CN114900400B - 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 - Google Patents

Abstract

本发明公开了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，该方法的步骤包括：构建RIS辅助的毫米波MIMO系统，采集接收信号，构建毫米波MIMO系统的信道模型，包括LOS信道和反射信道，采用CS稀疏恢复算法进行高维稀疏信道估计；构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，同时估计LOS信道和反射信道；通过引入加权l₁范数最小化实现LOS信道估计，引入l_1，τ范数最小化实现反射信道问题，通过调整参数τ估计反射信道；建立混合信道模型表征毫米波信道；结合梯度下降和交替最小化方法求得稳定解。本发明解决视距信道与反射信道之间不一致问题，实现有效提升信道状态信息的反馈精度。

Description

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

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于智能反射面辅助物联网的联合稀疏信道估计方法。

背景技术

在物联网时代，天线阵列的大物理尺寸显著提高了无线网络的速率，可以同时服务于多个单天线物联网设备。然而，在实际实现中，硬件成本和高功耗具有相当大的挑战性，这将不可避免地加剧物联网通信的覆盖问题。为了应对这些挑战，可重构智能表面(RIS)作为提高第五代(5G)网络频谱效率(SE)的候选技术，最近受到了越来越多的关注。RIS一般由大量硬件高效的无源元件，如移相器等组成，通过调整其移相器，可以动态地改变入射信号的传播方向，有效地改善传播环境，功耗几乎可以忽略。

然而，由于RIS反射元件具有大量的信道系数，因此其所获得的信道状态信息(CSI)的准确性在很大程度上决定了其误差性能和容量。考虑到RIS的潜在优势，人们已经开展了大量的研究，以追求更高的精度和低复杂度的信道估计。双RIS辅助系统被提出，结合了一种新的波束形成设计，提出了一种同时估计LOS和反射信道的算法。为了得到了更好的信道估计性能，用于信道估计的机器学习也逐渐被展开。通过利用混合进化算法的优点，在RIS辅助系统中推导出基于压缩感知(CS)的信道估计器，可以显著提高信道估计性能。利用基于CS的字典学习方法，研究人员提出了对RIS辅助时分双工系统的两级信道估计。最近的研究认为理想的RIS具有一致的响应，如基于正交频分复用(OFDM)系统的RIS辅助的时变反射模型，该模型的实际RIS中使用了低分辨率移相器；为了减少训练开销，利用信道的相干时间差异，研究半被动元辅助信道估计框架；提出了一种三相信道估计方案，提高了估计精度；利用RIS信道结构的缺陷，提出了实用的残差神经网络，以提高信道估计精度；提出了一种多输入单输出(MISO)信道的线性平方估计控制协议，根据该协议，RIS的部分元素被激活，以最大化下行接收功率；此外，还提出了一种基于最大似然的标量模糊度估计方法用于盲信道估计。考虑到出发/到达角的特点，采用原子范数最小化方法实现了角参数和角差估计。提出了一个最小方差无偏估计器用于最优信道估计，其中RIS的元素遵循最优的一系列激活模式。最近，提出采用联合信道训练和RIS反射系数优化框架的方案来最大化系统的可达率。

通过对RIS通道的稀疏结构的研究，该模型越来越受到人们的重视。在基于RIS辅助的信道估计中，CS的引入引起了研究人员的关注，相应的优化方案和算法逐渐被提出。通过研究Kronecker积的特性和RIS信道的稀疏性，将级联信道估计问题定义为一个稀疏信号恢复问题，然后利用基于混合目标的多目标优化算法确定级联毫米波信道。将压缩感知和深度神经网络相结合，可以通过最大化信号可达率来降低信道估计的导频开销。一种基于优化最小化的RIS信道估计算法也被提出，其性能优于同类算法。利用深度学习(deeplearning,DL)的优点，基于深度去噪的神经网络框架也可以提高信道估计的有效性。为了减少估计时延，利用CS和偏移学习，在较少的活动元素下恢复全信道感知。在此基础上，利用基于DL的残差学习来解决棘手的信道优化问题。此外，考虑到入射信号的影响，研究了一种基于DL的信道估计算法来抑制这种无用信号。值得一提的是，基于CS的方法通常涉及复杂的数学问题，而且由于采样约束的欠定而非凸。基于DL的信道估计可以克服这一问题，但前提是需要大量的训练样本。

