CN115189989B

CN115189989B - 信道估计的方法及其电子设备及介质

Info

Publication number: CN115189989B
Application number: CN202210468424.5A
Authority: CN
Inventors: 王莹; 陈源彬; 郭旭沨
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2022-04-29
Filing date: 2022-04-29
Publication date: 2023-11-17
Anticipated expiration: 2042-04-29
Also published as: CN115189989A

Abstract

本申请公开了一种信道估计的方法及其电子设备及介质。通过应用本申请的技术方案，相比于相关技术中的RI S可重构智能平面，WB‑RI S能够通过无线信标分阶段获取级联信道CSI，极大程度上提升CSI估计精度。另外，相比于相关技术中RI S中大规模添加RF chai n的方式而言，本申请提出的WB‑RI S中只有一个RF chai n，从而实现在实际系统实践中可行性更高，系统复杂度更低，能效更高的目的。再者，本申请提出的系统中可以针对WB‑RI S引入的特殊级联信道特性进行SSH‑EM算法设计，对比相关技术中利用VBI或MP算法在复杂度和估计精度相比能够有所提升。从而解决相关技术中出现的，RI S可重构智能平面中信道信息反馈CSI困难的问题。

Description

信道估计的方法及其电子设备及介质

技术领域

本申请中涉及信号数据处理技术，尤其是一种信道估计的方法及其电子设备及介质。

背景技术

相关技术中，可重构智能平面(Reconfigurable Intelligent Surface，RIS可重构智能平面)已被提出作为一种有前途的新技术，用于通过软件控制的反射来重新配置无线传播环境。

现已有大量工作进行了RIS可重构智能平面辅助无线通信系统下的波束赋形优化、组网优化等方面的研究。在实际系统中，RIS可重构智能平面所带来的系统收益依赖于系统对环境CSI的精准感知。但是，由于RIS可重构智能平面的无源特性，在保持超低功耗的同时，引入了信道信息(Channel State Information，CSI)反馈困难的问题。其中，RIS可重构智能平面辅助无线通信系统的终端接收能量与RIS可重构智能平面反射元件数量的二次方成正比，在RIS可重构智能平面规模不断增长的未来，CSI纬度也会相应增长，反馈问题会进一步变得困难。

发明内容

本申请实施例提供一种信道估计的方法及其电子设备及介质。从而解决相关技术中出现的，RIS可重构智能平面中信道信息反馈CSI计算复杂度高且导频开销大的问题。

其中，根据本申请实施例的一个方面，提供的一种信道估计的方法，应用于设置有N×1的均匀线性阵列ULA基站设备、设置有M×1的ULA可重构智能平面装备RIS、设置有A×1的ULA终端设备的系统中，其特征在于，所述RIS在几何中心处设置有一个连接射频链路RFchain的无线信标WB，得到WB-RIS，其中：

