CN114338302B - 一种基于毫米波联合结构的智能反射面两级信道估计方法 - Google Patents
一种基于毫米波联合结构的智能反射面两级信道估计方法 Download PDFInfo
- Publication number
- CN114338302B CN114338302B CN202111580257.5A CN202111580257A CN114338302B CN 114338302 B CN114338302 B CN 114338302B CN 202111580257 A CN202111580257 A CN 202111580257A CN 114338302 B CN114338302 B CN 114338302B
- Authority
- CN
- China
- Prior art keywords
- channel
- millimeter wave
- matrix
- model
- beam space
- 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 51
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 238000011084 recovery Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 108091006146 Channels Proteins 0.000 claims description 163
- 239000013598 vector Substances 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 239000011295 pitch Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000001210 attenuated total reflectance infrared spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于毫米波联合结构的智能反射面两级信道估计方法,该所方法包括:构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号;推导毫米波信道具有角扩展的波束空间模型,证明其联合稀疏与低秩结构;将时域接收信号模型重构为低秩矩阵采样形式,提出改进的秩算子,利用低秩矩阵近似算法完成接收信号的去噪处理;定义级联信道虚波束空间矩阵,引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题;联合恢复的虚波束空间矩阵与毫米波波束空间模型,完成直接信道与级联信道的最终估计。本发明在IRS辅助的毫米波MIMO系统中提高信道估计精度、降低信道估计开销,也同时实现了对IRS反射系数矩阵的优化。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及一种基于毫米波联合结构的智能反射面两级信道估计方法。
背景技术
随着6G移动通信网络对通信质量的更高需求,智能反射面作为增强通信的一种有效技术受到了广泛的关注。IRS是一种由大量微单元组成的无源反射面板,可以通过控制传输信号的相位和幅度来灵活配置无线传输环境,无需信号解码/放大处理地实现全双工无源波束赋形。因此,在理论上,IRS不仅可以有效地提高网络传输速率、通信覆盖范围、频谱效率等性能,还可以降低硬件成本和能耗,具有杰出的性能和广阔的前景。
现有研究分析了IRS系统中通信资源分配框架和无线携能通信系统等设计,验证了IRS在提高能效方面的重要理论作用。而广泛研究的基于IRS的波束赋形技术被证明其可有效提高通信系统的可靠性。IRS还应用于物理层服务集成系统中,辅助业务消息集成与接入点功率分配优化。值得注意的是,上述对IRS的研究都需要信道状态信息的支持。因此,有效的信道估计方法是IRS发挥其优异性能的重要条件之一。
然而,IRS系统的信道估计问题面临巨大的挑战。一方面,由于IRS反射单元是无源的,没有发送或接收导频信号的能力,传统有源设备广泛研究的传输训练序列方法不再适用。此外,IRS上丰富的反射微单元会带来更多的训练开销和更高的估计复杂度,需要被进一步降低。由于毫米波具有联合稀疏与低秩结构,可有效降低信道估计的导频开销,因此,验证这种联合结构并引入IRS系统,继而分别基于低秩性与稀疏性完成信道估计具有广阔的前景。
发明内容
针对现有技术的不足,本发明提供一种基于毫米波联合结构的智能反射面两级信道估计方法,构建了具有联合稀疏与低秩结构的毫米波角扩展信道模型,并应用于IRS系统进行两级信道估计,第一阶段基于低秩矩阵近似算法,提出改进的秩算子对接收信号进行去噪处理,第二阶段基于稀疏信号恢复算法,通过合并级联信道的虚波束空间对直接信道与级联信道进行估计,从而最终在IRS辅助的毫米波MIMO系统中提高信道估计精度、降低信道估计开销,也同时实现了对IRS反射系数矩阵的优化。
