CN115051738A - 一种基于智能反射面的高速铁路通信方法及系统 - Google Patents

一种基于智能反射面的高速铁路通信方法及系统 Download PDF

Info

Publication number
CN115051738A
CN115051738A CN202210675962.1A CN202210675962A CN115051738A CN 115051738 A CN115051738 A CN 115051738A CN 202210675962 A CN202210675962 A CN 202210675962A CN 115051738 A CN115051738 A CN 115051738A
Authority
CN
China
Prior art keywords
reflecting surface
channel
intelligent reflecting
intelligent
current channel
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
CN202210675962.1A
Other languages
English (en)
Other versions
CN115051738B (zh
Inventor
虞凯
谢联莲
杨捷
杨岗
伍明江
类先富
易立富
王梓丞
刘孜学
王富斌
王学林
段永奇
余超
熊洁
吴浠桥
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.)
China Railway Eryuan Engineering Group Co Ltd CREEC
Original Assignee
China Railway Eryuan Engineering Group Co Ltd CREEC
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 China Railway Eryuan Engineering Group Co Ltd CREEC filed Critical China Railway Eryuan Engineering Group Co Ltd CREEC
Priority to CN202210675962.1A priority Critical patent/CN115051738B/zh
Publication of CN115051738A publication Critical patent/CN115051738A/zh
Application granted granted Critical
Publication of CN115051738B publication Critical patent/CN115051738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B7/06—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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及无线通信技术领域，特别是一种基于智能反射面的高速铁路通信方法及系统。本发明针对高速列车在距离基站远近两种不同场景下的通信问题，提出利用小区边缘和列车顶部布置智能反射面以扩展小区覆盖范围和提高小区容量。同时提出一种多时隙共用的智能反射面优化方法，能够降低反射系数的更新频率，降低反射系数的优化复杂度，减少信令开销，降低时延，以及降低智能反射面的硬件功耗，从而实现在不增加基站发射功率的情况下，以低复杂度、低成本的方式扩大小区覆盖范围，提高小区中心的通信容量。

Description

一种基于智能反射面的高速铁路通信方法及系统
技术领域
本发明涉及无线通信技术领域，特别是一种基于智能反射面的高速铁路通信方法及系统。
背景技术
铁路运输正在朝着高速和智能化的方向快速发展。智能的高速铁路需要先进的通信技术作为支撑，以满足列控信号传输，运行环境智能检测和移动用户的高数据流通信等任务的需求。然而在高速铁路通信系统中，由列车高速移动带来的多普勒频移导致列车通信性能严重下降，现有技术难以支撑未来智能高速铁路对无线通信速率和可靠性的需求。智能反射面近年来作为无线通信领域的新兴技术引起了研究者的广泛关注。目前，智能反射面的理论研究和产业化工作进展迅速，有望成为下一代无线通信网络的物理层关键技术。智能反射面由大量低成本的反射单元组成，这些反射单元以无源的方式反射电磁信号，功耗极低。通过独立调节每个反射单元的反射系数，可以实现对无线信道的重塑，使得以往不可控的无线信道能够按照设计人员的意图实现智能可控。
智能反射面的反射系数的优化选择需要获取信道状态信息，当通信环境发生变化，即信道变化后，智能反射面的反射系数理应需要进行相应地更新以更好地匹配信道。然而，在高速铁路通信系统中，列车的高速运动导致信道变化迅速，根据信道的变化实时更新智能反射面的反射系数在工程实现上非常困难，也不现实。因为实时更新反射系数需要执行大量的优化程序、增加信令开销和频繁地调节反射单元。这无疑带来了极大的计算复杂度，增加了传输时延以及智能反射面的硬件功耗。因此，需要一种在不增加基站发射功率的情况下，以低复杂度、低成本的方式扩大小区(指一个基站的信号所能覆盖的范围)覆盖范围，提高小区中心的通信容量的通信方法及系统。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于智能反射面的高速铁路通信方法及系统。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于智能反射面的高速铁路通信方法，包括以下步骤：
当列车行驶在距离最近的基站的小区边缘，同时与设置于所述小区边缘的智能反射面A的距离小于等于预设距离a时，列车中继通过所述智能反射面A与所述基站进行通信，并关闭车顶的智能反射面B；
当列车与所述智能反射面A的距离大于预设距离a时，关闭所述智能反射面A，启动所述智能反射面B，通过所述智能反射面B与距离最近的基站进行通信；
其中，所述智能反射面A与所述智能反射面B还包括以下优化方法：
根据轨道的地理位置，预测所述列车未来T个时隙的全局信道状态信息，在预设发送功率条件下，优化所述智能反射面A与所述智能反射面B的反射系数；