上述关于信道估计的研究在混合RIS辅助信道中是有限的，在混合RIS辅助信道中，反射信道和LOS信道是同时估计的。但是，由于被反射通道与被反射通道的路径损耗指数不同，因此被反射通道与被反射通道的路径损耗指数不同。因此，有一些并不适用于实际的物联网场景。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供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，本发明利用反射信道和LOS信道特性的mmWave多输入多输出(MIMO)系统场景，采用加权的联合信道估计方法减少训练时间，采用交替迭代算法来估计反射路径和LOS路径，便于信道估计。

本发明的第二目的在于提供一种基于智能反射面辅助物联网的联合稀疏信道估计系统。

本发明的第三目的在于提供一种计算机可读存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

本发明提供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，包括下述步骤：

构建RIS辅助的毫米波MIMO系统，采集接收信号，构建毫米波MIMO系统的信道模型，包括LOS信道和反射信道，采用CS稀疏恢复算法进行高维稀疏信道估计；

构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，同时估计LOS信道和反射信道；

通过引入加权

范数最小化实现LOS信道估计，引入/>

范数最小化实现反射信道问题，通过调整参数τ估计反射信道；

在完成估计LOS信道和反射信道后，建立混合信道模型表征毫米波信道；

结合梯度下降和交替最小化方法求得稳定解。

作为优选的技术方案，所述构建毫米波MIMO系统的信道模型，具体表示为：

H＝H_BRU+H_BU＝H_BRΦH_RU+H_BU

其中，H_BRU、H_BU、H_BR、H_RU分别为BS-RIS-用户、BS-用户BS-RIS和RIS-用户的信道矩阵，Φ表示对角矩阵，

表示A_UE的转置，A_BS、A_UE和A_RIS分别为基站、用户及RIS的阵列响应矩阵，H_α表示路径上BS-UE信道的复数增益的角域稀疏矩阵，H_β和H_δ分别表示BS-RIS和RIS-UE信道的复数增益的稀疏矩阵，/>

分别表示BS-UE、BS-RIS和RIS-UE路径相关的AoD，α_BS、α_UE、α_RIS分别为与BS、UE、RIS相关的阵列响应向量；

接收信号表示为：

其中，(·)^*表示复共轭算子，f(t)是波束赋形向量，z^H(t)为接收组合向量，n(t)为可加性高斯噪声；

通过收集所有测量值y(t)，将相应的信号堆叠成一个向量形式y＝[y(1)，...，y(T)]^T。

作为优选的技术方案，构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，具体步骤包括：

设置g_BU(h_BU)、g_BRU(h_BRU)两个正则化项，利用LOS路径和反射路径的线性，将接收到的信号引入辅助变量，优化问题表示为：

Ψ＝[Ψ_BU,Ψ_BRU]

