CN114553643B - 双时间尺度协同感知的毫米波智能超表面信道估计方法 - Google Patents

双时间尺度协同感知的毫米波智能超表面信道估计方法 Download PDF

Info

Publication number
CN114553643B
CN114553643B CN202210434116.0A CN202210434116A CN114553643B CN 114553643 B CN114553643 B CN 114553643B CN 202210434116 A CN202210434116 A CN 202210434116A CN 114553643 B CN114553643 B CN 114553643B
Authority
CN
China
Prior art keywords
base station
intelligent super
channel
station end
intelligent
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
CN202210434116.0A
Other languages
English (en)
Other versions
CN114553643A (zh
Inventor
赵楼
孙佳蓓
刘春山
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202210434116.0A priority Critical patent/CN114553643B/zh
Publication of CN114553643A publication Critical patent/CN114553643A/zh
Application granted granted Critical
Publication of CN114553643B publication Critical patent/CN114553643B/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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • 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
    • 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)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种双时间尺度协同感知的毫米波智能超表面信道估计方法。首先基于基站端与智能超表面的最大距离设计相应的感知信号，并确定最大盲区距离；再设计基站端的相应感知波束赋形矢量。其次，通过设计智能超表面的移相器相位，在基站端与智能超表面间进行大时间尺度协同感知，以获取两者之间的等效信道。最后，通过依次开启智能超表面单元，并在基站端接收用户发出的训练序列，获得小时间尺度下的用户与智能超表面间的信道状态信息。本发明通过协同感知获取的真实等效准静态信道，能够以比较低的导频开销准确估计出用户端与智能超表面的信道，以提升通信系统的性能。

