CN115022146B - 一种可重构智能表面辅助的通信与定位一体化全双工系统 - Google Patents

Abstract

本发明属于信息与通信技术领域，涉及一种可重构智能表面辅助的通信与定位一体化全双工系统，其中基站以全双工模式与多个设备进行通信，并同时感知这些设备的位置信息。假设每个设备上都安装有一个智能表面以增强反射回波，同时每个设备上的数据信息又以反射调制的方式传递给基站。本发明旨在解决基站端设备位置信息与反射调制信息的联合估计与检测问题，通过构建基于网格的参数模型，将联合估计问题表述为压缩感知问题。本发明提出了一种新颖的消息传递算法来解决所考虑的问题，并提出了一种渐进近似方法来降低消息传递中涉及的计算复杂度。此外，本发明还提出了利用期望最大化算法调整网格参数，缓解实际情况中模型不匹配问题。

Description

一种可重构智能表面辅助的通信与定位一体化全双工系统

技术领域

本发明属于信息与通信技术领域，涉及一种可重构智能表面辅助的通信与定位一体化全双工系统设计方法。

背景技术

目前，智能反射面(RIS)已被公认为具有发展前景的下一代无线通信技术。每个RIS由软件控制的大量超原子组成，每个超原子可以独立地对入射电磁波施加所需的相移，通过调整RIS上所有超原子的相移，可以将入射电磁波向期望的方向进行反射，从而显着提高通信质量。在无线通信中，RIS具有许多潜在的应用。例如，在RIS辅助的蜂窝网络中，RIS被部署在基站(BS)和用户之间，通过额外建立的非视距链路提升系统性能。其他应用包括数能一体化无线通信网络、无人机辅助网络和物联网等。

此外，RIS作为一个大型被动散射阵列，通常具有显著的环境感知能力，促进了大量针对RIS辅助的通感一体化(ISAC)系统研究，其中，ISAC系统的主要目标是在与用户进行可靠通信的同时使用相同的频谱来感知和定位用户，实现通信和感知功能的共存。文献Z.-M.Jiang, M.Rihan,P.Zhang,L.Huang,Q.Deng,J.Zhang,and E.M.Mohamed,“Intelligentreflecting surface aided dual-function radar and communication system,”IEEESyst.J.,Feb.2021中，作者将一个RIS同时用于感知和通信，目标是在通信信干噪比不变条件下最大化雷达信干噪比。文献R.S.P.Sankar,B.Deepak,and S.P.Chepuri,“Jointcommunication and radar sensing with reconfigurable intelligent surfaces,”arXiv:2105.01966,Sept.2021中，作者提出了一种自适应RIS，在基站和用户由于遮挡不存在直接路径时该RIS可以自适应地分为两部分，分别服务于通信和定位。

发明内容

受上述现有技术的启发，本发明设计一套具有感知功能的RIS辅助的通信系统，该系统的主要优点是基于当前通信系统的网络架构，在接收端通过添加额外的感知信息处理手段引入感知功能，避免了大规模传感器网络的额外部署，具有较高的实用价值。具体来说，本发明提出了一种新的RIS辅助ISAC场景，其中BS不仅与多个设备(如车辆)进行全双工通信，而且还同时感知这些设备的位置。假设每个设备上都装有一个RIS以增强反射波能量，同时每个设备将要发送的信息以反射调制的方式传送到BS。

本发明提出一个新型的RIS辅助多输入多输出(MIMO)正交频分复用(OFDM)全双工ISAC系统，旨在实现基站端设备位置信息与被动调制信息的联合估计与检测。

如图1所示，考虑一个可重构智能表面辅助的通信与定位一体化全双工系统，其特征在于，基站发射端利用波束成形技术发射多条波束到指定区域，区域内每个移动用户装置有接收机和无源RIS：接收机用来接收基站端在此区域内发送的广播信号，此为下行通信；RIS 用来对入射波进行反射调制(即将用户产生的新信息调制到入射波上)，并将调制后的信号波反射回基站接收端，此为上行通信。最终，基站端通过回波信号，对移动用户的位置信息以及反射调制信息进行估计与检测。具体的是：