所述全局信道状态信息包括：基站到所述列车中继的信道状态信息、智能反射面到列车中继的信道状态信息和基站到智能反射面的信道状态。本发明考虑到智能反射面的双路径损耗导致其覆盖范围受限，因此针对高速列车在距离基站远近两种不同场景下的通信问题，提出在小区边缘和列车车顶分别布置合适的智能反射面以分别提高小区覆盖范围和增加小区中心容量。同时本发明考虑到列车的运动轨迹固定且可预测，预测多个时隙的信道状态信息，然后根据多个时隙的信道状态信息联合设计一个多时隙共用的智能反射面优化方法，能够降低反射系数的更新频率，降低反射系数的优化复杂度，减少信令开销，降低时延，以及降低智能反射面的硬件功耗，从而实现在不增加基站发射功率的情况下，以低复杂度、低成本的方式扩大小区覆盖范围，提高小区中心的通信容量。因此降低反射系数的更新频率。
作为本发明的优选方案，所述反射系数的优化方法包括以下步骤：
S1：建立智能反射面到距离最近的基站的信道模型、智能反射面到列车中继的信道模型以及所述基站在第t时隙到所述列车中继的信道模型；
S2：建立以最大化T个时隙的平均速率为优化目标，以反射系数为优化变量的优化方程，并采用串行凸近似方法，得到反射函数的优化方程；
S3：更新惩罚因子，根据所述优化方程对所述反射函数进行迭代优化；
惩罚因子的更新方式为：
Pt [m+1]＝qPt [m]；
Pt [m]＝min(Pt[m],P0)；
其中，m为迭代优化次数，每次迭代后m＝m+1，q为预设的缩放因子，P0为预设的惩罚因子最大值。
S4：判断迭代优化的结果是否满足预设的收敛条件；若满足，输出此时的反射函数以及系统平均速率；若不满足，进入步骤S3继续迭代。
作为本发明的优选方案，所述步骤S1中所述智能反射面A的信道模型表示如下：
所述基站到所述智能反射面A之间的信道h1 H：
Figure BDA0003696582560000041
其中，β1为当前信道的大尺度衰落系数；K1为当前信道的莱斯因子；
Figure BDA0003696582560000042
为当前信道的视距传输信道；
Figure BDA0003696582560000043
为当前信道的非视距传输信道；
Figure BDA0003696582560000044
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述智能反射面A在第t时隙到所述列车中继的信道h2,t：
Figure BDA0003696582560000045
其中，t∈{1,2,…,T}为时隙序号，T为时隙数量；β2,t为当前信道的大尺度衰落系数；K2,t为当前信道的莱斯因子；
Figure BDA0003696582560000046
为当前信道的视距传输信道；
Figure BDA0003696582560000047
为当前信道的非视距传输信道；
Figure BDA0003696582560000048
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述基站在第t时隙到所述列车中继的信道hd,t：
Figure BDA0003696582560000049
其中，βd,t为当前信道的大尺度衰落系数；Kd,t为当前信道的莱斯因子；
Figure BDA00036965825600000410
为当前信道的视距传输信道；
Figure BDA00036965825600000411
为当前信道的非视距传输信道；
Figure BDA00036965825600000412
为当前信道服从均值为0，方差为1的复高斯分布；
所述智能反射面B的信道模型表示如下：
所述基站在第t时隙到所述智能反射面B之间的信道h1,t H：
Figure BDA00036965825600000413
其中，β1,t为当前信道的大尺度衰落系数；K1,t为当前信道的莱斯因子；
Figure BDA00036965825600000414
为当前信道的视距传输信道；
Figure BDA00036965825600000415
为当前信道的非视距传输信道；
Figure BDA00036965825600000416
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述智能反射面B到所述列车中继的信道h2：
Figure BDA0003696582560000051
其中，β2为当前信道的大尺度衰落系数；K2为当前信道的莱斯因子；
Figure BDA0003696582560000052
为当前信道的视距传输信道；
Figure BDA0003696582560000053
为当前信道的非视距传输信道；
Figure BDA0003696582560000054
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述基站在第t时隙到所述列车中继的信道hd,t：
Figure BDA0003696582560000055
其中，βd,t为当前信道的大尺度衰落系数；Kd,t为当前信道的莱斯因子；
Figure BDA0003696582560000056
为当前信道的视距传输信道；
Figure BDA0003696582560000057
为当前信道的非视距传输信道；
Figure BDA0003696582560000058
为当前信道服从均值为0，方差为1的复高斯分布。
作为本发明的优选方案，所述步骤S1中大尺度衰落系数β的计算式如下：
Figure BDA0003696582560000059
其中，C0为相距参考距离时的路径损耗，d0为预设的参考距离，d为传输距离，α为路径损耗指数。
作为本发明的优选方案，所述步骤S2中优化方程为：
Figure BDA00036965825600000510
Figure BDA00036965825600000511
εn'≥0；
其中
Figure BDA00036965825600000512
为反射系数Φ的向量形式；ε＝[ε1,ε2,…,ε2N]T是引入的松弛变量；p为基站的发射功率；
Figure BDA00036965825600000513
为第n个反射单元的反射系数，
Figure BDA00036965825600000514
N为当前智能反射面的反射单元数目；n'∈{1,2,…,2N}为预设变量；σ2为高斯白噪声，Pt [m]为惩罚因子；
Figure BDA0003696582560000061
为第m次迭代优化得到的当前智能反射面的反射系数；
Figure BDA0003696582560000062
为
Figure BDA0003696582560000063
的共轭；
Figure BDA0003696582560000064
为第m次迭代优化后得到的