本发明的第二目的在于提供一种基于毫米波联合结构的智能反射面两级信道估计系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的目的可以通过采取如下技术方案达到:
一种基于毫米波联合结构的智能反射面两级信道估计方法,包括下述步骤:
构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号:
构建毫米波信道具有角扩展的波束空间模型,表现出联合稀疏与低秩结构;
第一阶段:将时域接收信号模型重构为低秩矩阵采样形式,利用低秩矩阵近似算法完成接收信号的去噪处理:
第二阶段:定义级联信道的虚波束空间矩阵,引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题:
从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计。
作为优选的技术方案,所述构建智能反射面辅助的上行毫米波MIMO系统,具体步骤包括:
在配备IRS的点对点上行mmWave MIMO系统中,基站端和用户端分别设置NBS和NUS个天线,IRS有M个反射单元,系统中有US-BS、US-IRS和IRS-BS三条信道,在每条信道的发射端和接收端之间,采用仅需一个射频链的模拟发射波束赋形和接收组合结构;
在时刻t,发射端通过波束赋形矩阵发射元素全为1的符号向量经过直接信道Hd与级联信道GΘHr后与接收组合向量/>结合成为最终时域接收信号:
y(t)=zH(t)(Hd+GΘHr)F(t)s(t)+ω(t)
其中,为IRS的反射系数矩阵,ω(t)为均值0,方差σ2的加性高斯噪声。
作为优选的技术方案,所述构建毫米波信道具有角扩展的波束空间模型,具体步骤包括:
构建毫米波信道的角扩展模型:当AoA域上的角分布来自单个公共AoD射线时,信道模型为:
其中,aA和aD是AoA和AoD对应的阵列响应向量,θ是平均AoA,φ是该公共AoD,I是AoD引起的AoA域路径数目,αi是第i条路径的增益,νi是第i条路径相对于平均AOA的偏移量;
信道表示为:
其中aA和aD是AoA与AoD对应的阵列响应向量,θ和φ是平均AoA与AoD,I和I′是AOA域的路径数目,αi和α′分别是第i条路径的增益,νi是第i条路径相对于平均AOA的偏移量,两个AoD间距具有相似的功率角模式,即信道模型简化为:
毫米波的几何信道模型表示为:
其中aA和aD是AoA与AoD对应的阵列响应向量,L为毫米波系统内聚类数,在每个聚类l中,θ和φ是平均AoA与AoD,I和I′是AOA域的路径数目,αi和α′分别是第i条路径的增益,νi和分别是第i和j条路径相对于平均AoA和AoD的偏移量;
aA和aD为:
其中λ是载波的波长,d是天线间距等于波长的一半;
在构建了毫米波具有角扩展的几何信道模型后,将几何信道模型转换为波束空间形式:
其中和/>分别表示AoA域和AoD域上的路径增益的集合,和/>为过完备矩阵,其每列分别对应一个由预离散AoA/AoD参数化的导向向量,虚波束空间信道Hv是L个稀疏矩阵的和。
作为优选的技术方案,所述将时域接收信号模型重构为低秩矩阵采样形式,具体步骤包括:
假设和/>为预先准备的波束赋形矢量和接收组合矢量的码本,分别有NZ和NF个元素,z(t)和f(t)从中随机不重复地选择,收集/>和/>中所有元素,分别用/>和表示,接收信号用低秩矩阵抽样形式重构为:
其中Yij是Y的第ij个元素,Ω表示观察到的集合;
定义一种改进的算子:Pδ(Γ)=Γ(ΓHΓ+δI)-1ΓH,δ≥0,其中为待优化的矩阵,tr()为矩阵的秩,当矩阵满秩时,δ=0;当矩阵低秩时,具有性质:
即当系数δ无限趋近于0时,该改进的秩算子无限趋近于原矩阵的秩;
通过改进的秩算子完成低秩矩阵近似运算,完成接收信号的去噪处理:
其中,ε1为精确阈值,YΩ为观测到的待去噪接收信号,为去噪后的纯净接收信号。
作为优选的技术方案,所述将信道模型转换为稀疏信号恢复问题,具体步骤包括:
将毫米波的角扩展波束空间模型引入IRS系统:
定义级联信道的虚波束空间模型:
即合并信道Hd、信道G和IRS的反射系数矩阵Θ;
联合毫米波的角扩展波束空间模型与级联信道的虚波束空间模型,将低秩矩阵抽样模型表示为:
其中,为级联信道虚波束空间矩阵,Hdv为直接信道的虚波束空间矩阵,定义系数矩阵/>从而简化模型;
使用vec算子及Kronecker积对该模型进行处理:
其中,表示Kronecker积,vec算子将直接信道Hdv和级联信道Hcv的矩阵转化为稀疏向量形式:
yvec=ψh
其中并且/>为待恢复的稀疏向量,用稀疏信号恢复算法直接求解:
作为优选的技术方案,从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计,具体步骤包括:
从h中恢复出Hdv及Hcv,从系数矩阵中恢复AdA,并带入波束空间形式:
最终完成两阶段的直接信道与级联信道的估计。
为了达到上述第二目的,本发明采用以下技术方案:
一种基于毫米波联合结构的智能反射面两级信道估计系统,包括:上行毫米波MIMO系统构建模块、波束空间模型构建模块、重构模块、虚波束空间矩阵定义模块、信道模型转换模块、最终估计模块;
所述上行毫米波MIMO系统构建模块用于构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号:
所述波束空间模型构建模块用于构建毫米波信道具有角扩展的波束空间模型,表现出联合稀疏与低秩结构;
所述重构模块用于将时域接收信号模型重构为低秩矩阵采样形式,利用低秩矩阵近似算法完成接收信号的去噪处理:
所述虚波束空间矩阵定义模块用于定义级联信道的虚波束空间矩阵;
所述信道模型转换模块用于引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题:
所述最终估计模块用于从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计。
为了达到上述第三目的,本发明采用以下技术方案:
一种计算机可读存储介质,存储有程序,所述程序被处理器执行时实现上述基于毫米波联合结构的智能反射面两级信道估计方法。
为了达到上述第四目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现如上述基于毫米波联合结构的智能反射面两级信道估计方法。
本发明与现有技术相比,具有如下优点和有益效果:
1)本发明构建了具有联合稀疏与低秩结构的毫米波角扩展信道模型,并引入IRS系统辅助两级信道估计。
2)本发明提出了改进的秩算子,得到低秩矩阵抽样模型后,基于低秩矩阵近似算法对接收信号进行去噪处理。
3)本发明方法利用vec算子和Kronecker积的性质,找到了级联信道的稀疏表示,将级联信道估计问题转化为稀疏信号恢复问题,可以直接使用现有的压缩感知方法。
4)本发明方法定义了的级联信道虚波束空间模型,在完成准确、有效信道估计的同时优化了IRS的反射系数矩阵。
附图说明
图1为本发明基于毫米波联合结构的智能反射面两级信道估计方法的流程图;
图2为本发明上行毫米波MIMO系统模型示意图;
图3为本发明的信道估计最小均方误差效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示,本发明公开了一种基于毫米波联合结构的智能反射面两级信道估计的方法,步骤如下:
S1、构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号;
本实施例中,步骤S1过程如下:
如图2所示,在配备IRS的点对点上行mmWave MIMO系统中,基站端和用户端分别设置NBS和NUS个天线,IRS有M个反射单元。系统中有US-BSUS-IRS和IRS-BS/>三条信道,在每条信道的发射端和接收端之间,为降低硬件成本,采用仅需一个射频链的模拟发射波束赋形和接收组合结构,且该结构内射频链数目在必要时可灵活扩展;
在时刻t,发射端通过波束赋形矩阵发射元素全为1的符号向量经过直接信道(Hd)与级联信道(GΘHr)后与接收组合向量/>结合成为最终时域接收信号:
y(t)=zH(t)(Hd+GΘHr)F(t)s(t)+ω(t) (1)
其中为IRS的反射系数矩阵,ω(t)为均值0,方差σ2的加性高斯噪声。
S2:推导毫米波信道具有角扩展的波束空间模型,证明其联合稀疏与低秩结构;
本实施例中,步骤S2过程如下:
研究表明,毫米波信道在AoA、AoD和高程域上采用角扩展的形式,而存在角度扩展时,信道可能表现出联合稀疏与低秩结构;
首先,从最简单情况着手,推导毫米波信道的角扩展模型。当AoA域上的角分布来自单个公共AoD射线时,信道模型为:
其中aA和aD是AoA和AoD对应的阵列响应向量,θ是平均AoA,φ是该公共AoD,I是AoD引起的AoA域路径数目,αi是第i条路径的增益,νi是第i条路径相对于平均AOA的偏移量;
接着,扩展为AoA域上的角分布由两个间距很近的AoD引起,信道可表示为:
其中aA和aD是AoA与AoD对应的阵列响应向量,θ和φ是平均AoA与AoD,I和I′是AOA域的路径数目,αi和α′分别是第i条路径的增益,νi是第i条路径相对于平均AOA的偏移量。由于两个AoD间距微小,可视为具有相似的功率角模式,即信道模型可简化为:
最后,对于毫米波信道,可视为AoA域上的角分布由J个间距很近的AoD引起,并且该毫米波系统内有L个此种小聚类。因此,毫米波的几何信道模型可表示为:
其中aA和aD是AoA与AoD对应的阵列响应向量,L为毫米波系统内聚类数,在每个聚类l中,θ和φ是平均AoA与AoD,I和I′是AOA域的路径数目,αi和α′分别是第i条路径的增益,νi和分别是第i和j条路径相对于平均AoA和AoD的偏移量。具体地,aA和aD为:
其中λ是载波的波长,d是天线间距等于波长的一半;