设定基站有N_t个发送天线和N_r个接收天线，服务区域内包含K个用户，且每个用户表面设置有L＝N_x×N_y个无源反射器件组成的RIS，基站发送的OFDM信号为

用户端RIS在入射波的基础上进行反射调制并将调制后的波束反射回基站端，基站接收到的第m个OFDM回波符号/>

为：

其中，β_k和τ_k分别为基站与第k个用户之间的路径系数和时延，包括去向和回向；w_m(t) 为接收噪声；

和/>

分别为基站与第k个用户之间的下行和上行信道矩阵，在角度域表示为：

其中，

和/>

分别为基站端发送导向矢量、基站端接收导向矢量以及RIS端导向矢量，/>

为基站端出射角，/>

为基站端入射角，(φ_i,k,γ_i,k)为RIS端入射角，(φ_r,k,γ_r,k)为RIS端出射角；第k个RIS在第m个OFDM符号的相移矩阵为

diag{g}表示对角矢量为g的对角阵，其中第(i,j)个反射单元相移为θ_k,m,i,j∈[0,2π)，根据广义斯涅尔定理，θ_k,m,i,j可写为

其中，

为所有反射单元的参考相位，可被RIS控制并传送数据信息，具体调制方式参见S1；q_x,k和q_y,k分别为x轴和y轴的相位梯度，表示为

定义RIS以原路返回的方式反射入射波，即φ_r,k＝-φ_i,k，γ_r,k＝γ_i,k。令α_k,m＝β_ka_RIS(φ_r,k,γ_r,k)^HΛ_k,ma_RIS(φ_i,k,γ_i,k)，简化得

y_m(t)可写为：

其中，

经过傅里叶变换后，接收信号在第n个子载波上的信号为：

本发明采用基站端用户位置信息(τ_k、

)与反射调制相位/>

的联合估计与检测方法包括以下步骤：

S1、将角度域[θ_min,θ_max]和时延域[τ_min,τ_max]分别均匀细分为Q和U个栅格，表示为

θ＝[θ₁,…,θ_Q]^T,θ_q∈[θ_min,θ_max]

τ＝[τ₁,…,τ_U]^T,τ_u∈[τ_min,τ_max]

代入y_m[n]中得到

其中：

为一个稀疏向量且非零元素为α_k,m，考虑连续M个OFDM符号以及N个子载波，得到

Y＝[Z₁ζ₁,…,Z_Mζ_M]+W,

其中，

假设路径系数β_k不变，则

反射面处数据信息采用差分相移键控的方式进行调制，即

其中，S_k,m∈{S₁,…,S_V}为数据信息调制后的相位，{S₁,…,S_V}为所有可能的调制相位，S_ref为固定参考相位使

由Y得到的概率模型由如下联合概率密度函数给出：

其中：

p(ζ|υ,χ)＝δ(ζ-diag(υ)χ)

δ(·)为狄拉克函数，ρ为稀疏度，p(β_k)近似为均值为

方差为v^β的复高斯概率模型， S_l为所有V个可能相位中第l个相位且每个相位的概率为/>

基于p(ζ|Y)得出联合概率密度函数对应的因子图；

S2、对于任意OFDM符号m和行i，采用GAMP算法得到消息

并计算消息

S3、对于任意OFDM符号m和行i，计算消息

S4、为了简化对于

的计算，本发明提出渐进式近似算法，即将相邻两个高斯混合模型的乘积近似为一个高斯混合模型，并将该近似高斯混合模型与下一个高斯混合模型相乘并近似，直至所有高斯混合模型相乘。S3最终简化可得

其中，

ξ′_l、/>

和/>

分别为概率、权重、均值和方差。

S5、对于任意OFDM符号m和行i，计算消息

S6、对于任意OFDM符号m和行i，更新节点ζ_i,m处的消息为

其中，

和/>

分别为概率、权重、均值和方差，由上式可求得ζ_m的后验均值/>

和方差/>

S7、若超过最大迭代轮次N_max则结束，否则转S2。

S8、在实际场景中，用户角度位置

和时延/>

的取值是连续的，即使角度域和时延域划分很密集，θ_real和τ_real还是有很大可能落在两个相邻栅格之间，出现模型失配的问题。本发明采用机器学习中期望最大化(EM)算法，在不增加栅格点数的基础上对每个栅格点参数进行迭代更新，生成更接近实际参数的字典集。令ω＝{θ,τ}，则优化目标为

