CN115499276A - 智能反射面辅助通信系统的信道估计方法、系统及产品 - Google Patents

智能反射面辅助通信系统的信道估计方法、系统及产品 Download PDF

Info

Publication number
CN115499276A
CN115499276A CN202211122199.6A CN202211122199A CN115499276A CN 115499276 A CN115499276 A CN 115499276A CN 202211122199 A CN202211122199 A CN 202211122199A CN 115499276 A CN115499276 A CN 115499276A
Authority
CN
China
Prior art keywords
channel
signal
model
channel estimation
neural network
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
CN202211122199.6A
Other languages
English (en)
Other versions
CN115499276B (zh
Inventor
武敏
朱诗兵
李长青
陈雨迪
郭克锋
帅海峰
刘瑞
吴泽柯
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.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering 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 Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202211122199.6A priority Critical patent/CN115499276B/zh
Publication of CN115499276A publication Critical patent/CN115499276A/zh
Application granted granted Critical
Publication of CN115499276B publication Critical patent/CN115499276B/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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • 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)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明涉及一种智能反射面辅助通信系统的信道估计方法、系统及产品。该方法包括：建立信道模型以及信号模型；获取发送端的已知导频信号；将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；根据所述信道模型建立信道估计卷积神经网络模型；将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。本发明能够提高通道数据的传输质量。

