CN114726687A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114726687A
CN114726687A CN202210296390.6A CN202210296390A CN114726687A CN 114726687 A CN114726687 A CN 114726687A CN 202210296390 A CN202210296390 A CN 202210296390A CN 114726687 A CN114726687 A CN 114726687A
Authority
CN
China
Prior art keywords
channel
irs
zero
base station
row
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
CN202210296390.6A
Other languages
English (en)
Other versions
CN114726687B (zh
Inventor
黄学军
张月明
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210296390.6A priority Critical patent/CN114726687B/zh
Publication of CN114726687A publication Critical patent/CN114726687A/zh
Application granted granted Critical
Publication of CN114726687B publication Critical patent/CN114726687B/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
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • 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
    • H04B7/0413—MIMO systems
    • 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
    • H04B7/14—Relay systems
    • H04B7/145—Passive relay systems
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

一种智能反射面(Intelligent reflecting surface，IRS)辅助毫米波大规模多输入多输出(Multiple‑Input Multiple‑Output，MIMO)系统的信道估计方法，该方法步骤如下：基站接收不同用户通过上行链路发送的导频信号；将信道模型转化为角度域级联信道；分析角度域级联信道的行列结构稀疏性；将信道估计问题转化成压缩感知(compressed sensing，压缩感知)重构问题，采用压缩感知算法分别结合角度域级联信道的行和列结构稀疏性进行信道估计；最后将角度域角度域信道转换为空间信道来获得估计的级联信道。本发明的技术效果是利用IRS技术增强毫米波大规模MIMO系统的性能，采用压缩感知算法提高IRS辅助的无线通信系统的信道估计精度，降低导频开销。

Description

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
技术领域
本发明涉及无线网络技术领域，具体涉及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。
背景技术
作为第五代无线网络的关键技术之一，大规模多输入多输出可以大大提高系统吞吐量，扩大小区覆盖范围。然而，所需的高复杂性和硬件成本以及增加的能耗仍然是尚未解决的关键问题。另外，毫米波频带中存在大量未使用频谱资源，将大规模MIMO技术从sub-6GHz扩展到毫米波频带通常需要更复杂的信号处理以及更昂贵和更耗能的硬件(例如，射频链)。因此，为未来的无线网络寻找创新、频谱和节能且经济高效的解决方案的研究仍然势在必行。
IRS最近被提出作为重新配置无线网络的一种有前途的新技术。一方面，利用先进材料构建的大量可重构元件，IRS可以基于信道状态信息以期望的模式反射电磁信号，通过自适应地调整IRS的相移矩阵，以实现更好的通信容量。另一方面，与传统的类似技术如中继或MIMO波束形成不同，无源IRS系统既不需要耗能的有源射频器件，也不需要复杂的基带信号处理模块，满足了未来通信系统对绿色节能技术的需求。
在IRS辅助的毫米波大规模MIMO系统中，信道状态信息的捕获是一项具有挑战性的任务：一方面由于高维数信道和IRS系统的无源特性，不能发射、接收或处理任何导频信号来实现信道估计。另一方面由于IRS通常由数百个单元组成，因此要估计的信道维度比传统系统中的大得多，这将导致信道估计中导频的过度开销，不能满足现实通信技术发展的需求。
发明内容
本发明的目的在于提供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，以解决上述背景技术中提出的问题。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
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，包括以下步骤：
步骤1，建立系统模型和信道模型，其中基站和IRS都配备了半波长均匀平面阵列UPA，包括路径损耗参数、基站以及IRS处的方位角和仰角；
步骤2，在接收端，通过对接收信号Y的变换，根据角度域级联信道的稀疏性将信道估计问题转化成压缩感知恢复问题；
步骤3，并分析角度域级联信道的行列结构稀疏性；
步骤4，采用压缩感知算法分别结合级联信道的行列结构稀疏性对级联信道进行估计。
进一步地，所述步骤1中：