其中，ω(l)＝{θ(l),τ(l)}为第l个EM迭代过程中估计的ω。将S6代入并化简得

考虑使用梯度下降算法逐步得到ω值使

最大，即

其中，ε为步进值。

S9、若超过最大迭代轮次N′_max则结束，否则转S2。

S10、估计得到基站端用户位置信息

与反射调制相位/>

后，计算相位差/>

即

对

进行差分解调即可恢复出数据信息。

本发明的有益效果为，首先，通信系统在频率和时间上是全双工的：一方面，BS发送的信息可以被设备处装置的传统接收机接收并解调，另一方面，在同一时/频隙，设备处要发送的信息可通过RIS以反射调制的方式传递给BS；其次，设备端在整个通信过程中不会发出任何电磁信号，属于“绿色通信”。

附图说明

图1：系统模型。

图2：广义斯涅尔定理示意图。

图3：消息传递因子图。

图4：在栅系统仿真结果图。

图5：离栅系统栅格参数更新仿真结果图。

图6：离栅系统仿真结果图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

在该具体实施方法中，路径系数β_k计算为

其中，

发射机增益G_t＝100，接收机增益G_r＝100，RIS增益G＝1。具体方法的参数设置如下表所示：

表1主要仿真参数

根据以上参数设置，该仿真的具体步骤如下：

S1、将角度域[θ_min,θ_max]和时延域[τ_min,τ_max]分别均匀细分为Q和U个栅格，表示为

θ＝[θ₁,…,θ_Q]^T,θ_q∈[θ_min,θ_max]

τ＝[τ₁,...,τ_U]^T,τ_u∈[τ_min,τ_max]

代入y_m[n]中得到

考虑连续M个OFDM符号以及N个子载波，得到

Y＝[Z₁ζ₁,...,Z_Mζ_M]+W,

其中，

利用差分相移键控的方式对反射面处数据信息进行调制。

S2、推导联合概率密度函数：

/>

并画出该联合概率密度函数对应的因子图。

S3、对于任意OFDM符号m和行i，采用GAMP算法得到消息

并计算消息

S4、对于任意OFDM符号m和行i，计算消息

S5、利用渐进式近似算法，S3最终简化可得

其中，

ξ′_l、/>

和/>

分别为概率、权重、均值和方差。

S6、对于任意OFDM符号m和行i，计算消息

S7、对于任意OFDM符号m和行i，更新节点ζ_i,m处的消息为

其中，

和/>

分别为概率、权重、均值和方差，由上式求得ζ_m的后验均值/>

和方差/>

S8、若超过最大迭代轮次N_max则结束，否则转S3。

S9、使用梯度下降算法逐步更新θ和τ使

最大，即

其中，ε为步进值。

S9、若超过最大迭代轮次N′_max则结束，否则转S3。

S10、对估计相位进行差分解调恢复出数据信息。

部分仿真结果如图4、5和6所示。图4展示了在栅系统(即

τ_k取值均正好在栅格点上)中利用BG-GAMP、OMP、Turbo-CS和SBL算法恢复式(7)中的ζ及差分相移键控解调后用户端发送信息的误码率(BER)，可以看到所提算法优于现有算法，在高信噪比(SNR) 条件下性能趋近于贝叶斯克拉美罗界(BCRB)。图5展示了离栅系统(即/>

τ_k均不在栅格点上)中EM学习算法的性能，可以看到随着学习迭代次数的增加待估参数的估计性能也逐步变好并趋于稳定。图6展示了离栅系统中几种算法的性能，可以看到EM算法非常有效地降低了待估计变量的归一化均方误差(NMSE)，提高了数据信息解调的精准度。/>

Claims (1)

1.一种可重构智能表面辅助的通信与定位一体化全双工系统，其特征在于，系统包括基站和移动用户，基站发射端利用波束成形技术发射多条波束到指定区域，区域内每个移动用户装置有接收机和无源RIS：接收机用来接收基站端发送的广播信号，此为下行通信；RIS用来对入射波进行反射调制，将用户产生的新信息调制到入射波上，并将调制后的信号波反射回基站接收端，此为上行通信；最终，基站端通过回波信号，对移动用户的位置信息以及反射调制信息进行估计与检测；具体的是：