Description

智能反射面辅助通信系统的信道估计方法、系统及产品
技术领域
本发明涉及通信领域，特别是涉及一种智能反射面辅助通信系统的信道估计方法、系统及产品。
背景技术
针对于5G高可靠、低时延、多连接、低能耗的性能指标，星地融合网络被认为是其中关键组成部分。尽管星地融合网络在吞吐量、覆盖范围和弹性方面具有潜在优势，但部署星地融合网络带来了新的挑战。星地融合网络中层间和层内通信产生、交换和管理大量数据和网络流量，并且其无线信道对环境敏感，严重影响通信质量。
无线传播环境一直被认为是不可控的。传统的性能优化方法只关注发射机和接收机的控制策略，现在研究人员期待一种通过传播路径的可控和灵活调整来提高通信效率的新方法。为了实现这一目标，可重构智能表面(Reconfigurable Intelligence Surface，RIS)被提出作为智能控制传输链路的有效方案。具体来说，RIS由大量的几乎被动、低成本和低能量反射元件组成，每个元件都可以巧妙地协调移相器，并将入射信号调整到预期接收用户的方向。同时，RIS可以制作成体积小、重量轻的产品，因此可以很容易地安装在建筑立面、天花板、移动的火车、灯杆、路标等。
RIS的这些优点促进了对各种RIS辅助网络的深入和实质性研究。特别是为了支持RIS辅助星地融合网络，设计了RIS辅助通信多种场景，如车辆通信、无人机通信、室内通信、导航通信、蜂窝通信、工厂通信和大规模物联网通信。
由于卫星和基站波束形成权向量的优化、RIS相移设计、UAV轨道约束等问题，导致RIS辅助的星地融合网络优化问题难以用传统方法解决。由于RIS结构限制了硬件的复杂性，传统的解决方案需要巨大的训练开销，且难以适应复杂的实际信道环境。
得益于强大的智能工具的发展，深度学习被广泛认为是解决复杂环境中动态调度问题的潜在解决方案。针对高动态通信环境，深度学习通过在原始输入数据中和所需输出之间构造非线性映射，学习信号特征更新参数，从而为通信系统提供更快的响应速度。
基于深度学习的发展潜力，近年来国内外研究学者对深度学习辅助无线通信系统的各种潜在应用场景例如信道估计、功率分配和波束成形等方面都进行了一系列探索。因此如何利用深度学习在智能反射面辅助星地融合网络中进行复杂信道估计，实现更加智能高效的通信系统具有重大理论和现实意义。而现有RIS辅助的星地通信数据较少，现有技术只能通过现有数据去拟合信道参数，且无法保证现有数据的真实性，时间长且效率低，实时性较差且可靠性低，无法确保高质量通道数据传输。
发明内容
本发明的目的是提供一种智能反射面辅助通信系统的信道估计方法、系统及产品，以解决通道数据传输质量低的问题。
为实现上述目的，本发明提供了如下方案：
一种智能反射面辅助通信系统的信道估计方法，包括：
建立信道模型以及信号模型；
获取发送端的已知导频信号；
将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；
根据所述信道模型建立信道估计卷积神经网络模型；
将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。
可选的，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；
所述信号模型为由下行传输链路中的直接信道和级联信道构建的所述接收端的接收信号。
可选的，所述将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号，具体包括：
将所述已知导频信号转变为待发送的时域信号序列；
将所述时域信号序列输入至所述信号模型，经卫星-用户的直接信道和级联信道后，在接收端生成不同的接收信号。
可选的，所述信道估计卷积神经网络模型具体包括：11层卷积神经网络；所述11层卷积神经网络包括输入层、五层卷积层、两个全连接层、两个批归一化层以及输出层；其中，所述全连接层与所述批归一化层交替排列；
输入数据经过所述输入层输入后，经过五层卷积层进行特征提取，确定特征分量；所述输入数据的三个输入通道数据值由所述接收信号确定；
将所述卷积层输出的所述特征分量处理后传递至交替的全连接层和批归一化层后，经输出层输出。
一种智能反射面辅助通信系统的信道估计系统，包括：
模型建立模块，用于建立信道模型以及信号模型；
已知导频信号获取模块，用于获取发送端的已知导频信号；
接收信号生成模块，用于将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；
信道估计卷积神经网络模型建立模块，用于根据所述信道模型建立信道估计卷积神经网络模型；
信道评估模块，用于将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。
可选的，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；
所述信号模型为由下行传输链路中的直接信道和级联信道构建的所述接收端的接收信号。
可选的，所述接收信号生成模块，具体包括：
转变单元，用于将所述已知导频信号转变为待发送的时域信号序列；
接收信号生成单元，用于将所述时域信号序列输入至所述信号模型，经卫星-用户的直接信道和级联信道后，在接收端生成不同的接收信号。
可选的，所述信道估计卷积神经网络模型具体包括：11层卷积神经网络；所述11层卷积神经网络包括输入层、五层卷积层、两个全连接层、两个批归一化层以及输出层；其中，所述全连接层与所述批归一化层交替排列；
输入数据经过所述输入层输入后，经过五层卷积层进行特征提取，确定特征分量；所述输入数据的三个输入通道数据值由所述接收信号确定；