系统模型为由一个基站和一个IRS组成的大规模MIMO系统，同时为K个单天线用户服务，基站和IRS天线数分别是M＝M1×M2和N＝N1×N2，M1和M2分别表示基站天线阵列的横向和纵向天线单元数，N1和N2分别表示IRS天线阵列的横向和纵向天线单元数；不考虑基站与用户间的直接路径，基站与IRS间采用Saleh-Valenzuela信道模型，H1表示IRS与基站间的信道，H2表示用户与IRS间的信道，并通过H2，k表示IRS与用户k间的信道，L1是IRS与基站间的有效路径数，L2，k是IRS与用户k间的有效路径数，Θ是IRS处的反射矢量矩阵，S是导频信号。
进一步地，所述步骤2中：
下行链路时，设W为采集的基站波束形成向量，第k个用户接收到基站在Q个时隙发送的信号为：
Yk＝H1diag(Θ)H2，kWS+Nk＝H1diag(H2，k)ΘS+N
取级联信道为H＝H1diag(H2)，在虚拟角度域，H表示为：
Figure BDA0003563494750000031
其中
Figure BDA0003563494750000032
表示角度域级联信道，UM和
Figure BDA0003563494750000033
分别是基站和IRS的字典酉矩阵，则
Figure BDA0003563494750000034
设
Figure BDA0003563494750000035
为有效测量值矩阵，
Figure BDA0003563494750000036
为有效噪声矩阵，
Figure BDA0003563494750000037
为传感矩阵，那么上式写成一个压缩感知问题模型：
Figure BDA0003563494750000038
进一步地，所述步骤3中：
将级联信道表示为：
Figure BDA0003563494750000039
其中
Figure BDA00035634947500000310
和
Figure BDA00035634947500000311
只有一个非零元素，在阵列矢量位于UM和UN的
Figure BDA0003563494750000041
方向上；从上式，发现对于
Figure BDA0003563494750000042
每个完整的反射路径(l1,l2)只有一个非零元素，该元素的行列索引取决于
Figure BDA0003563494750000043
和
Figure BDA0003563494750000044
因此
Figure BDA0003563494750000045
只有L1个非零列，其中每个非零列只有L2,k个非零行，非零元素总数为L1L2,k<<MN。
进一步地，所述步骤3中，角度级联通道的双重稀疏性分别从行和列的角度总结如下：
列结构的稀疏性：定义
Figure BDA0003563494750000046
为
Figure BDA0003563494750000047
中非零元素的列的集合，Ωr为
Figure BDA0003563494750000048
的完全公共列支撑集，那么
Figure BDA0003563494750000049
部分行结构稀疏性：设
Figure BDA00035634947500000410
表示
Figure BDA00035634947500000411
的第l1(l1＝1,2,...,L1)个非零列的非零元素的行的集合，
Figure BDA00035634947500000412
为
Figure BDA00035634947500000413
第l1个非零列的部分公共行支撑集，那么
Figure BDA00035634947500000414
进一步地，所述步骤4包括如下分步骤：
步骤4-1，估计完全公共非零列的支撑集：
根据级联信道的列结构的稀疏性估计出与级联信道L1个非零行相关的L1个完全公共行支撑集
Figure BDA00035634947500000415
Figure BDA00035634947500000416
Figure BDA00035634947500000417
联合
Figure BDA00035634947500000418
来估计
Figure BDA00035634947500000419
进而消除噪声的影响；用M×1维矩阵g来存储
Figure BDA00035634947500000420
列功率和，选择g中L1个幅度最大的元素来估计完全公共列支撑集
Figure BDA0003563494750000051
其中τ(x,L)是一个修剪算子，其作用是筛选出x中L个幅度最大的元素，其余元素置零，另外Γ(x)用来表示x的支撑集，Γ(x)＝{i,x(i)≠0}；
步骤4-2，计算出部分公共非零列的支撑集：
根据部分列结构稀疏性，采用CoSaMP依次计算出第l1(个非零行的非零列的支撑集
Figure BDA0003563494750000052
l1＝1，...,L1)：
先用每个用户k的2L2,k索引估计行支持集
Figure BDA0003563494750000053
然后从所有
Figure BDA0003563494750000054
中选择与最大次数相关联的Lc个索引值来估计部分行支持集
Figure BDA0003563494750000055
Figure BDA0003563494750000056
与
Figure BDA0003563494750000057
的2L2,k个最相关的行作为新的行支撑索引n*，通过更新的
Figure BDA0003563494750000058
使用最小二乘算法获得估计的稀疏向量
Figure BDA0003563494750000059
对
Figure BDA00035634947500000510
中元素降序排列后，取前L2,k个最大的值，按照索引的顺序排列，作为最终输出的解；通过去除已经估计的非零元素的影响来更新残差向量
Figure BDA00035634947500000511
Figure BDA00035634947500000512
为N×1维向量用来所选列索引的次数，选择
Figure BDA00035634947500000513
中Lc个最大值的元素的索引来估计
Figure BDA00035634947500000514
步骤4-3，计算出每个用户的特定的行支撑集：
采用CoSaMP算法对每一个用户进行计算
Figure BDA00035634947500000515
