CN114915523A - 基于模型驱动的智能超表面信道估计方法及系统 - Google Patents

基于模型驱动的智能超表面信道估计方法及系统 Download PDF

Info

Publication number
CN114915523A
CN114915523A CN202210844324.8A CN202210844324A CN114915523A CN 114915523 A CN114915523 A CN 114915523A CN 202210844324 A CN202210844324 A CN 202210844324A CN 114915523 A CN114915523 A CN 114915523A
Authority
CN
China
Prior art keywords
channel
neural network
deep neural
optimal
model
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
CN202210844324.8A
Other languages
English (en)
Other versions
CN114915523B (zh
Inventor
周辉林
冯肖
余礼苏
苏艳萍
王正海
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.)
Nanchang University
Original Assignee
Nanchang 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 Nanchang University filed Critical Nanchang University
Priority to CN202210844324.8A priority Critical patent/CN114915523B/zh
Publication of CN114915523A publication Critical patent/CN114915523A/zh
Application granted granted Critical
Publication of CN114915523B publication Critical patent/CN114915523B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于模型驱动的智能超表面信道估计方法及系统，包括获取多组不同的级联信道粗糙估计值以及真实级联信道标签值并构建数据对，以及获取信道已知参数，建立数据集；构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及最优深度神经网络模型的最佳权值；将初始粗糙级联信道估计值输入所述最优深度神经网络模型中重构出最优级联信道。本发明中的基于模型驱动的智能超表面信道估计方法及系统，融合了物理模型，提高了算法的泛化能力，从而减少了训练复杂程度且重建精度高。

Description

基于模型驱动的智能超表面信道估计方法及系统
技术领域
本发明涉及无线通信技术领域，特别涉及一种基于模型驱动的智能超表面信道估计方法及系统。
背景技术
第五代智能无线通信系统(Fifth Generation，5G)目前也已成功商用，大规模多输入多输出传输也随之带来巨大的能源消耗和硬件复杂度，于是开始探索第六代(SixthGeneration，6G)移动通信技术。
其中，智能超表面（Reconfigurable Intelligent Surface,RIS）被认为是6G网络的潜在技术之一。RIS 是一种由电磁超材料连续涂覆而成的二维表面，本质上是一个由很多无源反射元素组成的平面阵列。通过适当地调整每个元素的相移和/或幅度(或统称为“反射系数”)来改变反射信号的分布和强度，以提高无线通信系统的覆盖率和速率等性能。
现有的RIS辅助的无线通信系统中，由于系统存在大量的反射元件，信号经大量的反射元件反射后，带来了许多干扰因素，导致信道估计的计算复杂度高。
发明内容
基于此，本发明的目的是提供一种基于模型驱动的智能超表面信道估计方法及系统，解决背景技术中大量的反射元件导致信道估计的计算复杂度高的问题。
本发明一方面提供一种基于模型驱动的智能超表面信道估计方法，方法包括：
获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对，以及根据已知导频符号获取信道已知参数，根据数据对及信道已知参数建立数据集；
构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，得到最优深度神经网络模型及对应最优深度神经网络模型中所有网络参数的最佳权值；
将初始粗糙级联信道估计值输入最优深度神经网络模型中，基于最优深度神经网络模型及最佳权值重构出初始粗糙级联信道估计值的最优级联信道。
进一步的，获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对的步骤包括：
在多个时隙内通过智能超表面向基站发射已知导频符号，导频符号经智能超表面反射至基站得到接收信号；
根据基站接收的接收信号进行LS信号估计得到级联信道粗糙估计值；
以及，建立毫米波信道模型，根据毫米波信道模型分别计算智能超表面至基站的信道以及用户至智能超表面的信道，根据智能超表面至基站的信道以及用户至智能超表面的信道通过角域稀疏化计算得到真实级联信道标签值。
进一步的，根据已知导频符号获取信道已知参数的步骤包括：
根据已知导频符号计算信道已知参数，信道已知参数的计算公式为：
Figure 290672DEST_PATH_IMAGE001
式中，Φ为信道已知参数，
Figure 556569DEST_PATH_IMAGE002
为已知导频符号，
Figure 634246DEST_PATH_IMAGE003
表示字典酉矩阵，上标T表示求转置，上标H表示求共轭转置。
进一步的，深度神经网络模型包括第一预处理层，第一预处理层用于对数据集中进行预处理，以将数据集中的级联信道数据转化为实数形式。
进一步的，深度神经网络模型包括第二预处理层，第二预处理层包括归一化均方误差函数，将初始粗糙级联信道估计值输入最优深度神经网络模型中，基于最优深度神经网络模型及最佳权值重构出初始粗糙级联信道估计值的最优级联信道的步骤后包括：
将真实级联信道以及最优级联信道输入归一化均方误差函数得到归一化均方误差，根据归一化均方误差分析深度神经网络模型的网络性能，归一化均方误差函数为：
Figure 292892DEST_PATH_IMAGE004
式中，NMSE为归一化均方误差，H为真实级联信道标签值，