将所述卷积层输出的所述特征分量处理后传递至交替的全连接层和批归一化层后，经输出层输出。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述智能反射面辅助通信系统的信道估计方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述智能反射面辅助通信系统的信道估计方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种智能反射面辅助通信系统的信道估计方法、系统及产品，利用卷积神经网络进行信道参数估计，可以达到精确高效估计性能。通过真实的已知导频信号作为信道估计卷积神经网络模型的输入，更接近实际的系统环境，具有更强的模型泛化能力，从而更准确的估计信道，提高通道数据的传输质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的智能反射面辅助通信系统的信道估计方法流程图；
图2为本发明所提供的通讯系统示意图；
图3为本发明所提供的信道估计卷积神经网络模型离线训练和在线部署流程图；
图4为本发明所提供的信道估计卷积神经网络模型结构示意图；
图5为本发明与传统信道估计算法在不同信噪比增益条件下对直接信道的估计性能对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种智能反射面辅助通信系统的信道估计方法、系统及产品，能够提高通道数据的传输质量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明所提供的智能反射面辅助通信系统的信道估计方法流程图，如图1所示，一种智能反射面辅助通信系统的信道估计方法，包括：
步骤101：建立信道模型以及信号模型。
在实际应用中，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；所述信号模型为由下行传输链路中的直接信道和级联信道构建的所述接收端的接收信号。
在实际应用中，设定场景为一个配有Nt根天线的卫星接入点作为发射端，UAV作为中继转发，单天线用户作为接收端的下行通信系统。如图2所示，一个由M个反射元素组成的二维智能反射面作为无源中继，放置于高楼上以反射卫星到地面用户信号。同时，该通信系统均采用基于块状导频的信道估计算法，其中各天线之间的导频符号正交，从卫星到高楼智能反射面信道为阴影-莱斯信道，从高楼智能反射面到地面用户信道为准静态频率选择性衰落信道。
信道模型：
本发明所采用的通信系统假设使用正交频分复用技术(Orthogonal FrequencyDivisionMultiplexing，OFDM)实现星地融合网络中高速串行数据的并行传输。OFDM具有较好的抗多径衰落能力，能够支持多用户接入。假设OFDM一共有编号为n∈{1,2,...,N}个子载波，且在信道估计阶段每个子载波发送的信号强度保持一致。由于整个系统无线信道均为多径衰落信道模型，设定直接信道(卫星-用户)、卫星-RIS信道以及RIS-用户信道多径数分别为LDU、LDR和LRU，其信道分别表示为
Figure BDA0003846946710000061
和
Figure BDA0003846946710000062
Figure BDA0003846946710000063
为直接信道矩阵向量维度；
Figure BDA0003846946710000064
为卫星-RIS信道矩阵向量维度；N为卫星天线数；M为RIS反射单元数。由于涉及RIS的反射信道响应包括卫星-RIS信道、RIS反射系数矩阵和RIS-用户信道的卷积，因此整个通信系统的等效信道多径数可以表示为L＝max{LDU,LDR+LRU-1}，其等效信道的表达式为：
Figure BDA0003846946710000065
其中，Rq为第q个卫星多径到RIS数；q为第q个多径数；Tl-q为第l个多径与第q个多径中间多径信道矩阵；Θ＝diag{φ1,φ2,...,φM}为RIS的反射系数的对角阵，每个反射系数的表达式为
Figure BDA0003846946710000066
βm∈[0,1],θm∈[0,2π)；βm为反射系数的幅度参数，
Figure BDA0003846946710000067
j为RIS单元幅度；θm为RIS单元相位。为本发明后面叙述简洁性，将收发端之间的RIS发射信道等效表达为
Figure BDA0003846946710000068
根据卷积原理，卫星第k根天线到用户的反射信道频域表达式可以写为：
Gk[n]＝R[n]ΘTk[n],k＝1,...,Nt,n＝1,...,N
其中，Gk[n]为卫星第k根天线到用户的反射信道频域；
Figure BDA0003846946710000069
是系数矩阵T[n]的第k列，代表第k根天线到RIS的频域信道响应，Nt为天线总数；
Figure BDA00038469467100000610
为RIS-用户信道矩阵维度；R[n]为第n个卫星天线到RIS单元传输矩阵维度。在实际的RIS辅助通信系统模型中，通常认为该反射面能够最大化反射信号能量，因此，系数矩阵可以简化为反射面的相移系数矩阵表示。
信号模型
本发明将卫星端第k根天线发送的OFDM导频符号定义为xk＝[x0,x1,...,xN-1]T，在发送之前，加入长度不小于信道多径数的CP作为保护间隔，以减少符号间干扰和载波间干扰。经过星地融合网络信道传输后，接收端接收信号可以表示为：
Figure BDA0003846946710000071
其中，Xk＝diag(xk),k＝1,...,Nt代表每根发射天线对应的导频信号的对角矩阵，
Figure BDA0003846946710000072
代表通信链路中的加性高斯白噪声。Gk为卫星-RIS，RIS-用户的级联信道，其表达式为
Figure BDA0003846946710000073
Figure BDA0003846946710000074
为不包含RIS自身反射面相移的，卫星-RIS-用户的等效级联信道频域响应，
Figure BDA0003846946710000077
则是代表RIS反射面相移系数的M×1向量。
因此公式
Figure BDA0003846946710000075
可以改写为：
Figure BDA0003846946710000076
相比较于传统网络，RIS辅助的星地融合网络的信道估计主要包括下行传输链路中的直接信道Hd和级联信道
Figure BDA0003846946710000078
步骤102：获取发送端的已知导频信号。