对于第l1个非零列，通过步骤2估计了Lc行支撑索引；因此，对于每个用户k，有L2,k-Lc个用户特定的行支持索引基于步骤2进行估计；
步骤4-4，根据最小二乘法获得相应的信道估计矩阵，并将角度信道转换为空间信道来获得估计的级联信道：
在获取所有稀疏矩阵的支撑集后，根据最小二乘法获得相应的估计矩阵
Figure BDA00035634947500000516
Figure BDA0003563494750000061
最后，将角度信道转换为空间信道来获得估计的级联信道
Figure BDA0003563494750000062
Figure BDA0003563494750000063
进一步地，所述步骤4-2具体包含如下分步骤：
步骤4-2-1：输入：
Figure BDA0003563494750000064
L1，
Figure BDA0003563494750000065
Lc,
Figure BDA0003563494750000066
初始化
Figure BDA0003563494750000067
步骤4-2-2：计算
Figure BDA0003563494750000068
选择n1中最大的2L2,k个最大的值，将这些值对应的
Figure BDA0003563494750000069
的行序号构成集合n*；
步骤4-2-3：更新
Figure BDA00035634947500000610
步骤4-2-4：计算
Figure BDA00035634947500000611
对
Figure BDA00035634947500000612
中元素降序排列后,取前L2,k个最大的值，用其对应的
Figure BDA00035634947500000613
的L2,k列更新
Figure BDA00035634947500000614
Figure BDA00035634947500000615
步骤4-2-5：重复迭代L1×K次，最后选择
Figure BDA00035634947500000616
中Lc个最大值的元素的索引即为
Figure BDA00035634947500000617
本发明提出了一种智能反射面辅助毫米波系统的信道估计方法，其优点是：
1)本发明方法通过分析角度域级联信道，找到了级联信道的行列结构稀疏性，并将级联信道估计问题转化为稀疏信号恢复问题，可以直接使用传统的压缩感知算法。
2)本发明方法提出了采用CoSaMP算法分别集成级联信道的行和列结构稀疏性进而解决压缩感知重构问题，避免了每次迭代原子的重复选择对信道估计精度造成的不良影响。
3)本发明方法所需的导频开销低于其他两个传统方案，并且估计精度最高。
附图说明
图1是本发明实施例中的信道估计方法流程图。
图2是本发明实施例中的应用场景。
图3是本发明实施例中的信道估计方法在不同导频开销情况下的归一化均方误差(NMSE)性能。
图4是本发明实施例中的信道估计方法与其他两种信道估计方法在不同信噪比下的信道估计的NMSE性能。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本实施例的网络架构如图2所示，图示场景：
考虑TDD模式下，由一个基站和一个IRS组成的毫米波大规模MIMO系统，同时为K＝16个单天线用户服务。由于信道互易性，可以通过估计上行链路的信道状态信息来获得下行链路的信道状态信息。其中基站和IRS都配备了半波长均匀平面阵列(UPA)，天线数和元件数分别是M＝8×8＝64和N＝16×16＝256，IRS和基站之间的路径数量是L1＝5，并且从第k个用户到IRS的路径数量被设置为L2k＝8。对于
Figure BDA0003563494750000071
所有空间角度都被假设在量化网格上。考虑IRS的离散相移，IRS反射矩阵Θ的每个元素选自
Figure BDA0003563494750000072
基站与IRS和IRS与用户间的距离分别是d1＝10m,d2＝100m，
Figure BDA0003563494750000081
信噪比定义为
Figure BDA0003563494750000082
取值范围为0-10dB。
一种IRS辅助毫米波大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)系统的信道估计方法，本实施例中，该方法包括以下步骤：
步骤(1)：设定该系统的直接链路被障碍物阻挡，IRS提供虚拟直接链路，使用正交导频传输策略，基站在Q个时隙内通过下行链路将已知导频符号发送给IRS，IRS接收基站发送的导频信号进行处理，并通过IRS反射将导频信号传输至用户。
将毫米波大规模MIMO无线信道视为级联信道H(即从用户通过IRS到基站的信道)，
Figure BDA0003563494750000083
表示从IRS到基站的信道，
Figure BDA0003563494750000084
Figure BDA0003563494750000085
表示从用户到IRS的信道，采用广泛使用的Saleh-Valenzuela通道模型将H1表示为：
Figure BDA0003563494750000086
其中，L1是基站与IRS之间的有效路径数，
Figure BDA0003563494750000087
和
Figure BDA0003563494750000088
分别代表表示由路径损耗、基站的方位角(仰角)和第l1路径的IRS的方位角(仰角)组成的复合增益，其中上标中的r表示接收端，t表示发送端。IRS与用户k间的信道也可以表示为：
Figure BDA0003563494750000089
其中，L2,k是用户侧与IRS之间的有效路径数，
Figure BDA00035634947500000810
分别代表表示由路径损耗、IRS与用户第l2路径IRS处的方位角(仰角)组成的复合增益。
Figure BDA0003563494750000091
分别代表与基站和IRS相关的归一化阵列操纵矢量。以配备N1×N2(N＝N1×N2)UPA的IRS为例，
Figure BDA0003563494750000092
可以表示为：
Figure BDA0003563494750000093
其中n1＝[0，1，...，N1-1]，n2＝[0，1，...，N2-1]，λ是载波波长，天线之间的间距为d＝λ/2