Description

双时间尺度协同感知的毫米波智能超表面信道估计方法
技术领域
本发明属于无线通信技术领域，具体涉及一种基于协同感知的双时间尺度智能超表面辅助混合构型毫米波通信系统的多用户信道估计方法。
背景技术
毫米波大规模多输入多输出（massive MIMO）是实现5G及6G网络容量要求的关键技术之一。然而，传统的全数字MIMO系统（即每个天线由独立的射频链驱动）面临着一些实际问题，例如，功耗、硬件复杂和系统成本。为了解决上述问题，混合架构（即大量的天线连接到少量的射频链）提出，以在系统性能和能源消耗之间取得平衡。然而，混合毫米波系统的能耗不能满足实际应用的要求，同时还要面对毫米波信道的固有特性，如高传播损耗和高阻塞概率。
为了提高毫米波系统的能效性和可靠性，研究人员提出了智能超表面（RIS）的相关概念，以低能耗和低硬件复杂度的全被动智能反射元件以增大覆盖区域，成为未来通信具有研究潜力的技术之一。具体来说，智能超表面是一个由大量无源反射元件组成的可编程元表面。通过调整设计超表面上的反射元件，可以动态地调制入射信号的相位和振幅，从而实现空间电磁波的智能调制，并通过无源波束形成智能地改变无线通信通道。一方面，超表面通过提供额外的无源波束成形增益，能够将能量集中在所需的位置，以提高小区边缘的覆盖率，对抗毫米波通道固有的衰减和穿透损耗特性。另一方面，通过耦合的级联信道（基站端-智能超表面-用户端），超表面可以为解决干扰提供额外的自由度，也是对抗阻塞的途径之一。
大规模MIMO混合模数架构与新兴的智能超表面技术相结合，可以建立成本更低，能效比更高，更加灵活的通信系统。相应的，智能超表面的相位设计及部署依赖于智能超表面两侧的信道信息。然而，由于智能超表面没有配置处理复杂信号能力的射频链路，智能超表面辅助下的模数混合架构的信道估计较传统信道估计面临更加严峻的挑战。
发明内容
本发明针对智能超表面辅助下的混合模数架构毫米波通信系统，提出了一种基于双时间尺度协同感知的毫米波智能超表面信道估计方法。所述方法将信道估计时间划分为大时间尺度和小时间尺度，分别估计基站端和智能超表面高维度等效准静态信道和用户端与智能超表面时变低维信道。本方法首先基于基站端与智能超表面的距离设计相应的感知信号，并确定最大盲区距离。基站端通过发射接收感知信号，获取基站端与智能超表面之间的最强传播路径，并据此设计基站端的相应感知波束赋形矢量。其次，通过设计智能超表面的移相器相位，在基站端与智能超表面间进行大时间尺度协同感知，以获取两者之间的等效信道。并通过利用基站端与智能超表面之间的视距角度，来克服其等效信道感知过程中的相位模糊问题。最后，通过依次开启智能超表面单元，并在基站端接收用户发出的训练序列，可获得小时间尺度下的用户与智能超表面间的信道状态信息。本实施例基于所述的双时间尺度信道估计方法，通过协同感知获取的真实等效准静态信道进而能够以比较低的导频开销准确估计出用户端与智能超表面的信道，以提升通信系统的性能。此外，本发明考虑了智能超表面离散相位控制方案与连续相位控制方案对信道估计性能的影响，仿真证明，本发明提出的方法在低比特量化离散相位控制方案下亦能获得较好的估计结果。
双时间尺度协同感知的毫米波智能超表面信道估计方法，包括以下步骤。
步骤1、场景假设和信道模型。
步骤2、根据基站端与感知智能超表面之间的距离，设计感知信号长度，并确定最大盲区距离，以在基站端获取与智能超表面间的最强视距达到角。
步骤3、设计智能超表面的移相器相位，在基站端与智能超表面间进行大时间尺度协同感知，获取两者之间的等效信道。通过利用基站端与智能超表面之间的视距角度，来克服其等效信道感知过程中的相位模糊问题。
步骤4、通过依次开启智能超表面单元在基站端接收用户发出的训练序列，获得小时间尺度的与用户与智能超表面间的信道状态信息。
进一步的，步骤1具体方法如下。
智能超表面辅助下的毫米波通信系统场景描述如下：考虑一个智能超表面辅助的模数混合架构多用户毫米波MISO系统，其中基站端配备
Figure 272419DEST_PATH_IMAGE001
个天线和
Figure 802627DEST_PATH_IMAGE002
射频链，系统在具有
Figure 913802DEST_PATH_IMAGE003
个反射元件的智能超表面的协助下，对
Figure 347320DEST_PATH_IMAGE004
个单天线用户传输数据流。假设毫米波通信信道是在一个相干时隙内的慢衰落莱斯信道。
当假设基站端与用户端的视距链路被障碍物所阻挡时，毫米波通信系统在智能超表面协助下的通信信道模型由两部分构成：基站端与智能超表面之间的上行准静态高维信道矩阵
Figure 252959DEST_PATH_IMAGE005
，以及智能超表面与用户端下行低维信道矩阵
Figure 4883DEST_PATH_IMAGE006
，表示如下。
Figure 864955DEST_PATH_IMAGE007
其中，
Figure 933405DEST_PATH_IMAGE008
表示总用户与智能超表面上第
Figure 993634DEST_PATH_IMAGE009
个反射元件之间的信道，
Figure 514745DEST_PATH_IMAGE010
表示第
Figure 187297DEST_PATH_IMAGE011
个用户与智能超表面之间的下行信道。
在基站端和智能超表面的天线阵列均采用均匀线性阵列。智能超表面上的反射元素系数矩阵可表示为
Figure 844675DEST_PATH_IMAGE012
。其中，
Figure 75805DEST_PATH_IMAGE013
分别表示智能超表面中第
Figure 566436DEST_PATH_IMAGE009
个反射元件的幅度和相位调节系数。
进一步的，步骤2具体方法如下。
在大时间尺度上通过协同感知对基站端与智能超表面之间的准静态信道进行信道估计。首先，确定信道带宽的情况下，基于基站端与智能超表面之间的距离设计相应感知信号长度及波形并确定基站端感知的最大盲区距离（基站端感知智能超表面的最大盲区距离与符号个数成正比）。考虑到毫米波信道的高传输损耗，智能超表面的部署偏向基站侧。
基站端通过所发射的接收感知信号，以获取基站端与智能超表面的最强传播路径。基站端从
Figure 557525DEST_PATH_IMAGE014
到
Figure 584256DEST_PATH_IMAGE015
发射感知波束，波束搜索步长为
Figure 737020DEST_PATH_IMAGE016
，其中
Figure 452297DEST_PATH_IMAGE017
为观测方向数。波束感知矩阵为
Figure 230766DEST_PATH_IMAGE018
，基站端第
Figure 862736DEST_PATH_IMAGE019
列感知波束向量
Figure 940063DEST_PATH_IMAGE020
，设计如下。
Figure 188642DEST_PATH_IMAGE021
其中，
Figure 505223DEST_PATH_IMAGE022
，为智能超表面到基站端可能的到达角，其感知波束向量的特性为
Figure 991699DEST_PATH_IMAGE023
。
由于智能超表面采用的是均匀线性天线阵列，开启智能超表面的任一反射元件，并设计为
Figure 768156DEST_PATH_IMAGE024
，则基站端波束在第
Figure 707293DEST_PATH_IMAGE019
个可能的到达角度接收的经第
Figure 827565DEST_PATH_IMAGE009
个智能超表面上的反射元件反射的信号形式
Figure 168547DEST_PATH_IMAGE025
可表示如下。
Figure 112976DEST_PATH_IMAGE026
其中，
Figure 539409DEST_PATH_IMAGE027
为基站端发送的导频信号，
Figure 463372DEST_PATH_IMAGE028
为第
Figure 675173DEST_PATH_IMAGE029
个反射元件的开启时智能超表面与基站端信道所对应的上行信道。
Figure 777121DEST_PATH_IMAGE030
，是服从均值为0，方差为
Figure 205697DEST_PATH_IMAGE031
的加性高斯白噪声；式（3）中参数上标“
Figure 418504DEST_PATH_IMAGE032
”表示共轭。因此，总共
Figure 499459DEST_PATH_IMAGE017
个观测方向中产生最大值的波束方向角度，为可能的智能超表面在基站端的最强到达角度，即。