Figure BDA0003696582560000065
Bt为常数，
Figure BDA0003696582560000066
当前智能反射面为所述智能反射面A时，ht H＝h1 Hdiag(h2,t)；当前智能反射面为所述智能反射面B时，ht H＝h1,t Hdiag(h2)。
作为本发明的优选方案，所述系统平均速率
Figure BDA0003696582560000067
Figure BDA0003696582560000068
作为本发明的优选方案，所述步骤S2通过凸优化工具箱进行求解。
作为本发明的优选方案，所述步骤S4的收敛条件为
Figure BDA0003696582560000069
Figure BDA00036965825600000610
其中threshold1以及threshold2为两个预设收敛阈值。
一种用于以上任一所述的一种基于智能反射面的高速铁路通信方法的基于智能反射面的高速铁路通信系统，包括若干基站以及列车顶部的列车中继，还包括若干放置于小区边缘的智能反射面A以及放置于列车顶部的智能反射面B。
作为本发明的优选方案，所述基站为单天线基站，所述列车中继为单天线中继。
与现有技术相比，本发明的有益效果：
本发明考虑到智能反射面的双路径损耗导致其覆盖范围受限，因此针对高速列车在距离基站远近两种不同场景下的通信问题，提出在小区边缘和列车车顶分别布置合适的智能反射面以分别提高小区覆盖范围和增加小区中心容量。同时本发明考虑到列车的运动轨迹固定且可预测，预测多个时隙的信道状态信息，然后根据多个时隙的信道状态信息联合设计一个多时隙共用的智能反射面优化方法，能够降低反射系数的更新频率，降低反射系数的优化复杂度，减少信令开销，降低时延，以及降低智能反射面的硬件功耗，从而实现在不增加基站发射功率的情况下，以低复杂度、低成本的方式扩大小区覆盖范围，提高小区中心的通信容量。因此降低反射系数的更新频率。
附图说明
图1为本发明实施例1所述的一种基于智能反射面的高速铁路通信方法的流程示意图；
图2为本发明实施例1所述的一种基于智能反射面的高速铁路通信方法中优化方法的流程示意图；
图3为本发明实施例3所述的一种基于智能反射面的高速铁路通信方法中基站、列车与智能反射面的位置关系图；
图4为本发明实施例3所述的一种基于智能反射面的高速铁路通信方法中智能反射面A辅助高速铁路通信的系统平均速率；
图5为本发明实施例3所述的一种基于智能反射面的高速铁路通信方法中智能反射面B辅助高速铁路通信的系统平均速率；
图6为本发明实施例4所述的一种基于智能反射面的高速铁路通信系统的工作示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，一种基于智能反射面的高速铁路通信方法，包括以下步骤：
当列车行驶在距离最近的基站的小区边缘，同时与设置于所述小区边缘的智能反射面A的距离小于等于预设距离a时，列车中继通过所述智能反射面A与所述基站进行通信，并关闭车顶的智能反射面B；
当列车与所述智能反射面A的距离大于预设距离a时，关闭所述智能反射面A，启动所述智能反射面B，通过所述智能反射面B与距离最近的基站进行通信；
其中，所述智能反射面A与所述智能反射面B还包括以下优化方法：
根据轨道的地理位置，预测所述列车未来T个时隙的全局信道状态信息，在预设发送功率条件下，优化所述智能反射面A与所述智能反射面B的反射系数；
所述全局信道状态信息包括：基站到所述列车中继的信道状态信息、智能反射面到列车中继的信道状态信息和基站到智能反射面的信道状态。
其中，如图2所示，所述反射系数的优化方法包括以下步骤：
S1：建立智能反射面到距离最近的基站的信道模型、智能反射面到列车中继的信道模型以及所述基站在第t时隙到所述列车中继的信道模型；
S2：建立以最大化T个时隙的平均速率为优化目标，以反射系数为优化变量的优化方程，并采用串行凸近似方法，得到反射函数的优化方程；
S3：更新惩罚因子，根据所述优化方程对所述反射函数进行迭代优化；
所述惩罚因子Pt [m]的更新公式为：
Pt [m+1]＝qPt [m]；
Pt [m]＝min(Pt[m],P0)；
其中，m为迭代优化次数，每次迭代后m＝m+1，q为预设的缩放因子，P0为预设的惩罚因子最大值。
S4：判断迭代优化的结果是否满足预设的收敛条件；若满足，输出此时的反射函数以及系统平均速率；若不满足，进入步骤S3继续迭代。
实施例2
本实施例为实施例1所述优化方法的一种具体实施方式，包括以下步骤：
S1：建立智能反射面到距离最近的基站的信道模型、智能反射面到列车中继的信道模型以及所述基站在第t时隙到所述列车中继的信道模型；
所述智能反射面A的信道模型表示如下：
基站与智能反射面A的位置固定，所述基站到所述智能反射面A之间的信道
Figure BDA0003696582560000091
为准静态信道，在T个时隙内保持不变：
Figure BDA0003696582560000092
其中，β1为当前信道的大尺度衰落系数；K1为当前信道的莱斯因子；
Figure BDA0003696582560000093
为当前信道的视距传输信道；
Figure BDA0003696582560000094
为当前信道的非视距传输信道；
Figure BDA0003696582560000095
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
Figure BDA0003696582560000096
建模为：
Figure BDA0003696582560000097
其中，d1为反射单元的间距；λ为电磁波波长；在本实施例中，
Figure BDA0003696582560000098
θa为信号到达角。
所述智能反射面A在第t时隙到所述列车中继的信道
Figure BDA0003696582560000099
Figure BDA0003696582560000101
其中，t∈{1,2,…,T}为时隙序号，T为时隙数量；β2,t为当前信道的大尺度衰落系数；K2,t为当前信道的莱斯因子；
Figure BDA0003696582560000102
为当前信道的视距传输信道；
Figure BDA0003696582560000103
为当前信道的非视距传输信道；
Figure BDA0003696582560000104
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
Figure BDA0003696582560000105
建模为：
Figure BDA0003696582560000106