在构建了毫米波具有角扩展的几何信道模型后,为了将信道估计表示为稀疏信号恢复问题,需要将几何信道模型进一步转换为更紧凑的波束空间形式:
其中和/>分别表示AoA域和AoD域上的路径增益的集合,和/>为过完备矩阵,其每列分别对应一个由预离散AoA/AoD参数化的导向向量。此外,由于角扩展只占整个角域的一小部分,所以αl和βl都是稀疏向量,只有少数非零项集中在与第l簇相关的平均AoA和AoD周围。因此虚波束空间信道Hv是L个稀疏矩阵的和。一方面,假设在每对{αl,βl}l中,任意稀疏向量最多包含p个非零元素,则Hv最多有pL非零列和最多pL非零行。由于有限的散射性质和小的角扩散,通常有pL<<min{Ν1,Ν2}l,所以Hv是稀疏的。另一方面,对于虚波束空间信道Hv,具有rank(Hv)=L的低秩结构,所以Hv是低秩的。
S3:第一阶段:将时域接收信号模型重构为低秩矩阵采样形式,提出改进的秩算子,利用低秩矩阵近似算法完成接收信号的去噪处理;
本实施例中,步骤S3过程如下:
假设和/>为预先准备的波束赋形矢量和接收组合矢量的码本,分别有NZ和NF个元素,z(t)和f(t)从中随机不重复地选择。收集/>和/>中所有元素,分别用/>和表示。为了分析方便,忽略了噪声w的影响。因此,接收信号可以用低秩矩阵抽样形式重构为:
其中Yij是Y的第ij个元素,Ω表示观察到的集合;
定义一种改进的算子:Pδ(Γ)=Γ(ΓHΓ+δI)-1ΓH,δ≥0,其中为待优化的矩阵,tr()为矩阵的秩。当矩阵满秩时,δ=0;当矩阵低秩时,具有性质:
即当系数δ无限趋近于0时,该改进的秩算子无限趋近于原矩阵的秩;
因此,可通过改进的秩算子完成低秩矩阵近似运算,完成接收信号的去噪处理:
其中ε1为精确阈值,YΩ为观测到的待去噪接收信号,为去噪后的纯净接收信号。
S4:第二阶段:定义级联信道的虚波束空间矩阵,引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题;
本实施例中,步骤S4过程如下:
将毫米波的角扩展波束空间模型引入IRS系统:
定义级联信道的虚波束空间模型:
即合并信道Hd、信道G和IRS的反射系数矩阵Θ,级联信道的合并估计既可降低信道估计复杂度,也可达到在估计时优化反射系数矩阵Θ的目的;
联合毫米波的角扩展波束空间模型与级联信道的虚波束空间模型,可将低秩矩阵抽样模型表示为:
其中为级联信道虚波束空间矩阵,Hdv为直接信道的虚波束空间矩阵,定义系数矩阵/>从而简化模型;
使用vec算子及Kronecker积对该模型进行处理:
其中表示Kronecker积,vec算子将直接信道Hdv和级联信道Hcv的矩阵转化为稀疏向量形式:
yvec=ψh (18)
其中yvec=vec(Y),并且/>为待恢复的稀疏向量,可用稀疏信号恢复算法直接求解:
S5:从联合恢复的虚波束空间矩阵与毫米波波束空间模型,完成直接信道与级联信道的最终估计;
本实施例中,步骤S5过程如下:
从h中恢复出Hdv及Hcv,从系数矩阵中恢复并带入波束空间形式:
至此,完成了两阶段的直接信道与级联信道的估计。
本实施例公开的基于毫米波联合结构的智能反射面两级信道估计方法的效果通过以下实验进一步说明:
如图3所示,从所显示的信道估计的均方误差可以看出,本实施例公开的基于毫米波联合结构的智能反射面两级信道估计方法得到的估计结果误差小、精度高。
综上所述,本实施例公开了一种基于毫米波联合结构的智能反射面两级信道估计方法,通过毫米波联合结构提出两级信道估计,并定义了的级联信道虚波束空间模型,在完成准确、有效信道估计的同时优化了IRS的反射系数矩阵。
实施例2
一种基于毫米波联合结构的智能反射面两级信道估计系统,包括:上行毫米波MIMO系统构建模块、波束空间模型构建模块、重构模块、虚波束空间矩阵定义模块、信道模型转换模块、最终估计模块;
在本实施例中,上行毫米波MIMO系统构建模块用于构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号:
在本实施例中,波束空间模型构建模块用于构建毫米波信道具有角扩展的波束空间模型,表现出联合稀疏与低秩结构;
在本实施例中,重构模块用于将时域接收信号模型重构为低秩矩阵采样形式,利用低秩矩阵近似算法完成接收信号的去噪处理:
在本实施例中,虚波束空间矩阵定义模块用于定义级联信道的虚波束空间矩阵;
在本实施例中,信道模型转换模块用于引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题:
在本实施例中,最终估计模块用于从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计。
实施例3
本实施例提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等储存介质,该存储介质存储有一个或多个程序,程序被处理器执行时,实现实施例1的基于毫米波联合结构的智能反射面两级信道估计方法。
实施例4