所述终端设备利用得到的AoA集合，通过上行级联信道向所述基站设备发送上行导频信号；

构建三层的隐马尔可夫模型HMM信道概率模型；

利用所述三层信道概率模型，对上行级联信道的结构化稀疏性进行拟合，以使加快利用结构化稀疏加速的异构算法SSH-EM估计上行级联信道的收敛过程。

可选地，在基于本申请上述方法的另一个实施例中，所述构建三层的隐马尔可夫模型HMM信道概率模型，包括：

所述三层信道概率模型由第一层的稀疏信号模型、第二层的精度模型以及第三层的结构化稀疏支持向量所构建得到。

可选地，在基于本申请上述方法的另一个实施例中，在所述构建三层的隐马尔可夫模型HMM信道概率模型之后，还包括：

计算所述上行级联信道的隐含变量的联合概率分布；

使用高斯分布对每个终端设备的角域出现概率进行计算，确定所述终端设备的每个角域的激活状态概率；

根据所述终端设备的每个角域的激活状态概率，确定所述三层信道概率模型的隐变量集合。

可选地，在基于本申请上述方法的另一个实施例中，在所述根据所述终端设备的每个角域的激活状态概率，确定所述三层信道概率模型的隐变量集合之后，还包括：

确定所述隐变量集合的先验概率。

可选地，在基于本申请上述方法的另一个实施例中，所述利用所述三层信道概率模型，对上行级联信道的结构化稀疏性进行拟合，包括：

将所述基站设备侧接收到的导频信号作为输入，并利用最大最小化算法进行所述上行级联信道的未知参数更新；

计算边缘后验概率，并根据变分贝叶斯推断VBI和消息传递MP方法，估计所述上行级联信道的高拟合程度的后验概率。

可选地，在基于本申请上述方法的另一个实施例中，所述估计所述上行级联信道的高拟合程度的后验概率，包括：

利用HMM算法对代理函数进行参数更新，得到局部最优参数的迭代方向，并基于所述局部最优参数对所述上行级联信道进行迭代更新。

可选地，在基于本申请上述方法的另一个实施例中，在所述终端设备利用得到的AoA集合，通过上行级联信道向所述基站设备发送上行导频信号之前，还包括：

控制所述WB-RIS向每个基站设备以及每个终端设备发送第一导频信号；

所述基站设备接收到第一导频信号后，利用角域信道估计方法对所述第一导频信号进行解析，得到基站设备侧的上行AoA以及对应的Path loss；以及，

所述终端设备接收到第一导频信号后，利用角域信道估计方法对所述第一导频信号进行解析，得到终端设备侧的上行AoA以及对应的Path loss。

可选地，在基于本申请上述方法的另一个实施例中，在所述得到终端设备侧的上行AoA以及对应的Path loss之后，还包括：

所述基站设备或所述终端设备计算所述第一导频信号在角度域中的能量分布，并基于所述能量分布中的峰值能量点，确定所述第一导频信号的AoA集合；

所述基站设备或所述终端设备选取所述AoA集合中能量值满足预设条件的AoA作为所述AoA；以及，根据偏转角与所述AoA集合，计算得到所述Path loss，所述偏转角为第一导频信号的真实角度与网格角相比所偏离的角度。

根据本申请实施例的又一个方面，提供的一种电子设备，包括：

存储器，用于存储可执行指令；以及

显示器，用于与所述存储器执行所述可执行指令从而完成上述任一所述信道估计的方法的操作。

根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述信道估计的方法的操作。

本申请提出的信道估计的方法中，可以包括设置有N×1的均匀线性阵列ULA基站设备、设置有M×1的ULA可重构智能平面装备RIS、设置有A×1的ULA终端设备：RIS在几何中心处设置有一个连接射频链路RF chain的无线信标WB，得到WB-RIS；终端设备利用得到的AoA集合，通过上行级联信道向基站设备发送上行导频信号；构建三层的隐马尔可夫模型HMM信道概率模型；利用三层信道概率模型，对上行级联信道的结构化稀疏性进行拟合，以使加快利用结构化稀疏加速的异构算法SSH-EM估计上行级联信道的收敛过程。

通过应用本申请的技术方案，相比于相关技术中的RIS可重构智能平面，WB-RIS能够通过无线信标分阶段获取级联信道CSI，极大程度上提升CSI估计精度。另外，相比于相关技术中RIS中大规模添加RF chain的方式而言，本申请提出的WB-RIS中只有一个RF chain，且不需要特殊的馈电设计。从而实现在实际系统实践中可行性更高，系统复杂度更低，能效更高的目的。再者，本申请提出的方法中可以针对多终端设备系统中存在的CS共用现象进行结构化稀疏建模，并结合隐马尔可夫模型对信道稀疏性进行精准刻画并利用期望最大化算法框架进行优化从而解决相关技术中出现的，RIS可重构智能平面中信道信息反馈CSI计算复杂度高且导频开销大的问题。

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本申请的实施例，并且连同描述一起用于解释本申请的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本申请，其中：

图1为本申请提出的一种信道估计的方法流程示意图；

图2为本申请提出的一种信道估计的方法的架构示意图；

图3为本申请提出的一种利用包括帧结构设计的信道估计的方法的流程示意图；

图4为本申请提出的SSH-EM算法的流程示意图；

图5为本申请提出的一种信道估计的方法流程的电子设备结构示意图。

具体实施方式

现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本申请及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

另外，本申请各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

需要说明的是，本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

下面结合图1-图4来描述根据本申请示例性实施方式的用于进行信道估计的方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

本申请还提出一种信道估计的方法及其电子设备及介质。

图1示意性地示出了根据本申请实施方式的一种信道估计的方法架构示意图。如图1所示，应用于设置有N×1的均匀线性阵列ULA基站设备、设置有M×1的ULA可重构智能平面装备RIS、设置有A×1的ULA终端设备的系统中，其特征在于，RIS在几何中心处设置有一个连接射频链路RF chain的无线信标WB，其中：