s.t.μ＝h_BU+h_BRU

其中，μ_BU和μ_BEU表示正则化参数，

表示LOS信道，/>

表示反射面信道，Ψ表示观察矩阵，Ψ_BU表示LOS信道的观测矩阵，Ψ_BRU表示反射面信道的观测矩阵；

通过交替LOS路径和反射路径信道确定最终的信道。

作为优选的技术方案，LOS信道估计具体步骤包括：

利用加权

-范数正则化描述LOS-路径信道信息，具体表示为：

其中，h_BU(i)是信道h_BU的第i个元素，ω(i)是第i个权重，μ_BU表示正则化参数，g_BU(h_BU)表示正则化项；

优化问题表示为：

采用迭代收缩阈值算法构造一个二次公式，具体表示为：

y_BU＝y-Ψ_BRUh_BRU

其中，t表示步长，D表示一个常数，Ψ表示观察矩阵，Ψ_BU表示LOS信道的观测矩阵，Ψ_BRU表示反射面信道的观测矩阵，S()表示迭代收缩算子，T表示转置；

反射信道估计具体步骤包括：

在LOS信道估计完成后，通过拟合LOS信道h_BU求解反射信道估计，优化问题表示为：

y_BRU＝y-Ψ_BUh_BU

利用一阶泰勒展开式近似Q(h_BRU)，设Q(h_BRU)＝log(cosh(τh_BRU)，具体表示为：

其中，

表示该解的第k次迭代，导数表示为：

将优化问题重新表示为：

利用KTT条件，优化问题的解为：

作为优选的技术方案，参数τ在每次迭代中进行更新，优化问题表示为：

利用KKT条件得到其最优解：

两侧取

范数后，参数τ^(k)的对应解重写为：

其中，η表示常数。

作为优选的技术方案，所述建立混合信道模型表征毫米波信道，具体表示为：

Ψ＝[Ψ_BUΨ_BRU]

其中，y表示发送的导频信道，h表示待优化的信道，u为任意变量；

利用KKT条件得到：

h＝(Ψ^HΨ+κI)^-1(Ψ^Hy+κu)

其中，κ表示拉格朗日变量系数，I表示单位矩阵；

将h_NU、h_BRU和h信道解耦，通过蒙特卡罗方法计算估计信道和原始信道之间的平均归一化MSE，并在信道实现上进行平均。

为了达到上述第二目的，本发明采用以下技术方案：

一种基于智能反射面辅助物联网的联合稀疏信道估计系统，包括：毫米波MIMO系统构建模块、信道模型构建模块、RIS辅助信道估计框架构建模块、混合信道模型构建模块和稳定解求解模块；

所述毫米波MIMO系统构建模块用于构建RIS辅助的毫米波MIMO系统，采集接收信号；

所述信道模型构建模块用于构建毫米波MIMO系统的信道模型，包括LOS信道和反射信道，采用CS稀疏恢复算法进行高维稀疏信道估计；

所述RIS辅助信道估计框架构建模块用于构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，同时估计LOS信道和反射信道；

通过引入加权

范数最小化实现LOS信道估计，引入/>

范数最小化实现反射信道问题，通过调整参数τ估计反射信道；

所述混合信道模型构建模块用于在完成估计LOS信道和反射信道后，建立混合信道模型表征毫米波信道；

所述稳定解求解模块用于结合梯度下降和交替最小化方法求得稳定解。

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智能反射面辅助物联网的联合稀疏信道估计方法。

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，实现上述基于智能反射面辅助物联网的联合稀疏信道估计方法。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明采用了并行智能反射面信道估计技术方案，解决了视距信道与反射信道之间的不一致问题，实现有效提升信道状态信息的反馈精度。

(2)本发明结合梯度下降法和交替极小化法，开发了一种灵活、快速的信道估计优化工具，有效减少的训练开销。

(3)本发明设计了一种有效的信道估计迭代算法，并在每次迭代中采用自适应策略确定合理的参数，有效提高算法的估计质量。

附图说明

图1为本发明基于智能反射面辅助物联网的联合稀疏信道估计方法的流程示意图；

图2为本发明基于RIS辅助的下行毫米波MIMO通信系统架构示意图；

图3为本发明信道估计器的NMSE性能与信噪比的关系示意图；

图4为本发明信道估计器的EVM性能与信噪比的关系示意图；

图5为本发明视距信道估计与反射信道估计的EVM性能与信噪比的关系示意图；

图6为本发明信道估计器的EVM性能与射频链的数量关系示意图。

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仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本实施例提供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，包括下述步骤：

S1：如图2所示，构建一个RIS辅助的毫米波MIMO系统，采集接收信号。定义BS到用户链路的LOS信道为H_BU∈C^M×N，可以用传统方法估计。

步骤S1中所提出的RIS辅助的毫米波MIMO系统中，RIS具有N_RIS个反射元件，BS配备N根天线，服务于具有M根天线的用户。该系统的信道H由LOS信道和反射信道组成，具体表示为：

H＝H_BRU+H_BU＝H_BRΦH_RU+H_BU (1)

其中H_BRU∈C^M×N、H_BU、H_BR和H_RU分别为BS-RIS-用户、BS-用户BS-RIS和RIS-用户的信道矩阵。采用对角线矩阵描述了RIS的操作，

