CN114499711B - 基于深度复数网络的智能反射面系统的反射系数估计方法 - Google Patents

基于深度复数网络的智能反射面系统的反射系数估计方法 Download PDF

Info

Publication number
CN114499711B
CN114499711B CN202111559522.1A CN202111559522A CN114499711B CN 114499711 B CN114499711 B CN 114499711B CN 202111559522 A CN202111559522 A CN 202111559522A CN 114499711 B CN114499711 B CN 114499711B
Authority
CN
China
Prior art keywords
user
base station
intelligent
reflection coefficient
complex network
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
CN202111559522.1A
Other languages
English (en)
Other versions
CN114499711A (zh
Inventor
周鑫
殷锐
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111559522.1A priority Critical patent/CN114499711B/zh
Publication of CN114499711A publication Critical patent/CN114499711A/zh
Application granted granted Critical
Publication of CN114499711B publication Critical patent/CN114499711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于深度复数网络的智能反射面系统的反射系数估计方法，其特征在于，所述深度复数网络应用于智能反射面系统中，单天线用户的情况下，通过将仿真生成的信道参数和反射系数标签分别作为输入和输出训练深度复数网络，此网络可在已知信道参数的基础上输出反射系数的取值。本发明所提出的基于深度复数网络的智能反射面系统的反射系数估计在与传统的基于半定松弛算法的反射系数估计方案相比，不仅大大降低了计算复杂度，而且极大的降低了系统的功耗，为移动通信网络的绿色可持续发展提供了可能。