设定基站有N_t个发送天线和N_r个接收天线，服务区域内包含K个用户，且每个用户表面设置有L＝N_x×N_y个无源反射器件组成的RIS，基站发送的OFDM信号为

用户端RIS在入射波的基础上进行反射调制并将调制后的波束反射回基站端，基站接收到的第m个OFDM回波符号/>

为：

其中，β_k和τ_k分别为基站与第k个用户之间的路径系数和时延，包括去向和回向；w_m(t)为接收噪声；

和/>

分别为基站与第k个用户之间的下行和上行信道矩阵，在角度域表示为：

其中，

和/>

分别为基站端发送导向矢量、基站端接收导向矢量以及RIS端导向矢量，/>

为基站端出射角，/>

为基站端入射角，(φ_i,k,γ_i,k)为RIS端入射角，(φ_r,k,γ_r,k)为RIS端出射角；第k个RIS在第m个OFDM符号的相移矩阵为

diag{g}表示对角矢量为g的对角阵，其中第(i,j)个反射单元相移为θ_k,m,i,j∈[0,2π)，根据广义斯涅尔定理，θ_k,m,i,j为

其中，

为所有反射单元的参考相位，被RIS控制并传送数据信息，q_x,k和q_y,k分别为x轴和y轴的相位梯度，表示为

定义RIS以原路返回的方式反射入射波，即φ_r,k＝-φ_i,k，γ_r,k＝γ_i,k；令α_k,m＝β_ka_RIS(φ_r,k,γ_r,k)^HΛ_k,ma_RIS(φ_i,k,γ_i,k)，简化得

将y_m(t)写为：

其中，

经过傅里叶变换后，接收信号在第n个子载波上的信号为：/>

基站端用户位置信息

与反射调制相位/>

的联合估计与检测方法为：

S1、将角度域[θ_min,θ_max]和时延域[τ_min,τ_max]分别均匀细分为Q和U个栅格，表示为

θ＝[θ₁,...,θ_Q]^T,θ_q∈[θ_min,θ_max]

τ＝[τ₁,…,τ_U]^T,τ_u∈[τ_min,τ_max]

代入y_m[n]中得到

其中：

为一个稀疏向量且非零元素为α_k,m，考虑连续M个OFDM符号以及N个子载波，得到

Y＝[Z₁ζ₁,...,Z_Mζ_M]+W,

其中，

定义路径系数β_k不变，则

反射面处数据信息采用差分相移键控的方式进行调制，即

其中，S_k,m∈{S₁,...,S_V}为数据信息调制后的相位，{S₁,...,S_V}为所有可能的调制相位，S_ref为固定参考相位使

由Y得到的概率模型由如下联合概率密度函数给出：

其中：

p(ζ|υ,χ)＝δ(ζ-diag(υ)χ)

δ(·)为狄拉克函数，ρ为稀疏度，p(β_k)近似为均值为

方差为v^β的复高斯概率模型，S_l为所有V个可能相位中第l个相位且每个相位的概率为/>

基于p(ζ|Y)得出联合概率密度函数对应的因子图；

S2、对于任意OFDM符号m和行i，采用GAMP算法得到消息

并计算消息

S3、对于任意OFDM符号m和行i，计算消息

S4、采用渐进式近似算法，即将相邻两个高斯混合模型的乘积近似为一个高斯混合模型，并将该近似高斯混合模型与下一个高斯混合模型相乘并近似，直至所有高斯混合模型相乘，从而将S3简化为：

其中，

ξ′_l、/>

和/>

分别为概率、权重、均值和方差；

S5、对于任意OFDM符号m和行i，计算消息

S6、对于任意OFDM符号m和行i，更新节点ζ_i,m处的消息为

其中，

和/>

分别为概率、权重、均值和方差，得到ζ_m的后验均值/>

和方差/>

S7、若超过最大迭代轮次N_max则结束，否则转S2；

S8、采用机器学习中期望最大化算法，在不增加栅格点数的基础上对每个栅格点参数进行迭代更新，令ω＝{θ,τ}，建立优化目标为

其中，ω(l)＝{θ(l),τ(l)}为第l个EM迭代过程中估计的ω，将S6中公式代入并化简得

使用梯度下降算法逐步得到ω值使

最大，即

其中，ε为步进值；

S9、若超过最大迭代轮次N′_max则结束，否则转S2；

S10、估计得到基站端用户位置信息

与反射调制相位/>

后，计算相位差

即

对

进行差分解调即可恢复出数据信息。/>

Images