CN114745237A - 一种智能超表面辅助多用户无线通信系统的信道估计方法 - Google Patents

Abstract

本发明涉及无线通信技术领域，其公开了一种可以提升估计精度、减少导频开销、降低计算复杂度的智能超表面辅助多用户无线通信系统的信道估计方法。该方法包括以下步骤：步骤1：用户发送导频信号到智能超表面，经过智能超表面反射，将导频信号发送到基站；步骤2：将信道表示成虚拟角度域形式；步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计；本发明利用信道的公共结构化稀疏特性和双时间尺度特性，对稀疏信道矩阵进行两次降维，以降低使用结构化稀疏贝叶斯学习方法来恢复信道时的计算复杂度，并且有助于提升估计精度、减少导频开销；对信道稀疏度、相关性参数、公共路径数量不敏感，具有较好的鲁棒性，适用于信道的具体结构化信息未知且变化的实际场景。

Description

一种智能超表面辅助多用户无线通信系统的信道估计方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种智能超表面辅助多用户无线通信系统的信道估计方法。

背景技术

现有无线通信系统设计往往认为无线传播环境是随机且不可控的，从根本上限制了无线通信性能的提升。而智能超表面(Reconfigurable Intelligent Surface，RIS)通常由大量低功耗、低成本的被动式反射单元组成。通过调控每个反射单元的反射系数，对随机且不可控的无线传播环境进行智能重构，利于实现覆盖增强、容量提升、干扰抑制等多重目的。如，将智能超表面用于辅助毫米波通信，以提供虚拟视距链路，增强基站与用户之间的连接并提升覆盖范围。为了充分发挥智能超表面辅助无线通信系统的性能优势，获取准确的信道状态信息是至关重要的。

但是智能超表面辅助无线通信的信道估计比传统通信场景更具挑战性，难点在于：第一、智能超表面的反射单元通常是被动式的，只反射信号，不具备复杂的信号处理能力，导致信道状态信息的获取存在困难。第二、智能超表面包含大量的反射单元，导致智能超表面相关信道的维度较高，增加了估计复杂度和导频开销。现有的信道估计方法，如基于码本的信道估计需要较大的训练开销，并且智能超表面信道的分段特性和近场特性增加了码本设计的难度。而基于人工智能的信道估计需要构建合适的模型并训练参数，依赖于数据驱动和长时间的在线训练，不利于实际应用。所以存在估计精度不高、训练开销较大、复杂度较高等问题。

发明内容

本发明针对现有技术存在的问题，提供一种可以提升估计精度、减少导频开销、降低计算复杂度的智能超表面辅助多用户无线通信系统的信道估计方法。

本发明采用的技术方案是：

一种智能超表面辅助多用户无线通信系统的信道估计方法，包括以下步骤：

步骤1：用户发送导频信号到智能超表面，经过智能超表面反射，将导频信号发送到基站；

步骤2：将信道表示成虚拟角度域形式；

步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计。

进一步的，基站通过上行信道估计得到上行信道状态信息后，可以利用信道互易性得到下行信道状态信息用于波束赋形优化设计，以减少信道反馈开销。但是该方法也可用于下行信道估计，由基站发送导频信号，经过智能超表面反射将导频信号发送到用户，在用户端进行信道的估计。所述信道估计方法如下：

S1：进行多用户联合的公共行支撑集估计，根据多个用户的有效观测矩阵，得到估计的公共行支撑集；通过公共行支撑集对稀疏矩阵进行降维；

S2：进行基于正交匹配追踪的列支撑集估计，得到列支撑集和公共的列支撑集；根据设定的公共列支撑集的判决条件估计列支撑集是否准确；若满足判决条件通过列支撑集对稀疏信道矩阵进行二次降维；

根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量；

S3：根据公共行支撑集、列支撑集和S2估计后的块稀疏信道矢量，重构级联信道，即可得到估计的信道。

进一步的，所述步骤S2中根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量，通过构建分层先验模型进行估计，过程如下：