Figure 772309DEST_PATH_IMAGE033
其中，
Figure 157023DEST_PATH_IMAGE034
表示是产生最大值的角度，依据式（4）的测量结果，得到的智能超表面相对于基站端的视距达到角度
Figure 924253DEST_PATH_IMAGE034
，设计基站端的波束赋形向量，
Figure 359913DEST_PATH_IMAGE035
。
进一步的，步骤3具体方法如下。
通过下行链路，基站端向智能超表面发送导频，通过上行链路智能超表面反射回基站端。导频信号经过智能超表面反射到基站端的传输模型表达如下。
Figure 521773DEST_PATH_IMAGE036
其中，
Figure 892318DEST_PATH_IMAGE037
为基站端发射经智能超表面反射返回基站端的接收信号，
Figure 446928DEST_PATH_IMAGE038
为基站端发送的感知信号，定义
Figure 720783DEST_PATH_IMAGE039
，并设计
Figure 69856DEST_PATH_IMAGE040
，则式（5）可以表示为。
Figure 930627DEST_PATH_IMAGE041
从步骤2中已知基站端的波束赋形矢量
Figure 538194DEST_PATH_IMAGE042
，重新写式（6），计算得到如下。
Figure 682868DEST_PATH_IMAGE043
根据式（7），通过设计RIS的相位确保基站端获得最大的接收信号，即。
Figure 487663DEST_PATH_IMAGE044
其中，
Figure 616156DEST_PATH_IMAGE045
用于对智能超表面上的移相器设计，获取基站端在智能超表面端的最强视距出发角度AoD具体细节步骤如下。
（a）信道
Figure 27414DEST_PATH_IMAGE046
中基站端在智能超表面端最强视距角度搜索的
Figure 292174DEST_PATH_IMAGE017
列矢量集合设计矩阵为：
Figure 999361DEST_PATH_IMAGE047
，是用于智能超表面上的移相器的设计。
根据式（7）可得。
Figure 83991DEST_PATH_IMAGE048
根据式（8）及（9）设计智能超表面的相位，则
Figure 33362DEST_PATH_IMAGE049
中取得最大值的第
Figure 887048DEST_PATH_IMAGE050
列向量，
Figure 27786DEST_PATH_IMAGE051
，可表示如下。
Figure 865292DEST_PATH_IMAGE052
其中，
Figure 352774DEST_PATH_IMAGE053
，为信道
Figure 546120DEST_PATH_IMAGE046
中基站端在智能超表面端的可能最强出发角AoD，对于式（8）中同一
Figure 844378DEST_PATH_IMAGE054
值，有两个不同的角度值解，即
Figure 621710DEST_PATH_IMAGE055
。
（b）由于式（10）中设计智能超表面相位向量
Figure 405558DEST_PATH_IMAGE056
，将导致
Figure 233837DEST_PATH_IMAGE057
估计的模糊问题。通过得到的
Figure 217842DEST_PATH_IMAGE058
设计相应矢量
Figure 764361DEST_PATH_IMAGE059
，即。
Figure 95111DEST_PATH_IMAGE060
通过参考锚定点上传参考信号方式来解决最强角度估计过程中的模糊问题。具体操作为在智能超表面某已知方位设定一参考锚定点，参考锚定点在智能超表面信道的最强到达角度信息已知，参考用户通过上行链路发射感知信号
Figure 761584DEST_PATH_IMAGE061
，此时，基站端接收信号可表示为。
Figure 667224DEST_PATH_IMAGE062
其中，
Figure 183262DEST_PATH_IMAGE063
为其等效信道，且
Figure 816238DEST_PATH_IMAGE064
是参考锚定点与智能超表面之间的莱斯信道，
Figure 884688DEST_PATH_IMAGE065
是已知的参考锚定点相对于智能超表面的直达视距角度所张成的信道矢量。通过比较基站端接收信号的大小，即。
Figure 446381DEST_PATH_IMAGE066
因此，式（13）中得到较大值
Figure 967493DEST_PATH_IMAGE067
，即
Figure 669738DEST_PATH_IMAGE068
可认为是信道
Figure 61536DEST_PATH_IMAGE046
中基站端在智能超表面上真实最强角度所张成的矢量。
Figure 797061DEST_PATH_IMAGE069
基于步骤1及2中测出的基站端与智能超表面之间的视距角度，消除角度估计中的相位模糊问题，重构视距信道。
Figure 539889DEST_PATH_IMAGE070
其中，
Figure 780246DEST_PATH_IMAGE071
表示基站端与第
Figure 557710DEST_PATH_IMAGE072
个智能超表面上反射元件之间的视距信道。
式（15）中的视距信道
Figure 726785DEST_PATH_IMAGE073
仅包含视距角度参数，不包含散射路径的角度参数。为进一步获取更多的信道信息，在基站端与智能超表面之间进行大时间尺度的协同感知，从而获取两者之间的等效准静态信道（包含散射路径及视距路径）。其中，等效准静态信道定义为基站端的模拟波束形成矢量以及智能超表面与基站端之间信道的耦合。
通过依序开启智能超表面的反射元件，基站端不断接收自身所发射的感知信号以建立等效准静态信道的感知矩阵。上述过程中，开启智能超表面上第
Figure 222488DEST_PATH_IMAGE072
个反射元件时，基站端的接收信号如下。
Figure 957DEST_PATH_IMAGE074
其中，
Figure 380730DEST_PATH_IMAGE075
是基站端发出的感知信号，
Figure 969974DEST_PATH_IMAGE076
定义第
Figure 936662DEST_PATH_IMAGE072
个反射元件的等效准静态信道为
Figure 269554DEST_PATH_IMAGE077
，定义
Figure 506763DEST_PATH_IMAGE078
，同时设计智能超表面反射元件相位为
Figure 266909DEST_PATH_IMAGE079
，重写式（16）如下。
Figure 720892DEST_PATH_IMAGE080
进一步，利用最小二乘法（LS）解出式（17）线性方程中的
Figure 123055DEST_PATH_IMAGE081
估计值为
Figure 229418DEST_PATH_IMAGE082
。由于复数开平方后会造成相位模糊问题，使用已经估计出的视距信道
Figure 894886DEST_PATH_IMAGE083
通过对
Figure 836166DEST_PATH_IMAGE082
开平方得出
Figure 510861DEST_PATH_IMAGE084
和
Figure 722662DEST_PATH_IMAGE085
进行去模糊操作。
定义
Figure 808298DEST_PATH_IMAGE086
，并基于最大似然准则对得到的
Figure 987607DEST_PATH_IMAGE087
根据
Figure 213796DEST_PATH_IMAGE088
来进行相位纠正，方法如下。
Figure 263791DEST_PATH_IMAGE089
通过数据积累和观测，估计出真实的
Figure 785908DEST_PATH_IMAGE090
。
进一步的，步骤4具体方法如下。
基于步骤3估计出的等效准静态信道，通过依序开启智能超表面上的反射元件，基站端接收用户发出的训练序列表示如下。
Figure 921355DEST_PATH_IMAGE091
其中，设定开启的智能超表面的反射元件参数
Figure 688585DEST_PATH_IMAGE092
为所有用户在时隙
Figure 842354DEST_PATH_IMAGE093
内发送的正交导频信号，特性为
Figure 551684DEST_PATH_IMAGE094
，基站端的高斯白噪声矩阵为