S101，终端设备利用得到的AoA集合，通过上行级联信道向基站设备发送上行导频信号。

S102，构建三层的隐马尔可夫模型HMM信道概率模型；

S103，利用三层信道概率模型，对上行级联信道的结构化稀疏性进行拟合，以使加快利用结构化稀疏加速的异构算法SSH-EM估计上行级联信道的收敛过程。

相关技术中，可重构智能平面(Reconfigurable Intelligent Surface，RIS)已被提出作为一种有前途的新技术，用于通过软件控制的反射来重新配置无线传播环境。具体来讲，RIS是一个包含大量低成本无源反射元件的平面，每个元件都能够独立地对入射信号产生幅度和/或相位变化，从而共同实现精细的三维(3D)反射波束成形。

其中，现已有大量工作进行了RIS辅助无线通信系统下的波束赋形优化、组网优化等方面的研究。在实际系统中，RIS所带来的系统收益依赖于系统对环境CSI的精准感知。但是，由于RIS的无源特性，在保持超低功耗的同时，引入了信道信息(Channel StateInformation，CSI)反馈困难的问题。已有工作表明，RIS辅助无线通信系统的终端接收能量与RIS反射元件数量的二次方成正比，在RIS规模不断增长的未来，CSI纬度也会相应增长，反馈问题会进一步变得困难。因此，在RIS逐步融入3GPP标准并进入实际应用的背景下，寻找更加有效的CSI反馈和估计方法仍然势在必行。

目前，在学术界已有相当多的工作对RIS辅助的无线通信系统中的CSI反馈和估计提出了解决方案。目前较为主流的有两种。其一，是将RIS的每一个反射元件都关联上一个射频链路(Radio Frequency chain，RF chain)。这样做的优点是可以随时将RIS作为一个正常工作的MIMO来使用，这样在信道估计阶段，RIS就可以通过收发导频信号来分别进行基站(Base Station，BS)和RIS之间和RIS与用户设备(User Equipment，UE)之间的信道估计。该方案可以实现十分精确的CSI估计，并且由于可以将RIS作为一个准MIMO系统，许多在MIMO系统当中十分成熟的CSI估计算法均可以被应用在这种系统当中。然而在大规模RIS中将所有被动元件全部装备一个RF chain这种做法显然违背了RIS诞生之初降低成本和功耗的初衷。其二，是不改变RIS全被动的工作方式，只通过算法来估计级联信道的信道矩阵。这样的方法将重心全部放在算法优化上，通过捕获RIS辅助无线通信中级联信道的结构化稀疏性，通过压缩感受等手段，结合正交匹配追踪算法(Orthogonal Matching Pursuit，OMP)、消息传播(MesWBge Passing，MP)、变分贝叶斯推断(Variational Bayes Inference，VBI)等算法进行信道估计。该方法的优势在于，可以在全被动的RIS中进行CSI估计，无需对硬件进行改进。然而，该方法对于信道的概率模型假设条件比较严格，无法在实际系统中达到较高的信道估计精度。因此，RIS辅助无线通信系统中的信道估计问题还需进一步研究。

基于上述提出的问题，本申请提出了一种基于无线信标的RIS(Wireless Beaconassisted RIS，WB-RIS)系统，即，在纯被动RIS阵列的几何中心部署一个连接RF chain的单天线作为无线信标(Wireless Beacon，WB)，以及利用该系统实现的信道估计方法。

其中，该单射频天线的设计可以以较低成本在信道估计过程中通过硬件手段获取部分精准CSI，从而降低算法所需估计维度，降低算法复杂度。并且WB-RIS由于通过硬件手段获得了更加精准的部分CSI，估计精度相对第二种纯算法的CSI估计手段显著提高。

同时，本申请还提出一种利用角域稀疏特性对WB-RIS系统中的信道进行角域建模，并通过构建信道底层的逻辑变量“信道支持(Channel Support，CS)矩阵”有效模拟和提取信道稀疏性的步骤以实现信道估计的方法。

一种方式中，本申请针对多用户系统中存在的CS共用现象进行结构化稀疏建模，结合隐马尔可夫模型(Hidden Markov Model，HMM)对信道稀疏性进行精准刻画并利用期望最大化(Expectation Maximization，EM)算法框架进行优化；同时，利用BS-RIS、RIS-UE之间不同的衰落时间尺度进行帧结构设计，最大程度减少信道估计的导频开销。

