh) 2021-08-09 2021-08-09 基于机器学习的irs辅助毫米波通信波束成形设计方法

Country Status (1)

Country Link
CN (1) CN113612508B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114024589A (zh) * 2021-11-11 2022-02-08 深圳大学 一种miso通信系统设计方法及装置
CN114143790A (zh) * 2021-11-30 2022-03-04 中央民族大学 大规模天线Cell-free IRS物理层安全方法
CN114142902A (zh) * 2021-12-09 2022-03-04 中央民族大学 多天线智能反射表面系统短数据包传输方法
CN114204971A (zh) * 2021-12-10 2022-03-18 东南大学 一种迭代的聚合波束成形设计和用户设备选择方法
CN114866126A (zh) * 2022-03-25 2022-08-05 北京邮电大学 智能反射面辅助毫米波系统的低开销信道估计方法
CN117674924A (zh) * 2023-11-08 2024-03-08 安徽师范大学 一种基于离散移相器的irs辅助毫米波联合波束成形方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111181615A (zh) * 2019-11-29 2020-05-19 广东工业大学 一种基于智能反射面的多小区无线通信方法
CN111355520A (zh) * 2020-03-10 2020-06-30 电子科技大学 一种智能反射表面辅助的太赫兹安全通信系统设计方法
US20200245166A1 (en) * 2017-10-17 2020-07-30 Samsung Electronics Co., Ltd. Method and device for supporting beam-based cooperative communication in wireless communication system
CN111865387A (zh) * 2020-08-04 2020-10-30 同济大学 智能反射面辅助无线通信系统的波束成形设计方法
CN111917447A (zh) * 2020-08-12 2020-11-10 电子科技大学 基于波束选择的低频辅助混合预编码设计方法
CN112073100A (zh) * 2020-09-07 2020-12-11 郑州大学 一种毫米波无线携能安全通信方法与装置
WO2020254030A1 (en) * 2019-06-19 2020-12-24 Sony Corporation System, panel device and method for passive reflection of rf signals
US20210013619A1 (en) * 2019-07-12 2021-01-14 Arizona Board Of Regents On Behalf Of Arizona State University Large intelligent surfaces with sparse channel sensors
CN112422162A (zh) * 2020-12-10 2021-02-26 中山大学 智能反射面鲁棒波束成形方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200245166A1 (en) * 2017-10-17 2020-07-30 Samsung Electronics Co., Ltd. Method and device for supporting beam-based cooperative communication in wireless communication system
WO2020254030A1 (en) * 2019-06-19 2020-12-24 Sony Corporation System, panel device and method for passive reflection of rf signals
US20210013619A1 (en) * 2019-07-12 2021-01-14 Arizona Board Of Regents On Behalf Of Arizona State University Large intelligent surfaces with sparse channel sensors
CN111181615A (zh) * 2019-11-29 2020-05-19 广东工业大学 一种基于智能反射面的多小区无线通信方法
CN111355520A (zh) * 2020-03-10 2020-06-30 电子科技大学 一种智能反射表面辅助的太赫兹安全通信系统设计方法
CN111865387A (zh) * 2020-08-04 2020-10-30 同济大学 智能反射面辅助无线通信系统的波束成形设计方法
CN111917447A (zh) * 2020-08-12 2020-11-10 电子科技大学 基于波束选择的低频辅助混合预编码设计方法
CN112073100A (zh) * 2020-09-07 2020-12-11 郑州大学 一种毫米波无线携能安全通信方法与装置
CN112422162A (zh) * 2020-12-10 2021-02-26 中山大学 智能反射面鲁棒波束成形方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JUNG-CHIEH CHEN: "Beamforming Optimization for Intelligent Reflecting Surface-Aided MISO Communication Systems", 《 IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》, vol. 70, no. 1, 22 December 2020 (2020-12-22), pages 504 - 513, XP011837591, DOI: 10.1109/TVT.2020.3046271 *
WENCAI YAN, GANGCAN SUN, WANMING HAO, ZHENGYU ZHU, ZHENG CHU, PEI XIAO: "Machine Learning-Based Beamforming Design for Millimeter Wave IRS Communications With Discrete Phase Shifters", 《IEEE WIRELESS COMMUNICATIONS LETTERS》, vol. 11, no. 12, 14 March 2022 (2022-03-14), pages 2467 - 2474, XP011929999, DOI: 10.1109/LWC.2022.3159008 *
YONGJUN AHN; BYONGHYO SHIM: "Deep Learning-Based Beamforming for Intelligent Reflecting Surface-Assisted mmWave Systems", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS 》, vol. 20, no. 10, 20 April 2021 (2021-04-20), pages 6240 *
朱政宇;徐金雷;孙钢灿;王宁;郝万明: "基于IRS辅助的SWIPT物联网系统安全波束成形设计", 《通信学报》, vol. 42, no. 04, 11 March 2021 (2021-03-11), pages 185 - 193 *
王兆瑞 , 刘亮 , 李航 , 崔曙光: "面向6G物联网的智能反射表面设计", 《物联网学报》, vol. 4, no. 2, 16 June 2020 (2020-06-16), pages 84 - 95 *
胡爱珍: "智能反射面无线携能通信系统优化算法研究", 《中国优秀硕士学位论文全文数据库》信息科技辑, 15 May 2021 (2021-05-15) *
马刚刚: "智能反射面辅助的无线供能空中计算系统研究", 《现代信息科技》, vol. 5, no. 4, 25 February 2021 (2021-02-25), pages 48 - 52 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114024589A (zh) * 2021-11-11 2022-02-08 深圳大学 一种miso通信系统设计方法及装置
CN114024589B (zh) * 2021-11-11 2024-02-06 深圳大学 一种miso通信系统设计方法及装置
CN114143790A (zh) * 2021-11-30 2022-03-04 中央民族大学 大规模天线Cell-free IRS物理层安全方法
CN114143790B (zh) * 2021-11-30 2024-04-26 中央民族大学 大规模天线Cell-free IRS物理层安全方法
CN114142902A (zh) * 2021-12-09 2022-03-04 中央民族大学 多天线智能反射表面系统短数据包传输方法
CN114142902B (zh) * 2021-12-09 2024-05-03 中央民族大学 多天线智能反射表面系统短数据包传输方法
CN114204971A (zh) * 2021-12-10 2022-03-18 东南大学 一种迭代的聚合波束成形设计和用户设备选择方法
CN114204971B (zh) * 2021-12-10 2024-01-30 东南大学 一种迭代的聚合波束成形设计和用户设备选择方法
CN114866126A (zh) * 2022-03-25 2022-08-05 北京邮电大学 智能反射面辅助毫米波系统的低开销信道估计方法
CN114866126B (zh) * 2022-03-25 2023-06-23 北京邮电大学 智能反射面辅助毫米波系统的低开销信道估计方法
CN117674924A (zh) * 2023-11-08 2024-03-08 安徽师范大学 一种基于离散移相器的irs辅助毫米波联合波束成形方法