Figure 772414DEST_PATH_IMAGE005
为最优级联信道值。
进一步的，深度神经网络模型包括迭代软阈值网络，迭代软阈值网络包括多个迭代阶段，根据预设损失函数进行多轮迭代优化训练的步骤包括：
根据预设损失函数将数据集在迭代软阈值网络的多个迭代阶段内进行深度迭代训练，直至达到预设的总迭代次数，深度神经网络模型训练完成。
进一步的，迭代软阈值网络的每个阶段内包括卷积层、激活函数及阈值层，根据预设损失函数将数据集在迭代软阈值网络的多个迭代阶段内进行深度迭代训练的步骤包括：
将数据集输入深度神经网络模型中，经预处理后得到第一阶段的初始输入值，并基于各个阶段中的卷积层、激活函数及阈值层对初始输入值进行迭代更新，得到各个阶段的输入值和输出值；
将各个阶段的输入值和输出值输入预设损失函数中计算每一阶段的迭代损失和对称损失，根据每一阶段的迭代损失和对称损失减小第一阶段的输出值与最后一阶段输出值之间的误差。
进一步的，基于各个阶段中的卷积层、激活函数及阈值层对初始输入值进行迭代更新的公式为：
Figure 474791DEST_PATH_IMAGE006
式中，
Figure 39765DEST_PATH_IMAGE007
为第k+1个阶段网络的输出值，
Figure 220210DEST_PATH_IMAGE008
为第k+1个阶段网络的输入值，Ψ为网络可学习参数，
Figure 85398DEST_PATH_IMAGE009
为阈值层函数，
Figure 942365DEST_PATH_IMAGE010
、
Figure 260213DEST_PATH_IMAGE011
表示非线性变换函数，
Figure 978771DEST_PATH_IMAGE012
为
Figure 698465DEST_PATH_IMAGE013
的反变换，
Figure 742644DEST_PATH_IMAGE014
满足对称约束。
进一步的，预设损失函数的公式为：
Figure 32943DEST_PATH_IMAGE015
式中，
Figure 820770DEST_PATH_IMAGE016
和
Figure 129392DEST_PATH_IMAGE017
分别表示深度神经网络模型中每一阶段的迭代损失和对称损失，Ψ是网络可学习参数，γ为对称约束损失系数。
本发明另一方面提供一种基于模型驱动的智能超表面信道估计系统，系统包括：
数据集建立模块，用于获取多组不同的级联信道粗糙估计值以及真实级联信道标签值并构建数据对，以及根据已知导频符号获取信道已知参数，根据数据对及信道已知参数建立数据集；
模型训练模块，用于构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及对应最优深度神经网络模型中所有网络参数的最佳权值；
级联信道估计模块，用于将初始粗糙级联信道估计值输入最优深度神经网络模型中，基于最优深度神经网络模型及最佳权值重构出初始粗糙级联信道估计值的最优级联信道。
附图说明
图1为本发明第一实施例中基于模型驱动的智能超表面信道估计方法流程图；
图2为本发明第二实施例中基于模型驱动的智能超表面信道估计方法流程图；
图3为本发明第三实施例中基于模型驱动的智能超表面信道估计系统框图；
图4为本发明实施例中RIS辅助无线通信系统；
图5为本发明实施例中根据迭代软阈值算法迭代更新示意图；
图6为本发明实施例中的深度神经网络模型的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明是通过以下技术方案实现的：无线通信系统的基站(Base Station，BS)-用户直接链路被障碍物阻断，RIS辅助无线通信系统进行通信，从空间域转换为角域，利用角域稀疏性将信道估计问题转换为稀疏重建问题，大大降低了计算难度。
一种基于模型驱动的智能超表面的信道估计方法，利用基于最小二乘信道估计方法(Least Square channel estimation method，LS)得到的粗糙值数据作为神经网络(Neural network based on LS and Iterative Shrinkage-Thresholding Algorithm ，LSISTA-Net)的初始输入，进行离线迭代训练后建立深度神经网络模型，输出级联信道的预测值和真实值之间的归一化均方误差(Normalized Mean Squared Error，NMSE)，使用预设损失函数的反向传播算法反过来对神经网络的权值等进行修改，使该模型无限接近真实的信道场景，线上信道预测调用训练好的模型，输出得到更高精度的级联信道状态信息(Channel State Information，CSI)。
实施例一
请参阅图1，所示为本发明第一实施例中的基于模型驱动的智能超表面信道估计方法，包括步骤S11-S13。
S11、获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对，以及根据已知导频符号获取信道已知参数，根据数据对及信道已知参数建立数据集。
在RIS辅助无线通信系统中，如图4所示，BS和RIS分别采用M根天线和N元均匀平面阵列UPA同时服务K个单天线用户,假设基站发送端天线数目为 M＝16，RIS反射元件个数为N＝64，用户的数目K＝16，基站和RIS采用UPA方形天线阵列的排列方式。通过采用广泛使用的正交导频传输策略，所有用户在Q个时隙上通过RIS将已知导频符号发送到BS以进行上行链路信道估计。通过前向计算得到真实级联信道
Figure 344472DEST_PATH_IMAGE018
。
发送信号经过用户-RIS-BS后，在接收端基于LS信道估计算法重构出级联信道粗糙估计值
Figure 371334DEST_PATH_IMAGE019
，将多组不同的粗糙估计级联信道与真实级联信道矩阵构成数据对以及已知参数制作成数据集
Figure 697273DEST_PATH_IMAGE020
。
S12、构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及对应最优深度神经网络模型中所有网络参数的最佳权值。
如图5所示，在本实施例中提出深度神经网络模型LSISTA-Net，深度神经网络模型LSISTA-Net是基于迭代软阈值网络ISTA-Net的架构进行修改的，ISTA-Net是在ISTA算法的基础上改进的，用于压缩感知(Compressive Sensing，CS)重建任务。本发明实施例中将信道估计的问题，转变为估计稀疏矩阵恢复问题，一个稀疏信道矩阵恢复可以看成一张不同分辨率的二维图片重建。ISTA-Net将ISTA算法更新步骤映射到一个由固定数量的阶段组成的深层网络体系结构，每个阶段对应于传统ISTA中的一次迭代。第k+1个ISTA迭代步骤转化为ISTA-Net网络第k+1个阶段的模块：