其中，θd,t是第t时隙的信号离开角。因为短时间内，列车的运动轨迹呈直线形式，因此T个时隙内的离开角具有高度的相关性，这为T个时隙能够共用一套反射系数提供了条件。
所述基站在第t时隙到所述列车中继的信道
Figure BDA0003696582560000107
Figure BDA0003696582560000108
其中，βd,t为当前信道的大尺度衰落系数；Kd,t为当前信道的莱斯因子；
Figure BDA0003696582560000109
为当前信道的视距传输信道；
Figure BDA00036965825600001010
为当前信道的非视距传输信道；
Figure BDA00036965825600001011
为当前信道服从均值为0，方差为1的复高斯分布。
所述智能反射面B的信道模型表示如下：
所述基站在第t时隙到所述智能反射面B之间的信道
Figure BDA00036965825600001012
Figure BDA00036965825600001013
Figure BDA00036965825600001014
其中，β1,t为当前信道的大尺度衰落系数；K1,t为当前信道的莱斯因子；
Figure BDA00036965825600001015
为当前信道的视距传输信道；
Figure BDA00036965825600001016
为当前信道的非视距传输信道；
Figure BDA00036965825600001017
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
Figure BDA00036965825600001018
建模为：
Figure BDA0003696582560000111
其中，θa,t是第t时隙信号的到达角。
所述智能反射面B到所述列车中继的信道
Figure BDA0003696582560000112
Figure BDA0003696582560000113
其中，β2为当前信道的大尺度衰落系数；K2为当前信道的莱斯因子；
Figure BDA0003696582560000114
为当前信道的视距传输信道；
Figure BDA0003696582560000115
为当前信道的非视距传输信道；
Figure BDA0003696582560000116
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
Figure BDA0003696582560000117
建模为：
Figure BDA0003696582560000118
其中，θd是信号的离开角。
所述基站在第t时隙到所述列车中继的信道
Figure BDA0003696582560000119
Figure BDA00036965825600001110
其中，βd,t为当前信道的大尺度衰落系数；Kd,t为当前信道的莱斯因子；
Figure BDA00036965825600001111
为当前信道的视距传输信道；
Figure BDA00036965825600001112
为当前信道的非视距传输信道；
Figure BDA00036965825600001113
为当前信道服从均值为0，方差为1的复高斯分布。
其中，所述大尺度衰落系数β的计算式如下：
Figure BDA00036965825600001114
其中，C0为相距参考距离时的路径损耗，d0为预设的参考距离，d为传输距离，α为路径损耗指数。
S2：建立以最大化T个时隙的平均速率为优化目标，以反射系数为优化变量的优化方程，并采用串行凸近似方法，得到反射函数的优化方程。
所述优化方程为：
Figure BDA0003696582560000121
Figure BDA0003696582560000122
εn'≥0；
其中
Figure BDA0003696582560000123
为反射系数Φ的向量形式；ε＝[ε1,ε2,…,ε2N]T是引入的松弛变量；p为基站的发射功率；
Figure BDA0003696582560000124
为第n个反射单元的反射系数，
Figure BDA0003696582560000125
N为当前智能反射面的反射单元数目；n'∈{1,2,…,2N}为预设变量；σ2为高斯白噪声，Pt [m]为惩罚因子；
Figure BDA0003696582560000126
为第m次迭代优化得到的当前智能反射面的反射系数；
Figure BDA0003696582560000127
为
Figure BDA0003696582560000128
的共轭；
Figure BDA0003696582560000129
为第m次迭代优化后得到的
Figure BDA00036965825600001210
Bt为常数，
Figure BDA00036965825600001211
其中，所述优化方程的具体获取过程如下：
对于所述智能反射面A：
在第t时隙，列车中继接收到的信号建模为：
Figure BDA00036965825600001212
其中，Φ是智能反射面的对角相移矩阵，p是基站的发射功率，x是发射信号，w是功率为σ2的噪声。基站到列车下行传输的可达速率可以通过香农容量公式进行表征：
Figure BDA00036965825600001213
Φ定义为如下的对角矩阵：
Figure BDA00036965825600001214
其中，
Figure BDA00036965825600001215
是第n个反射单元的反射系数。
建立以最大化T个时隙的平均速率为优化目标，以Φ为优化变量的优化方程：
Figure BDA0003696582560000131
上式为智能反射面的反射系数的模1约束。该方程是非凸问题，很难用标准解法求取全局最优解，因此本发明方案采用串行凸近似的方法求取次优解。
用串行凸近似将上式化为关于反射系数的线性函数，可以得到如下的目标函数：
Figure BDA0003696582560000132
其中，ht H＝h1 Hdiag(h2,t)，
Figure BDA0003696582560000133
是Φ的向量形式，
Figure BDA0003696582560000134
Figure BDA0003696582560000135
表示第m次迭代优化得到的反射系数，常数
Figure BDA0003696582560000136
Figure BDA0003696582560000137
对于非凸约束，采用惩罚concave-convex procedure(CCP)方法将其转为凸约束。具体实现方法如下：
将