采取正交导频传输策略，基站在Q个时隙内通过下行链路将已知导频符号发送给用户，即，在第q(q＝1，2，...，Q)个时隙内，第k个用户接收到的基站发送的有效信号(不考虑基站与用户间的直接通信)为
yk，q＝H1diag(θq)h2，kωk，qsk，q+nk，q＝H1diag(h2，k)θqωk，qsk，q+nk，q
其中sk，q是基站发送给第k个用户的导频信号，ωk，q是基站采用的波束形成向量，θq＝[θq，1，...，θq，N]T是IRS处的N×1维的反射矢量，θq，n是第q个时隙是IRS第n个单元(n＝1，...，N)的反射系数，nk，q～CN(0，σ2IM)是功率为σ2的噪声。
步骤(2)：将IRS辅助的毫米波大规模MIMO系统信道模型转换为角度域级联信道，并将信道估计问题转换成压缩感知重构问题，包括以下步骤：
设Hk＝H1diag(h2，k)是第k个用户的级联信道，在波束成形阶段，我们只需要级联信道Hk的信息即可进行联合主动和被动波束成形，即优化ω和θ以最大化接收器处的接收信号功率，在虚拟角度域，
Figure BDA0003563494750000094
Figure BDA0003563494750000101
可以表示为：
Figure BDA0003563494750000102
其中
Figure BDA0003563494750000103
表示M×N维的角度域级联信道，
Figure BDA0003563494750000104
和
Figure BDA0003563494750000105
分别是基站和IRS的字典酉矩阵，由于在基站和IRS周围有有限的散射，角度域级联信道非零元素有限，这呈现出稀疏性。
第k个用户接收到的基站发送的有效信号为：
yk，q＝Hkθqωk，qsk，q+nk，q
当Q个时隙传输完成时，第k个用户接收到的信号矩阵为：
Yk＝HkΘωk，q+Nk
这里假设sk，q＝1，Yk＝[yk，1，...，yk，Q]，Θ＝[θ1，...，θQ]，Nk＝[nk，1，...，nk，Q]。
结合上式，可以得到：
Figure BDA0003563494750000106
设
Figure BDA0003563494750000107
是Q×M维的有效测量值矩阵，
Figure BDA0003563494750000108
是Q×M维的有效噪声矩阵，
Figure BDA0003563494750000109
为Q×N维的传感矩阵，那么上式可以写成一个(压缩感知)模型：
Figure BDA00035634947500001010
步骤(3)：分析级联信道进行稀疏结构分析。
步骤(4)：通过将级联信道的稀疏结构与CoSaMP算法相结合，提出了基于压缩感知算法的级联信道估计方案。
本实施例中，其所述的步骤(3)过程如下：
级联信道可以表示为：
Figure BDA0003563494750000111
其中
Figure BDA0003563494750000112
和
Figure BDA0003563494750000113
只有一个非零元素，在阵列矢量位于UM和UN的
Figure BDA0003563494750000114
方向上。从上式，可以发现对于
Figure BDA0003563494750000115
每个完整的反射路径(l1,l2)只有一个非零元素，该元素的行列索引取决于
Figure BDA0003563494750000116
和
Figure BDA0003563494750000117
因此
Figure BDA0003563494750000118
只有L1个非零列，其中每个非零列只有L2,k个非零行，非零元素总数为L1L2,k<<MN。
更重要的是，不同的稀疏信道
Figure BDA0003563494750000119
也表现出了行列结构稀疏性。首先，由于不同用户通过公共IRS与基站通信，因此从IRS到基站的信道H1对所有用户都是公共的。从上式，可以发现
Figure BDA00035634947500001110
与用户索引k无关，因此
Figure BDA00035634947500001111
中的非零元素位于完全共用路径的L1上。其次，由于不同的用户将共享IRS和用户之间的部分散射，
Figure BDA00035634947500001112
可能在IRS享受部分公用路径，这些路径具有相同的方位角(仰角)。设
Figure BDA00035634947500001113
表示
Figure BDA00035634947500001114
的公用路径数，则对于
Figure BDA00035634947500001115
总是存在
Figure BDA00035634947500001116
被
Figure BDA00035634947500001117
共用。也就是说，对于每个公共非零行l1(l1＝1,2,...,L1)，
Figure BDA00035634947500001118
只有Lc个非零行。角度级联通道的这种双重稀疏性可以分别从行和列的角度总结如下：
(1)列结构的稀疏性:定义
Figure BDA00035634947500001119
为
Figure BDA00035634947500001120
中非零元素的列的集合(Ωr为
Figure BDA00035634947500001121
的完全公共列支撑集)，那么
Figure BDA00035634947500001122
(2)部分行结构稀疏性:设
Figure BDA00035634947500001123
表示
Figure BDA00035634947500001124
的第l1(l1＝1,2,...,L1)个非零列的非零元素的行的集合(
Figure BDA0003563494750000121
为
Figure BDA0003563494750000122
第l1个非零列的部分公共行支撑集)，那么
Figure BDA0003563494750000123
基于上述行列结构稀疏性，结合经典的CoSaMP算法，可以联合估计不同用户的级联信道，以提高信道估计精度。
本实施例中，步骤(4)过程如下：
(4-1)估计完全公共非零列的支撑集：
根据级联信道的行结构的稀疏性计算出与L1个非零行相关的L1个完全公共行支撑集
Figure BDA0003563494750000124