Figure 375248DEST_PATH_IMAGE021
式中，
Figure 495651DEST_PATH_IMAGE022
为第k+1个阶段网络的输入值，
Figure 275388DEST_PATH_IMAGE023
为第k+1个阶段网络的输出值，ρ为迭代步长，Φ为信道已知参数，y为基站处的接收信号，τ为阈值，
Figure 405018DEST_PATH_IMAGE024
表示非线性变换函数。
其中所有LSISTA-Net网络参数（例如变换、收缩阈值、步长等）都是通过反向传播进行端到端学习的，以最小化训练中的损失函数。网络结构如图6所示，在每个阶段中设置了3×3的卷积层、带修正线性单元激活函数(Rectified Linear Unit，ReLU)层和阈值层(
Figure 422653DEST_PATH_IMAGE009
)，并在每个阶段中设置其重复使用。
Figure 245115DEST_PATH_IMAGE009
为阈值层函数，
Figure 997302DEST_PATH_IMAGE025
与
Figure 399464DEST_PATH_IMAGE009
满足以下关系：
Figure 802764DEST_PATH_IMAGE026
式中，Ψ为网络可学习参数。
将获取的级联信道粗糙估计值和真实级联信道构成数据对以及已知参数加入深度学习Train数据集，即
Figure 796127DEST_PATH_IMAGE020
，并将其作为输入放到LSISTA-Net网络模型进行迭代优化学习训练，采用端到端的训练方式，学习如何输入级联信道粗糙估计值去得到更精确的级联信道，并通过调整LSISTA-Net网络模型和学习率，加快神经网络收敛速度。
采用预设损失函数L total 和Adam优化器进行多轮训练去优化LSISTA-Net网络模型参数，直至达到设定的总迭代次数后LSISTA-Net网络收敛训练完成，得到训练后的最佳深度神经网络模型及最佳权值、阈值，其中最佳权值包括最佳深度神经网络模型的所有网络可学习参数的集合。预设损失函数的公式如下所示：
Figure 753719DEST_PATH_IMAGE027
Figure 490731DEST_PATH_IMAGE028
Figure 997805DEST_PATH_IMAGE029
Figure 896490DEST_PATH_IMAGE016
和
Figure 606957DEST_PATH_IMAGE017
分别表示每一次迭代损失和对称损失，γ为对称约束损失系数，
Figure 882081DEST_PATH_IMAGE030
为
Figure 728814DEST_PATH_IMAGE025
的反变换，
Figure 63981DEST_PATH_IMAGE031
满足对称约束。
S13、将初始粗糙级联信道估计值输入最优深度神经网络模型中，基于最优深度神经网络模型及最佳权值重构出初始粗糙级联信道估计值的最优级联信道。
训练结束后，最优深度神经网络模型及最佳权值被保存下来以用于在线计算。通过最小二乘信道估计算法得到的初始粗糙级联信道估计值作为神经网络的输入，加载以上训练好的深度神经网络模型及迭代训练优化后的最佳权值，从而预测出更高精度的最优级联信道。
综上，本发明上述实施例当中的基于模型驱动的智能超表面信道估计方法，通过建立深度神经网络模型，将数据集及信道已知参数输入网络模型进行训练，并在训练过程中将信道估计问题转化为压缩感知重建问题，利用传统迭代收缩阈值算法映射到一个可学习深度网络，通过网络端到端学习之前只能人为调整的步长和收缩阈值等参数，融合了物理模型，提高了算法的泛化能力，从而减少了计算复杂程度，且提高了模型重建精度，解决了背景技术中大量的反射元件导致信道估计的复杂度高的问题。
实施例二
请参阅图2，所示为本发明第二实施例中的基于模型驱动的智能超表面信道估计方法，包括步骤S21-S24。
S21、获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对，以及根据已知导频符号获取信道已知参数，根据数据对及信道已知参数建立数据集。
如图4所示，无线通信系统的基站(Base Station，BS)-用户的直接链路被障碍物阻断，由此建立基于RIS辅助无线通信系统进行通信的系统模型，对上行链路用户-RIS-基站展开信道估计，系统模型采用上行链路传输的 TDD协议，因此下行链路的信道同样适用。
建立系统模型：假设基站发送端天线数目为 M＝16，RIS反射元件个数为 N＝64，用户的数目K＝16，基站和RIS采用UPA方形天线阵列的排列方式，衰落系数考虑路径损耗以及基站的俯仰角，以及每条路径到达RIS处的俯仰角。定义
Figure 746897DEST_PATH_IMAGE032
为从RIS到BS的信道，
Figure 825711DEST_PATH_IMAGE033
为用户到RIS的信道。RIS反射系数矩阵为
Figure 58110DEST_PATH_IMAGE034
，其中
Figure 298598DEST_PATH_IMAGE035
表示入射信号的相移，
Figure 983657DEST_PATH_IMAGE036
表示入射信号幅度反射系数，diag表示对角矩阵，j为复数。从RIS到BS、用户到RIS的路径数分别为LG、Lr，采用广泛使用的Saleh-Valenzuela信道模型（毫米波信道模型），RIS到BS的信道G可以表示为：
Figure 600584DEST_PATH_IMAGE037
其中，
Figure 671177DEST_PATH_IMAGE038
、
Figure 82566DEST_PATH_IMAGE039
、
Figure 989343DEST_PATH_IMAGE040
表示第l 1 条路径的复增益、方位角、仰角，上标T表示求转置矩阵。对于典型的
Figure 409960DEST_PATH_IMAGE041
UPA，a r 代表接收端天线阵列响应，a t 代表发送端天线阵列响应：
Figure 351371DEST_PATH_IMAGE042
其中，
Figure 672675DEST_PATH_IMAGE043
为天线阵列响应，载波波长
Figure 332327DEST_PATH_IMAGE044
和
Figure 25476DEST_PATH_IMAGE045
，λ是信号波长，d是天线元件之间的距离，d=λ/2，j为复数，
Figure 86973DEST_PATH_IMAGE046
表示求克罗内克积。
同理，用户到RIS的信道h r 可以表示为：
Figure 840166DEST_PATH_IMAGE047
采用正交导频传输策略，所有用户在Q个时隙上通过RIS将已知导频符号发送到BS以进行上行链路信道估计，在时隙