步骤103：将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号。
在实际应用中，所述步骤103具体包括：将所述已知导频信号转变为待发送的时域信号序列；将所述时域信号序列输入至所述信号模型，经卫星-用户的直接信道和级联信道后，在接收端生成不同的接收信号。
发送端导频信号x(t)经过逆傅里叶变换和数据处理后变为待发送的时域信号序列，经过卫星-用户直接信道和反射信道后，在接收端通过数据处理和傅里叶变换得到接收信号yU(k)。
步骤104：根据所述信道模型建立信道估计卷积神经网络模型。
所述信道估计卷积神经网络模型具体包括：11层卷积神经网络；所述11层卷积神经网络包括输入层、五层卷积层、两个全连接层、两个批归一化层以及输出层；其中，所述全连接层与所述批归一化层交替排列；
输入数据经过所述输入层输入后，经过五层卷积层进行特征提取，确定特征分量；所述输入数据的三个输入通道数据值由所述接收信号确定；
将所述卷积层输出的所述特征分量处理后传递至交替的全连接层和批归一化层后，经输出层输出。
步骤105：将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。
将接收端接收信号y(t)和发送端已知信号x(t)送入信道估计卷积神经网络模型，得到频域的信道响应估计值。
本发明拟采用卷积神经网络替代传统的信道估计方法，将接收端经过傅里叶变换的数据和导频信号序列直接送入信道估计卷积神经网络模型，通过神经网络的特征学习能力拟合导频序列和接收信号直接映射关系，因此信道估计问题也可以视为复杂的多维回归问题。
整个信道估计卷积神经网络模型分为两个阶段：离线训练和在线部署，如图3所示。
其中离线训练阶段通过仿真产生大量随机信道参数和对应的发送、接收信号，作为训练样本输入到神经网络中，不断更新网络参数直到网络收敛。此时，神经网络已经为充分学习的网络模型。在线部署阶段，将实际发送信号预处理后输入到网络中，通过前向计算或后向计算得到接收信号估计值。
在该RIS辅助的星地融合网络通信系统中，采用Zadoff-Chu序列作为卫星端发送的块状导频序列，将该序列处理为二维复数矩阵。该信道估计卷积神经网络模型包括11层卷积神经网络，信道估计卷积神经网络模型如图4所示。其中，输入数据输入后经过五层卷积层进行特征提取，然后将卷积层输出特征分量处理后传递至全连接层和批归一化层后经输出层输出。输入数据的三个输入通道数据值分别为虚部vec{[Input]1}＝Re{yU(k)}，实部vec{[Input]2}＝Im{yU(k)}和绝对值vec{[Input]3}＝|yU(k)|，选择leakyReLU函数作为激活函数，采用动量梯度下降法进行参数更新，其中采用均方根误差作为损失函数，定义为：
Figure BDA0003846946710000081
其中，||·||代表欧几里得范数，n代表训练样本数量。
为了进一步提升该网络架构的收敛性和稳定性，引入学习率衰减策略，在设定周期内如果验证集损失函数没有继续下降，就对学习率衰减系数进行策略调整。同时，通过“早停”策略来防止模型过拟合，当验证集损失函数在一定迭代周期内没有明显变化，就停止训练。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种智能反射面辅助通信系统的信道估计系统。
一种智能反射面辅助通信系统的信道估计系统，包括：
模型建立模块，用于建立信道模型以及信号模型。
在实际应用中，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；所述信号模型为由下行传输链路中的直接信道和级联信道构建的所述接收端的接收信号。
已知导频信号获取模块，用于获取发送端的已知导频信号。
接收信号生成模块，用于将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号。
所述接收信号生成模块，具体包括：转变单元，用于将所述已知导频信号转变为待发送的时域信号序列；接收信号生成单元，用于将所述时域信号序列输入至所述信号模型，经卫星-用户的直接信道和级联信道后，在接收端生成不同的接收信号。
信道估计卷积神经网络模型建立模块，用于根据所述信道模型建立信道估计卷积神经网络模型。
所述信道估计卷积神经网络模型具体包括：11层卷积神经网络；所述11层卷积神经网络包括输入层、五层卷积层、两个全连接层、两个批归一化层以及输出层；其中，所述全连接层与所述批归一化层交替排列；输入数据经过所述输入层输入后，经过五层卷积层进行特征提取，确定特征分量；所述输入数据的三个输入通道数据值由所述接收信号确定；将所述卷积层输出的所述特征分量处理后传递至交替的全连接层和批归一化层后，经输出层输出。
信道评估模块，用于将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。
实施例三
通过仿真分析来验证本发明所提出的基于深度学习的RIS辅助通信系统信道估计方法的有效性和高动态通信环境下的鲁棒性，并与传统的线性回归和LMMSE信道估计算法性能相对比。
表1为系统仿真参数表，如表1所示。
表1
Figure BDA0003846946710000101
除此之外，RIS反射单元数设为M＝Ml×Mw＝10×10＝100，子载波数N＝16，循环前缀长度LCP＝4。离线训练时，在三种不同信噪比增益条件下({0,10,20})dB随机生成训练信道数据，从而提升模型泛化能力，训练数据集和验证数据集的比例按7:3分割。表2为信道估计卷积神经网络模型具体参数表，如表2所示：
表2
Figure BDA0003846946710000102
Figure BDA0003846946710000111
本发明采用归一化均方误差(NMSE)作为性能衡量指标，以Hd为直接信道，J为蒙特卡洛次数，
Figure BDA0003846946710000112
为第i次仿真得到的信道估计值，则其归一化均方误差表示为：
Figure BDA0003846946710000113