Description

基于深度复数网络的智能反射面系统的反射系数估计方法
技术领域
本发明涉及通信领域，具体涉及一种基于深度复数网络的智能反射面系统的反射系数估计方法。
背景技术
得益于超密集网络，大规模天线和毫米波等技术的应用，5G无线网络已经基本实现了网络容量增加100倍和覆盖至少1000亿台设备的无所不在的无线连接。但因此也带来了高额的硬件成本以及大幅增加的能量消耗，所以研究寻找创新的、高效的无线网络方案仍是当务之急。
此外，虽然5G物理层技术可以做到自适应时空变换的无线环境，但信号的传播基本上是随机的，而且在很大程度上是不可控的。正因为上述原因，智能反射面作为一个新技术引起了众多研究学者的兴趣。智能反射面通过控制器实现反射系数的调制，以此来实现对无线环境的重构。具体来说，智能反射面是由一个大量低成本的无源反射元件组成的表面，每个元件都能独立地引起入射信号的相位变化，从而协同实现细粒度的三维波束赋形。对比于现有的发射机和接收机的无线链路自适应技术，智能反射面可以高度可控和智能的反射信号，主动修改发射机和接收机之间的无线信道。通过适当的三维无源波束形成，智能反射面反射的信号可以与其他路径反射的信号相叠加，从而提高接收端所需的信号功率。
显然易见，反射系数的设计，对智能反射面系统而言是至关重要的。但求解问题的非凸性，使得最优解的推导较为困难。现有学者考虑智能反射面辅助下的多进单出系统，通过半正定松弛法来求解反射系数的次优解，但半正定松弛法带来的计算复杂度是很高的，对于实时通信系统而言不易实现。还有学者提出如果要获取最优的反射系数，则需要高精度的基站与智能反射面，智能反射面与用户之间的信道状态信息，而通常情况下是很难获取到高精度的信道状态信息的。
发明内容
本发明的目的提供一种基于深度复数网络的智能反射面系统的反射系数估计方法，考虑单天线用户的情况下，通过将仿真生成的信道参数和最优反射系数分别作为输入和输出训练深度复数网络，此网络可在已知信道参数的基础上输出最优反射系数。
为实现上述发明目的，本发明提供以下技术方案：
一种基于深度复数网络的智能反射面系统的反射系数估计方法，其特征在于，所述深度复数网络应用于智能反射面系统中，单天线用户的情况下，通过将仿真生成的信道参数和反射系数标签分别作为输入和输出训练深度复数网络，此网络可在已知信道参数的基础上输出反射系数的取值。
进一步地，所述反射系数估计方法包括：
采用YB表示基站接收的信号，XB表示基站发送的信号，采用YU表示用户接收的信号，XU表示用户发送的信号，基站基于用户发送的导频序列来得到信道参数：
YB＝(HLBΦHUL+HUB)XU (I)
YU＝(HLUΦHBL+HBU)XB (II)
XU *xU＝I (III)
YBXU *＝(HLBΦHUL+HUB) (IV)
其中HLB和HBL是基站和智能反射面之间的信道参数，HLU和HUL是智能反射面和用户之间的信道参数，HUB和HBU是基站和用户之间的信道参数，HLB和HBL、HLU和HUL、HUB和HBU之间皆是转置的关系，I表示单位矩阵，Φ为反射系数对角矩阵；当接收信号能量最大时，Φ为最优化反射系数；
本发明基于接收信号能量最大时，Φ为最优化反射系数来求解反射系数的取值。首先通过用户接收信号可得：
YU＝(HLUΦHBL+HBU)XB (V)
基于此给出了求解接收信号能量的最大化问题如下：
Figure BDA0003420209830000031
Figure BDA0003420209830000032
其中，
Figure BDA0003420209830000033
是Φ的对角元素，N为智能反射面反射单元数。
本发明仿真生成的信道参数过程如下所示：
考虑所有信道都是准静态平坦衰落的；
PLLU＝-20.4*log10dLU-30 (VIII)
PLBL＝-20.4*log10dBL-30 (IX)
PLBU＝-20.4*log10dBU-30 (X)
Figure BDA0003420209830000034
Figure BDA0003420209830000035
Figure BDA0003420209830000036
Figure BDA0003420209830000037
Figure BDA0003420209830000038
Figure BDA0003420209830000039
其中PLLU、PLBL和PLBU分别为智能反射面与用户、基站与智能反射面、基站与用户之间的路径损耗，dLU、dBL和dBU分别为智能反射面与用户、基站与智能反射面，基站与用户之间的距离，其中dBL为固定值，ρLU、ρBL和ρBU分别为智能反射面与用户、基站与智能反射面、基站与用户之间的信道的相移，其满足复高斯分布，ηi、ωi和θij为相移对应的角度，N为基站天线数；
本发明基于生成的HLU，HBU和HBL和公式(II)可得到反射系数标签，接着利用生成的信道系数和求解得到最优反射系数标签来训练深度复数网络；
H＝(HLU*HBL+HBU) (XVII)
其中H作为深度复数网络的输入，
Figure BDA00034202098300000310
作为深度复数网络的输出。
最后，基站通过接受用户发送的信号和导频信息得到信道参数，将信道参数作为输入带入训练好的网络，得到最优反射系数，基于此系数通过控制器来设置智能反射面的反射单元，使用户接收到的基站信号的能量最大。
本发明所提出的基于深度复数网络的智能反射面系统的反射系数估计在与传统的基于半定松弛算法的反射系数估计方案相比，不仅大大降低了计算复杂度，而且极大的降低了系统的功耗，为移动通信网络的绿色可持续发展提供了可能。
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做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1是本发明提供的基于深度复数网络的智能反射面系统的反射系数估计方法的流程图。
图2是神经网络训练的损失函数曲线图。
具体实施方式
为使本发明的目的、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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
在基于智能反射面辅助的无线通信系统中，为了使用户接收到信号能量最大，如何设计智能反射面的反射系数是重中之重。因此，本实施例提供了一种基于深度复数网络的智能反射面系统的反射系数估计方法，如图1所示，具体包括以下步骤：