Figure BDA0003563494750000125
Figure BDA0003563494750000126
从信道的虚拟角度域表示，可以发现
Figure BDA0003563494750000127
的非零列是与接收端
Figure BDA0003563494750000128
功率高的行相对应的，因此可以联合
Figure BDA0003563494750000129
来估计
Figure BDA00035634947500001210
进而消除噪声的影响。用1×M维矩阵g来存储
Figure BDA00035634947500001211
列功率和，选择g中L1个幅度最大的元素来估计完全公共行支撑集
Figure BDA00035634947500001212
其中τ(x,L)是一个修剪算子，其作用是筛选出x中L个幅度最大的元素，其余元素置零，另外Γ(x)用来表示x的支撑集(Γ(x)＝{i,x(i)≠0})。
(4-2)计算出部分公共非零行的支撑集：
根据部分行结构稀疏性，采用CoSaMP算法依次计算出第l1(l1＝1，...,L1)个非零列的非零行的支撑集
Figure BDA00035634947500001213
先用每个用户k的2L2,k索引估计行支持集
Figure BDA00035634947500001214
然后从所有
Figure BDA00035634947500001215
中选择与最大次数相关联的Lc个索引值来估计部分行支持集
Figure BDA0003563494750000131
Figure BDA0003563494750000132
与
Figure BDA0003563494750000133
的2L2,k个最相关的行作为新的行支撑索引n*，通过更新的
Figure BDA0003563494750000134
使用最小二乘算法获得估计的稀疏向量
Figure BDA0003563494750000135
对
Figure BDA0003563494750000136
中元素降序排列后,取前L2,k个最大的值，按照索引的顺序排列，作为最终输出的解。通过去除已经估计的非零元素的影响来更新残差向量
Figure BDA00035634947500001324
为N×1维向量用来所选列索引的次数，选择
Figure BDA0003563494750000138
中Lc个最大值的元素的索引来估计
Figure BDA0003563494750000139
如下：
1)：输入：
Figure BDA00035634947500001310
L1，
Figure BDA00035634947500001311
Lc,
Figure BDA00035634947500001312
初始化
Figure BDA00035634947500001313
2)：计算
Figure BDA00035634947500001314
选择n1中最大的2L2,k个值，将这些值对应的
Figure BDA00035634947500001315
的列序号构成集合n*；
3)：更新
Figure BDA00035634947500001316
4)：计算
Figure BDA00035634947500001325
对
Figure BDA00035634947500001323
中元素降序排列后,取前L2,k个值，用其对应的
Figure BDA00035634947500001318
的L2,k列更新
Figure BDA00035634947500001319
5)：重复迭代L1×K次，最后选择
Figure BDA00035634947500001320
中Lc个最大值的元素的索引即为
Figure BDA00035634947500001321
(4-3)计算出每个用户的特定的列支撑集：
采用CoSaMP算法对每一个用户进行计算
Figure BDA00035634947500001322
对于第l1个非零列，已经通过(2)估计了Lc行支撑索引。因此，对于每个用户k，有L2,k-Lc个用户特定的行支持索引需要估计。具体步骤如(2)所示。
(4-4)根据最小二乘法获得相应的信道估计矩阵，并将角度信道转换为空间信道来获得估计的级联信道：
在获取所有稀疏矩阵的支撑集后，根据最小二乘法获得相应的估计矩阵
Figure BDA0003563494750000141
Figure BDA0003563494750000142
最后，将角度信道转换为空间信道来获得估计的级联信道
Figure BDA0003563494750000143
Figure BDA0003563494750000144
本实施例公开的智能反射面辅助毫米波系统的信道估计方法的效果通过以下实验进一步说明：
从图3显示出了不同导频开销对归一化均方误差(NMSE)性能的影响。如图所示，首先，可以观察到所有估计方案的估计性能随着导频开销的增加而增强；其次，为了获得相同的估计精度，所提出的基于DS-CoSaMP的方案所需的导频开销低于其他两个传统方案。然而，当IRS和所有用户之间没有公共路径时，即Lc＝0，行列结构稀疏性将被简化为行结构稀疏性。因此，所提出的基于DS-CoSaMP和基于行结构稀疏性的方案的NMSE性能是相同的。随着IRS和用户之间公共路径数量的增加，所提出方案的NMSE性能可以得到改善，逐渐接近完美信道。
从图4所显示的各种算法在不同信噪比下的信道估计的NMSE性能。为了便于分析，假设导频开销为Q＝32,最大迭代次数为iteration＝8，从图中可以看出，本发明实施例所提的DS-CoSaMP算法估计精度最高，并且其估计精度随着信噪比的增长而越来越高。
综上所述，本实施例公开了一种IRS辅助大规模MIMO毫米波系统的信道估计方法，通过利用压缩感知算法来解决压缩感知重构问题，有效地实现了IRS辅助毫米波大规模MIMO系统的信道估计。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (7)

1.一种智能反射面辅助毫米波大规模MIMO系统的信道估计方法，其特征在于：所述信道估计方法包括以下步骤：
步骤1，建立系统模型和信道模型，其中基站和IRS都配备了半波长均匀平面阵列UPA，包括路径损耗参数、基站以及IRS处的方位角和仰角；