其中

θ_n是由RIS的第n个元素引入的相移。

利用毫米波通道的稀疏散射特性，信道估计问题可以表述为一个稀疏恢复问题。更具体地说，H_BU、H_BR和H_RU信道可表示为：

分别表示用户、RIS及基站阵列响应向量。/>

和/>

分别为BS-UE、BS-RIS和RIS-UE路径个数。α_l，β_l和δ_l分别是第l条路径上BS-UE、BS-RIS和RIS-UE信道的复数增益。θ_l，φ_l∈[0,2π]为第l条路径相关的AoD和AoA。

和/>

分别为与BS、UE、RIS相关的阵列响应向量。假设采用均匀线性阵列(ULA)天线阵，在BS、UE和RIS处的阵列响应向量可以写成：

λ是载波频率的波长，d是相邻天线间距的距离。为了将信道估计表述为一个稀疏信号恢复问题，将RIS辅助系统的LOS信道表示为：

其中，

表示A_UE的转置，A_BS、A_UE和A_RIS分别为基站、用户及RIS的阵列响应矩阵，其表达式为：

是/>

非零项下相应的信道路径增益{α_l}的角域稀疏矩阵。定义H_BR和H_RU信道为：

和/>

分别是对应于传输路径增益/>

和

的稀疏矩阵。发射机采用有源发射预编码器f(t)发送信号s(t)，然后将所有接收机与相应的接收预编码器z(t)组合。因此，在接收机处合并的信号y(t)可以写成：

其中，H∈C^M×N是(1)中可以给出的级联信道矩阵，f(t)是波束赋形向量，z^H(t)为接收组合向量，S(t)为发射的符号。n(t)为可加性高斯噪声。在不失一般性的情况下，导频信号在训练阶段被设置为s(t)＝1。由于接收机往往不能直接观察H，而观察到的是携带噪声的z^HHf，这限制了信道子空间采样的应用，对信道估计提出了很大的挑战。将公式(4)、(5)和(6)代入(7)，接收到的符号如下：

将上述接收的符号堆叠起来，形成如下：

其中，h_BRU来源于：

(·)^*表示复共轭算子，

和/>

通过收集所有测量值y(t)，将相应的信号堆叠成一个向量形式y＝[y(1)，...，y(T)]^T，可以得到下一页顶部的表达式：

由于h_BU和h_BRU是稀疏的，因此基于(10)的信道估计问题变成了一个稀疏恢复问题。基于压缩感知(compressed sensing，CS)的稀疏信号恢复方法可以大量训练开销减少。由此可见，利用CS稀疏恢复算法可以估计一个高维稀疏信道。

S2：设计RIS辅助信道估计框架来实现更加精确的RIS辅助的毫米波MIMO系统的信道估计，利用LOS和反射信道的特性来提供更精确的CSI。LOS路径是指从BS到用户的直线通道，而反射路径是指通道信号由从BS到用户的RIS反射。

进一步地，在本实施例中，S2中的RIS辅助信道估计框架为：

基于公式(10)，目标是同时估计LOS和反射信道。在所提出的毫米波MIMO系统中，可以调整RIS的反射元素来改变信道传播环境。为了提高信道估计的性能，提出了g_BU(h_BU)、g_BRU(h_BRU)两个正则化项。该最优化问题可以表述为：

其中Ψ＝[Ψ_BU,Ψ_BRU]和

μ_BU和μ_BRU表示正则化参数。/>

表示LOS信道，/>

表示反射面信道；Ψ表示观察矩阵，Ψ_BU表示LOS信道的观测矩阵，Ψ_BRU表示反射面信道的观测矩阵；由于多变量且相互耦合，难以解决非凸优化问题(13)。为了解决这一优化问题，利用LOS路径和反射路径的线性，将接收到的信号/>

引入辅助变量u，将优化问题(13)重新表述为：

s.t.μ＝h_BU+h_BRU (14)