第1层：

第2层：

式中：

为第k个用户的块稀疏信道矢量，

K为用户数量，

为

的第i个元素，

为循环复高斯分布，α＝{α_i}为超参数集合，α_i为超参数，Gamma为伽马分布，L₂为信道路径数量，L_c为列支撑集的基数，{γ_i+1,γ_i-1}为相关性参数，a、b为正数，Γ为伽马函数，(·)^-1为求逆；

令噪声功率σ²＝β^-1，β为超参数，噪声项的分层先验模型为：

第1层：

第2层：p(β)＝Gamma(β|c+1,d)＝Γ(c+1)^-1d^c+1β^ce^-dβ

式中：I为单位矩阵，

为噪声矢量，c、d为正数；

根据先验分布和对应的似然函数得到后验分布；进而得到最大后验概率分布估计：

式中：A_S,k为感知矩阵，(·)^H为共轭转置，Λ(α)为与α有关的对角矩阵，

为观测矢量；

最大后验概率分布估计与超参数α和β有关，对超参数α和β进行估计。

进一步的，所述对超参数α和β进行估计方法如下：

采用期望最大化方法，将块稀疏信道矢量

作为隐变量，通过迭代执行E步和M步直至收敛，得到估计的超参数，每次迭代的更新如下：

式中：c₁为常数，

μ_k,i为均值μ_k的第i个元素，Σ_k,i,i为协方差矩阵Σ_k的第i个对角元素，μ_k和Σ_k是根据上一次超参数计算得到的值，M为天线数量，T为导频传输的时隙数量，Tr(·)为求迹。

本发明的有益效果是：

(1)本发明利用信道的公共结构化稀疏特性和双时间尺度特性，对稀疏信道矩阵进行两次降维，以降低使用结构化稀疏贝叶斯学习方法来恢复信道时的计算复杂度，并且有助于提升估计精度、减少导频开销；

(2)本发明方法对信道稀疏度、相关性参数、公共路径数量不敏感，具有较好的鲁棒性，适用于信道的具体结构化信息未知且变化的实际场景。

附图说明

图1为本发明实施例中稀疏信道矩阵的公共行列块稀疏结构特性示意图。

图2为本发明中信道估计流程示意图。

图3为本发明实施例中不同方法和相关性参数下归一化均方误差与导频开销的关系示意图。

图4为本发明实施例中不同方法和公共路径数量下归一化均方误差与稀疏度的关系示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

以一种智能超表面辅助的多用户无线通信系统为例说明信道估计方法，通信系统包括一个配备M根天线并采用均匀线阵的基站，一个含有N个被动式反射单元并采用均匀面阵的智能超表面，以及K个单天线的用户。由于障碍物的影响，基站与用户之间的直接链路被完全阻断，因此引入智能超表面来为基站和用户建立连接。

信道估计方法包括以下步骤：

步骤1：用户采用正交导频传输策略，假设第k个用户在第t个时隙发送的导频信号为

T为时隙数量，经过智能超表面反射将导频信号发送到基站，基站在第t个时隙接收到第k个用户的信号为：

y_k(t)＝H_RBΦ(t)f_ks_k(t)+n_k(t)

＝H_RBdiag{f_k}φ(t)s_k(t)+n_k(t)

＝G_kφ(t)s_k(t)+n_k(t)