Figure 721534DEST_PATH_IMAGE048
，Q个时隙上基站的接收信号则表示为：
Figure 733221DEST_PATH_IMAGE049
其中，y q 为Q个时隙上基站的接收信号，x q 表示为用户发送的导频符号，
Figure 649225DEST_PATH_IMAGE050
表示用户端接收噪声，
Figure 573318DEST_PATH_IMAGE051
表示w q 满足均值为0，方差为σ²I的复高斯分布，diag表示对角矩阵。
Figure 207562DEST_PATH_IMAGE052
为级联信道，通过利用角度级联信道的稀疏性的特点，可以将用户到 RIS 的信道和从 RIS 到基站的级联信道估计问题，公式化为稀疏信道矩阵恢复问题，通过角域稀疏化表示级联信道：
Figure 242514DEST_PATH_IMAGE053
式中，
Figure 13024DEST_PATH_IMAGE054
表示角域级联信道，
Figure 858751DEST_PATH_IMAGE055
和
Figure 714712DEST_PATH_IMAGE056
分别表示字典酉矩阵。
在导频传输的Q个时隙后，基站的接收信号为：
Figure 553355DEST_PATH_IMAGE057
式中，
Figure 443951DEST_PATH_IMAGE058
=[x 1 ，...，x Q ]，
Figure 709847DEST_PATH_IMAGE059
=[w 1 ，…，w Q ]。
上式变形后得到：
Figure 302371DEST_PATH_IMAGE060
式中，
Figure 944705DEST_PATH_IMAGE061
、
Figure 424228DEST_PATH_IMAGE062
、
Figure 126605DEST_PATH_IMAGE063
、
Figure 691578DEST_PATH_IMAGE064
。
其中Φ为信道已知参数，可根据Q个时隙内用户发送的已知导频符号进行计算。
可以理解的，由
Figure 137603DEST_PATH_IMAGE065
可得到真实级联信道标签值H。
发送信号经过用户-智能超表面RIS-基站BS后，在基站接收端先进行LS信道估计得到：
Figure 487944DEST_PATH_IMAGE066
其中，X、Y分别为发送信号和接收信号，上标H表示求共轭转置，上标-1表示求逆，得到级联信道粗糙估计值
Figure 361222DEST_PATH_IMAGE067
，
Figure 147913DEST_PATH_IMAGE068
为复数矩阵，矩阵大小为N×M。将获取的多组级联信道粗糙估计值和真实级联信道标签值构成数据对
Figure 397628DEST_PATH_IMAGE069
以及求得的信道已知参数Φ加入深度学习数据集
Figure 851743DEST_PATH_IMAGE070
，数据集包括训练集和测试数据集。
S22、构建深度神经网络模型，深度神经网络模型包括预处理层、输入层、迭代软阈值网络和输入层。
深度神经网络模型由预处理层，输入层，ISTA-Net，输出层组成。网络组成如下：
1)预处理层：
本发明设计了两个预处理层，第一预处理层用于对级联信道的估计输出矢量值作预处理。由于网络训练的是张量，而最终得到的级联信道是复数形式，因此需要对数据集中的级联信道粗糙估计值和真实级联信道标签值进行预处理，将数据处理成2通道的实数形式，再输入进深度神经网络进行训练。
Figure 145190DEST_PATH_IMAGE071
式中，H est 为级联信道估计矢量化输出值，h为网络上一层的输出矢量， Re为实部，Im为虚部，j为复数。
第二预处理层为自定义的归一化均方误差函数，用于分析网络性能，将真实的级联信道数据与估计的级联信道输入归一化均方误差函数，分析训练模型的网络性能。
2)输入层：
输入层是整个神经网络的信息接入口，本发明中每一个输入数据都是经过预处理的四维采样信道矩阵，例如：
Figure 419177DEST_PATH_IMAGE072
。
3) 迭代软阈值网络（ISTA-Net）：
如图5-图6所示，迭代软阈值网络包括迭代软阈值算法（ISTA算法），通过迭代软阈值算法在以下更新步骤之间迭代来解决压缩感知重建问题，包括以下两个迭代更新公式：
Figure 207004DEST_PATH_IMAGE073
(a)
Figure 515626DEST_PATH_IMAGE074
(b)
式中，h （k+1） 为第k+1个阶段网络的输出值，r (k+1) 为第k+1个阶段网络的输入值，ρ为迭代步长，Φ为信道已知参数，y为基站处的接收信号，Ψ为网络可学习参数，
Figure 730707DEST_PATH_IMAGE024
表示非线性变换函数，τ为阈值。
将以上两个更新公式转化为ISTA-Net网络第k+1阶段的两个单独模块，即r (k+1) 和h （k+1） 模块。
r (k+1) 模块：对应于公式(a)，用于根据输入数据生成中间重建结果r (k+1) ，步长ρ在迭代中变化(而在传统ISTA算法中是固定的)，该模块的输出r (k+1) 与输入h (k) 关系定义为：
Figure 508301DEST_PATH_IMAGE075
近端映射h （k+1） 模块：对应于公式(b)，用于将前一层r (k+1) 模块输出的值送入ISTA-Net网络中，得到h （k+1） 。
ISTA-Net网络将前向变换
Figure 834240DEST_PATH_IMAGE076
设计为两个线性卷积算子，其中由Conv卷积层 (无偏置项，卷积核大小为3×3)和ReLU激活函数组成。反向变换
Figure 262947DEST_PATH_IMAGE077
被设计为与
Figure 648929DEST_PATH_IMAGE076
对称约束结构，即
Figure 163087DEST_PATH_IMAGE078
，阈值层
Figure 27138DEST_PATH_IMAGE079
整个的迭代更新优化过程可以表示为：
Figure 825199DEST_PATH_IMAGE080
式中，
Figure 382082DEST_PATH_IMAGE009
为阈值层函数，
Figure 117957DEST_PATH_IMAGE081
表示非线性变换函数，
Figure 51278DEST_PATH_IMAGE082
为
Figure 454577DEST_PATH_IMAGE024
的反变换，
Figure 916782DEST_PATH_IMAGE083
满足对称约束，Ψ是模块中网络可学习参数，ISTA-Net网络由n阶段组成，在每个阶段都有
Figure 156265DEST_PATH_IMAGE084
。
可以将损失函数定义为：