由此可见，优化问题(14)包含三个变量，通过交替LOS路径和反射路径信道来确定最终的信道。

S3：RIS辅助信道估计框架包括LOS信道估计和反射信道估计。通过引入加权

范数最小化实现LOS信道估计。为了实现精确的性能，提出了/>

范数最小化来解决反射信道问题，通过调整参数τ来估计反射信道。基于加权/>

范数的反射信道模型是非凸的，参数τ难以调整，因此参数τ的更新十分关键。

在本实施例中，LOS信道估计和反射信道估计：

LOS信道估计：

利用加权

-范数正则化模型来估计LOS信道。为此，通过拟合h_BRU来优化LOS通道h_BU如下：

其中，y_BU＝y-Ψ_BRUh_BRU。对于LOS信道，利用加权

-范数正则化来描述LOS-路径信道信息，可以表示为：

h_BU(i)是信道h_BU的第i个元素，ω(i)是第i个权重，可以保证分母不小于零。利用加权

-范数正则化(16)，将优化问题(15)改写为：

直接求解(17)将会带来巨大的复杂性。为了解决这个问题，采用了迭代收缩阈值算法，构造了一个二次公式为：

其中t是步长，D是一个常数。可以看出问题(18)的解接近于(17)的最优解，同时复杂性大大降低。问题(18)的零点为

S()是迭代收缩算子。上标(k)表示对应的第k次迭代，T表示转置；

为了提高迭代速度和估计精度，在(19)中采用了软阈值算法，可以表示为

其中，

是在控制每次迭代的步长中起作用的阈值。

反射信道估计

在LOS信道估计完成后，需要通过拟合LOS信道h_BU来进一步求解反射信道估计。然后，关于h_BRU的问题(14)可以重写为

其中，y_BRU＝y-Ψ_BUh_BU。为了实现精确的性能，利用一个鲁棒的

通过调整参数τ来估计反射信道。然而，由于/>

正则化模型是非凸的，参数τ难以调整。因此，确定参数τ的最优值是很重要的，考虑了一个自适应参数τ。在此基础上，采用鲁棒的/>

正则化函数，如下：

显然，在问题(21)中利用了(22)，这可能导致非凸优化问题。为了解决这个问题，利用一阶泰勒展开式来近似Q(h_BRU)。设Q(h_BRU)＝log(cosh(τh_BRU)，根据下式所得：

是该解的第k次迭代。通过去除这些常数，(23)的导数可以表示为

因此(21)被重写为：

/>

利用KTT条件，问题(25)的解为：

由此可见，通过解决(13)和(21)，可以对h_BU和h_BRU进行优化；

在本实施例中，参数τ更新表示为：

由于τ的选择直接影响了正则化项的能力，为了减少人工误差，采用参数τ在每次迭代中都会进行更新。在(21)中的问题可以写成：

不难看出，该优化问题是一般的凸约束二次规划，利用KKT条件可以得到其最优解：

在(28)的两侧取

范数后，参数τ^(k)的对应解可以重写为：

此处提供了一个小的常数η，以避免分母接近于零。因此，参数τ可以在每次迭代中进行更新。

S4：在完成估计LOS信道和反射信道后，建立了混合信道模型来表征毫米波信道。为了降低信道估计解决方案的训练开销，将梯度下降和交替最小化方法相结合，开发了一种灵活、快速的优化算法。为了量化信道估计的性能，采用蒙特卡罗方法计算估计信道和原始信道之间的平均归一化MSE及误差向量幅度EVM来评价该框架的性能。

在本实施例中，混合通道更新：

在估计了LOS信道h_BU和反射信道h_BRU后，建立了以下优化信道模型来表征毫米波信道：

其中，Ψ＝[Ψ_BUΨ_BRU]，y表示发送的导频信道，h表示待优化的信道，u为任意变量。

显然，上述优化问题(30)是一个凸问题。通过利用KKT条件，可以得到：

h＝(Ψ^HΨ+κI)^-1(Ψ^Hy+κu) (31)

其中，κ表示拉格朗日变量系数，I表示单位矩阵。

通过以上步骤，可以有效地将h_BU、h_BRU和h信道解耦，得到更好的效果。为了量化估计器的性能，通过蒙特卡罗方法计算估计信道和原始信道之间的平均归一化MSE，并在信道实现上进行平均：