本实施例提供一种计算设备,该计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现实施例1的基于毫米波联合结构的智能反射面两级信道估计方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于毫米波联合结构的智能反射面两级信道估计方法,其特征在于,包括下述步骤:
构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号:
构建毫米波信道具有角扩展的波束空间模型,表现出联合稀疏与低秩结构;
第一阶段:将时域接收信号模型重构为低秩矩阵采样形式,利用低秩矩阵近似算法完成接收信号的去噪处理:
第二阶段:定义级联信道的虚波束空间矩阵,引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题:
从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计。
2.根据权利要求1所述的基于毫米波联合结构的智能反射面两级信道估计方法,其特征在于,所述构建智能反射面辅助的上行毫米波MIMO系统,具体步骤包括:
在配备IRS的点对点上行mmWave MIMO系统中,基站端和用户端分别设置NBS和NUS个天线,IRS有M个反射单元,系统中有US-BS、US-IRS和IRS-BS三条信道,在每条信道的发射端和接收端之间,采用仅需一个射频链的模拟发射波束赋形和接收组合结构;
在时刻t,发射端通过波束赋形矩阵发射元素全为1的符号向量经过直接信道Hd与级联信道GΘHr后与接收组合向量/>结合成为最终时域接收信号:
y(t)=zH(t)(Hd+GΘHr)F(t)s(t)+ω(t)
其中,为IRS的反射系数矩阵,ω(t)为均值0,方差σ2的加性高斯噪声。
3.根据权利要求1所述的基于毫米波联合结构的智能反射面两级信道估计方法,其特征在于,所述构建毫米波信道具有角扩展的波束空间模型,具体步骤包括:
构建毫米波信道的角扩展模型:当AoA域上的角分布来自单个公共AoD射线时,信道模型为:
其中,aA和aD是AoA和AoD对应的阵列响应向量,θ是平均AoA,φ是该公共AoD,I是AoD引起的AoA域路径数目,αi是第i条路径的增益,νi是第i条路径相对于平均AOA的偏移量;
信道表示为:
其中aA和aD是AoA与AoD对应的阵列响应向量,θ和φ是平均AoA与AoD,I和I′是AOA域的路径数目,αi和α′分别是第i条路径的增益,νi是第i条路径相对于平均AOA的偏移量,两个AoD间距具有相似的功率角模式,即信道模型简化为:
毫米波的几何信道模型表示为:
其中aA和aD是AoA与AoD对应的阵列响应向量,L为毫米波系统内聚类数,在每个聚类l中,θ和φ是平均AoA与AoD,I和I′是AOA域的路径数目,αi和α′分别是第i条路径的增益,νi和分别是第i和j条路径相对于平均AoA和AoD的偏移量;
aA和aD为:
其中λ是载波的波长,d是天线间距等于波长的一半;
在构建了毫米波具有角扩展的几何信道模型后,将几何信道模型转换为波束空间形式:
其中和/>分别表示AoA域和AoD域上的路径增益的集合,和/>为过完备矩阵,其每列分别对应一个由预离散AoA/AoD参数化的导向向量,虚波束空间信道Hv是L个稀疏矩阵的和。
4.根据权利要求1所述的基于毫米波联合结构的智能反射面两级信道估计方法,其特征在于,所述将时域接收信号模型重构为低秩矩阵采样形式,具体步骤包括:
假设和/>为预先准备的波束赋形矢量和接收组合矢量的码本,分别有NZ和NF个元素,z(t)和f(t)从中随机不重复地选择,收集/>和/>中所有元素,分别用/>和表示,接收信号用低秩矩阵抽样形式重构为:
其中Yij是Y的第ij个元素,Ω表示观察到的集合;
定义一种改进的算子:Pδ(Γ)=Γ(ΓHΓ+δI)-1ΓH,δ≥0,其中为待优化的矩阵,tr()为矩阵的秩,当矩阵满秩时,δ=0;当矩阵低秩时,具有性质:
即当系数δ无限趋近于0时,该改进的秩算子无限趋近于原矩阵的秩;
通过改进的秩算子完成低秩矩阵近似运算,完成接收信号的去噪处理:
其中,ε1为精确阈值,YΩ为观测到的待去噪接收信号,为去噪后的纯净接收信号。
5.根据权利要求1所述的基于毫米波联合结构的智能反射面两级信道估计方法,其特征在于,所述将信道模型转换为稀疏信号恢复问题,具体步骤包括:
将毫米波的角扩展波束空间模型引入IRS系统:
定义级联信道的虚波束空间模型:
即合并信道Hd、信道G和IRS的反射系数矩阵Θ;
联合毫米波的角扩展波束空间模型与级联信道的虚波束空间模型,将低秩矩阵抽样模型表示为:
其中,为级联信道虚波束空间矩阵,Hdv为直接信道的虚波束空间矩阵,定义系数矩阵/>从而简化模型;
使用vec算子及Kronecker积对该模型进行处理:
其中,表示Kronecker积,vec算子将直接信道Hdv和级联信道Hcv的矩阵转化为稀疏向量形式:
yvec=ψh
其中并且/>为待恢复的稀疏向量,用稀疏信号恢复算法直接求解:
6.根据权利要求1所述的基于毫米波联合结构的智能反射面两级信道估计方法,其特征在于,从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计,具体步骤包括:
从h中恢复出Hdv及Hcv,从系数矩阵中恢复AdA,AGA,/>并带入波束空间形式:
最终完成两阶段的直接信道与级联信道的估计。
7.一种基于毫米波联合结构的智能反射面两级信道估计系统,其特征在于,包括:上行毫米波MIMO系统构建模块、波束空间模型构建模块、重构模块、虚波束空间矩阵定义模块、信道模型转换模块、最终估计模块;
所述上行毫米波MIMO系统构建模块用于构建智能反射面辅助的上行毫米波MIMO系统,采集不同时刻的接收信号:
所述波束空间模型构建模块用于构建毫米波信道具有角扩展的波束空间模型,表现出联合稀疏与低秩结构;
所述重构模块用于将时域接收信号模型重构为低秩矩阵采样形式,利用低秩矩阵近似算法完成接收信号的去噪处理:
所述虚波束空间矩阵定义模块用于定义级联信道的虚波束空间矩阵;
所述信道模型转换模块用于引入vec算子及Kronecker积,将信道模型转换为稀疏信号恢复问题:
所述最终估计模块用于从联合恢复的虚波束空间矩阵与毫米波波束空间模型完成直接信道与级联信道的最终估计。
8.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6任一项所述基于毫米波联合结构的智能反射面两级信道估计方法。
9.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现如权利要求1-6任一项所述基于毫米波联合结构的智能反射面两级信道估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580257.5A CN114338302B (zh) | 2021-12-22 | 2021-12-22 | 一种基于毫米波联合结构的智能反射面两级信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580257.5A CN114338302B (zh) | 2021-12-22 | 2021-12-22 | 一种基于毫米波联合结构的智能反射面两级信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114338302A CN114338302A (zh) | 2022-04-12 |
CN114338302B true CN114338302B (zh) | 2024-02-09 |
Family
ID=81053806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580257.5A Active CN114338302B (zh) | 2021-12-22 | 2021-12-22 | 一种基于毫米波联合结构的智能反射面两级信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114338302B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115173901A (zh) * | 2022-06-07 | 2022-10-11 | 中国南方电网有限责任公司超高压输电公司 | 基于irs辅助的miso无线携能通信系统的能效最大化方法 |
CN115022134B (zh) * | 2022-06-28 | 2024-01-30 | 河南工业大学 | 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3406059A1 (en) * | 2017-03-31 | 2018-11-28 | Mitsubishi Electric Corporation | Method for decoding symbol and receiver for receiving and decoding symbol |
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 |
CN112187323A (zh) * | 2020-09-29 | 2021-01-05 | 国网江苏省电力有限公司丹阳市供电分公司 | 混合低精度架构下基于irs的大规模mimo的级联信道估计方法 |
WO2021041862A1 (en) * | 2019-08-30 | 2021-03-04 | Idac Holdings, Inc. | Deep learning aided mmwave mimo blind detection schemes |
CN112737649A (zh) * | 2020-12-25 | 2021-04-30 | 杭州电子科技大学 | 一种基于角度网格优化与范数约束的毫米波信道估计方法 |