Figure 627698DEST_PATH_IMAGE085
L discrepancy 和L constraint 分别表示计算每一次的迭代损失和对称损失，以同时减小h i 与
Figure 885504DEST_PATH_IMAGE086
之间的误差，γ为对称约束损失系数，γ可设为0.01。
通过充分利用基于ISTA算法和基于网络的压缩感知重建方法的优点，将ISTA算法更新步骤映射到一个由固定数量的阶段组成的深层网络体系结构，每个阶段对应于传统ISTA中的一次迭代。
如图6所示，将数据集中初始数据输入输入层得到初始输入值h (0) ，将初始输入值输入迭代软阈值网络的第一阶段中重建得到第一阶段的输出值r (1) ，在每一阶段中通过卷积层、ReLU激活函数和阈值层的迭代更新作用，得到每一阶段的输出值和输入值，当在多个阶段内进行迭代更新得到最后一个阶段（第n阶段）的输入值h n 和输出值r n 。
4)输出层：考虑到信道估计问题是一个典型的复数值问题，我们修改了原始ISTA-Net的输入和输出通道，将其重新构造成多通道方案。所以，输入和输出的实部和虚部可以自然地适应不同的通道，输出层预测的级联信道向量的特征维度与输入层相同，以便获得恢复的级联信道向量的实部和虚部。
S23、根据预设损失函数将数据集在迭代软阈值网络的多个迭代阶段内进行深度迭代训练，直至达到预设的总迭代次数，得到最优深度神经网络模型及对应最优深度神经网络模型的最佳权值。
使用训练集对深度神经网络模型进行迭代优化学习训练，学习如何输入级联信道粗糙估计值去得到更精确的级联信道，通过调整深度神经网络模型中ISTA-Net单元个数和学习率，加快神经网络收敛速度；
采用L total 损失函数和Adam优化器进行多轮训练去优化深度神经网络模型参数，直至达到设定的总迭代次数后，LSISTA-Net网络收敛训练完成。
深度神经网络模型的输入和输出的矩阵大小均为2×N×M，该矩阵由信道的实部和虚部组成，构造2个通道的输入和输出。考虑到毫米波MIMO信道矩阵的元素在角延迟域中实部与虚部之间具有很高的相关性，我们认为将该矩阵作为2通道噪声图像来处理。在本实施例中，将深度神经网络初始学习率设置为0.001，迭代采用最小批量样本数为16，epoch设置为100（1个epoch等于使用训练集中的全部样本训练一次）。
采用pytorch平台使用测试集对深度神经网络模型进行在线计算，加载训练好的网络模型即最优深度神经网络模型以及包含最优深度神经网络模型中所有网络参数的最佳权值、阈值。
S24、将初始粗糙级联信道估计值输入最优深度神经网络模型中，基于最优深度神经网络模型及最佳权值重构出初始粗糙级联信道估计值的最优级联信道。
将初始粗糙估计值输入LSISTA-Net网络去重构出级联信道，并输出级联信道和真实级联信道之间的NMSE。
为了测试网络性能，加入性能指标
Figure 784190DEST_PATH_IMAGE087
表示归一化后的真实级联信道标签值H和采用训练后的深度神经网络模型预测的最佳级联信道
Figure 494657DEST_PATH_IMAGE088
的均方误差，通过归一化均方误差函数计算归一化均方误差，根据归一化均方误差由此判断训练后的深度网络模型的性能，归一化均方误差函数表示为：
Figure 769780DEST_PATH_IMAGE089
传统方法具有很高的计算复杂度，并且还面临着选择最佳解中调整参数的挑战，而深度网络可以为基础迭代优化选择最佳调整参数（步长和正则化系数等），无需手动调节，且在线计算复杂度较低，现有技术中大多数深度网络在智能超表面的信道估计中做数据驱动，只是被训练成一个“黑匣子”，训练大量数据，直接将CSI与测量域进行映射，缺乏物理模型。
为了弥补传统方法与数据驱动的深度学习方案之间的差距，本发明实施例中将神经网络与基础物理知识以及传统技术结合，通过将信道估计问题转化为压缩感知重建问题，利用传统迭代收缩阈值算法映射到一个可学习深度网络，通过网络端到端学习之前只能人为调整的步长和收缩阈值等参数，融合了物理模型，提高了算法的泛化能力，减少训练成本的同时重建精度高。
综上，本发明上述实施例当中的基于模型驱动的智能超表面信道估计方法，通过建立深度神经网络模型，将数据集及信道已知参数输入网络模型进行训练，并在训练过程中将信道估计问题转化为压缩感知重建问题，利用传统迭代收缩阈值算法映射到一个可学习深度网络，通过网络端到端学习之前只能人为调整的步长和收缩阈值等参数，融合了物理模型，提高了算法的泛化能力，从而减少了计算复杂程度，且提高了模型重建精度，解决了背景技术中大量的反射元件导致信道估计的复杂度高的问题。
实施例三
本发明实施例中提供一种基于模型驱动的智能超表面信道估计系统，请参阅图3，所示本实施例中的基于模型驱动的智能超表面信道估计方法系统，所示系统包括：
数据集建立模块，用于获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对，以及根据已知导频符号获取信道已知参数，根据所述数据对及所述信道已知参数建立数据集；
模型训练模块，用于构建深度神经网络模型，将所述数据集输入所述深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，得到最优深度神经网络模型及对应所述最优深度神经网络模型中所有网络参数的最佳权值；
级联信道估计模块，用于将初始粗糙级联信道估计值输入所述最优深度神经网络模型中，基于所述最优深度神经网络模型及所述最佳权值重构出所述初始粗糙级联信道估计值的最优级联信道。
进一步的，在其他可选实施例中，所述数据集建立模块包括：
导频符号发射单元，用于在多个时隙内通过智能超表面向基站发射已知导频符号，所述导频符号经所述智能超表面反射至基站得到接收信号；
级联信道粗糙估计值计算单元，用于根据所述基站接收的接收信号进行LS信号估计得到级联信道粗糙估计值；
真实级联信道标签值计算单元，用于建立毫米波信道模型，根据所述毫米波信道模型分别计算所述智能超表面至所述基站的信道以及用户至所述智能超表面的信道，根据所述智能超表面至所述基站的信道以及用户至所述智能超表面的信道通过角域稀疏化计算得到真实级联信道标签值。
进一步的，在其他可选实施例中，所述数据集建立模块包括：
信道已知参数计算单元，用于根据所述已知导频符号计算信道已知参数，所述信道已知参数的计算公式为：
Figure 865781DEST_PATH_IMAGE001
式中，Φ为信道已知参数，
Figure 200947DEST_PATH_IMAGE002
为已知导频符号，
Figure 398711DEST_PATH_IMAGE003
表示字典酉矩阵，上标T表示求转置，上标H表示求共轭转置。
进一步的，在其他可选实施例中，所述模型训练模块包括：