综上，本申请针对RIS辅助无线通信系统中存在的CSI估计问题，提出了一种WB-RIS架构，并针对该架构提出了一种基于结构化稀疏的加速混合期望最大化(StructureSparsity boost Hybrid EM，SSH-EM)算法，并以此实现一种信道估计算法。

进一步的，如图2所示，为本申请提出的一种信道估计的方法的架构图。

其中，在该系统中可以首先设置一个装备有一个规模为N×1的均匀线性阵列(Uniform Linear Array，ULA)的基站设备BS。且，在RIS中装备有规模为M×1的ULA。系统中存在K个终端设备，且每个终端设备中设置有一个规模为A×1的ULA。

进一步的，WB-RIS在RIS阵列的几何中心处安放一个后端连接RF chain的WB，以在较低硬件成本下实现对信道估计的硬件增益。具体来讲，该发射机可以向BS和所有UE进行广播。同时由于该天线所处位置为RIS阵列几何中心，由WB-RIS发出的到达收端的信号可以看作是经历了级联信道中相同的传播路径和多径条件。因此可以通过适当的帧结构设计，通过第一阶段广播和角域信道估计手段可以精确得知部分级联信道中的信息，从而降低级联信道估计难度，提高估计精度。

一种方式中，本申请可以令表示终端设备k到WB-RIS的信道，以及令表示WB-RIS到BS的信道。

其中，还可以令表示WB-RIS反射面的相移矩阵。其中/>另外，用/>表示从WB-RIS的信标发射端到BS的信道矩阵。

由上可以得出，在BS接受到的来自WB-RIS射频天线的第一导频信号y_rb为：

y_rb＝H_rbs_r+n_rb。

其中，n_rb为加性高斯白噪声(Additive White Gaussian Noise，AWGN)，σ_s为噪声标准差。其中，/>为WB-RIS处发射单元在计算得到上行显著角AoA以及对应的路径损耗系数Path loss中的导频信号。其中，s_r,i∈{1,0}，且由于系统中只有一个WB-RIS，τ_r＝1。

同时，令表示终端设备k到WB-RIS处信标发射端的信道，则第k个终端设备处接收的第一导频信号为信号/>

其中，n_r,k为AWGN噪声。

进一步的，本申请需要每个终端设备依次向BS发射相同长度τ_k,b的第二导频信号则BS接收到第k个终端设备的导频信号为/>

其中，首先本申请根据典型毫米波信道写出信道表达式：

需要说明的是，本申请实施例根据信道互异性，同一链路中相同发射/接收端上行信道和下行信道中具有相同的到达角(Angle of Arrival，AoA)和离开角(Angle OfDeparture，AoD)。因此本申请中只需确定其一即可。

例如，上行信道中BS的AoA等于下行信道中的AoD，于是定义该角度为另外，定义ω′_l为WB-RIS处的上行AoD，φ′_k,j为WB-RIS处的上行AoA，φ′_k,j为UE处的上行AoD。L,J_k分别表示信道H,h_k中的多径数量。

需要注意的是，他们与H,h_k共享相同的多径系数：ψ′_l,φ′_k,j和对应的路径损耗系数(Path Loss，PL)α₁,β_k,j。这是因为RIS处的信标发射端放置在RIS的几何中心，在大尺度的远场通信中和ULA的反射元件拥有相同的多径传播路径。利用该信标的发射特性可以更加精确的估计BS-RIS和RIS-UE信道中的信道系数，从而达到更精准的级联信道估计。

可选的，为简化阵列响应展开式，本申请可以将ULA阵列响应统一写成以下形式：

a_x(x)＝[1,e^-i2πx,…,e^-i2π(X-1)x]^T。

其中，X∈{M,N,A}，x∈{ψ_l,ω₁,φ_k,j,φ_j,k}。可选的，此时的角度x经过映射：其中x′∈{ψ′_l,ω′_l,φ′_k,j,φ′_j,k}。一种方式中，RIS元件可以为间隔二分之一波长，即/>