Figure BDA0003696582560000138
等价转换为
Figure BDA0003696582560000139
其中，右侧不等式
Figure BDA00036965825600001310
是凸约束，而左侧不等式
Figure BDA00036965825600001311
是非凸约束。为了解决该非凸约束，采用串行凸近似将其线性化，得到：
Figure BDA00036965825600001312
其中，
Figure BDA00036965825600001313
表示
Figure BDA00036965825600001314
的共轭，
Figure BDA00036965825600001315
表示第m次迭代优化后得到的
Figure BDA00036965825600001316
基于惩罚CCP优化框架，原优化方程转化为：
Figure BDA00036965825600001317
Figure BDA0003696582560000141
εn'≥0,1≤n'≤2NA；
其中，Pt [m]是惩罚因子；
Figure BDA0003696582560000142
是引入的松弛变量；NA为当前智能反射面A的反射单元数目。经过上述的近似处理，原非凸的优化方程已经变换为的凸优化方程，可以采用凸优化工具箱CVX进行求解。
对于所述智能反射面B：
在第t时隙，基站到列车中继天线的信道
Figure BDA0003696582560000143
建模为：
Figure BDA0003696582560000144
其中，βd,t为大尺度衰落系数，Kd,t为莱斯因子，
Figure BDA0003696582560000145
为视距传输信道，
Figure BDA0003696582560000146
为非视距传输信道。
Figure BDA0003696582560000147
服从均值为0，方差为1的复高斯分布。
上述三种信道中，大尺度衰落系数β定义如下：
Figure BDA0003696582560000148
其中，C0是在参考距离d0＝1米时的路径损耗，d表示传输距离，α是路径损耗指数。
在第t时隙，列车中继接收到的信号建模为：
Figure BDA0003696582560000149
其中，Φ是智能反射面的对角相移矩阵，p是基站的发射功率，x是发射信号，w是功率为σ2的噪声。基站到列车下行传输的可达速率可以通过香农容量公式进行表征：
Figure BDA00036965825600001410
Φ定义为如下的对角矩阵：
Figure BDA00036965825600001411
其中，
Figure BDA0003696582560000151
是第n个反射单元的反射系数。
进一步地，建立以最大化T个时隙的平均速率为优化目标，以Φ为优化变量的优化方程：
Figure BDA0003696582560000152
上式为反射系数的模1约束。该方程是非凸问题，很难用标准解法求取全局最优解，因此本发明方案采用串行凸近似的方法求取次优解。
用串行凸近似将上式化为关于反射系数的线性函数，可以得到如下的目标函数：
Figure BDA0003696582560000153
其中，ht H＝h1,t Hdiag(h2)，
Figure BDA0003696582560000154
是Φ的向量形式，
Figure BDA0003696582560000155
Figure BDA0003696582560000156
表示第m次迭代优化得到的反射系数，常数
Figure BDA0003696582560000157
Figure BDA0003696582560000158
对于非凸约束优化方程，采用惩罚concave-convex procedure(CCP)方法将其转为凸约束。具体实现方法如下：
将
Figure BDA0003696582560000159
等价转换为
Figure BDA00036965825600001510
其中，右侧不等式
Figure BDA00036965825600001511
是凸约束，而左侧不等式
Figure BDA00036965825600001512
是非凸约束。为了解决该非凸约束，采用串行凸近似将其线性化，得到：
Figure BDA00036965825600001513
其中，
Figure BDA00036965825600001514
表示
Figure BDA00036965825600001515
的共轭，
Figure BDA00036965825600001516
表示第m次迭代优化后得到的
Figure BDA00036965825600001517
基于惩罚CCP优化框架，原优化方程转化为：
Figure BDA00036965825600001518
Figure BDA0003696582560000161
Figure BDA0003696582560000162
εn'≥0,1≤n'≤2NB；
其中，Pt [m]是惩罚因子；
Figure BDA0003696582560000163
是引入的松弛变量；NB为当前智能反射面B的反射单元数目。经过上述的近似处理，原非凸的优化方程已经变换为的凸优化方程，可以采用凸优化工具箱CVX进行求解。
S3：更新惩罚因子，根据所述优化方程对所述反射函数进行迭代优化。其中，本实施例中缩放因子q＝1.2，惩罚因子最大值P0＝3。
S4：判断迭代优化的结果是否满足预设的收敛条件；若满足，输出此时的反射函数以及系统平均速率；若不满足，进入步骤S3继续迭代。
所述收敛条件为
Figure BDA0003696582560000164
其中threshold1以及threshold2为两个预设收敛阈值。
实施例3
本实施例为实施例2所述方法的具体实验例，即基于MATLAB仿真软件对智能反射面辅助的高速铁路通信方法进行仿真。假设一个时隙列车前进5m，T＝3。噪声功率σ2＝-90dBm。对于基站而言，因为智能反射面B和列车中继天线相隔较近，因此它们与基站之间的信道参数几乎相同。假定相邻基站之间的距离超过250m。
对于智能反射面A辅助通信的场景，如图3所示，基站与智能反射面A之间的距离是100m，t＝1时，智能反射面A与列车中继的距离是40m。基站-智能反射面A，智能反射面A-列车中继，基站-列车中继三条链路的莱斯因子分别为15dB，10dB，2dB，路径损耗指数分别为2.1，2.2，3.4。
对于智能反射面B辅助通信的场景，如图3所示，智能反射面B与列车中继天线之间的距离是0.6m，t＝1时，基站与列车中继天线(智能反射面B)的距离是40m。基站-列车中继天线(智能反射面B)和智能反射面B-列车中继天线链路的莱斯因子分别为10dB，20dB，路径损耗指数分别为2.2，2.0。