CN112769461A (zh) * | 2020-12-11 | 2021-05-07 | 华南理工大学 | 基于毫米波智能反射面通信的大规模天线信道估计方法 |
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 |
CN112994765A (zh) * | 2021-03-04 | 2021-06-18 | 电子科技大学 | 智能反射面辅助毫米波通信系统的波束对准方法 |
WO2021207748A2 (en) * | 2020-08-13 | 2021-10-14 | Futurewei Technologies, Inc. | Methods and apparatus for channel reconstruction in intelligent surface aided communications |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8467363B2 (en) * | 2011-08-17 | 2013-06-18 | CBF Networks, Inc. | Intelligent backhaul radio and antenna system |
KR101972945B1 (ko) * | 2012-09-18 | 2019-04-29 | 삼성전자 주식회사 | 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치 |
KR102405408B1 (ko) * | 2015-07-16 | 2022-06-07 | 삼성전자 주식회사 | 전차원 다중 입출력 시스템에서 채널 상태 정보를 송수신하는 방법 및 장치 |
-
2021
- 2021-12-22 CN CN202111580257.5A patent/CN114338302B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3406059A1 (en) * | 2017-03-31 | 2018-11-28 | Mitsubishi Electric Corporation | Method for decoding symbol and receiver for receiving and decoding symbol |
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 |
WO2021041862A1 (en) * | 2019-08-30 | 2021-03-04 | Idac Holdings, Inc. | Deep learning aided mmwave mimo blind detection schemes |
WO2021207748A2 (en) * | 2020-08-13 | 2021-10-14 | Futurewei Technologies, Inc. | Methods and apparatus for channel reconstruction in intelligent surface aided communications |
CN112187323A (zh) * | 2020-09-29 | 2021-01-05 | 国网江苏省电力有限公司丹阳市供电分公司 | 混合低精度架构下基于irs的大规模mimo的级联信道估计方法 |
CN112769461A (zh) * | 2020-12-11 | 2021-05-07 | 华南理工大学 | 基于毫米波智能反射面通信的大规模天线信道估计方法 |
CN112737649A (zh) * | 2020-12-25 | 2021-04-30 | 杭州电子科技大学 | 一种基于角度网格优化与范数约束的毫米波信道估计方法 |
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 |
CN112994765A (zh) * | 2021-03-04 | 2021-06-18 | 电子科技大学 | 智能反射面辅助毫米波通信系统的波束对准方法 |
Non-Patent Citations (5)
Title |
---|
Cascaded Channel Estimation for RIS Assisted mmWave MIMO Transmissions;Yushan Liu et.al.;IEEE Wireless Communications Letters;全文 * |
Hybrid Evolutionary-Based Sparse Channel Estimation for IRS-Assisted mmWave MIMO Systems;Zhen Chen et.al.;IEEE Transactions on Wireless Communications;全文 * |