在MIMO毫米波系统中，信道中存在角度域的稀疏性，相比传统的时域和频域具有更大的优势。

以下写出H,h_k以及H_rb,h_r,k的角域信道表达式：

其中，角域阵列相应矩阵A_M,A_N,A_A和路径损耗系数矩阵A,B_k可以表示为：

以及，

其中，

一种方式中，本申请在构建信道估计的方法之后，为了充分发挥WB所带来的CSI估计优势，还可以在WB-RIS场景下进行CSI估计帧结构设计。

其中，由于BS和RIS一般部署在建筑物表面，收遮挡不明显，且无相对移动，所以信道相关时间较长。然而，RIS-UE链路受到遮挡和终端设备移动性影响较大，改变幅度较大，改变速度较快。因此本申请提出了一种混合时间尺度的帧结构设计，以充分利用BS-RIS的慢衰落特性。具体来讲，如图3所示，该帧结构设计分为三个阶段：第一阶段的广播、第二阶段的级联信道估计和第三阶段的RIS-UE信道校准。

其中，对于第一阶段而言，RIS需要利用WB向所有终端设备(包括BS)发射第一导频信号其中s_r,i∈{1,0}。

本申请可以通过角域信道估计方法，可以直接得到BS处上行AoA显著角以及对应显著角的路径损耗系数Path loss，从而得到和/>需要注意的是，该阶段只在每个Frame的开头进行估计。

具体的，该阶段用于对一部分的信道信息进行估计。首先，利用WB-RIS处部署的单天线WB设备，可以精准获知和/>WB-RIS处发射第一导频信号，并被基站接收到，其信号模型可被表示为：

其中，本申请需要对该信号模型的两边同时做DFT变换可以得到：

U_Ny_rb＝U_NA_NA_rbs_r+U_Nn_rb。

其中，为N阶标准DFT变换矩阵。其物理意义为接收信号y_rb在N维天线域(角度域)中的能量分布。另外，本申请定义L个路径所分别对应的角域能量分布为/>

其中，本申请定义显著角集合其中n_l表示第l个路径对应在BS处的AoA脚标，/>为系统在信道估计阶段取得的显著角个数，这里为了简化模型采用/>具体来讲，本申请通过寻找峰值能量点来确定显著角集合Ω_N：

进一步的，例如对于某一时刻n_l来说，需要注意选取n_l时的顺序排列，即：

其中，在角域表达中，每个n_l都对应一个离散的网格角但是，由于在实际系统当中，多径中的AoA/AoD分布是连续的，当ψ_l分布在网格角离散集合之外时，此时的DFT操作会引起能量泄漏现象：所以需要定义偏转角/>以描述真实角度与网格角偏离的角度。

其中，Δψ在等于Δψ_l时，对应角域第n_l处的能量最大，此时没有能量泄漏，据此可以写出Δψ_l的估计值表达式：

由此，结合显著角估计，本申请可以得到上行BS处AoA估计其中，/>为角度偏转矩阵：

Φ_N(△ψ)＝Diag{1,e^iΔψ,…,e^i(N-1)Δψ}。

当时，即RIS处单天线WB发送单符号导频信号时，路径损耗系数的估计值/>为：

最终，通过在BS端接收的第一导频信号y_rb可以估计出基站侧上行AoAψ_l，以及路径损耗系数A_rb。

同理，终端设备侧也在接收RIS端发射的第一导频信号y_r,k，此时将k-th终端设备当作是BS则可以估计得到终端设备侧上行AoD(or下行AoA)φ_k,j以及路径损耗系数B_r,k。

进一步，对于第二阶段而言，由于WB-RIS只具备单天线的WB，所以通过正常手段无法估计出上行信道中RIS的AoA和。

然而，根据阶段一中所得到的部分CSI本申请可以将问题制定为一个参数未知的压缩感知问题。但是，传统压缩感知问题对于参数矩阵的列正交条件假设较为敏感，在参数未知的情况下无法达到最佳收敛效果。

所以本申请提出了结构化稀疏加速的SSH-EM算法。在阶段二完成之后，系统就可以获得本时刻的级联信道中的CSI。

具体的，本申请实施例在阶段二中需要通过终端设备向BS发送的第二导频信号估计RIS处的上行AoDω_l和上行AoAφ_k,j。并在后续所有终端设备依次向BS发送上行导频信号，则BS端接收到第k个终端设备发送的第t个导频信号的信号表达为：