式中：

为第k个用户的级联信道，

即第k个用户到智能超表面的信道

为对角元素的对角矩阵与智能超表面到基站的信道

的乘积，

为智能超表面的相移矩阵，diag为对角矩阵，

为相移向量，第n个反射单元的相位

噪声

σ²为噪声功率。

经过T个时隙的导频传输后，基站对于第k个用户的观测矩阵为Y_k＝G_kΘ+N_k，其中，

为智能超表面的反射矩阵；

为第k个用户的噪声矩阵。

以广泛使用并基于出发角、到达角、以及传播路径增益构建的几何信道模型为例，本发明的信道估计方法也可直接用于其它信道模型。为了表示信道，将阵列导向矢量定义为

其中，X为矢量的维度，ω为相应角度的取值函数，d_a为天线间距，λ为波长，通常取d_a＝λ2，(·)^T表示转置。

将第k个用户到智能超表面的信道

表示为：

式中：L_1,k为信道f_k的路径数量，

和

分别为第k个用户的第l₁条路径的复增益、智能超表面的到达角的方位角和俯仰角，对应到达角的智能超表面的阵列导向矢量

N＝N_y×N_z，

为克罗内克积。

将智能超表面到基站的信道

表示为：

式中：L₂为信道H_RB的路径数量，

和

分别为第l₂条路径的复增益、基站的到达角、智能超表面出发角的方位角和俯仰角；基站的阵列导向矢量

对应出发角的智能超表面的阵列导向矢量

级联信道G_k＝H_RBdiag{f_k}表示为：

式中：

为第k个用户的第(l₁,l₂)条路径下智能超表面的级联出发角的阵列导向矢量，即第k个用户的第l₁条路径对应到达角的智能超表面的阵列导向矢量与第l₂条路径对应出发角的智能超表面的阵列导向矢量的乘积。

步骤2：为了挖掘多用户信道的公共结构化稀疏特性，将信道表示成虚拟角度域的形式，即

其中，A_M和A_N分别是量化份数为Q₂(Q₂＞M)和Q₁(Q₁＞N)的字典矩阵，量化份数越多，角度分辨率就越高，A_M和A_N中的每一列分别由基站的到达角和智能超表面的级联出发角所对应的离散角度的阵列导向矢量表示。

由于信道路径数量L₂和L_1,k是较少的，级联信道G_k只对应于L₂个基站的到达角和L_1,k个智能超表面的级联出发角的阵列导向矢量，因此稀疏信道矩阵

仅包含少量的非零元素，对应于级联信道的复增益

第k个用户的每一条完整反射路径(l₂,l₁)对应于

中的一个非零元素，行索引取决于

列索引取决于

中只有L₂个非零行，每一个非零行上有L_1,k个非零元素，共包括L₂L_1,k个非零元素，远远小于Q₂Q₁，并且非零元素的位置通常是成块出现的，因此

呈现出行列块稀疏结构特性。

由于信道H_RB对于不同用户都是相同的，

的非零行索引取决于

与用户索引k没有关系，因此

的非零元素都位于L₂个非零行上，不同用户具有公共的行支撑集

中非零元素的列索引取决于

由于信道f_k中会有部分相同角度的路径，即信道f_k具有

条公共路径，则在每一个公共的非零行

上，

具有

个公共的非零列，共包括

个公共的非零元素。

以两个用户为例，假设L₂＝3，L_1,1＝L_1,2＝4，

稀疏信道矩阵

和

的公共行列块稀疏结构特性如图1所示；

和

中非零元素所在行的位置是固定的，如图1中索引为2、3、5的行，因此公共的行支撑集

基数

并且

和

中有公共的非零元素，第1、2、3个非零行上的公共列支撑集分别为

基数

步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计。信道估计的方法如图2所示。

在大时间尺度下进行S1的估计过程，在小时间尺度下进行步骤S2和步骤S3的估计过程，针对当前的信道估计，依次进行S1、S2、S3；针对下一次的信道估计，S1中可以直接使用先前估计的公共行支撑集，然后再进行S2和S3。

