CN114189408B - 一种用于智能反射面辅助毫米波系统的信道估计方法 - Google Patents
一种用于智能反射面辅助毫米波系统的信道估计方法 Download PDFInfo
- Publication number
- CN114189408B CN114189408B CN202210047189.4A CN202210047189A CN114189408B CN 114189408 B CN114189408 B CN 114189408B CN 202210047189 A CN202210047189 A CN 202210047189A CN 114189408 B CN114189408 B CN 114189408B
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- estimation
- representing
- irs
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000013256 coordination polymer Substances 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 118
- 239000013598 vector Substances 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 101100313471 Streptomyces sp getA gene Proteins 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 8
- 230000006835 compression Effects 0.000 abstract description 3
- 238000007906 compression Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- H04L25/0246—Channel estimation channel estimation algorithms using matrix methods with factorisation
-
- 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
- H04L25/0212—Channel estimation of impulse response
-
- 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
- H04L25/0244—Channel estimation channel estimation algorithms using matrix methods with inversion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
- H04L27/26035—Maintenance of orthogonality, e.g. for signals exchanged between cells or users, or by using covering codes or sequences
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
本发明属于无线通信技术领域,具体涉及一种用于智能反射面辅助毫米波系统的信道估计方法。传统的方案采取压缩感知的方法进行信道估计,这些方案不能充分利用信道稀疏性,无法在低开销条件下实现好的信道估计性能。所以本发明致力于提出性能更优的信道压缩估计方法,以合理的导频开销实现高效信道估计。本发明所设计的信道估计方法充分利用了毫米波信道固有的稀疏散射特性,通过低秩CP张量分解的方法,完成对智能反射面辅助毫米波系统的级联信道参数估计,以此降低计算复杂度,在保证信道参数估计性能的同时极大地降低导频训练开销。实验表明,本发明提出的信道压缩估计方法仅需利用少量的训练开销,就能实现对信道参数估计,并且优于对比方案。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种用于智能反射面辅助毫米波系统的信道估计方法。
背景技术
智能反射面(Intelligent Reflecting Surface,简称IRS)是下一代无线通信的重要潜在技术,以灵活可编程的方式智能化地改善信道条件,有效弥补毫米波(MillimeterWave,简称mmWave)通信系统高损耗、弱穿透的固有缺陷,增强信号强度,提高系统覆盖范围。由于IRS具有大量反射单元,需要估计的信道参数激增,而IRS属于无源器件,本身不具射频(Radio Frequency,简称RF)链,因此如何以较低导频开销进行信道估计是IRS辅助毫米波系统中的关键问题之一。为了降低导频开销,部分现有工作采取压缩感知的方法对IRS辅助毫米波系统进行信道估计。这些方案没有充分利用信道的稀疏性,无法在低开销条件下实现良好的信道估计性能。
发明内容
本发明的目的在于提出性能更优的信道估计方法,以合理的导频开销实现高精度的信道估计性能。基于毫米波系统信道的固有稀疏散射特性,通过低秩CANDECOMP/PARAFAC(CP)分解的方法,完成IRS辅助的毫米波系统的级联信道估计。所设计的信道估计方法具有低计算复杂度,可以极大地降低导频训练开销。
本发明的技术方案为:
面向智能反射面辅助的毫米波通信系统中的下行信道估计问题,考虑多输入单输出(Multiple-Input Single-Output,简称MISO)的正交频分复用(Orthogonal FrequencyDivision Multiplexing,简称OFDM)系统,其中子载波总数为P0,并选取其中的前P个子载波作为导频信号进行信道估计,基站(Base Station,简称BS)配置均匀线阵,天线数为N和射频链路数为R,满足R<<N,移动用户端(user)配置全向天线,智能反射面为均匀平面阵,无源阵元数目为M=Mx×My,其中Mx,My分别代表水平、垂直方向阵元数目,反射系数矩阵记为其中是反射系数向量,γi∈[0,2π]是i个阵元的相移系数。下行导频训练时,考虑T个连续帧,对于第t个帧,各子载波下都采用相同的RF模拟预编码器和基带数字预编码器其中每个帧又可分为Q个时隙,对于第q个时隙,设计的反射面系数矩阵与向量为Φq=diag(vq)。