其中，在设计第k个终端设备的上行导频信号时，可以根据阶段一中获知的终端设备端的上行AoDφ_k,j，将发射能量集中到显著角集合Ω_A,k中，使得RIS端接收的导频信号质量更好。

其中，通过阶段一种获知的部分CSI，可以将级联信道估计阶段的BS接收到的导频信号进一步写为：

进一步的，接下来介绍上行导频信号设计，从上面的公式可以看到，此时信道中的未知量已经只剩下上行信道中的RIS AoD{ω₁,…,ω_L}和RIS处的AoA

需要注意的是，虽然理论上RIS-UE的路径损耗系数可以在阶段一中在终端设备处得到，但是BS端无法获知，如果使用回传链路，则要占用更多的导频开销，所以此时路径损耗系数/>也是未知量。

本申请实施例中需要将接收信号表达式化简为只有{ω₁,…,ω_L}和以及/>为变量的形式，即，等式右边除了/>和A_M,k以及B_k之外都是常数矩阵。

所以需要设计上式中的part 1：

其中，在A较大时可以看作是近似正交的，利用其正交性设计导频信号s_rb，为化简表示，令s_t＝[s_rb]_:,t，设计目标在于令part 1为常矩阵方便下一步估计，则s_t可以按照如下设计：

其中，对于part 1中的每一项：

因此，通过对导频信号s_t的设计，part 1可以被写为：

则，BS端接收的第二导频信号可以被进一步表示为：

其中，

一种可选的方式中，可以对上述公式进行简化，例如可以使用表示并且将噪声表示为/>之后，公式重整为：

其中，本申请通过共轭转置操作设置

其中，本申请设置其中第l个元素

接下来，为了将问题转化为压缩感知问题，重新定义一个测量向量：

且，

其中，为了将角域稀疏性提取出来，本申请需要首先采用DFT变换将a_M(φ_k)变换到角度域，并通过DFT偏转角公式将Δφ_k提取出来：

其中，

那么每一列的列向量D_M(Δφ_k,m)中的第m′个元素为：

其中，在D_M(Δφ_k,m,m′)表达式中，f_M函数为频谱压缩感知中的频域偏移函数，描述了偏移量在每个频率采样点上产生的能量影响：

其中，为一个J_k-稀疏的M维稀疏向量，每一个非零元素的值等于对应的路径损耗系数/>由压缩感知理论可以得知，利用x_k中隐含的结构化稀疏性，可以显著降低估计空间的子空间个数，降低算法时间成本。在本专利中，本申请提出使用HMM概率模型对这种结构化稀疏性进行建模。

这里本申请实施例提出HMM模型中x_k和各个隐含变量的联合概率表达式如下：

其中，本申请采用三层信道概率模型进行建模：第一层为稀疏信号(Sparsesignal)模型：

其中，γ为精度变量，

第二层为精度(Precision)模型：

其中，s为信道支持(Channel Support，CS)变量，其为逻辑变量，取值为0或1，由其决定的信道精度变量为伯努利-伽马分布：该层的物理意义为，信道有激活和非激活两种状态，当信道处于激活状态时，对应的CS变量为1，此时CS对应的角域AoA/AoD处于被传播路径使用的状态。反之，当CS变量为0，此时CS对应的角域AoA/AoD处于不被传播路径使用的状态。

因此，当s_k,m＝1时，其中PL_k为RIS-UE的LoS链路的路损。则伽马分布系数/>需要满足：/>

其中模型的第三层为结构化稀疏支持(Structured sparse support)向量。可以理解的，由于在RIS-UE这段联路中，不同终端设备之间可能公用RIS处上行AoAφ，这部分被激活并被公用的CS用公共支持变量(Common support)c来表示。同时每个终端设备所使用的RIS处的上行AoAφ，本申请用来表示。注意到，在实际信道中，c和s都具有马尔可夫链的性质，其联合概率分布可以写为：

作为示例，本申请定义其中，在稳态分布下，/>

进一步的，针对不同终端设备，每个终端设备都会有不同的activate path在角域的概率分布密度，本申请使用高斯分布对每个终端设备的角域activate path出现概率进行建模：