步骤2，在接收端，通过对接收信号Y的变换，根据角度域级联信道的稀疏性将信道估计问题转化成压缩感知恢复问题；
步骤3，并分析角度域级联信道的行列结构稀疏性；
步骤4，采用压缩感知算法分别结合级联信道的行列结构稀疏性对级联信道进行估计。
2.根据权利要求1所述的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，其特征在于：所述步骤1中：
系统模型为由一个基站和一个IRS组成的大规模MIMO系统，同时为K个单天线用户服务，基站和IRS天线数分别是M＝M1×M2和N＝N1×N2，M1和M2分别表示基站天线阵列的横向和纵向天线单元数，N1和N2分别表示IRS天线阵列的横向和纵向天线单元数；不考虑基站与用户间的直接路径，基站与IRS间采用Saleh-Valenzuela信道模型，H1表示IRS与基站间的信道，H2表示用户与IRS间的信道，并通过H2,k表示IRS与用户k间的信道，L1是IRS与基站间的有效路径数，L2,k是IRS与用户k间的有效路径数，Θ是IRS处的反射矢量矩阵，S是导频信号。
3.根据权利要求1所述的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，其特征在于：所述步骤2中：
下行链路时，设W为采集的基站波束形成向量，第k个用户接收到基站在Q个时隙发送的信号为：
Yk＝H1diag(Θ)H2,kWS+Nk＝H1diag(H2,k)ΘS+N
取级联信道为H＝H1diag(H2)，在虚拟角度域，H表示为：
Figure FDA0003563494740000021
其中
Figure FDA0003563494740000022
表示角度域级联信道，UM和
Figure FDA0003563494740000023
分别是基站和IRS的字典酉矩阵，则
Figure FDA0003563494740000024
设
Figure FDA0003563494740000025
为有效测量值矩阵，
Figure FDA0003563494740000026
为有效噪声矩阵，
Figure FDA0003563494740000027
为传感矩阵，那么上式写成一个压缩感知问题模型：
Figure FDA0003563494740000028
4.根据权利要求1所述的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，其特征在于：所述步骤3中：
将级联信道表示为：
Figure FDA0003563494740000029
其中
Figure FDA00035634947400000210
和
Figure FDA00035634947400000211
只有一个非零元素，在阵列矢量位于UM和UN的
Figure FDA00035634947400000212
方向上；从上式，发现对于
Figure FDA00035634947400000213
每个完整的反射路径(l1,l2)只有一个非零元素，该元素的行列索引取决于
Figure FDA00035634947400000214
和
Figure FDA00035634947400000215
因此
Figure FDA00035634947400000216
只有L1个非零列，其中每个非零列只有L2,k个非零行，非零元素总数为L1L2,k<<MN。
5.根据权利要求4所述的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，其特征在于：所述步骤3中，角度级联通道的双重稀疏性分别从行和列的角度总结如下：
列结构的稀疏性：定义
Figure FDA0003563494740000031
为
Figure FDA0003563494740000032
中非零元素的列的集合，Ωr为
Figure FDA0003563494740000033
的完全公共列支撑集，那么
Figure FDA0003563494740000034
部分行结构稀疏性：设
Figure FDA0003563494740000035
表示
Figure FDA0003563494740000036
的第l1(l1＝1,2,...,L1)个非零列的非零元素的行的集合，
Figure FDA0003563494740000037
为
Figure FDA0003563494740000038
第l1个非零列的部分公共行支撑集，那么
Figure FDA0003563494740000039
6.根据权利要求1所述的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，其特征在于：所述步骤4包括如下分步骤：
步骤4-1，估计完全公共非零列的支撑集：
根据级联信道的列结构的稀疏性估计出与级联信道L1个非零行相关的L1个完全公共行支撑集
Figure FDA00035634947400000310
Figure FDA00035634947400000311
Figure FDA00035634947400000312
联合
Figure FDA00035634947400000313
来估计
Figure FDA00035634947400000314
进而消除噪声的影响；用M×1维矩阵g来存储
Figure FDA00035634947400000315
列功率和，选择g中L1个幅度最大的元素来估计完全公共列支撑集
Figure FDA00035634947400000316
其中τ(x,L)是一个修剪算子，其作用是筛选出x中L个幅度最大的元素，其余元素置零，另外Γ(x)用来表示x的支撑集，Γ(x)＝{i,x(i)≠0}；
步骤4-2，计算出部分公共非零列的支撑集：
根据部分列结构稀疏性，采用CoSaMP依次计算出第l1个非零行的非零列的支撑集
Figure FDA0003563494740000041
先用每个用户k的2L2,k索引估计行支持集
Figure FDA0003563494740000042
然后从所有
Figure FDA0003563494740000043
中选择与最大次数相关联的Lc个索引值来估计部分行支持集
Figure FDA0003563494740000044