技术方案包括以下步骤:
S1、构建信道。采用几何宽带毫米波信道模型,分别构建基站到IRS信道以及IRS到用户的信道模型。对于第p个子载波,基站到IRS信道矩阵可以表示为:
此处,L代表基站到IRS之间散射路径总数,αl是第l条路径的复增益,fs代表采样速率,τl代表延时,φl代表出发角(AoD),{θa,l,θe,l}代表到达方位角和仰角(AoAs),代表接收阵列响应向量,aBS(φl)代表发射阵列响应向量。
同样地,IRS到用户的信道可以表示为:
S2、获取接收信号的低秩张量表达。在第t个帧的第q个时隙,第p个子载波的接收信号为:
此处,V为Q个时隙的反射系数拼接得到的矩阵,F为T个帧的发射信号拼接得到的矩阵。
S3、估计张量分解中的因子矩阵本发明致力于利用毫米波信道下接收信号的三阶张量表示,根据CP分解的唯一性条件,估计接收信号低秩张量分解的三个因子矩阵具体而言,就是对接收信号的张量形式进行处理,利用矩阵的范德蒙结构恢复因子矩阵。下面将具体介绍如何获取估计的因子矩阵
由于因子矩阵C为范德蒙矩阵,可给出其生成元矩阵Z的表达式:
其中Ψ1,Ψ2表示未知的非奇异对角矩阵,满足Ψ1Ψ2=I,Γ表示未知的置换矩阵;E1,E2,E3表示估计误差。
本发明的有益效果为,本发明所提出的信道压缩估计方法能够以较低训练开销估计信道参数,为智能反射面辅助通信部署提供有效的信道状态信息。
附图说明
图1为各估计信道参数的均方误差与信噪比的关系,实验条件为P=16,T=16,Q=16;
图2为各方法归一化均方误差与信噪比的关系,实验条件为P=16,T=16,Q=16;
图3为各方法归一化均方误差与时帧的关系,实验条件为P=16,Q=16,SNR=10dB。
具体实施方式
下面结合附图和仿真示例对本发明进行详细的描述,以证明本发明的实用性。
本发明考虑智能反射面辅助毫米波通信系统的下行信道估计问题,对于一个多输入单输出正交频分复用系统,假设基站与用户之间的直接视距链路被严重阻塞,从P0个子载波中并选取前P个子载波作为导频信号进行信道估计,基站配置天线数为N和射频(RF)链路数为R,且满足R<<N。移动用户端配置全向天线。智能反射面为具有M=Mx×My无源反射单元的均匀平面阵列,其中Mx,My分别代表水平、垂直方向阵元数目,反射系数矩阵记为其中反射系数向量,γi∈[0,2π]是i个阵元的相移系数。
使用几何窄带毫米波信道模型描述基站到IRS的时域信道为:
其中,L代表基站到IRS之间散射路径总数,αl是第l条路径的复增益,τl代表延时,φl代表出发角(AoD),{θa,l,θe,l}代表到达方位角和仰角(AoAs),aIRS(θa,l,θe,l)代表接收阵列响应向量,aBS(φl)代表发射阵列响应向量。
同样地,IRS到用户的时域信道为:
相对应地,与第p个子载波相关的两段频域信道可以分别描述为:
其中,fs代表采样速率。
下行导频训练时,考虑一个基于帧的下行链路训练协议。对于每个子载波,基站在T个连续时帧上采用T个不同的波束成形矢量。每个时帧被划分为Q个时隙,在每个时隙,IRS使用一个单独的相移矩阵Φq来反射入射信号。在第t时帧上,第p个子载波的发送信号可以被表示为xp(t)=FRF(t)fBB,p(t)sp(t),其中sp(t)表示第p个子载波的导频信号,为第p个子载波的基带数字预编码矩阵,表示模拟预编码矩阵。简化起见,假设fBB,p(t)=fBB(t),sp(t)=1,得到第p个子载波的发送信号简化表示:
发送信号通过基站-IRS-用户的信道发送到达用户。在第t个时帧,在第q个时隙与第p个子载波相关联的接收信号因此可以写为
从接收信号{yp,q(t)}中即可估计得到级联信道{Hp}。在数据传输阶段,{Hp}的信息可以用于联合波束成形,如通过设计v和{fp=FRFfBB,p}p最大化频谱效率。信道估计是本发明主要想解决的问题,接下来将进一步讨论如何估计{Hp}。
首先将接收信号表达为张量形式。将Hp代入yp,q(t)中得到:
其中,
其中,
UM=C⊙B
进一步可以得到:
U1M=C⊙B
通过利用C的范德蒙结构信息,有:
因子矩阵B的每一列可以被估计为:
因子矩阵A可以被估计为:
其中Ψ1,Ψ2表示未知的非奇异对角矩阵,满足Ψ1Ψ2=I,Γ表示未知的置换矩阵;E1,E2,E3表示估计误差。
仿真中,考虑IRS辅助的宽带毫米波MISO-OFDM系统下行链路,系统路径数L=Lr=2。基站配置天线数N=64,RF链数R=1,IRS的反射单元数M=16×16。子载波总数设置为P0=128,其中P=16个子载波被用于波束训练。采样频率fs=0.32GHz。同时出射角 和入射角随机分布在[0,2π]。延迟均匀分布在0到100纳秒。复合路径增益服从循环对称高斯分布 其中c表示光速,D1,D2是基站到IRS及IRS到用户的路径,fc是系统中心载频。设置D1=30m,D2=5m,fc=28GHz。
在性能分析中,本发明首先检验信道参数的估计准确度,其中克拉美罗下界(Cramer-Rao Lower Bounds,简称CRB)为算法性能提供参考基准。所采用的指标是最小均方误差(Mean Square Error,简称MSE),定义为:
图1描述了MSE与信噪比(Signal-to-noise Ratio,简称SNR)之间的关系,实验条件设置为P=16,T=16,Q=16。从图1可以观察,所提出的方案可以获得角度、时延参数的准确估计,其估计误差接近理论下限。
在信道估计性能分析中,与同步正交匹配追踪算法(Simultaneous OrthogonalMatching Pursuit,简称SOMP)进行比较。SOMP算法分别采用两种网格,第一种网格将AOA(ωa,u,ωa,e)×AOD(φu)×时延(ιu)空间离散为(32×32)×128×64格点,第二种网格将AOA(ωa,u,ωa,e)×AOD(φu)×时延(ιu)空间离散为(64×64)×256×128格点。所采用的指标是归一化均方误差(Normalized Mean Squared Error,简称NMSE),定义为:
图2描述了各方案NMSE与信噪比的关系,从结果中可以观察到,所提出的算法比SOMP方法具有显着的性能改进。
图3描述了各方案NMSE与时帧T的关系,所提出的算法即使在训练开销很小的情况下也可以提供准确的信道估计,显著地减少了训练开销。