第一预处理层单元，所述第一预处理层单元用于对所述数据集中进行预处理，以将数据集中的级联信道数据转化为实数形式。
进一步的，在其他可选实施例中，所述模型训练模块包括：
归一化均方误差函数单元，用于将所述真实级联信道以及所述最优级联信道输入所述归一化均方误差函数得到所述归一化均方误差，根据所述归一化均方误差分析所述深度神经网络模型的网络性能，所述归一化均方误差函数为：
Figure 211946DEST_PATH_IMAGE004
式中，NMSE为归一化均方误差，H为真实级联信道标签值，
Figure 178765DEST_PATH_IMAGE005
为最优级联信道值。
进一步的，在其他可选实施例中，所述模型训练模块包括：
迭代训练单元，用于根据预设损失函数将所述数据集在所述迭代软阈值网络的多个迭代阶段内进行深度迭代训练，直至达到预设的总迭代次数，所述深度神经网络模型训练完成。
进一步的，在其他可选实施例中，所述迭代训练单元包括：
软阈值迭代算法单元，用于将所述数据集输入所述深度神经网络模型中，经预处理后得到第一阶段的初始输入值，并基于各个阶段中的卷积层、激活函数及阈值层对所述初始输入值进行迭代更新，得到各个阶段的输入值和输出值；
将各个阶段的输入值和输出值输入预设损失函数中计算每一阶段的迭代损失和对称损失，根据所述每一阶段的迭代损失和对称损失减小第一阶段的输出值与最后一阶段输出值之间的误差。
进一步的，在其他可选实施例中，所述基于各个阶段中的卷积层、激活函数及阈值层对所述初始输入值进行迭代更新的公式为：
Figure 169986DEST_PATH_IMAGE090
式中，
Figure 855045DEST_PATH_IMAGE091
为第k+1个阶段网络的输出值，
Figure 471971DEST_PATH_IMAGE092
为第k+1个阶段网络的输入值，Ψ为网络可学习参数，
Figure 293297DEST_PATH_IMAGE009
为阈值层函数，
Figure 970266DEST_PATH_IMAGE010
、
Figure 142621DEST_PATH_IMAGE011
表示非线性变换函数，
Figure 546926DEST_PATH_IMAGE012
为
Figure 488337DEST_PATH_IMAGE013
的反变换，
Figure 70629DEST_PATH_IMAGE014
满足对称约束。
进一步的，在其他可选实施例中，所述预设损失函数的公式为：
Figure 730280DEST_PATH_IMAGE015
式中，
Figure 423429DEST_PATH_IMAGE016
和
Figure 484926DEST_PATH_IMAGE017
分别表示所述深度神经网络模型中每一阶段的迭代损失和对称损失，γ为对称约束损失系数。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
综上，本发明上述实施例当中的基于模型驱动的智能超表面信道估计系统，通过建立深度神经网络模型，将数据集及信道已知参数输入网络模型进行训练，并在训练过程中将信道估计问题转化为压缩感知重建问题，利用传统迭代收缩阈值算法映射到一个可学习深度网络，通过网络端到端学习之前只能人为调整的步长和收缩阈值等参数，融合了物理模型，提高了算法的泛化能力，从而减少了计算复杂程度，且提高了模型重建精度，解决了背景技术中大量的反射元件导致信道估计的复杂度高的问题。
本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中的基于模型驱动的智能超表面信道估计方法的步骤。
本发明的实施例还提出一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例中方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于模型驱动的智能超表面信道估计方法，其特征在于，所述方法包括：
获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对，以及根据已知导频符号获取信道已知参数，根据所述数据对及所述信道已知参数建立数据集；
构建深度神经网络模型，将所述数据集输入所述深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，得到最优深度神经网络模型及对应所述最优深度神经网络模型中所有网络参数的最佳权值；
将初始粗糙级联信道估计值输入所述最优深度神经网络模型中，基于所述最优深度神经网络模型及所述最佳权值重构出所述初始粗糙级联信道估计值的最优级联信道。
2.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对的步骤包括：
在多个时隙内通过智能超表面向基站发射已知导频符号，所述导频符号经所述智能超表面反射至基站得到接收信号；
根据所述基站接收的接收信号进行LS信号估计得到级联信道粗糙估计值；
以及，建立毫米波信道模型，根据所述毫米波信道模型分别计算所述智能超表面至所述基站的信道以及用户至所述智能超表面的信道，根据所述智能超表面至所述基站的信道以及用户至所述智能超表面的信道通过角域稀疏化计算得到真实级联信道标签值。
3.根据权利要求2所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述根据已知导频符号获取信道已知参数的步骤包括：
根据所述已知导频符号计算信道已知参数，所述信道已知参数的计算公式为：
Figure 8512DEST_PATH_IMAGE001
式中，Φ为信道已知参数，
Figure 949923DEST_PATH_IMAGE002
为已知导频符号，
Figure 532215DEST_PATH_IMAGE003
表示字典酉矩阵，上标T表示求转置，上标H表示求共轭转置。
4.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述深度神经网络模型包括第一预处理层，所述第一预处理层用于对所述数据集中进行预处理，以将数据集中的级联信道数据转化为实数形式。
5.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述深度神经网络模型包括第二预处理层，所述第二预处理层包括归一化均方误差函数，所述将初始粗糙级联信道估计值输入所述最优深度神经网络模型中，基于所述最优深度神经网络模型及所述最佳权值重构出所述初始粗糙级联信道估计值的最优级联信道的步骤后包括：
将所述真实级联信道以及所述最优级联信道输入所述归一化均方误差函数得到所述归一化均方误差，根据所述归一化均方误差分析所述深度神经网络模型的网络性能，所述归一化均方误差函数为：