图5展示了本发明的卷积神经网络信道估计模型与传统信道估计算法在不同信噪比增益条件下对直接信道的估计性能。从图5中可以看出，本发明所提出的信道估计算法明显优于传统LS信道估计方法和LMMSE信道估计算法。
本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的智能反射面辅助通信系统的信道估计方法。
在实际应用中，上述电子设备可以是服务器。
在实际应用中，电子设备包括：至少一个处理器(processor)、存储器(memory)、总线及通信接口(Communications Interface)。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口，用于与其它设备进行通信。
处理器，用于执行程序，具体可以执行上述实施例所述的方法。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
基于以上实施例的描述，本申请实施例提供一种存储介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现任意实施例所述的方法
本申请实施例的提供的智能反射面辅助通信系统的信道估计系统以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、
数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种智能反射面辅助通信系统的信道估计方法，其特征在于，包括：
建立信道模型以及信号模型；
获取发送端的已知导频信号；
将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；
根据所述信道模型建立信道估计卷积神经网络模型；
将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。
2.根据权利要求1所述的智能反射面辅助通信系统的信道估计方法，其特征在于，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；
所述信号模型为由下行传输链路中的直接信道和级联信道构建的所述接收端的接收信号。
3.根据权利要求2所述的智能反射面辅助通信系统的信道估计方法，其特征在于，所述将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号，具体包括：
将所述已知导频信号转变为待发送的时域信号序列；
将所述时域信号序列输入至所述信号模型，经卫星-用户的直接信道和级联信道后，在接收端生成不同的接收信号。
4.根据权利要求1所述的智能反射面辅助通信系统的信道估计方法，其特征在于，所述信道估计卷积神经网络模型具体包括：11层卷积神经网络；所述11层卷积神经网络包括输入层、五层卷积层、两个全连接层、两个批归一化层以及输出层；其中，所述全连接层与所述批归一化层交替排列；
输入数据经过所述输入层输入后，经过五层卷积层进行特征提取，确定特征分量；所述输入数据的三个输入通道数据值由所述接收信号确定；
将所述卷积层输出的所述特征分量处理后传递至交替的全连接层和批归一化层后，经输出层输出。
5.一种智能反射面辅助通信系统的信道估计系统，其特征在于，包括：
模型建立模块，用于建立信道模型以及信号模型；
已知导频信号获取模块，用于获取发送端的已知导频信号；
接收信号生成模块，用于将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；
信道估计卷积神经网络模型建立模块，用于根据所述信道模型建立信道估计卷积神经网络模型；
信道评估模块，用于将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。
6.根据权利要求5所述的智能反射面辅助通信系统的信道估计系统，其特征在于，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；
所述信号模型为由下行传输链路中的直接信道和级联信道构建的所述接收端的接收信号。
7.根据权利要求6所述的智能反射面辅助通信系统的信道估计系统，其特征在于，所述接收信号生成模块，具体包括：
转变单元，用于将所述已知导频信号转变为待发送的时域信号序列；
接收信号生成单元，用于将所述时域信号序列输入至所述信号模型，经卫星-用户的直接信道和级联信道后，在接收端生成不同的接收信号。
8.根据权利要求5所述的智能反射面辅助通信系统的信道估计系统，其特征在于，所述信道估计卷积神经网络模型具体包括：11层卷积神经网络；所述11层卷积神经网络包括输入层、五层卷积层、两个全连接层、两个批归一化层以及输出层；其中，所述全连接层与所述批归一化层交替排列；
输入数据经过所述输入层输入后，经过五层卷积层进行特征提取，确定特征分量；所述输入数据的三个输入通道数据值由所述接收信号确定；
将所述卷积层输出的所述特征分量处理后传递至交替的全连接层和批归一化层后，经输出层输出。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-4中任一项所述的智能反射面辅助通信系统的信道估计方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的智能反射面辅助通信系统的信道估计方法。
CN202211122199.6A 2022-09-15 2022-09-15 智能反射面辅助通信系统的信道估计方法、系统及产品 Active CN115499276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211122199.6A CN115499276B (zh) 2022-09-15 2022-09-15 智能反射面辅助通信系统的信道估计方法、系统及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211122199.6A CN115499276B (zh) 2022-09-15 2022-09-15 智能反射面辅助通信系统的信道估计方法、系统及产品