Figure 193668DEST_PATH_IMAGE095
从式（18）中得到。
通过以下操作，得到小时间尺度上的用户与智能超表面第
Figure 13856DEST_PATH_IMAGE096
个反射元件的信道状态信息，即。
Figure 287712DEST_PATH_IMAGE097
基于式（20），依序遍历整个智能超表面上的反射元件，得到智能超表面与用户端之间低维度信道矩阵。
Figure 387517DEST_PATH_IMAGE098
本发明有益效果如下。
本发明基于所述的双时间尺度信道估计方法，通过协同感知获取的真实等效准静态信道，进而能够以比较低的导频开销准确估计出用户端与智能超表面的信道，以提升通信系统的性能。
附图说明
图1为本发明实施例信道估计方法时序图。
图2 为本发明实施例用户端与智能超表面之间时变信道估计实施流程图。
图3 为本发明实施例基于协同感知双时间尺度下的信道估计算法示意图。
图4为本发明实施例用户端与智能超表面之间估计信道的均方误差（MSE）随信噪比的变化关系示意图。
图5为本发明实施例智能超表面的相位进行
Figure 497556DEST_PATH_IMAGE099
量化处理，估计信道的MSE随信噪比的变化关系示意图。
图6为本发明实施例因内部系统硬件误差和外部环境噪声造成等效准静态存在误差，信道估计的MSE随信噪比的变化关系示意图。
图7为本发明实施例智能超表面相位量化处理下，总数据传输速率随信噪比的变化关系示意图。
具体实施方式
下面结合附图对本发明的具体实施方法进一步说明。
如图2所示，双时间尺度协同感知的毫米波智能超表面信道估计方法，步骤如下。
步骤1. 假设基站端与用户端的直接链路被障碍物阻挡，一个智能超表面辅助的毫米波多用户MISO系统，其中基站端配备
Figure 105123DEST_PATH_IMAGE001
个天线和
Figure 984218DEST_PATH_IMAGE100
射频链，系统在具有
Figure 517574DEST_PATH_IMAGE101
个反射元件的智能超表面的协助下，对
Figure 629755DEST_PATH_IMAGE004
个单天线用户传输数据流。毫米波信道是在一个相干时隙内慢衰落莱斯信道。由于基站端与智能超表面固定放置及用户端具有移动性，因此，基站端与智能超表面之间的信道特性是高维但准静态，智能超表面与用户端的信道特性是时变但低维。采用双时间尺度以减少导频训练开销，所述双时间尺度划分大时间尺度和小时间尺度，分别估计准静态高维信道和低维时变信道。图1给出智能超表面信道估计时隙图。
第
Figure 526167DEST_PATH_IMAGE102
个智能反射元件的开启时智能超表面与基站端信道所对应的上行信道为
Figure 541659DEST_PATH_IMAGE103
，智能超表面到基站端的准静态信道矩阵表示为
Figure 498113DEST_PATH_IMAGE104
，表示如下。
Figure 97591DEST_PATH_IMAGE105
其中，
Figure 63273DEST_PATH_IMAGE106
为莱斯因子，其定义为视距信道与散射信道的功率之比。
Figure 924482DEST_PATH_IMAGE107
分别为基站端与智能超表面之间视距路径信道矩阵及散射路径信道矩阵。通过进一步细化传播路径，
Figure 582996DEST_PATH_IMAGE108
和
Figure 404191DEST_PATH_IMAGE109
由下式给出。
Figure 907984DEST_PATH_IMAGE110
其中，
Figure 632489DEST_PATH_IMAGE111
分别是基站端的视距到达角（AoA）及RIS上的视距出发角（AoD），
Figure 461905DEST_PATH_IMAGE112
是基站端与RIS之间的散射路径数，
Figure 504816DEST_PATH_IMAGE113
是路径损耗，且服从均值为0，方差为1的高斯分布，
Figure 812300DEST_PATH_IMAGE114
和
Figure 919540DEST_PATH_IMAGE115
分别表示为第
Figure 654278DEST_PATH_IMAGE116
条散射路径上的AoA和AoD。式（2）中参数上标“
Figure 450065DEST_PATH_IMAGE117
”表示共轭转置。
采取均匀线性阵列响应（ULA），忽略其下标，其
Figure 561240DEST_PATH_IMAGE118
表示如下。
Figure 509605DEST_PATH_IMAGE119
其中，
Figure 165976DEST_PATH_IMAGE120
为相邻天线之间的距离，
Figure 199791DEST_PATH_IMAGE121
为波长。相邻天线之间的距离等于半波长，即：
Figure 363925DEST_PATH_IMAGE122
。式（4）中参数上标“
Figure 901217DEST_PATH_IMAGE123
”表示转置。
与上述信道设置相同，反射链路第
Figure 996999DEST_PATH_IMAGE124
个用户端到智能超表面的时变信道表示为
Figure 518110DEST_PATH_IMAGE125
，细分为确定视距信道向量
Figure 220356DEST_PATH_IMAGE126
和多路径信道向量
Figure 143312DEST_PATH_IMAGE127
，表示如下。
Figure 141486DEST_PATH_IMAGE128
其中，忽略下标，
Figure 415473DEST_PATH_IMAGE129
表示莱斯因子，
Figure 655830DEST_PATH_IMAGE130
进一步表示为。
Figure 698873DEST_PATH_IMAGE131
其中，
Figure 117216DEST_PATH_IMAGE132
为第k个用户到RIS的视距达到角（AoA）,
Figure 360722DEST_PATH_IMAGE133
为第
Figure 889923DEST_PATH_IMAGE134
个用户与RIS之间散射路径数，
Figure 771160DEST_PATH_IMAGE135
分别对应第k个用户中第
Figure 625984DEST_PATH_IMAGE136
条散射路径的路径损耗和AoA。
其中，忽略其下标，不失一般性，
Figure 94137DEST_PATH_IMAGE137
同样采用均匀线性阵列响应，表示为。
Figure 427029DEST_PATH_IMAGE138
智能超表面与总用户下行低维信道矩阵
Figure 693931DEST_PATH_IMAGE139
表示如下。
Figure 454077DEST_PATH_IMAGE140
其中，
Figure 158595DEST_PATH_IMAGE141
表示总用户与智能超表面上第
Figure 295178DEST_PATH_IMAGE102
个反射元件之间的信道，
Figure 416587DEST_PATH_IMAGE142
表示第k个用户与智能超表面之间的下行信道。
智能超表面上的反射元素系数矩阵可表示为。
Figure 613213DEST_PATH_IMAGE143
其中，
Figure 55958DEST_PATH_IMAGE144
分别表示RIS中第
Figure 996232DEST_PATH_IMAGE102
个反射元件的幅度和相位调节系数。
步骤2. 根据基站端与感知智能超表面之间的距离，设计感知信号长度，并确定最大盲区距离，以在基站端获取与智能超表面间的最强视距达到角。
首先，确定信道带宽的情况下，基于基站端与智能超表面之间的距离设计相应感知信号长度及波形并确定基站端感知的最大盲区距离（基站端感知智能超表面的最大盲区距离与符号个数成正比）。考虑到毫米波信道的高传输损耗，智能超表面的部署偏向基站侧。
基站端通过所发射的接收感知信号，以获取基站端与智能超表面的最强传播路径。基站端从
Figure 706568DEST_PATH_IMAGE145
到
Figure 74095DEST_PATH_IMAGE146
发射感知波束，波束搜索步长为
Figure 518983DEST_PATH_IMAGE147
，其中
Figure 479592DEST_PATH_IMAGE148
为观测方向数。波束感知矩阵为
Figure 44435DEST_PATH_IMAGE149
，基站端第
Figure 317284DEST_PATH_IMAGE150
列感知波束向量