/>

对应的规范化MSE定义为其中，h和

分别为原始信道和估计信道。为了验证估计性能，还将EVM定义为性能指标，其计算方法为

其中，e_k是估计误差，可以表示为

I_k和Q_k分别表示同相分量(I)和正交相分量(Q)。

本发明所提出信道估计方法的具体步骤如下：

A1、初始化：迭代次数z＝0，ε＝10^-3为精确度，设置能效边界值，

A2、重复以下过程直至达到收敛条件，收敛条件为

A3、能效计算：第z次迭代下的能效

A4、在确定的

下，基于优化问题P2来得出的相应最优功率分配方案P^k；

A5、更新：功率分配方案P^z＝P^k

A6、判断

是否成立，若不成立，则判断/>

是否成立。若/>

成立，令/>

若不成立，令

返回步骤A3；

A7、若

成立，P^opt＝P^z，求得最优能效/>

更新迭代次数z＝z+1

A8、重复以下过程，直到收敛，得到的解是可行的A8.1、通过y_BU＝y-Ψ_BRUh_BRU更新y_BU；

A8.2、通过解决优化问题

来估计h_BU，通过y_BRU＝y-Ψ_BUh_BU更新y_BRU；

A8.3、通过解决优化问题

来估计h_BRU，通过μ＝h_BU+h_BRU更新μ；

A8.4、通过解决优化问题

来估计h，通过μ＝h_BU+h_BRU更新μ。

A9、输出h_BU、h_BRU和h。

如图3-图6所示，本实施例验证基于RIS辅助物联网的联合稀疏信道估计方法的仿真效果，部署了8×8平面天线阵，增强了通信链路。系统带宽设置为20MHz，载波频率设置为2GHz。仿真参数设置为N_UE＝6，N_t＝128。由于下行试点资源有限，考虑反射元素N_RIS＝16、32、64，并且将所提出的信道估计器与LS、OMP和混合进化的信道估计器进行了比较。

如图3所示，得到不同方法在信噪比水平下的NMSE性能，从图3中可以看出，随着信噪比的增加，所提出的估计器与理论曲线保持一致。同时，随着信噪比的增加，所有估计量的均方误差均减小并逐渐趋于稳定。因为当信噪比较低时，噪声对信道估计性能的影响占主导地位。LS估计器在低信噪比条件下性能较差，这一结论也得到了验证。也就是说，该方案比LS方案更具有鲁棒性。在没有CSI先验知识的情况下，OMP估计器达到了与LS估计器相似的性能。无论信噪比大小，与最小二乘估计和最小二乘估计相比，所提算法都能获得明显的性能改善，验证了所提算法能很好地应用于不同信噪比水平下。此外，还采用了基于混合进化的信道估计器进行比较，所提出的联合稀疏估计器是RIS辅助信道下的最佳解。另外，噪声的影响在高信噪比区域几乎可以忽略，当信噪比水平不低于20时，三个估计器收敛到稳定状态。

如图4所示，得到不同方法在信噪比水平下的EVM性能。从图4中可以看出，随着信噪比的增加，EVM的性能得到了改善，并且本发明所提出的方法的性能相对更佳。在低信噪比条件下，混合进化信道估计器与所提出的方案接近，而在高信噪比条件下，基于混合进化算法的信道估计的性能略有下降。另外，LS的EVM性能随着信噪比的增加而迅速下降，而OMP的EVM性能下降缓慢。此外，随着信噪比的增加，该方法与基于混合进化的信道估计器之间的性能差距越来越大，证明了该方法在RIS辅助通信场景中是可行的，特别是在较大信噪比的情况下。

如图5所示，设置信噪比为-20dB到30dB，研究LOS和反射信道的信道估计方法的EVM。从图5中可以看出，随着信噪比的增大，视距信道和反射信道的EVMs存在差异。因为所提出的算法利用了加权