S1，根据以下的公式生成训练网络需要的信道参数和对应的反射系数标签；
PLLU＝-20.4*log10dLU-30 (VIII)
PLBL＝-20.4*log10dBL-30 (IX)
PLBU＝-20.4*log10dBU-30 (X)
Figure BDA0003420209830000051
Figure BDA0003420209830000052
Figure BDA0003420209830000053
S2，信道参数作为输入，反射系数标签作为输出训练深度复数网络，其中深度复数网络的损失函数为以下公式；
Figure BDA0003420209830000054
S3，基站接收信号，通过已知的导频获取信道参数，具体表示形式为如下；
YB＝(HLBΦHUL+HUB)XU (I)
YU＝(HLUΦHBL+HBU)XB (II)
XU *XU＝I (III)
YBXU *＝(HLBΦHUL+HUB) (IV)
S4，将信道参数作为输入代入训练好的网络；
S5，输出反射系数；
S6，重复S3～S5。
实施例
本实例提供的基于深度复数网络的智能反射面系统的反射系数估计方法适用于大规模天线的智能反射面系统。本实施例的模型包括的具体参数如表1所示：
表1：仿真参数
Figure BDA0003420209830000055
Figure BDA0003420209830000061
在确定参数后，对于网络的训练和度量就需要数据集支撑，本实例根据步骤s1分别生成60000、20000和10000组数据作为网络的训练、验证与预测。本实例的实验环境为Linux系统，GPU为NVIDA RTX 2060s，并采用TensorFlow框架搭建深度复数网络，网络设置的训练次数为1000次，实验过程中网络采用Adam优化算法，并且将其学习率设置为0.0001，同时网络的批量处理数据大小设置为500。
本实例中，最终的目标是要通过深度复数网络实现智能反射面最优反射系数的估计，以此来实现无线环境的智能编程。具体实现过程如上述具体实例方式中的S1～S6，图2为训练网络的loss曲线图。
表2是本发明提供的在不同天线和反射单元配置下深度复数网络与半定松弛算法的运行时间对比。表2：
Figure BDA0003420209830000062
通过表2所示的数值结果可以直观的看出在不同的天线以及反射单元的配置下，本文所提的深度复数网络的运行时间远小于传统的基于半定松弛算法的运行时间。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于深度复数网络的智能反射面系统的反射系数估计方法，其特征在于，所述深度复数网络应用于智能反射面系统中，单天线用户的情况下，通过将仿真生成的信道参数和反射系数标签分别作为输入和输出训练深度复数网络，此网络可在已知信道参数的基础上输出反射系数的取值；
所述反射系数估计方法包括：
采用YB表示基站接收的信号，XB表示基站发送的信号，采用YU表示用户接收的信号，XU表示用户发送的信号，基站基于用户发送的导频序列来得到信道参数：
YB＝(HLBΦHUL+HUB)XU(I)
YU＝(HLUΦHBL+HBU)XB(II)
XU *XU＝I(III)
YBXU *＝(HLBΦHUL+HUB)(IV)
其中HLB和HBL是基站和智能反射面之间的信道参数，HLU和HUL是智能反射面和用户之间的信道参数，HUB和HBU是基站和用户之间的信道参数，HLB和HBL、HLU和HUL、HUB和HBU之间皆是转置的关系，I表示单位矩阵，Φ为反射系数对角矩阵；当接收信号能量最大时，Φ为最优化反射系数；
通过用户接收信号可得：
YU＝(HLUΦHBL+HBU)XB(V)
Figure FDA0004054379780000011
Figure FDA0004054379780000012
其中，
Figure FDA0004054379780000013
是Φ的对角元素，N为智能反射面反射单元数；
考虑到所有信道都是准静态平坦衰落的；
PLLU＝-20.4*log10dLU-30(VIII)
PLBL＝-20.4*log10dBL-30(IX)
PLBU＝-20.4*log10dBU-30(X)
Figure FDA0004054379780000021
Figure FDA0004054379780000022
Figure FDA0004054379780000023
Figure FDA0004054379780000024
Figure FDA0004054379780000025
Figure FDA0004054379780000026
其中PLLU、PLBL和PLBU分别为智能反射面与用户、基站与智能反射面、基站与用户之间的路径损耗，dLU、dBL和dBU分别为智能反射面与用户、基站与智能反射面，基站与用户之间的距离，其中dBL为固定值，ρLU、ρBL和ρBU分别为智能反射面与用户、基站与智能反射面、基站与用户之间的信道的相移，其满足复高斯分布，ηi、ωi和θij为相移对应的角度，M为基站天线数，N为反射单元数；
接着，基于生成的HLU，HBU和HBL和公式(II)可得到反射系数标签；随后利用生成的信道参数和求解得到反射系数标签来训练深度复数网络；
H＝(HLU*HBL+HBU)(XVII)
其中H作为深度复数网络的输入，
Figure FDA0004054379780000027
作为深度复数网络的输出。
2.如权利要求1所述的一种基于深度复数网络的智能反射面系统的反射系数估计方法，其特征在于，基站通过接受用户发送的信号和导频信息得到信道参数，将信道参数作为输入带入训练好的网络，得到最优反射系数，基于此系数通过控制器来设置智能反射面的反射单元，使用户接收到的基站信号的能量最大。
CN202111559522.1A 2021-12-20 2021-12-20 基于深度复数网络的智能反射面系统的反射系数估计方法 Active CN114499711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111559522.1A CN114499711B (zh) 2021-12-20 2021-12-20 基于深度复数网络的智能反射面系统的反射系数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111559522.1A CN114499711B (zh) 2021-12-20 2021-12-20 基于深度复数网络的智能反射面系统的反射系数估计方法