Figure 734621DEST_PATH_IMAGE151
，设计如下。
Figure 751119DEST_PATH_IMAGE152
其中，
Figure 436047DEST_PATH_IMAGE153
，为智能超表面到基站端可能的到达角，其感知波束向量的特性为
Figure 410956DEST_PATH_IMAGE154
。
由于智能超表面采用的是均匀线性天线阵列，开启智能超表面的任一反射元件，并设计为
Figure 299278DEST_PATH_IMAGE155
，则基站端波束在第
Figure 873128DEST_PATH_IMAGE150
个可能的到达角度接收的经第
Figure 163295DEST_PATH_IMAGE102
个智能超表面上的反射元件反射的信号形式
Figure 558374DEST_PATH_IMAGE156
可表示如下。
Figure 933991DEST_PATH_IMAGE157
其中，
Figure 43024DEST_PATH_IMAGE158
为基站端发送的导频信号，
Figure 718856DEST_PATH_IMAGE159
为第
Figure 19256DEST_PATH_IMAGE102
个反射元件的开启时智能超表面与基站端信道所对应的上行信道。
Figure 882170DEST_PATH_IMAGE160
是服从均值为0，方差为
Figure 57543DEST_PATH_IMAGE161
的加性高斯白噪声；式（12）中参数上标“
Figure 56723DEST_PATH_IMAGE162
”表示共轭。因此，总共
Figure 528024DEST_PATH_IMAGE148
个观测方向中产生最大值的波束方向角度，为可能的智能超表面在基站端的最强到达角度，即。
Figure 143813DEST_PATH_IMAGE163
其中，
Figure 109495DEST_PATH_IMAGE164
表示是产生最大值的角度，依据式（13）的测量结果，得到的智能超表面相对于基站端的视距达到角度
Figure 979494DEST_PATH_IMAGE164
，设计基站端的波束赋形向量，
Figure 106850DEST_PATH_IMAGE165
。
步骤3. 设计智能超表面的移相器相位，在基站端与智能超表面间进行大时间尺度协同感知，获取两者之间的等效信道。通过利用基站端与智能超表面之间的视距角度，来克服其等效信道感知过程中的相位模糊问题。
通过下行链路，基站端向智能超表面发送导频，通过上行链路智能超表面反射回基站端。导频信号经过智能超表面反射到基站端的传输模型表达如下。
Figure 193623DEST_PATH_IMAGE166
其中，
Figure 697417DEST_PATH_IMAGE167
为基站端发射经智能超表面反射返回基站端的接收信号，
Figure 678712DEST_PATH_IMAGE168
为基站端发送的感知信号，定义
Figure 976969DEST_PATH_IMAGE169
，并设计
Figure 816618DEST_PATH_IMAGE170
，则式（14）可以表示为。
Figure 858523DEST_PATH_IMAGE171
从步骤2中已知基站端的波束赋形矢量
Figure 437534DEST_PATH_IMAGE172
，重新写式（15），计算得到如下。
Figure 172272DEST_PATH_IMAGE173
根据式（16），通过设计RIS的相位确保基站端获得最大的接收信号，即。
Figure 968059DEST_PATH_IMAGE174
其中，
Figure 79234DEST_PATH_IMAGE175
用于对智能超表面上的移相器设计，获取基站端在智能超表面端的最强视距出发角度AoD具体细节步骤如下。
（a）信道
Figure 40981DEST_PATH_IMAGE176
中基站端在智能超表面端最强视距角度搜索的
Figure 946620DEST_PATH_IMAGE148
列矢量集合设计矩阵为：
Figure 229702DEST_PATH_IMAGE177
，是用于智能超表面上的移相器的设计。
根据式（16）可得。
Figure 878989DEST_PATH_IMAGE178
根据式（17）及（18）设计智能超表面的相位，则
Figure 698172DEST_PATH_IMAGE179
中取得最大值的第
Figure 40292DEST_PATH_IMAGE180
列向量，
Figure 810670DEST_PATH_IMAGE181
，可表示如下。
Figure 998069DEST_PATH_IMAGE182
其中，
Figure 186605DEST_PATH_IMAGE183
，为信道
Figure 187709DEST_PATH_IMAGE176
中基站端在智能超表面端的可能最强出发角AoD，对于式（17）中同一
Figure 196116DEST_PATH_IMAGE184
值，有两个不同的角度值解，即
Figure 702053DEST_PATH_IMAGE185
。
（b）由于式（19）中设计智能超表面相位向量
Figure 479516DEST_PATH_IMAGE186
，将导致
Figure 914171DEST_PATH_IMAGE187
估计的模糊问题。通过得到的
Figure 409874DEST_PATH_IMAGE185
设计相应矢量
Figure 453922DEST_PATH_IMAGE188
，即。
Figure 85892DEST_PATH_IMAGE189
通过参考锚定点上传参考信号方式来解决最强角度估计过程中的模糊问题。具体操作为在智能超表面某已知方位设定一参考锚定点，参考锚定点在智能超表面信道的最强到达角度信息已知，参考用户通过上行链路发射感知信号
Figure 422939DEST_PATH_IMAGE190
，此时，基站端接收信号可表示为。
Figure 405938DEST_PATH_IMAGE191
其中，
Figure 4410DEST_PATH_IMAGE192
为其等效信道，且
Figure 740154DEST_PATH_IMAGE193
是参考锚定点与智能超表面之间的莱斯信道，
Figure 765879DEST_PATH_IMAGE194
是已知的参考锚定点相对于智能超表面的直达视距角度所张成的信道矢量。通过比较基站端接收信号的大小，即。
Figure 986907DEST_PATH_IMAGE195
因此，式（22）中得到较大值
Figure 857911DEST_PATH_IMAGE196
，即
Figure 713740DEST_PATH_IMAGE197
可认为是信道
Figure 910366DEST_PATH_IMAGE176
中基站端在智能超表面上真实最强角度所张成的矢量。
Figure 367760DEST_PATH_IMAGE198
基于步骤1及2中测出的基站端与智能超表面之间的视距角度，消除角度估计中的相位模糊问题，重构视距信道。
Figure 42454DEST_PATH_IMAGE199
其中，
Figure 752790DEST_PATH_IMAGE200
表示基站端与第
Figure 385897DEST_PATH_IMAGE102
个智能超表面上反射元件之间的视距信道。
式（24）中的视距信道
Figure 50359DEST_PATH_IMAGE201
仅包含视距角度参数，不包含散射路径的角度参数。为进一步获取更多的信道信息，在基站端与智能超表面之间进行大时间尺度的协同感知，从而获取两者之间的等效准静态信道（包含散射路径及视距路径）。其中，等效准静态信道定义为基站端的模拟波束形成矢量以及智能超表面与基站端之间信道的耦合。
通过依序开启智能超表面的反射元件，基站端不断接收自身所发射的感知信号以建立等效准静态信道的感知矩阵。上述过程中，开启智能超表面上第
Figure 528745DEST_PATH_IMAGE102
个反射元件时，基站端的接收信号如下。
Figure 624746DEST_PATH_IMAGE202
其中，
Figure 897595DEST_PATH_IMAGE203
是基站端发出的感知信号，
Figure 829779DEST_PATH_IMAGE204
定义第
Figure 594079DEST_PATH_IMAGE205
个反射元件的等效准静态信道为
Figure 29740DEST_PATH_IMAGE206
，定义
Figure 722758DEST_PATH_IMAGE207