智能反射面――大有前景的6G技术;姚建文;王楠;;电信快报(07);全文 * |
极低旁瓣反射面天线设计与实现;陈鹏羽;中国优秀硕士学位论文全文数据库 (信息科技辑);全文 * |
毫米波多天线系统信道估计与预编码设计;王俊伟;中国优秀硕士学位论文全文数据库 (信息科技辑);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114338302A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114338302B (zh) | 一种基于毫米波联合结构的智能反射面两级信道估计方法 | |
CN107589399B (zh) | 基于多采样虚拟信号奇异值分解的互质阵列波达方向估计方法 | |
CN107037392B (zh) | 一种基于压缩感知的自由度增加型互质阵列波达方向估计方法 | |
CN112187323B (zh) | 混合低精度架构下基于irs的大规模mimo的级联信道估计方法 | |
US6850190B2 (en) | Combined beamforming-diversity wireless fading channel demodulator using adaptive sub-array group antennas, signal receiving system and method for mobile communications | |
CN106972882B (zh) | 基于虚拟域空间功率谱估计的互质阵列自适应波束成形方法 | |
CN107104720B (zh) | 基于协方差矩阵虚拟域离散化重建的互质阵列自适应波束成形方法 | |
EP3387805B1 (en) | Method and computer implemented method for decoding symbol transmitted over mmwave channel, receiver for receiving and decoding symbols transmitted over mmwave channel | |
Yao et al. | Weighted subspace fitting for two-dimension DOA estimation in massive MIMO systems | |
CN111239678A (zh) | 一种基于l型阵列的二维doa估计方法 | |
CN109495142B (zh) | 均匀矩形阵列下基于互补序列的全方向波束赋形设计方法 | |
Xu et al. | Two-dimensional direction of arrival estimation by exploiting the symmetric configuration of uniform rectangular array | |
CN107302391A (zh) | 基于互质阵列的自适应波束成形方法 | |
Li et al. | Distributed MIMO radar based on sparse sensing: Analysis and efficient implementation | |
CN110824414A (zh) | 一种到达角估计的装置及方法 | |
Liao et al. | Resolution Improvement for MUSIC and ROOT MUSIC Algorithms. | |
CN114285702A (zh) | 一种用于毫米波irs协作系统的稀疏级联信道估计方法 | |
CN109917328A (zh) | 一种基于原子范数最小化的l型阵列波达方向估计方法 | |
CN112804168A (zh) | 一种基于张量链分解的毫米波中继系统信道估计方法 | |
CN110932765B (zh) | 一种用于均匀矩形阵列的全方向波束赋形方法 | |
CN112202481A (zh) | 一种基于自适应感知矩阵的压缩感知信道估计算法及实现装置 | |
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 | |
Dai et al. | DOA estimation and self-calibration algorithm for nonuniform linear array | |
CN116047401A (zh) | 一种基于单比特量化的欠定波达方向估计方法 | |
Cai et al. | A MUSIC-type DOA estimation method based on sparse arrays for a mixture of circular and non-circular signals |
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 |