定义第k个终端设备的{1,…,M}个角域为激活状态的概率为：

其中需要注意的是，c和s之间的关系有：

p(s_k,m＝1∣c_m＝0)＝0。

则，最终c和s的联合概率分布可以根据参数确定。进一步的，本申请定义三层模型中的隐变量集合v＝{x,γ,c,s,κ}，那么隐变量的先验概率可以定义为：

同时本申请写出联合概率分布：

其中，接下来本申请将阶段二中的级联信道估计问题转化为一个带有未知参数的压缩感知问题，对于第k个终端设备发送的上行导频信号，BS端的接收信号可以写为：

其中，本申请定义定义所有终端设备接收信号/>所有终端设备的发送信号/>

可以理解的，问题最终化简为了一个参数未知的压缩感知问题。本申请采用EM算法框架进行交替迭代(Alternative Operation，AO)算法设计。

进一步的，首先，给定参数ξ，本申请希望求解边缘后验概率分布p(x∣y；ξ)和即，对上述概率模型进行VBI操作。其中，本申请利用后验概率和联合概率成正比可以写出：

其次，在给定边缘后验概率分布求解p(x∣y；ξ)和时，采用MAP准则估计参数ξ。那么最优参数的求解可以表示为：/>

ξ^*＝argmax_ξln p(ξ∣y)＝argmax_ξln p(y,v,ξ)。

其中，注意到上式中p(ξ∣y)∝∫_-ξp(y,v,ξ)。想要求解上述问题是十分困难的，由于求解边缘后验分布时需要的大量的积分操作，这是几乎不可能的。因此，本申请使用VBI作为求解后验分布的估计手段。同时采用优化-最小化(Majorization-Minimization，MM)算法，通过代理函数对参数ξ^*进行求解。具体算法见下文中描述的SSH-EM算法。

为方便理解，本申请给出信道转移概率表达式：

更进一步，对于第三阶段而言，由于在阶段二中已经获得了全部的信道信息，并且BS-RIS衰落较慢，则本部分的信道校准只针对RIS-UE链路的未知CSI。由于BS-RIS链路信息已知，本部分算法复杂度将会极低。

具体的，需要注意的是，在阶段三中，如图3所示，由于此时BS-RIS联路已经在Phase2中完全确定，只需要定期更新RIS-UE链路的信息即可。首先和阶段一中的步骤一样，利用RIS向所有终端设备广播信号以确定上行链路中终端设备处显著角AoD。随后，和阶段二中的步骤一样，终端设备使用估计得到的AoD显著角集合，设计并向BS发射上行导频信号。此时由于BS-RIS链路中的参数已经确定，该问题可以被重新整定为如下的压缩感知问题：

Y_k＝F_k(Δφ_k)x_k+N_k。

其中，此时的问题和阶段二中的类似，依然为一个数据矩阵中包含未知参数的压缩感知问题，但是问题中的未知参数ω现在已知，未知参数只包含

同样的，本申请使用接下来提出的SSH-EM算法对参数和HMM中的隐变量进行估计。

一种方式中，本申请实施例中需要在算法上针对WB-RIS的系统架构和帧结构设计进行调优，设计了SSH-EM算法，如图4所示：

对于SSH-EM算法E部分，在该部分，结合MP算法和VBI算法对各个隐含变量的后验概率进行迭代更新，具体更新的后验概率有：

其中，稀疏路径损耗向量的后验概率：其中：

其中，信道精度的后验概率：其中：

/>

其中，信道支持向量的后验概率：

其参数更新公式本申请放在附录中。

另外，对于SSH-EM算法的M部分：

M步骤的目的是根据E步骤所计算得出lnp(y,ξ)的后验概率分布，找出使得lnp(y,ξ)最大化的ξ。但是正如前文提到的，目标函数的求解过程包含大量积分，无法正常求解。为了使其可解，在SSH-M step里面本申请首先按照参数的不同属性将其分块：ξ₁＝{ω₁,…,ω_L},ξ₂＝{Δφ_k,1,…,Δφ_k,M}。在该部分，本申请利用MM算法对参数进行更新。本申请定义ln p(y,ξ)的替代函数来逐步迭代得到ξ₁，ξ₂。则问题转化为：