范数和鲁棒/>

范数来提高估计精度。

如图6所示，得到了信道估计方法的导频污染性能，验证了该估计器对不同导频长度和射频链的鲁棒性。从图6可以看出，随着导频长度的减少，EVM的性能损失明显，随着对比结果验证了所提估计器的有效性。所提出的信道估计器的性能几乎不受高信噪比水平的影响，因为在高信噪比区域噪声的影响几乎可以忽略。

实施例2

一种基于智能反射面辅助物联网的联合稀疏信道估计系统，包括：毫米波MIMO系统构建模块、信道模型构建模块、RIS辅助信道估计框架构建模块、混合信道模型构建模块和稳定解求解模块；

在本实施例中，毫米波MIMO系统构建模块用于构建RIS辅助的毫米波MIMO系统，采集接收信号；

在本实施例中，信道模型构建模块用于构建毫米波MIMO系统的信道模型，包括LOS信道和反射信道，采用CS稀疏恢复算法进行高维稀疏信道估计；

在本实施例中，RIS辅助信道估计框架构建模块用于构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，同时估计LOS信道和反射信道；

通过引入加权

范数最小化实现LOS信道估计，引入/>

范数最小化实现反射信道问题，通过调整参数τ估计反射信道；

在本实施例中，混合信道模型构建模块用于在完成估计LOS信道和反射信道后，建立混合信道模型表征毫米波信道；

在本实施例中，稳定解求解模块用于结合梯度下降和交替最小化方法求得稳定解。

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的基于智能反射面辅助物联网的联合稀疏信道估计方法。

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的基于智能反射面辅助物联网的联合稀疏信道估计方法。

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)

1.一种基于智能反射面辅助物联网的联合稀疏信道估计方法，其特征在于，包括下述步骤：

构建RIS辅助的毫米波MIMO系统，采集接收信号，构建毫米波MIMO系统的信道模型，包括LOS信道和反射信道，采用CS稀疏恢复算法进行高维稀疏信道估计；

构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，同时估计LOS信道和反射信道；

通过引入加权

范数最小化实现LOS信道估计，引入/>

范数最小化实现反射信道问题，通过调整参数τ估计反射信道；

在完成估计LOS信道和反射信道后，建立混合信道模型表征毫米波信道；

结合梯度下降和交替最小化方法求得稳定解。

2.根据权利要求1所述的基于智能反射面辅助物联网的联合稀疏信道估计方法，其特征在于，所述构建毫米波MIMO系统的信道模型，具体表示为：

H＝H_BRU+H_BU＝H_BRΦH_RU+H_BU

其中，H_BRU、H_BU、H_BR、H_RU分别为BS-RIS-用户、BS-用户、BS-RIS和RIS-用户的信道矩阵，Φ表示对角矩阵，

表示A_UE的转置，A_BS、A_UE和A_RIS分别为基站、用户及RIS的阵列响应矩阵，H_α表示路径上BS-UE信道的复数增益的角域稀疏矩阵，H_β和H_δ分别表示BS-RIS和RIS-UE信道的复数增益的稀疏矩阵，/>

分别表示BS-UE、BS-RIS和RIS-UE路径相关的AoD，α_BS、α_UE、α_RIS分别为与BS、UE、RIS相关的阵列响应向量；

接收信号表示为：

其中，f(t)是波束赋形向量，z^H(t)为接收组合向量，n(t)为可加性高斯噪声；

通过收集所有测量值y(t)，将相应的信号堆叠成一个向量形式y＝[y(1)，...，y(T)]^T。

3.根据权利要求1所述的基于智能反射面辅助物联网的联合稀疏信道估计方法，其特征在于，构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，具体步骤包括：

设置g_BU(h_BU)、g_BRU(h_BRU)两个正则化项，利用LOS路径和反射路径的线性，将接收到的信号引入辅助变量，优化问题表示为：

Ψ＝[Ψ_BU,Ψ_BRU]

s.t.μ＝h_BU+h_BRU

其中，μ_BU和μ_BRU表示正则化参数，

表示LOS信道，/>

表示反射面信道，Ψ表示观察矩阵，Ψ_BU表示LOS信道的观测矩阵，Ψ_BRU表示反射面信道的观测矩阵，H_α表示路径上BS-UE信道的复数增益的角域稀疏矩阵，H_β和H_δ分别表示BS-RIS和RIS-UE信道的复数增益的稀疏矩阵；