Figure FDA0003563494740000045
与
Figure FDA0003563494740000046
的2L2,k个最相关的行作为新的行支撑索引n*，通过更新的
Figure FDA0003563494740000047
使用最小二乘算法获得估计的稀疏向量
Figure FDA0003563494740000048
对
Figure FDA0003563494740000049
中元素降序排列后，取前L2,k个最大的值，按照索引的顺序排列，作为最终输出的解；通过去除已经估计的非零元素的影响来更新残差向量
Figure FDA00035634947400000410
Figure FDA00035634947400000411
为N×1维向量用来所选列索引的次数，选择
Figure FDA00035634947400000412
中Lc个最大值的元素的索引来估计
Figure FDA00035634947400000413
步骤4-3，计算出每个用户的特定的行支撑集：
采用CoSaMP算法对每一个用户进行计算
Figure FDA00035634947400000414
对于第l1个非零列，通过步骤2估计了Lc行支撑索引；因此，对于每个用户k，有L2,k-Lc个用户特定的行支持索引基于步骤2进行估计；
步骤4-4，根据最小二乘法获得相应的信道估计矩阵，并将角度信道转换为空间信道来获得估计的级联信道：
在获取所有稀疏矩阵的支撑集后，根据最小二乘法获得相应的估计矩阵
Figure FDA00035634947400000415
Figure FDA00035634947400000416
最后，将角度信道转换为空间信道来获得估计的级联信道
Figure FDA0003563494740000051
Figure FDA0003563494740000052
7.根据权利要求6所述的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，其特征在于：所述步骤4-2具体包含如下分步骤：
步骤4-2-1：输入：
Figure FDA0003563494740000053
初始化
Figure FDA0003563494740000054
步骤4-2-2：计算
Figure FDA0003563494740000055
选择n1中最大的2L2,k个最大的值，将这些值对应的
Figure FDA0003563494740000056
的行序号构成集合n*；
步骤4-2-3：更新
Figure FDA0003563494740000057
步骤4-2-4：计算
Figure FDA0003563494740000058
对
Figure FDA0003563494740000059
中元素降序排列后,取前L2,k个最大的值，用其对应的
Figure FDA00035634947400000510
的L2,k列更新
Figure FDA00035634947400000511
Figure FDA00035634947400000512
步骤4-2-5：重复迭代L1×K次，最后选择
Figure FDA00035634947400000513
中Lc个最大值的元素的索引即为
Figure FDA00035634947400000514
CN202210296390.6A 2022-03-24 2022-03-24 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 Active CN114726687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210296390.6A CN114726687B (zh) 2022-03-24 2022-03-24 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210296390.6A CN114726687B (zh) 2022-03-24 2022-03-24 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

Publications (2)

Publication Number Publication Date
CN114726687A true CN114726687A (zh) 2022-07-08
CN114726687B CN114726687B (zh) 2023-06-30

Family

ID=82240618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210296390.6A Active CN114726687B (zh) 2022-03-24 2022-03-24 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

Country Status (1)

Country Link
CN (1) CN114726687B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115765900A (zh) * 2022-10-27 2023-03-07 大连海事大学 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法
CN116094556A (zh) * 2022-12-15 2023-05-09 重庆邮电大学 基于irs辅助太赫兹mimo通信系统的空间多路复用方法
CN116506262A (zh) * 2023-06-29 2023-07-28 南京邮电大学 用于双irs辅助通信系统的信道估计方法及系统
CN117061028A (zh) * 2023-04-21 2023-11-14 重庆邮电大学空间通信研究院 一种ris辅助毫米波通信的信道估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112565121A (zh) * 2020-12-07 2021-03-26 电子科技大学 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法