图4和图5分别展示了智能反射面A和智能反射面B对系统平均速率的影响。可以看出，本发明提出的基于智能反射面辅助的高速铁路通信方法相比于无智能反射面辅助的高速铁路通信具有显著的性能增益，并且增大智能反射面的反射单元个数能进一步提高系统性能。这一结果证明，智能反射面在辅助高速铁路通信方面具有巨大的潜力和优势。
实施例4
一种用于实施实施例1-2任一所述的一种基于智能反射面的高速铁路通信方法的基于智能反射面的高速铁路通信系统，包括若干基站以及列车顶部的列车中继，若干放置于小区边缘的智能反射面A以及放置于列车顶部的智能反射面B。如图6所示，列车通过车顶的列车中继与基站进行通信。
所述的智能反射面是一种人造超材料，其能够以编程的方式可控地改变入射电磁波的相位、幅度以及频率等参数，从而实现对电磁信号的人为操控。另外，智能反射面的组成结构一般包括无源基底、无源反射单元和有源的控制电路。控制电路用来实现对反射系数的配置。
所述基站是指部署在铁路沿线，能够为列车提供无线通信的通信基础设施，本发明采用单天线基站。
所述列车中继是指列车的车载中继(本发明采用单天线中继)，车载中继用以辅助列车和基站的通信，其功能是将基站信号引入到车厢内或者将车厢内信号引出到车厢外。
当列车行驶在小区边缘，同时靠近反射面A时，列车通过反射面A的辅助与基站建立通信，此时关闭车顶的智能反射面以降低系统的复杂度。当列车行驶至距离反射面A较远，距离基站较近时，关闭反射面A，启动车顶反射面B。因为此时乘性的双路径损耗使得反射面A对系统性能提升非常小，为了降低系统复杂度，所以关闭反射面A。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于智能反射面的高速铁路通信方法，其特征在于，包括以下步骤：
当列车行驶在距离最近的基站的小区边缘，同时与设置于所述小区边缘的智能反射面A的距离小于等于预设距离a时，列车中继通过所述智能反射面A与所述基站进行通信，并关闭车顶的智能反射面B；
当列车与所述智能反射面A的距离大于预设距离a时，关闭所述智能反射面A，启动所述智能反射面B，通过所述智能反射面B与距离最近的基站进行通信；
其中，所述智能反射面A与所述智能反射面B还包括以下优化方法：
根据轨道的地理位置，预测所述列车未来T个时隙的全局信道状态信息，在预设发送功率条件下，优化所述智能反射面A与所述智能反射面B的反射系数；
所述全局信道状态信息包括：基站到所述列车中继的信道状态信息、智能反射面到列车中继的信道状态信息和基站到智能反射面的信道状态。
2.根据权利要求1所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述反射系数的优化方法包括以下步骤：
S1：建立智能反射面到距离最近的基站的信道模型、智能反射面到列车中继的信道模型以及所述基站在第t时隙到所述列车中继的信道模型；
S2：建立以最大化T个时隙的平均速率为优化目标，以反射系数为优化变量的优化方程，并采用串行凸近似方法，得到反射函数的优化方程；
S3：更新惩罚因子Pt [m]，根据所述优化方程对所述反射函数进行迭代优化；所述惩罚因子Pt [m]的更新公式为：
Pt [m+1]＝qPt [m]；
Pt [m]＝min(Pt [m],P0)；
其中，m为迭代优化次数，每次迭代后m＝m+1，q为预设的缩放因子，P0为预设的惩罚因子最大值；
S4：判断迭代优化的结果是否满足预设的收敛条件；若满足，输出此时的反射函数以及系统平均速率；若不满足，进入步骤S3继续迭代。
3.根据权利要求2所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述步骤S1中所述智能反射面A的信道模型表示如下：
所述基站到所述智能反射面A之间的信道h1 H：
Figure FDA0003696582550000021
其中，β1为当前信道的大尺度衰落系数；K1为当前信道的莱斯因子；
Figure FDA0003696582550000022
为当前信道的视距传输信道；
Figure FDA0003696582550000023
为当前信道的非视距传输信道；
Figure FDA0003696582550000024
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述智能反射面A在第t时隙到所述列车中继的信道h2,t：
Figure FDA0003696582550000025
其中，t∈{1,2,…,T}为时隙序号，T为时隙数量；β2,t为当前信道的大尺度衰落系数；K2,t为当前信道的莱斯因子；
Figure FDA0003696582550000026
为当前信道的视距传输信道；
Figure FDA0003696582550000027
为当前信道的非视距传输信道；
Figure FDA0003696582550000028
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述基站在第t时隙到所述列车中继的信道hd,t：
Figure FDA0003696582550000029
其中，βd,t为当前信道的大尺度衰落系数；Kd,t为当前信道的莱斯因子；
Figure FDA00036965825500000210
为当前信道的视距传输信道；
Figure FDA00036965825500000211
为当前信道的非视距传输信道；
Figure FDA00036965825500000212
为当前信道服从均值为0，方差为1的复高斯分布；
所述智能反射面B的信道模型表示如下：
所述基站在第t时隙到所述智能反射面B之间的信道h1,t H：
Figure FDA0003696582550000031
其中，β1,t为当前信道的大尺度衰落系数；K1,t为当前信道的莱斯因子；
Figure FDA0003696582550000032
为当前信道的视距传输信道；
Figure FDA0003696582550000033
为当前信道的非视距传输信道；
Figure FDA0003696582550000034
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述智能反射面B到所述列车中继的信道h2：
Figure FDA0003696582550000035
其中，β2为当前信道的大尺度衰落系数；K2为当前信道的莱斯因子；
Figure FDA0003696582550000036