，同时设计智能超表面反射元件相位为
Figure 876659DEST_PATH_IMAGE208
，重写式（25）如下。
Figure 713159DEST_PATH_IMAGE209
进一步，利用最小二乘法（LS）解出式（26）线性方程中的
Figure 3326DEST_PATH_IMAGE210
估计值为
Figure 132825DEST_PATH_IMAGE211
。由于复数开平方后会造成相位模糊问题，使用已经估计出的视距信道
Figure 774022DEST_PATH_IMAGE212
通过对
Figure 885984DEST_PATH_IMAGE211
开平方得出
Figure 561816DEST_PATH_IMAGE213
进行去模糊操作。
定义
Figure 596637DEST_PATH_IMAGE214
，并基于最大似然准则对得到的
Figure 459551DEST_PATH_IMAGE215
根据
Figure 372274DEST_PATH_IMAGE216
来进行相位纠正，方法如下。
Figure 902613DEST_PATH_IMAGE217
通过数据积累和观测，估计出真实的
Figure 124647DEST_PATH_IMAGE218
。
步骤4.通过依次开启智能超表面单元在基站端接收用户发出的训练序列，获得小时间尺度的与用户与智能超表面间的信道状态信息。
基于步骤3估计出的等效准静态信道，通过依序开启智能超表面上的反射元件，基站端接收用户发出的训练序列表示如下。
Figure 724124DEST_PATH_IMAGE219
其中，设定开启的智能超表面的反射元件参数
Figure 424227DEST_PATH_IMAGE220
为所有用户在时隙
Figure 291295DEST_PATH_IMAGE221
内发送的正交导频信号，特性为
Figure 684231DEST_PATH_IMAGE222
，基站端的高斯白噪声矩阵为
Figure 771004DEST_PATH_IMAGE223
从式（27）中得到。
通过以下操作，得到小时间尺度上的用户与智能超表面第
Figure 274798DEST_PATH_IMAGE102
个反射元件的信道状态信息，即。
Figure 264882DEST_PATH_IMAGE224
基于式（29），依序遍历整个智能超表面上的反射元件，得到智能超表面与用户端之间低维度信道矩阵。
Figure 563139DEST_PATH_IMAGE225
步骤5.根据步骤2,3测得准静态信道的视距角度参数及步骤4中用户端与智能超表面之间信道状态信息的获取，设计智能超表面的相位，进行下行链路的数据传输，则第
Figure 402788DEST_PATH_IMAGE226
个用户的反射等效级联信道如下表示。
Figure 444693DEST_PATH_IMAGE227
其中，
Figure 546074DEST_PATH_IMAGE228
是步骤2中获得的基站端的波束赋形矢量，参数上标“
Figure 546391DEST_PATH_IMAGE229
”表示共轭，
Figure 342177DEST_PATH_IMAGE230
的设计基于大时间尺度获得的视距角度参数和小时间尺度估计时变信道，表示如下。
Figure 453353DEST_PATH_IMAGE231
其中，
Figure 152450DEST_PATH_IMAGE232
是基于大时间尺度获得智能超表面的视距出发角度；
Figure 58089DEST_PATH_IMAGE233
为小时间尺度内估计第
Figure 341172DEST_PATH_IMAGE226
个用户与智能超表面之间的信道；式中运算符号“
Figure 724880DEST_PATH_IMAGE234
”表示哈达玛积。
所述等效信道
Figure 275553DEST_PATH_IMAGE235
含有视距路径和散射路径，将散射路径视为干扰来源，即。
Figure 617673DEST_PATH_IMAGE236
由此，用户
Figure 388052DEST_PATH_IMAGE226
的接收信号与干扰加噪声比（SINR）为。
Figure 575450DEST_PATH_IMAGE237
此时每个用户的数据传输速率可以表示为。
Figure 763986DEST_PATH_IMAGE238
则系统可达到的总数据传输速率为。
Figure 762160DEST_PATH_IMAGE239
步骤6.本发明考虑对智能超表面的相位进行
Figure 770568DEST_PATH_IMAGE240
量化及等效准静态信道因内部硬件误差/外部环境噪声所造成的误差，所述因素对后续的时变信道估计的影响。
首先，考虑步骤3，智能超表面的相位量化对后续的用户与智能超表面之间信道估计造成的影响，表示如下。
Figure 276504DEST_PATH_IMAGE241
其中，
Figure 53967DEST_PATH_IMAGE242
表示智能超表面相位进行
Figure 225973DEST_PATH_IMAGE240
的量化器处理操作，提供了由连续相位向
Figure 721676DEST_PATH_IMAGE243
个量化相位的映射。
同样地，等效信道中智能超表面的相位设计进行
Figure 765724DEST_PATH_IMAGE240
量化处理操作，即。
Figure 663273DEST_PATH_IMAGE244
其次，考虑等效准静态信道系统噪声对信道估计的影响，即步骤3式（26）中
Figure 3250DEST_PATH_IMAGE245
引入系统噪声，式（28）表达如下。
Figure 986249DEST_PATH_IMAGE246
其中，
Figure 302830DEST_PATH_IMAGE247
为随式（26）中系统噪声问题的引入的误差参数，特性服从高斯分布，且方差
Figure 54885DEST_PATH_IMAGE248
随噪声方差变化而变化。
图3所示基于协同感知双时间尺度下的信道估计算法示意图。
实施例。
仿真中基站端的配备有为16根的半波长天线间隔的均匀线阵，8个单天线用户，智能超表面配备有64个无源反射元件。在实例中发送导频信道时隙为8，信噪比SNR以5dB为间隔，范围从-10dB取到20dB。其他参数的设置如下：莱斯因子设置为5，基站端与智能超表面的散射路径数为12，智能超表面与单个用户的散射路径数为6。
图4所示，不同信噪比下，用户端到智能超表面信道的均方误差（MSE）随信噪比的变化关系。
图5所示，考虑智能超表面的相位量化对后续的时变信道估计造成的影响。如图所示，仿真证明，低信噪比场景下，因为系统噪声起主导作用，所以智能超表面离散相位控制方案造成的信道估计的影响甚微。另外， 2bit离散相位控制在高信噪比下，信道估计的最小均方误差也可以达到
Figure 828413DEST_PATH_IMAGE249
，5bit离散相位控制的估计信道质量能够接近理想相位控制方案的估计信道质量。
图6所示，考虑等效准静态信道因硬件误差/环境噪声对信道估计的影响，根据图所示，红线和蓝线分别代表等效准静态信道无误差和存在误差时，对后续时变信道估计的影响。误差参数
Figure 33129DEST_PATH_IMAGE250
是随式（26）中估计等效准静态信道是所引入的系统噪声，其
Figure 169713DEST_PATH_IMAGE250
的方差随系统噪声的信噪比变化而变化。仿真证明，等效准静态信道误差对时变信道估计的MSE存在影响，但并不改变后续信道估计的趋势。可以认为等效准静态信道的估计误差为后续信道估计的额外加性噪声。
图7所示，智能超表面的相位量化比特不同，总数据传输速率随信噪比的变化关系。本仿真考虑了量化误差对信道估计的影响，进而考虑量化误差对后续的数据传输速率的影响。低信噪比场景下，智能超表面的相位量化造成的速率损失十分微小，因为此时是由系统噪声其主导作用。另外，智能超表面采用3-bit相位量获得的可达速率已经非常接近理想连续相位，这说明在智能超表面辅助下的通信系统中，离散相位控制方案能够获得接近连续相位控制方案的速率性能。
综上仿真结果，本方法基于所述的双时间尺度信道估计方法，通过协同感知获取的真实等效准静态信道，进而能够以比较低的导频开销准确估计出用户端与智能超表面的信道，以提升通信系统的性能。此外，本发明还考虑了智能超表面离散相位控制方案与连续相位控制方案对信道估计性能的影响。仿真证明，本发明提出的方法在低比特量化离散相位控制方案下亦能获得较好的估计结果。