CN113179231A (zh) * 2021-04-15 2021-07-27 内蒙古大学 一种毫米波大规模mimo系统中波束空间信道估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112565121A (zh) * 2020-12-07 2021-03-26 电子科技大学 用于智能反射面辅助的大规模mimo系统的半盲信道估计方法
CN113179231A (zh) * 2021-04-15 2021-07-27 内蒙古大学 一种毫米波大规模mimo系统中波束空间信道估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WU Q, ETC.: "Towards smart and reconfigurable environment: Intelligent reflecting surface aided wireless network", 《IEEE》, vol. 58, no. 1, pages 106 - 112, XP011768215, DOI: 10.1109/MCOM.001.1900107 *
朱美溶: "智能反射面辅助毫米波MlSO系统的信道估计", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115765900A (zh) * 2022-10-27 2023-03-07 大连海事大学 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法
CN115765900B (zh) * 2022-10-27 2024-02-27 大连海事大学 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法
CN116094556A (zh) * 2022-12-15 2023-05-09 重庆邮电大学 基于irs辅助太赫兹mimo通信系统的空间多路复用方法
CN116094556B (zh) * 2022-12-15 2024-05-14 重庆邮电大学 基于irs辅助太赫兹mimo通信系统的空间多路复用方法
CN117061028A (zh) * 2023-04-21 2023-11-14 重庆邮电大学空间通信研究院 一种ris辅助毫米波通信的信道估计方法
CN116506262A (zh) * 2023-06-29 2023-07-28 南京邮电大学 用于双irs辅助通信系统的信道估计方法及系统
CN116506262B (zh) * 2023-06-29 2023-10-13 南京邮电大学 用于双irs辅助通信系统的信道估计方法及系统

Also Published As

Publication number Publication date
CN114726687B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN114726687B (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
CN110166103B (zh) 一种毫米波mu-miso系统的新型混合波束成形结构及设置方法
CN101867402B (zh) 一种自适应天线选择的mimo系统及其应用方法
CN109302224B (zh) 用于大规模mimo的混合波束赋形算法
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
CN108933745A (zh) 一种基于超分辨率角度和时延估计的宽带信道估计方法
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
CN110138425B (zh) 低复杂度阵列天线多输入多输出系统混合预编码算法
CN110138427B (zh) 基于部分连接的大规模多输入多输出混合波束赋形算法
CN110661555B (zh) 用于大规模mimo的部分连接的移相器网络的混合预编码算法
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
CN113824478B (zh) 离散透镜天线阵列辅助的宽带毫米波多用户大规模mimo上行频谱效率优化方法
CN114466390A (zh) 一种基于智能反射面辅助的swipt系统性能优化方法及系统
CN113411107A (zh) 一种基于波束束的毫米波大规模mimo系统宽带信道估计方法
Kaushik et al. Energy efficient ADC bit allocation and hybrid combining for millimeter wave MIMO systems
JP7170863B2 (ja) アナログプリコーディング及びアナログ結合を可能にする方法
CN110636018B (zh) 一种网格补偿大规模mimo信道估计方法
CN113992254B (zh) 智能反射面辅助无线通信系统波束成形方法
CN113824477B (zh) 离散透镜天线阵列辅助的多用户大规模mimo优化方法
Kaushik et al. Energy efficiency maximization in millimeter wave hybrid MIMO systems for 5G and beyond
CN112367104B (zh) 用于毫米波mimo的基于移相器的联合空分复用方法
CN112636800B (zh) 基于毫米波大规模mimo多用户场景的混合预编码方法
Hadji et al. Channel estimation based on low‐complexity hierarchical codebook design for millimeter‐wave MIMO systems
CN114039638A (zh) 一种混合波束成形器与模数转换器联合设计方法

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