为当前信道的视距传输信道；
Figure FDA0003696582550000037
为当前信道的非视距传输信道；
Figure FDA0003696582550000038
为当前信道服从均值为0，协方差为单位阵的复高斯分布；
所述基站在第t时隙到所述列车中继的信道hd,t：
Figure FDA0003696582550000039
其中，βd,t为当前信道的大尺度衰落系数；Kd,t为当前信道的莱斯因子；
Figure FDA00036965825500000310
为当前信道的视距传输信道；
Figure FDA00036965825500000311
为当前信道的非视距传输信道；
Figure FDA00036965825500000312
为当前信道服从均值为0，方差为1的复高斯分布。
4.根据权利要求3所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述步骤S1中大尺度衰落系数β的计算式如下：
Figure FDA00036965825500000313
其中，C0为相距参考距离时的路径损耗，d0为预设的参考距离，d为传输距离，α为路径损耗指数。
5.根据权利要求4所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述步骤S2中优化方程为：
Figure FDA0003696582550000041
Figure FDA0003696582550000042
Figure FDA0003696582550000043
εn'≥0；
其中
Figure FDA0003696582550000044
为反射系数Φ的向量形式；ε＝[ε1,ε2,…,ε2N]T是引入的松弛变量；p为基站的发射功率；
Figure FDA0003696582550000045
为第n个反射单元的反射系数，
Figure FDA0003696582550000046
N为当前智能反射面的反射单元数目；n'∈{1,2,…,2N}为预设变量；σ2为高斯白噪声，Pt [m]为惩罚因子；
Figure FDA0003696582550000047
为第m次迭代优化得到的当前智能反射面的反射系数；
Figure FDA0003696582550000048
为
Figure FDA0003696582550000049
的共轭；
Figure FDA00036965825500000410
为第m次迭代优化后得到的
Figure FDA00036965825500000411
Bt为常数，
Figure FDA00036965825500000412
当前智能反射面为所述智能反射面A时，ht H＝h1 Hdiag(h2,t)；当前智能反射面为所述智能反射面B时，ht H＝h1,t Hdiag(h2)。
6.根据权利要求5所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述系统平均速率
Figure FDA00036965825500000413
7.根据权利要求2所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述步骤S2通过凸优化工具箱进行求解。
8.根据权利要求5所述的一种基于智能反射面的高速铁路通信方法，其特征在于，所述步骤S4的收敛条件为：
Figure FDA00036965825500000414
Figure FDA0003696582550000051
其中threshold1以及threshold2为两个预设收敛阈值。
9.一种用于实施权利要求1-8任一所述的一种基于智能反射面的高速铁路通信方法的基于智能反射面的高速铁路通信系统，包括若干基站以及列车顶部的列车中继，其特征在于，还包括若干放置于小区边缘的智能反射面A以及放置于列车顶部的智能反射面B。
10.根据权利要求9所述的一种基于智能反射面的高速铁路通信系统，其特征在于，所述基站为单天线基站，所述列车中继为单天线中继。
CN202210675962.1A 2022-06-15 2022-06-15 一种基于智能反射面的高速铁路通信方法及系统 Active CN115051738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210675962.1A CN115051738B (zh) 2022-06-15 2022-06-15 一种基于智能反射面的高速铁路通信方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210675962.1A CN115051738B (zh) 2022-06-15 2022-06-15 一种基于智能反射面的高速铁路通信方法及系统

Publications (2)

Publication Number Publication Date
CN115051738A true CN115051738A (zh) 2022-09-13
CN115051738B CN115051738B (zh) 2024-06-18

Family

ID=83160659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210675962.1A Active CN115051738B (zh) 2022-06-15 2022-06-15 一种基于智能反射面的高速铁路通信方法及系统

Country Status (1)

Country Link
CN (1) CN115051738B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115802367A (zh) * 2023-01-30 2023-03-14 南京邮电大学 一种智能反射面辅助中继传输的相移优化方法及系统
CN116886133A (zh) * 2023-09-06 2023-10-13 北京奥威通科技有限公司 面向轨道交通通信的智能反射面优化方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112422162A (zh) * 2020-12-10 2021-02-26 中山大学 智能反射面鲁棒波束成形方法及系统
CN113329415A (zh) * 2021-04-19 2021-08-31 中铁二院工程集团有限责任公司 一种管隧道内列车分布式天线系统的天线选择方法