S1：进行多用户联合的公共行支撑集估计，重新表示基站的观测矩阵，得到

进而得到

其中，

为有效观测矩阵。

为感知矩阵，

为有效噪声矩阵；

的非零行对应于

中具有高增益的列。因此根据多个用户的有效观测矩阵

得到估计的公共行支撑集

通过

对

进行一次降维，得到

S2：进行基于正交匹配追踪的列支撑集估计，通过贪婪迭代得到估计的列支撑集

进而得到公共列支撑集

通过公共列支撑集的判决条件来确保所估计列支撑集的准确性。即是否同时满足

如果满足，就通过

对

进行二次降维，得到

其中

其基数

因此维度得以进一步减小。

根据行列块稀疏结构特性，将信道估计问题转换成压缩感知中的稀疏信号回复问题，通过矢量化观测矩阵。得到

其中

为观测矢量。

为感知矩阵。

为需要估计的块稀疏信道矢量，

为噪声矢量，vec(·)表示矢量化，(·)^*表示共轭。

设计分层先验模型，使用结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量

具体为：

第1层：

第2层：

式中：

为第k个用户的块稀疏信道矢量，

为

的第i个元素，

为循环复高斯分布，α＝{α_i}为超参数集合，α_i为超参数，Gamma为伽马分布，L₂为信道路径数量，L_c为列支撑集的基数，{γ_i+1,γ_i-1}为相关性参数且满足

a、b为正数，一般取极小的正数，Γ为伽马函数，(·)^-1为求逆，

第一层中，

中每个元素

的稀疏性不仅由自身超参数α_i进行控制，还由相邻元素

的超参数{α_i+1,α_i-1}进行控制，并且服从循环复高斯分布。第二层中，超参数集合α＝{α_i}服从伽马分布。

令噪声功率σ²＝β^-1，β为超参数，噪声项的分层先验模型为：

第1层：

第2层：p(β)＝Gamma(β|c+1,d)＝Γ(c+1)^-1d^c+1β^ce^-dβ

式中：I为单位矩阵，

为噪声矢量，c、d为正数，一般取极小的正数；

根据先验分布和对应的似然函数得到后验分布

均值

协方差矩阵

Λ(α)是与α有关的对角矩阵，如果得到超参数{α,β}，进而得到最大后验概率分布估计：

式中：A_S,k为感知矩阵，(·)^H为共轭转置，Λ(α)为与α有关的对角矩阵，

为观测矢量；

采用期望最大化方法，将块稀疏信道矢量

作为隐变量，通过迭代执行E步和M步直至收敛，得到估计的超参数，每次迭代的更新如下：

式中：c₁为常数，

μ_k,i为均值μ_k的第i个元素，Σ_k,i,i为协方差矩阵Σ_k的第i个对角元素，μ_k和Σ_k是根据上一次超参数计算得到的值，M为天线数量，T为导频传输的时隙数量，Tr(·)为求迹。

S3：根据公共行支撑集、列支撑集和S2估计后的块稀疏信道矢量，重构级联信道，即可得到估计的信道

式中：vec^-1(·)为将矢量还原为矩阵。

为了说明本发明方法的性能，采用两种基准方法作为对比参照，图3和图4中的基准方法1为未利用任何信道特性，直接对Y_k＝G_kΘ+N_k进行最小二乘估计。基准方法2利用信道的稀疏特性，但未利用信道的公共结构化稀疏特性和双时间尺度特性，对

进行正交匹配追踪估计。

采用仿真对效果进行验证，参数设置为：基站的天线数量为16根，智能超表面的反射单元数量为64个，用户数量为10个，用户与智能超表面之间的距离为100米，智能超表面与基站之间的距离为10米，智能超表面与基站之间的信道路径数量L₂＝3，先验分布参数a＝0.5，b＝c＝d＝le-10，信噪比为10dB，仿真次数为1000次。

图3为不同方法和相关性参数下归一化均方差误差与导频开销的关系示意图。设置用户与智能超表面之间的信道路径数量

公共路径数量

相关性参数γ_i分别取0.5和0.8。从图3中可以看出，随着导频开销的增大，归一化均方误差降低，本发明方法的归一化均方误差明显低于基准方法1和2，可以看出本发明方法的估计精度更高。当归一化均方误差为-20dB时，本发明方法的导频开销比基准方法2下降了62.5％，本发明方法的导频开销更低。本发明方法对相关性参数γ_i的变化不敏感，并且由于实际中块稀疏信道矢量的块大小和位置是变化且未知的，因此本发明方法具有较好的鲁棒性。