其中，为了使算法收敛，本申请采用梯度上升：

其中，根据MM算法中代理函数的设计准则，代理函数需要满足：

其中，在典型EM算法中，代理函数可以设计为：

其中，为SSH-EM的E步中得出的隐含变量后验概率分布。本申请进一步的将偏导写为：/>

计算所述上行级联信道的隐含变量的联合概率分布；

确定所述隐变量集合的先验概率。

图5是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如，电子设备300可以是应用于信道估计的方法的电子设备。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备处理器执行以完成上述信道估计的方法，该方法包括：终端设备利用得到的AoA集合，通过上行级联信道向所述基站设备发送上行导频信号；构建三层的隐马尔可夫模型HMM信道概率模型；利用所述三层信道概率模型，对上行级联信道的结构化稀疏性进行拟合，以使加快利用结构化稀疏加速的异构算法SSH-EM估计上行级联信道的收敛过程。可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种应用程序/计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备的处理器执行，以完成上述信道估计的方法，该方法包括：终端设备利用得到的AoA集合，通过上行级联信道向所述基站设备发送上行导频信号；构建三层的隐马尔可夫模型HMM信道概率模型；利用所述三层信道概率模型，对上行级联信道的结构化稀疏性进行拟合，以使加快利用结构化稀疏加速的异构算法SSH-EM估计上行级联信道的收敛过程。可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。

图5为电子设备300的示例图。本领域技术人员可以理解，示意图5仅仅是电子设备300的示例，并不构成对电子设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备300还可以包括输入输出设备、网络接入设备、总线等。

所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，处理器302是电子设备300的控制中心，利用各种接口和线路连接整个电子设备300的各个部分。

存储器301可用于存储计算机可读指令303，处理器302通过运行或执行存储在存储器301内的计算机可读指令或模块，以及调用存储在存储器301内的数据，实现电子设备300的各种功能。存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备300的使用所创建的数据等。此外，存储器301可以包括硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)或其他非易失性/易失性存储器件。

电子设备300集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims

1.一种信道估计的方法，其特征在于，应用于设置有N×1的均匀线性阵列ULA基站设备、设置有M×1的ULA可重构智能平面装备RIS、设置有A×1的ULA终端设备的系统中，其特征在于，所述RIS在几何中心处设置有一个连接射频链路RF chain的无线信标WB，得到WB-RIS，其中：

所述终端设备利用得到的到达角集合，通过上行级联信道向所述基站设备发送上行导频信号；

构建三层的隐马尔可夫模型HMM信道概率模型，所述HMM信道概率模型的第一层为稀疏信号模型，第二层为精度模型，第三层为结构化稀疏支持向量；

利用所述信道概率模型，对上行级联信道的结构化稀疏性进行拟合，以使加快利用结构化稀疏加速的异构算法SSH-EM估计上行级联信道的收敛过程。

2.如权利要求1所述的方法，其特征在于，在所述构建所述概率模型之后，还包括：

计算所述上行级联信道的隐含变量的联合概率分布；

根据所述终端设备的每个角域的激活状态概率，确定所述概率模型的隐变量集合。

3.如权利要求2所述的方法，其特征在于，在所述根据所述终端设备的每个角域的激活状态概率，确定所述概率模型的隐变量集合之后，还包括：

确定所述隐变量集合的先验概率。

4.如权利要求1所述的方法，其特征在于，所述利用所述信道概率模型，对上行级联信道的结构化稀疏性进行拟合，包括：

5.如权利要求4所述的方法，其特征在于，所述估计所述上行级联信道的高拟合程度的后验概率，包括：

6.如权利要求1所述的方法，其特征在于，在所述终端设备利用得到的到达角集合，通过上行级联信道向所述基站设备发送上行导频信号之前，还包括：

所述基站设备接收到第一导频信号后，利用角域信道估计方法对所述第一导频信号进行解析，得到基站设备侧的上行到达角以及对应的路径损耗系数；以及，

所述终端设备接收到第一导频信号后，利用角域信道估计方法对所述第一导频信号进行解析，得到终端设备侧的上行到达角以及对应的路径损耗系数，其中所述上行到达角以及对应的路径损耗系数用于降低基站设备端的未知参数维度。

7.如权利要求6所述的方法，其特征在于，在所述得到终端设备侧的上行到达角以及对应的路径损耗系数之后，还包括：

所述基站设备或所述终端设备计算所述第一导频信号在角度域中的能量分布，并基于所述能量分布中的峰值能量点，确定所述第一导频信号的到达角集合；

所述基站设备或所述终端设备选取所述到达角集合中能量值满足预设条件的到达角作为所述到达角；以及，根据偏转角与所述到达角集合，计算得到所述路径损耗系数，所述偏转角为第一导频信号的真实角度与网格角相比所偏离的角度。