综上所诉,本发明开发了一种基于CP分解的智能反射面辅助毫米波通信MISO-OFDM系统的信道估计方法。所提出的方法利用了级联通道固有的低秩结构和因子矩阵固有的范德蒙结构。仿真结果表明,所提出的方法只需要少量的训练开销来提取信道参数,最终有效估计信道信息。
Claims (1)
1.一种用于智能反射面辅助毫米波系统的信道估计方法,系统为多输入单输出的正交频分复用系统,子载波总数为P0,选取其中的前P个子载波作为导频信号进行信道估计,基站配置均匀线阵,天线数为N,射频链路数为R,满足R<<N,移动用户配置全向天线,智能反射面(IRS)为均匀平面阵,无源阵元数目为M=Mx×My,Mx、My分别代表水平、垂直方向阵元数目,反射系数矩阵记为 是反射系数向量,γi∈[0,2π]是i个阵元的相移系数;下行导频训练时,考虑T个连续帧,对于第t个帧,各子载波下都采用相同的RF模拟预编码器和基带数字预编码器每个帧分为Q个时隙,对于第q个时隙,反射面系数矩阵与向量为Φq=diag(vq);其特征在于,所述信道估计方法包括以下步骤:
S1、构建信道:采用几何宽带毫米波信道模型,分别构建基站到IRS信道以及IRS到用户的信道模型,对于第p个子载波,基站到IRS信道矩阵表示为:
其中,L代表基站到IRS之间散射路径总数,αl是第l条路径的复增益,fs代表采样速率,τl代表延时,φl代表出发角(AoD),{θa,l,θe,l}代表到达方位角和仰角(AoAs),aIRS(θa,l,θe,l)代表接收阵列响应向量,aBS(φl)代表发射阵列响应向量;
IRS到用户的信道表示为:
S2、获取接收信号的低秩张量表达:在第t个帧的第q个时隙,第p个子载波的接收信号为:
其中,V为Q个时隙的反射系数拼接得到的矩阵,F为T个帧的发射信号拼接得到的矩阵;
由于因子矩阵C为范德蒙矩阵,给出其生成元矩阵Z的表达式:
其中Ψ1,Ψ2表示未知的非奇异对角矩阵,满足Ψ1Ψ2=I,Γ表示未知的置换矩阵;E1,E2,E3表示估计误差;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210047189.4A CN114189408B (zh) | 2022-01-17 | 2022-01-17 | 一种用于智能反射面辅助毫米波系统的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210047189.4A CN114189408B (zh) | 2022-01-17 | 2022-01-17 | 一种用于智能反射面辅助毫米波系统的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114189408A CN114189408A (zh) | 2022-03-15 |
CN114189408B true CN114189408B (zh) | 2023-01-13 |
Family
ID=80606907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210047189.4A Active CN114189408B (zh) | 2022-01-17 | 2022-01-17 | 一种用于智能反射面辅助毫米波系统的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114189408B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114785641B (zh) * | 2022-03-17 | 2023-08-29 | 复旦大学 | 一种基于张量分解的数据辅助时变信道估计方法 |
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 |
CN114900400B (zh) * | 2022-05-24 | 2023-06-16 | 华南理工大学 | 一种基于智能反射面辅助物联网的联合稀疏信道估计方法 |
CN115664894B (zh) * | 2022-05-26 | 2024-06-14 | 海南大学 | 一种irs辅助的双向中继网络信道估计的导频图案设计方法 |
CN116094553B (zh) * | 2022-11-07 | 2024-04-23 | 上海师范大学 | 基于张量分解的车联网ris辅助注意力机制通信与感知方法 |
CN115801071A (zh) * | 2022-11-23 | 2023-03-14 | 东南大学 | 无人机通信的结构化张量分解辅助的导频污染消除方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559367A (zh) * | 2016-12-08 | 2017-04-05 | 电子科技大学 | 基于低秩张量分解的mimo‑ofdm系统毫米波信道估计方法 |
CN110518946A (zh) * | 2019-08-30 | 2019-11-29 | 电子科技大学 | 基于毫米波时变信道块稀疏和低秩的时变信道估计方法 |
US10594517B1 (en) * | 2018-10-26 | 2020-03-17 | Wistron Neweb Corporation | Channel estimation system and method thereof |
CN112887250A (zh) * | 2021-01-12 | 2021-06-01 | 电子科技大学 | 一种基于张量分解的毫米波宽带mimo系统的信道估计方法 |
CN113242193A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 一种低训练开销的混合大规模mimo-ofdm系统信道估计方法 |
-
2022
- 2022-01-17 CN CN202210047189.4A patent/CN114189408B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559367A (zh) * | 2016-12-08 | 2017-04-05 | 电子科技大学 | 基于低秩张量分解的mimo‑ofdm系统毫米波信道估计方法 |