图4为不同方法和公共路径数量下归一化均方误差与稀疏度的关系示意图。设置信道路径数量

信道的稀疏度为L₂×L_1,k＝[9,12,15,18,21,24]，公共路径数量

分别1和2，相关性参数γ_i＝0.8。从图4中可以看出，随着稀疏度的增大，基准方法1与稀疏度无关，其归一化均方误差保持一个较高的值不变。基准方法2的归一化均方误差逐渐升高，而本发明方法的归一化均方误差缓慢升高，当稀疏度变大时，仍然可以保持一个较高的估计精度。本发明方法对稀疏度的变化不是很敏感，鲁棒性更好，此外对公共路径数量

的变化不是很敏感，由于实际场景中公共路径的数量是变化且未知的，因此本发明具有较高的鲁棒性。

本发明利用信道的公共结构化稀疏特性和双时间尺度特性，对稀疏信道矩阵进行两次降维，以降低使用结构化稀疏贝叶斯方法来恢复信道时的计算复杂度，有助于提升估计精度、减少导频开销。并且本发明方法对信道稀疏度、相关性参数、公共路径数量不敏感，具有较好的鲁棒性，适用于信道的具体结构化信息未知且变化的实际场景。

Claims (4)

1.一种智能超表面辅助多用户无线通信系统的信道估计方法，其特征在于，

包括以下步骤：

步骤1：用户发送导频信号到智能超表面，经过智能超表面反射，将导频信号发送到基站；

步骤2：将信道表示成虚拟角度域形式；

步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计。

2.根据权利要求1所述的一种智能超表面辅助多用户无线通信系统的信道估计方法，其特征在于，步骤3中，所述根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计，具体包括：

S1：进行多用户联合的公共行支撑集估计，根据多个用户的有效观测矩阵，得到估计的公共行支撑集；通过公共行支撑集对稀疏矩阵进行降维；

S2：进行基于正交匹配追踪的列支撑集估计，得到列支撑集和公共的列支撑集；根据设定的公共列支撑集的判决条件估计列支撑集是否准确；若满足判决条件通过列支撑集对稀疏信道矩阵进行二次降维；

根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量；

S3：根据公共行支撑集、列支撑集和S2估计后的块稀疏信道矢量，重构级联信道，即可得到估计的信道。

3.根据权利要求2所述的一种智能超表面辅助多用户无线通信系统的信道估计方法，其特征在于，所述根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量，具体为通过构建分层先验模型进行估计，过程如下：

第1层：

第2层：

式中：

为第k个用户的块稀疏信道矢量，

K为用户数量，

为

的第i个元素，

为循环复高斯分布，α＝{α_i}为超参数集合，α_i为超参数，Gamma为伽马分布，L₂为信道路径数量，L_c为列支撑集的基数，{γ_i+1,γ_i-1}为相关性参数，a、b为正数，Γ为伽马函数，(·)^-1为求逆；

令噪声功率σ²＝β^-1，β为超参数，噪声项的分层先验模型为：

第1层：

第2层：p(β)＝Gamma(β|c+1,d)＝Γ(c+1)^-1d^c+1β^ce^-dβ

式中：I为单位矩阵，

为噪声矢量，c、d为正数；

根据先验分布和对应的似然函数得到后验分布；进而得到最大后验概率分布估计：

式中：A_S,k为感知矩阵，(·)^H为共轭转置，Λ(α)为与α有关的对角矩阵，

为观测矢量；

最大后验概率分布估计与超参数α和β有关，对超参数α和β进行估计。

4.根据权利要求3所述的一种智能超表面辅助多用户无线通信系统的信道估计方法，其特征在于，所述对超参数α和β进行估计方法如下：

采用期望最大化方法，将块稀疏信道矢量

作为隐变量，通过迭代执行E步和M步直至收敛，得到估计的超参数，每次迭代的更新如下：

式中：c₁为常数，

μ_k,i为均值μ_k的第i个元素，Σ_k,i,i为协方差矩阵Σ_k的第i个对角元素，μ_k和Σ_k是根据上一次超参数计算得到的值，M为天线数量，T为导频传输的时隙数量，Tr(·)为求迹。

Images