通过交替LOS路径和反射路径信道确定最终的信道。

4.根据权利要求1所述的基于智能反射面辅助物联网的联合稀疏信道估计方法，其特征在于，LOS信道估计具体步骤包括：

利用加权l₁范数正则化描述LOS-路径信道信息，具体表示为：

其中，h_BU(i)是信道h_BU的第i个元素，ω(i)是第i个权重，μ_BU表示正则化参数，g_BU(h_BU)表示正则化项；

优化问题表示为：

采用迭代收缩阈值算法构造一个二次公式，具体表示为：

y_BU＝y-Ψ_BRUh_BRU

其中，t表示步长，D表示一个常数，Ψ表示观察矩阵，Ψ_BU表示LOS信道的观测矩阵，Ψ_BRU表示反射面信道的观测矩阵，S()表示迭代收缩算子，T表示转置，H_α表示路径上BS-UE信道的复数增益的角域稀疏矩阵，H_β和H_δ分别表示BS-RIS和RIS-UE信道的复数增益的稀疏矩阵；

反射信道估计具体步骤包括：

在LOS信道估计完成后，通过拟合LOS信道h_BU求解反射信道估计，优化问题表示为：

y_BRU＝y-Ψ_BUh_BU

其中，μ_BRU表示正则化参数；

利用一阶泰勒展开式近似Q(h_BRU)，设Q(h_BRU)＝log(cosh(τh_BRU)，具体表示为：

其中，

表示该解的第k次迭代，导数表示为：

将优化问题重新表示为：

利用KTT条件，优化问题的解为：

5.根据权利要求4所述的基于智能反射面辅助物联网的联合稀疏信道估计方法，其特征在于，参数τ在每次迭代中进行更新，优化问题表示为：

利用KKT条件得到其最优解：

两侧取l₂范数后，参数τ^(k)的对应解重写为：

其中，η表示常数。

6.根据权利要求1所述的基于智能反射面辅助物联网的联合稀疏信道估计方法，其特征在于，所述建立混合信道模型表征毫米波信道，具体表示为：

Ψ＝[Ψ_BUΨ_BRU]

其中，表示发送的导频信道，h表示待优化的信道，u为任意变量；

利用KKT条件得到：

h＝(Ψ^HΨ+κI)^-1(Ψ^Hy+κu)

其中，κ表示拉格朗日变量系数，I表示单位矩阵；

其中，H_α表示路径上BS-UE信道的复数增益的角域稀疏矩阵，H_β和H_δ分别表示BS-RIS和RIS-UE信道的复数增益的稀疏矩阵；

将h_BU、h_BRU和h信道解耦，通过蒙特卡罗方法计算估计信道和原始信道之间的平均归一化MSE，并在信道实现上进行平均。

7.一种基于智能反射面辅助物联网的联合稀疏信道估计系统，其特征在于，包括：毫米波MIMO系统构建模块、信道模型构建模块、RIS辅助信道估计框架构建模块、混合信道模型构建模块和稳定解求解模块；

所述毫米波MIMO系统构建模块用于构建RIS辅助的毫米波MIMO系统，采集接收信号；

所述信道模型构建模块用于构建毫米波MIMO系统的信道模型，包括LOS信道和反射信道，采用CS稀疏恢复算法进行高维稀疏信道估计；

所述RIS辅助信道估计框架构建模块用于构建RIS辅助信道估计框架实现RIS辅助的毫米波MIMO系统的信道估计，同时估计LOS信道和反射信道；

通过引入加权l₁范数最小化实现LOS信道估计，引入l_1，τ范数最小化实现反射信道问题，通过调整参数τ估计反射信道；

所述混合信道模型构建模块用于在完成估计LOS信道和反射信道后，建立混合信道模型表征毫米波信道；

所述稳定解求解模块用于结合梯度下降和交替最小化方法求得稳定解。

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任一项所述基于智能反射面辅助物联网的联合稀疏信道估计方法。

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任一项所述基于智能反射面辅助物联网的联合稀疏信道估计方法。

Images