US10594517B1 (en) * | 2018-10-26 | 2020-03-17 | Wistron Neweb Corporation | Channel estimation system and method thereof |
CN110518946A (zh) * | 2019-08-30 | 2019-11-29 | 电子科技大学 | 基于毫米波时变信道块稀疏和低秩的时变信道估计方法 |
CN112887250A (zh) * | 2021-01-12 | 2021-06-01 | 电子科技大学 | 一种基于张量分解的毫米波宽带mimo系统的信道估计方法 |
CN113242193A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 一种低训练开销的混合大规模mimo-ofdm系统信道估计方法 |
Non-Patent Citations (1)
Title |
---|
Efficient Beamforming Training and Channel Estimation for Millimeter Wave OFDM Systems;Wang, H., Fang, J., Wang, P., Yue, G., & Li, H;<IEEE Transactions on Wireless Communications>;20201221;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114189408A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114189408B (zh) | 一种用于智能反射面辅助毫米波系统的信道估计方法 | |
CN106559367B (zh) | 基于低秩张量分解的mimo-ofdm系统毫米波信道估计方法 | |
Jiang et al. | Channel reciprocity calibration in TDD hybrid beamforming massive MIMO systems | |
CN107018099A (zh) | 一种针对毫米波多用户mimo系统的时变信道估计方法 | |
CN105891771B (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 | |
Zhang et al. | Channel estimation and training design for hybrid multi-carrier mmwave massive MIMO systems: The beamspace ESPRIT approach | |
CN102710309B (zh) | 适用于大规模天线阵列的同步信号发射方法 | |
Xie et al. | Dictionary learning for channel estimation in hybrid frequency-selective mmWave MIMO systems | |
CN114095318B (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 | |
CN110412537A (zh) | 一种双基地mimo雷达角度估计方法 | |
Zheng et al. | Compressed channel estimation for IRS-assisted millimeter wave OFDM systems: A low-rank tensor decomposition-based approach | |
CN103338094A (zh) | 一种多输入多输出系统信道的建模方法 | |
CN114567525A (zh) | 一种信道估计方法及装置 | |
CN112803977B (zh) | 波束偏移效应下毫米波通信系统的混合预编码方法 | |
Uwaechia et al. | Compressed channel estimation for massive MIMO-OFDM systems over doubly selective channels | |
Song et al. | Millimeter wave beam-alignment for dual-polarized outdoor MIMO systems | |
Lin et al. | Structured tensor decomposition-based channel estimation for wideband millimeter wave MIMO | |
CN109802901B (zh) | 基于到达角测量的3d mimo信道估计方法及系统 | |
Shafin et al. | Joint parametric channel estimation and performance characterization for 3D massive MIMO OFDM systems | |
Bonek | MIMO propagation channel modeling | |
CN106452531B (zh) | 一种基于大规模mimo的多用户上行链路频率同步方法 | |
Yan et al. | Multiple RF chains assisted parallel beam search for mmWave hybrid beamforming systems | |
Rakhimov et al. | Channel estimation for hybrid multi-carrier mmWave MIMO systems using 3-D unitary tensor-ESPRIT in DFT beamspace | |
Liu et al. | Multidimensional harmonic retrieval with applications in MIMO wireless channel sounding | |
Han et al. | Superdirectivity-enhanced wireless communications: A multi-user 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 |