Claims (3)

1.双时间尺度协同感知的毫米波智能超表面信道估计方法，其特征在于，包括以下步骤：
步骤1、场景假设和信道模型；
步骤2、根据基站端与感知智能超表面之间的距离，设计感知信号长度，并确定最大盲区距离，以在基站端获取与智能超表面间的最强视距达到角；
步骤3、设计智能超表面的移相器相位，在基站端与智能超表面间进行大时间尺度协同感知，获取两者之间的等效信道；通过利用基站端与智能超表面之间的视距角度，来克服其等效信道感知过程中的相位模糊问题；
步骤4、通过依次开启智能超表面单元在基站端接收用户发出的训练序列，获得小时间尺度的用户与智能超表面间的信道状态信息；
步骤3具体方法如下：
通过下行链路，基站端向智能超表面发送导频，通过上行链路智能超表面反射回基站端；导频信号经过智能超表面反射到基站端的传输模型表达如下：
Figure FDA0003704974990000011
其中，yII为基站端发射经智能超表面反射返回基站端的接收信号，s为基站端发送的感知信号，定义
Figure FDA0003704974990000012
并设计ssH＝1，则公式(5)可以表示为：
Figure FDA0003704974990000013
从步骤2中已知基站端的波束赋形矢量
Figure FDA0003704974990000014
重新写式(6)，计算得到如下：
Figure FDA0003704974990000015
根据式(7)，通过设计RIS的相位确保基站端获得最大的接收信号，即：
Figure FDA0003704974990000021
s.t.|θi Hθi|＝1,i＝1,2,…,J
其中，θi用于对智能超表面上的移相器设计，获取基站端在智能超表面端的最强视距出发角度AoD具体细节步骤如下：
(a)信道G中基站端在智能超表面端最强视距角度搜索的J列矢量集合设计矩阵为：
Figure FDA0003704974990000022
θi，i∈{1,...,J}，是用于智能超表面上的移相器的设计；
根据式(7)可得：
Figure FDA0003704974990000023
根据式(8)及(9)设计智能超表面的相位，则Θ中取得最大值的第i列向量，
Figure FDA0003704974990000024
可表示如下：
Figure FDA0003704974990000025
其中，
Figure FDA0003704974990000026
为信道G中基站端在智能超表面端的可能最强出发角AoD，对于式(8)中同一
Figure FDA0003704974990000027
值，有两个不同的角度值解，即
Figure FDA0003704974990000028
和
Figure FDA0003704974990000029
(b)由于式(10)中设计智能超表面相位向量θi，将导致
Figure FDA00037049749900000210
估计的模糊问题；通过得到的
Figure FDA00037049749900000211
与
Figure FDA00037049749900000212
设计相应矢量
Figure FDA00037049749900000213
与
Figure FDA00037049749900000214
即：
Figure FDA00037049749900000215
通过参考锚定点上传参考信号方式来解决最强角度估计过程中的模糊问题；具体操作为在智能超表面某已知方位设定一参考锚定点，参考锚定点在智能超表面信道的最强到达角度信息已知，参考用户通过上行链路发射感知信号
Figure FDA0003704974990000031
此时，基站端接收信号可表示为：
Figure FDA0003704974990000032
其中，
Figure FDA0003704974990000033
p(·)＝p(1),p(2)为其等效信道，且
Figure FDA0003704974990000034
是参考锚定点与智能超表面之间的莱斯信道，
Figure FDA0003704974990000035
是已知的参考锚定点相对于智能超表面的直达视距角度所张成的信道矢量；通过比较基站端接收信号的大小，即：
Figure FDA0003704974990000036
因此，式(13)中得到较大值
Figure FDA0003704974990000037
即
Figure FDA0003704974990000038
可认为是信道G中基站端在智能超表面上真实最强角度所张成的矢量：
Figure FDA0003704974990000039
基于步骤1及2中测出的基站端与智能超表面之间的视距角度，消除角度估计中的相位模糊问题，重构视距信道：
Figure FDA00037049749900000310
其中，
Figure FDA00037049749900000311
表示基站端与第n个智能超表面上反射元件之间的视距信道；
公式(15)中的视距信道
Figure FDA00037049749900000312
仅包含视距角度参数，不包含散射路径的角度参数；为进一步获取更多的信道信息，在基站端与智能超表面之间进行大时间尺度的协同感知，从而获取两者之间的等效准静态信道；其中，等效准静态信道定义为基站端的模拟波束形成矢量以及智能超表面与基站端之间信道的耦合；
通过依序开启智能超表面的反射元件，基站端不断接收自身所发射的感知信号以建立等效准静态信道的感知矩阵；上述过程中，开启智能超表面上第n个反射元件时，基站端的接收信号如下：
Figure FDA0003704974990000041
其中，s是基站端发出的感知信号，ssH＝1，定义第n个反射元件的等效准静态信道为
Figure FDA0003704974990000042
定义
Figure FDA0003704974990000043
同时设计智能超表面反射元件相位为θn＝1，重写式(16)如下：
Figure FDA0003704974990000044
进一步，利用最小二乘法(LS)解出式(17)线性方程中的Λn，估计值为
Figure FDA0003704974990000045
由于复数开平方后会造成相位模糊问题，使用已经估计出的视距信道
Figure FDA0003704974990000046
通过对
Figure FDA0003704974990000047
开平方得出
Figure FDA0003704974990000048
和
Figure FDA0003704974990000049
进行去模糊操作；
定义
Figure FDA00037049749900000410
并基于最大似然准则对得到的
Figure FDA00037049749900000411
根据
Figure FDA00037049749900000412
来进行相位纠正，方法如下：
Figure FDA00037049749900000413
通过数据积累和观测，估计出真实的
Figure FDA00037049749900000414
步骤4具体方法如下：
基于步骤3估计出的等效准静态信道，通过依序开启智能超表面上的反射元件，基站端接收用户发出的训练序列表示如下：
Figure FDA00037049749900000415
其中，设定开启的智能超表面的反射元件参数θn＝1，
Figure FDA00037049749900000416
为所有用户在时隙K内发送的正交导频信号，特性为
Figure FDA00037049749900000417
基站端的高斯白噪声矩阵为
Figure FDA00037049749900000418
Figure FDA00037049749900000419
从式(18)中得到；
通过以下操作，得到小时间尺度上的用户与智能超表面第n个反射元件的信道状态信息，即：
Figure FDA0003704974990000051
基于式(20)，依序遍历整个智能超表面上的反射元件，得到智能超表面与用户端之间低维度信道矩阵：
Figure FDA0003704974990000052
2.根据权利要求1所述的双时间尺度协同感知的毫米波智能超表面信道估计方法，其特征在于，步骤1具体方法如下：
智能超表面辅助下的毫米波通信系统场景描述如下：考虑一个智能超表面辅助的模数混合架构多用户毫米波MISO系统，其中基站端配备M个天线和NRF(M>NRF)射频链，系统在具有N个反射元件的智能超表面的协助下，对K个单天线用户传输数据流；假设毫米波通信信道是在一个相干时隙内的慢衰落莱斯信道；
当假设基站端与用户端的视距链路被障碍物所阻挡时，毫米波通信系统在智能超表面协助下的通信信道模型由两部分构成：基站端与智能超表面之间的上行准静态高维信道矩阵
Figure FDA0003704974990000053
Figure FDA0003704974990000054
以及智能超表面与用户端下行低维信道矩阵
Figure FDA0003704974990000055
Figure FDA0003704974990000056
表示如下：
Figure FDA0003704974990000057
其中，
Figure FDA0003704974990000058
表示总用户与智能超表面上第n个反射元件之间的信道，
Figure FDA0003704974990000059
表示第k个用户与智能超表面之间的下行信道；
在基站端和智能超表面的天线阵列均采用均匀线性阵列；智能超表面上的反射元素系数矩阵可表示为
Figure FDA0003704974990000061
Figure FDA0003704974990000062
其中，βn∈[0,1]和φn∈[0,2π]分别表示智能超表面中第n个反射元件的幅度和相位调节系数。
3.根据权利要求2所述的双时间尺度协同感知的毫米波智能超表面信道估计方法，其特征在于，步骤2具体方法如下：
在大时间尺度上通过协同感知对基站端与智能超表面之间的准静态信道进行信道估计；首先，确定信道带宽的情况下，基于基站端与智能超表面之间的距离设计相应感知信号长度及波形并确定基站端感知的最大盲区距离；考虑到毫米波信道的高传输损耗，智能超表面的部署偏向基站侧；
基站端通过所发射的接收感知信号，以获取基站端与智能超表面的最强传播路径；基站端从0°到180°发射感知波束，波束搜索步长为
Figure FDA0003704974990000063
其中J为观测方向数；波束感知矩阵为
Figure FDA0003704974990000064
基站端第i列感知波束向量
Figure FDA0003704974990000065
设计如下：
Figure FDA0003704974990000066
其中，
Figure FDA0003704974990000067
为智能超表面到基站端可能的到达角，其感知波束向量的特性为fi Hfi＝1；
由于智能超表面采用的是均匀线性天线阵列，开启智能超表面的任一反射元件，并设计为θn＝1，n∈1,…,N,则基站端波束在第i个可能的到达角度接收的经第n个智能超表面上的反射元件反射的信号形式
Figure FDA0003704974990000068
可表示如下：
Figure FDA0003704974990000069
其中，si为基站端发送的导频信号，
Figure FDA00037049749900000610
为第n个反射元件的开启时智能超表面与基站端信道所对应的上行信道；
Figure FDA0003704974990000071
是服从均值为0，方差为σ2的加性高斯白噪声；公式(3)中参数上标“*”表示共轭；因此，总共J个观测方向中产生最大值的波束方向角度，为可能的智能超表面在基站端的最强到达角度，即：
Figure FDA0003704974990000072
其中，
Figure FDA0003704974990000073
表示是产生最大值的角度，依据式(4)的测量结果，得到的智能超表面相对于基站端的视距达到角度
Figure FDA0003704974990000074
设计基站端的波束赋形向量，
Figure FDA0003704974990000075
CN202210434116.0A 2022-04-24 2022-04-24 双时间尺度协同感知的毫米波智能超表面信道估计方法 Active CN114553643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210434116.0A CN114553643B (zh) 2022-04-24 2022-04-24 双时间尺度协同感知的毫米波智能超表面信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210434116.0A CN114553643B (zh) 2022-04-24 2022-04-24 双时间尺度协同感知的毫米波智能超表面信道估计方法