Figure 191866DEST_PATH_IMAGE004
式中，NMSE为归一化均方误差，H为真实级联信道标签值，
Figure 635748DEST_PATH_IMAGE005
为最优级联信道值。
6.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述深度神经网络模型包括迭代软阈值网络，所述迭代软阈值网络包括多个迭代阶段，所述根据预设损失函数进行多轮迭代优化训练的步骤包括：
根据预设损失函数将所述数据集在所述迭代软阈值网络的多个迭代阶段内进行深度迭代训练，直至达到预设的总迭代次数，所述深度神经网络模型训练完成。
7.根据权利要求6所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述迭代软阈值网络的每个阶段内包括卷积层、激活函数及阈值层，所述根据预设损失函数将所述数据集在所述迭代软阈值网络的多个迭代阶段内进行深度迭代训练的步骤包括：
将所述数据集输入所述深度神经网络模型中，经预处理后得到第一阶段的初始输入值，并基于各个阶段中的卷积层、激活函数及阈值层对所述初始输入值进行迭代更新，得到各个阶段的输入值和输出值；
将各个阶段的输入值和输出值输入预设损失函数中计算每一阶段的迭代损失和对称损失，根据所述每一阶段的迭代损失和对称损失减小第一阶段的输出值与最后一阶段输出值之间的误差。
8.根据权利要求7所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述基于各个阶段中的卷积层、激活函数及阈值层对所述初始输入值进行迭代更新的公式为：
Figure 431666DEST_PATH_IMAGE006
式中，
Figure 450437DEST_PATH_IMAGE007
为第k+1个阶段网络的输出值，
Figure 597385DEST_PATH_IMAGE008
为第k+1个阶段网络的输入值，Ψ为网络可学习参数，
Figure 828646DEST_PATH_IMAGE009
为阈值层函数，
Figure 993917DEST_PATH_IMAGE010
、
Figure 183590DEST_PATH_IMAGE011
表示非线性变换函数，
Figure 552254DEST_PATH_IMAGE012
为
Figure 852786DEST_PATH_IMAGE013
的反变换，
Figure 623295DEST_PATH_IMAGE014
满足对称约束。
9.根据权利要求7所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述预设损失函数的公式为：
Figure 718290DEST_PATH_IMAGE015
式中，
Figure 590563DEST_PATH_IMAGE016
和
Figure 429206DEST_PATH_IMAGE017
分别表示所述深度神经网络模型中每一阶段的迭代损失和对称损失，Ψ是网络可学习参数，γ为对称约束损失系数。
10.一种基于模型驱动的智能超表面信道估计系统，其特征在于，所述系统包括：
数据集建立模块，用于获取多组不同的级联信道粗糙估计值以及真实级联信道标签值并构建数据对，以及根据已知导频符号获取信道已知参数，根据所述数据对及所述信道已知参数建立数据集；
模型训练模块，用于构建深度神经网络模型，将所述数据集输入所述深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及对应所述最优深度神经网络模型中所有网络参数的最佳权值；
级联信道估计模块，用于将初始粗糙级联信道估计值输入所述最优深度神经网络模型中，基于所述最优深度神经网络模型及所述最佳权值重构出所述初始粗糙级联信道估计值的最优级联信道。
CN202210844324.8A 2022-07-19 2022-07-19 基于模型驱动的智能超表面信道估计方法及系统 Active CN114915523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210844324.8A CN114915523B (zh) 2022-07-19 2022-07-19 基于模型驱动的智能超表面信道估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210844324.8A CN114915523B (zh) 2022-07-19 2022-07-19 基于模型驱动的智能超表面信道估计方法及系统

Publications (2)

Publication Number Publication Date
CN114915523A true CN114915523A (zh) 2022-08-16
CN114915523B CN114915523B (zh) 2022-09-27

Family

ID=82772829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210844324.8A Active CN114915523B (zh) 2022-07-19 2022-07-19 基于模型驱动的智能超表面信道估计方法及系统

Country Status (1)

Country Link
CN (1) CN114915523B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115499276A (zh) * 2022-09-15 2022-12-20 中国人民解放军战略支援部队航天工程大学 智能反射面辅助通信系统的信道估计方法、系统及产品
WO2024067878A1 (zh) * 2022-09-30 2024-04-04 维沃移动通信有限公司 信道预测方法、装置及通信设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111817768A (zh) * 2020-06-03 2020-10-23 北京交通大学 一种用于智能反射表面无线通信的信道估计方法
CN113179232A (zh) * 2021-04-22 2021-07-27 南通大学 一种基于深度学习的无源智能反射表面的信道估计方法
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
US20210320707A1 (en) * 2020-04-08 2021-10-14 Nec Corporation Signal estimation apparatus, signal estimation method and program recording medium