Publications (2)

Publication Number Publication Date
CN114499711A CN114499711A (zh) 2022-05-13
CN114499711B true CN114499711B (zh) 2023-03-14

Family

ID=81493483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111559522.1A Active CN114499711B (zh) 2021-12-20 2021-12-20 基于深度复数网络的智能反射面系统的反射系数估计方法

Country Status (1)

Country Link
CN (1) CN114499711B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN113472419A (zh) * 2021-06-23 2021-10-01 西北工业大学 一种基于空基可重构智能表面的安全传输方法及系统
CN113489521A (zh) * 2021-05-26 2021-10-08 电子科技大学 反射面辅助无小区大规模mimo网络智能联合波束赋形方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11728571B2 (en) * 2019-07-12 2023-08-15 Arizona Board Of Regents On Behalf Of Arizona State University Large intelligent surfaces with sparse channel sensors
CN113162876B (zh) * 2021-05-10 2023-08-22 东南大学 基于深度学习的irs反射图样和信道估计的联合设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN113489521A (zh) * 2021-05-26 2021-10-08 电子科技大学 反射面辅助无小区大规模mimo网络智能联合波束赋形方法
CN113472419A (zh) * 2021-06-23 2021-10-01 西北工业大学 一种基于空基可重构智能表面的安全传输方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Adaptive Channel Estimation and Tracking for URA-Based Massive MIMO Systems;RUI YIN等;《IEEE Access》;20200327;第8卷;54213-54222页 *
Deep Complex-valued Neural Beamformers;Lukas Pfeifenberger等;《ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20190417;2902-2905页 *
混合智能反射表面结构辅助的毫米波通信信道估计;傅友华等;《通信学报》;20211031;第42卷(第10期);189-196页 *

Also Published As

Publication number Publication date
CN114499711A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Taha et al. Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation
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
US11626909B2 (en) Method and device for enhancing power of signal in wireless communication system using IRS
CN111092641B (zh) 基于毫米波mimo系统深度学习的混合预编码设计方法
CN107332598B (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN111447618A (zh) 一种基于安全通信的智能反射面能效最大资源分配方法
CN113179232B (zh) 一种基于深度学习的无源智能反射表面的信道估计方法
CN113489521B (zh) 反射面辅助无小区大规模mimo网络联合波束赋形方法
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
CN113037346B (zh) Irs与人工噪声辅助的mimo系统物理层安全设计方法
CN112039567A (zh) 一种基于位置信息的多智能反射面系统的波束成形设计方法
CN113114317B (zh) 一种irs辅助下行多用户通信系统的相移优化方法
CN110113088A (zh) 一种分离型数模混合天线系统波达角智能化估计方法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
CN107135023A (zh) 用于毫米波通信系统的三维训练码书设计方法及波束对准方法
Jiang et al. Active sensing for two-sided beam alignment and reflection design using ping-pong pilots
CN114499711B (zh) 基于深度复数网络的智能反射面系统的反射系数估计方法
EP4211824B1 (en) Wireless telecommunications network
CN111277308A (zh) 基于机器学习的波宽控制方法
Kim et al. Joint relay selection and beam management based on deep reinforcement learning for millimeter wave vehicular communication
CN114157392A (zh) 一种分布式irs辅助通信系统安全传输的优化方法
CN114785642B (zh) 一种基于稀疏张量分解的ris-mimo系统信道估计方法
Jiang et al. Active sensing for two-sided beam alignment using ping-pong pilots
CN115276879A (zh) 智能反射面中基于半定松弛的安全速率最大化方法及装置
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

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