Publications (2)

Publication Number Publication Date
CN114553643A CN114553643A (zh) 2022-05-27
CN114553643B true CN114553643B (zh) 2022-08-02

Family

ID=81667178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210434116.0A Active CN114553643B (zh) 2022-04-24 2022-04-24 双时间尺度协同感知的毫米波智能超表面信道估计方法

Country Status (1)

Country Link
CN (1) CN114553643B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005133A (zh) * 2018-07-12 2018-12-14 南京邮电大学 双稀疏多径信道模型及基于此模型的信道估计方法
CN114301508A (zh) * 2021-11-18 2022-04-08 北京邮电大学 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106850010B (zh) * 2015-11-30 2021-02-09 上海诺基亚贝尔股份有限公司 基于混合波束赋形的信道反馈方法及装置
US10367677B2 (en) * 2016-05-13 2019-07-30 Telefonaktiebolaget Lm Ericsson (Publ) Network architecture, methods, and devices for a wireless communications network
US11961140B2 (en) * 2019-08-13 2024-04-16 Chicago Mercantile Exchange Inc. Randomization of orders at matching in electronic trading systems
CN113972939B (zh) * 2021-09-09 2022-07-12 浙江大学 基于双时间尺度和深度学习的天线系统预编码方法和装置
CN114095318B (zh) * 2021-10-28 2024-02-13 杭州电子科技大学 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
CN113746520B (zh) * 2021-11-08 2022-02-15 东南大学 基于波束索引地图的智能反射面通信波束选择方法
CN114285443B (zh) * 2021-12-28 2024-02-02 东南大学 动态超表面天线辅助的近场宽带上行mimo传输方法
CN114285702B (zh) * 2022-01-04 2024-02-27 重庆航天火箭电子技术有限公司 一种用于毫米波irs协作系统的稀疏级联信道估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005133A (zh) * 2018-07-12 2018-12-14 南京邮电大学 双稀疏多径信道模型及基于此模型的信道估计方法
CN114301508A (zh) * 2021-11-18 2022-04-08 北京邮电大学 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法

Also Published As

Publication number Publication date
CN114553643A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112564758B (zh) 一种采用分布式智能反射面辅助的宽带无线传输方法
WO2023044982A1 (zh) 一种卫星大规模mimo通信感知一体化的发送方法
US9537587B2 (en) Efficient large-scale multiple input multiple output communications
Alkhateeb et al. Channel estimation and hybrid precoding for millimeter wave cellular systems
US8040278B2 (en) Adaptive antenna beamforming
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
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
CN114285702B (zh) 一种用于毫米波irs协作系统的稀疏级联信道估计方法
CN114726687A (zh) 一种智能反射面辅助毫米波大规模mimo系统的信道估计方法
Wu et al. Reconfigurable hybrid beamforming for dual-polarized mmWave MIMO channels: Stochastic channel modeling and architectural adaptation methods
CN105490763B (zh) 一种端到端的宽带移动mimo传播信道模型及建模方法
Zhang et al. RIS-aided 6G communication system with accurate traceable user mobility
Yu et al. Hybrid beamforming in mmwave massive MIMO for IoV with dual-functional radar communication
CN117295084A (zh) 双智能反射面辅助的毫米波miso系统中基于交替优化的联合优化方案设计
CN1665161A (zh) 智能天线下行链路波束形成方法
Wang et al. CAP-Net: A deep learning-based angle prediction approach for ISAC-enabled RIS-assisted V2I communications
CN114553643B (zh) 双时间尺度协同感知的毫米波智能超表面信道估计方法
Eisenbeis et al. Hybrid beamforming analysis based on MIMO channel measurements at 28 GHz
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
Mura et al. Enhanced channel estimation in mm-wave MIMO systems leveraging integrated communication and sensing
CN114759959A (zh) 一种抑制波束间干扰的相控阵波束成形方法
CN109245803B (zh) 一种快速信道估计与混合预编码方法及系统
Euchner et al. Geometry-Based Phase and Time Synchronization for Multi-Antenna Channel Measurements
CN111082843A (zh) 一种针对智能多天线波束赋形实现单载波均衡的方法
CN114978821B (zh) 面向6g智能反射表面辅助通信系统的协同信道估计方法

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