CN113890586A (zh) * 2021-09-13 2022-01-04 广州大学 一种智能超表面与中继的协作系统辅助无人机通信方法
CN113973305A (zh) * 2021-10-26 2022-01-25 西安电子科技大学 搭载于无人机上的智能反射面位置和波束联合优化方法
WO2022033042A1 (en) * 2020-08-14 2022-02-17 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
US20220094417A1 (en) * 2020-09-22 2022-03-24 Huawei Technologies Co., Ltd. Mobility-aware antenna beam tracking for moving communication devices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022033042A1 (en) * 2020-08-14 2022-02-17 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
US20220094417A1 (en) * 2020-09-22 2022-03-24 Huawei Technologies Co., Ltd. Mobility-aware antenna beam tracking for moving communication devices
CN112422162A (zh) * 2020-12-10 2021-02-26 中山大学 智能反射面鲁棒波束成形方法及系统
CN113329415A (zh) * 2021-04-19 2021-08-31 中铁二院工程集团有限责任公司 一种管隧道内列车分布式天线系统的天线选择方法
CN113890586A (zh) * 2021-09-13 2022-01-04 广州大学 一种智能超表面与中继的协作系统辅助无人机通信方法
CN113973305A (zh) * 2021-10-26 2022-01-25 西安电子科技大学 搭载于无人机上的智能反射面位置和波束联合优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
奚韬: "基于空间调制和智能表面的高速铁路安全传输技术研究", 中国优秀硕士学位论文全文数据库信息科技辑, 15 January 2022 (2022-01-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115802367A (zh) * 2023-01-30 2023-03-14 南京邮电大学 一种智能反射面辅助中继传输的相移优化方法及系统
CN116886133A (zh) * 2023-09-06 2023-10-13 北京奥威通科技有限公司 面向轨道交通通信的智能反射面优化方法及系统
CN116886133B (zh) * 2023-09-06 2024-02-13 北京奥威通科技有限公司 面向轨道交通通信的智能反射面优化方法及系统

Also Published As

Publication number Publication date
CN115051738B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN115051738A (zh) 一种基于智能反射面的高速铁路通信方法及系统
CN113179232B (zh) 一种基于深度学习的无源智能反射表面的信道估计方法
CN113285897B (zh) 车联网环境下ris系统中基于定位信息辅助的信道估计方法及系统
CN111865387A (zh) 智能反射面辅助无线通信系统的波束成形设计方法
CN110166100B (zh) 基于位置公平的毫米波高铁车地通信稳定波束成形方法
CN113489521B (zh) 反射面辅助无小区大规模mimo网络联合波束赋形方法
CN113873622B (zh) 一种基于可重构智能表面的通信网络节能方法
CN113114317B (zh) 一种irs辅助下行多用户通信系统的相移优化方法
CN110912629A (zh) 信噪比预测方法、装置及卫星通信链路自适应调节方法
CN114339775B (zh) 基于优化的ddpg的ris辅助非授权频谱共存方法
CN113630165B (zh) 一种基于可重构智能表面的上行多用户共生通信系统
CN112272418A (zh) 一种ris辅助的d2d通信传输模式选择方法
Zhao et al. Applications of reconfigurable intelligent surface in smart high speed train communications
CN114222310B (zh) 一种联合3d波束赋形和智能反射面反射优化方法
Shaddad et al. Channel estimation for intelligent reflecting surface in 6G wireless network via deep learning technique
Wang et al. Reinforcement learning method for beam management in millimeter-wave networks
CN116248173A (zh) Ris辅助的背向散射通信感知一体化方法
CN114157392B (zh) 一种分布式irs辅助通信系统安全传输的优化方法
CN117793927B (zh) Active-RIS辅助的多播组认知通信系统及其公平资源分配方法
CN117478258A (zh) 高速移动下多ris辅助隧道场景的信道建模与容量分析方法
CN115189789B (zh) 面向物理层安全通信的低复杂度智能超表面相位控制方法
CN117200846A (zh) 一种基于列车位置和ris的毫米波波束成形方法及系统
CN116800320A (zh) 一种star-ris辅助无线通信系统波束成形设计方法
CN115967948A (zh) 一种基于无人机智能反射面的移动车载网络下行安全通信方法
Wang et al. Adaptive beam alignment based on deep reinforcement learning for high speed railways

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