Also Published As

Publication number Publication date
CN113612508B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN113612508A (zh) 基于机器学习的irs辅助毫米波通信波束成形设计方法
CN111294096B (zh) 一种智能反射面miso无线通信系统的信道容量优化方法
CN113225276A (zh) 一种面向智能反射面辅助通信系统的半盲信道估计方法
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN114070365B (zh) 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法
CN115021779B (zh) Ris辅助的mimo系统的离散相移设计方法和装置
CN110719127B (zh) 一种具有恒模约束的毫米波mimo系统波束成形方法
CN111277308A (zh) 基于机器学习的波宽控制方法
CN114666815A (zh) 一种基于全向智能超表面的通信系统设计方法
CN114640379A (zh) 一种基于智能反射面阵元分组的波束优化方法及系统
Li et al. Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems
CN117793927A (zh) Active-RIS辅助的多播组认知通信系统及其公平资源分配方法
CN116033461B (zh) 一种基于star-ris辅助的共生无线电传输方法
CN116419245A (zh) 一种基于智能反射面辅助的速率分割多址接入的多小区通信系统能效优化方法
CN114785642B (zh) 一种基于稀疏张量分解的ris-mimo系统信道估计方法
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
CN114337902B (zh) 一种irs辅助的毫米波多小区间干扰的抑制方法
CN114285443B (zh) 动态超表面天线辅助的近场宽带上行mimo传输方法
CN115865159A (zh) 适用于无蜂窝毫米波mimo系统的角度域混合波束成形方法
CN115276878A (zh) 基于逆迭代和流形优化的智能反射面安全速率确定方法及装置
CN114866126A (zh) 智能反射面辅助毫米波系统的低开销信道估计方法
Neha et al. Efficient channel estimation in mm wave massive MIMO using hybrid beamforming
CN114844539B (zh) 一种基于全息多址接入的资源分配方法及装置
CN115412141B (zh) 一种irs辅助的空移键控调制系统的相移优化方法
CN113271125B (zh) 3d超大规模mimo系统宽覆盖预编码生成方法及装置

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