CN114745237A (zh) * 2022-05-19 2022-07-12 电子科技大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210320707A1 (en) * 2020-04-08 2021-10-14 Nec Corporation Signal estimation apparatus, signal estimation method and program recording medium
CN111817768A (zh) * 2020-06-03 2020-10-23 北京交通大学 一种用于智能反射表面无线通信的信道估计方法
CN113179232A (zh) * 2021-04-22 2021-07-27 南通大学 一种基于深度学习的无源智能反射表面的信道估计方法
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN114745237A (zh) * 2022-05-19 2022-07-12 电子科技大学 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIAN LIU; HUILIN ZHOU; TAO OUYANG; QIEGEN LIU; YUHAO WANG: "Physical Model-Inspired Deep Unrolling Network for Solving Nonlinear Inverse Scattering Problems", 《IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION 》 *
SIYING WU, HUILIN ZHOU: "Research on Scatter Imaging Method for Electromagnetic Field Inv", 《 2020 5TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEMS (ICCCS)》 *
谢莎等: "太赫兹通信技术综述", 《通信学报》 *
陆怡琪: "基于压缩感知的大规模MIMO系统稀疏信道估计与预编码技术研究", 《中国优秀硕士学位论文全文数据库》 *
顾家棋: "基于压缩感知的毫米波大规模MIMO信道估计", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115499276A (zh) * 2022-09-15 2022-12-20 中国人民解放军战略支援部队航天工程大学 智能反射面辅助通信系统的信道估计方法、系统及产品
WO2024067878A1 (zh) * 2022-09-30 2024-04-04 维沃移动通信有限公司 信道预测方法、装置及通信设备

Also Published As

Publication number Publication date
CN114915523B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN114915523B (zh) 基于模型驱动的智能超表面信道估计方法及系统
CN110365612B (zh) 一种基于近似消息传递算法的深度学习波束域信道估计方法
Balevi et al. Wideband channel estimation with a generative adversarial network
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN114124623B (zh) 一种无线通信信道估计方法和装置
CN113556164B (zh) Irs辅助的swipt系统中基于能效优先的波束成型优化方法
CN105790813A (zh) 一种大规模mimo下基于深度学习的码本选择方法
CN113162665B (zh) 一种基于深度学习信道预测的预编码方法
CN110768704B (zh) 基于残差神经网络的混合波束赋形矩阵优化方法
CN115941001A (zh) 一种基于mimo系统的信息传输收发装置、系统和方法
KR20210128841A (ko) Mimo를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치
Kalphana et al. Convolutional Neural Network Auto Encoder Channel Estimation Algorithm in MIMO-OFDM System.
CN104459635A (zh) 基于迭代收缩加权融合的自适应空滤滤波方法
Tsai et al. Low-complexity compressive channel estimation for IRS-aided mmWave systems with hypernetwork-assisted LAMP network
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
US8179315B1 (en) Iterative technique for fast computation of TxBF steering weights
CN107181705A (zh) 一种半盲信道估计方法及系统
Jiang et al. Active sensing for two-sided beam alignment and reflection design using ping-pong pilots
CN114844541B (zh) 一种基于深度学习的混合预编码和反馈方法
CN114866120B (zh) 一种mimo-noma系统信号检测方法
Tamilselvan et al. Frequency domain learning scheme for massive MIMO using deep neural network
CN112261685B (zh) 一种基于卷积神经网络的mimo信号检测方法
Akdemir et al. Performance of deep learning methods in DF based cooperative communication systems
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
CN115549745A (zh) Ris相移设计方法、装置、计算机设备及存储介质

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