Publications (2)

Publication Number Publication Date
CN115499276A true CN115499276A (zh) 2022-12-20
CN115499276B CN115499276B (zh) 2023-04-21

Family

ID=84468083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211122199.6A Active CN115499276B (zh) 2022-09-15 2022-09-15 智能反射面辅助通信系统的信道估计方法、系统及产品

Country Status (1)

Country Link
CN (1) CN115499276B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116346199A (zh) * 2023-03-06 2023-06-27 中国电子科技集团公司第五十四研究所 一种基于无人机辅助的星地融合网络资源智能优化方法
CN116388836A (zh) * 2023-03-08 2023-07-04 中国人民解放军战略支援部队航天工程大学 一种基于深度学习的星地融合网络波束成形设计方法
WO2024159991A1 (zh) * 2023-02-01 2024-08-08 大唐移动通信设备有限公司 信道估计方法、装置及存储介质
CN116346199B (zh) * 2023-03-06 2024-10-29 中国电子科技集团公司第五十四研究所 一种基于无人机辅助的星地融合网络资源智能优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124623A (zh) * 2021-10-28 2022-03-01 中国信息通信研究院 一种无线通信信道估计方法和装置
CN114745232A (zh) * 2022-04-02 2022-07-12 上海应用技术大学 智能可重构表面辅助毫米波mimo系统的信道估计方法
CN114866377A (zh) * 2022-04-28 2022-08-05 西安交通大学 工业物联网ris辅助通信中基于导频重构的反射信道估计方法
CN114915523A (zh) * 2022-07-19 2022-08-16 南昌大学 基于模型驱动的智能超表面信道估计方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124623A (zh) * 2021-10-28 2022-03-01 中国信息通信研究院 一种无线通信信道估计方法和装置
CN114745232A (zh) * 2022-04-02 2022-07-12 上海应用技术大学 智能可重构表面辅助毫米波mimo系统的信道估计方法
CN114866377A (zh) * 2022-04-28 2022-08-05 西安交通大学 工业物联网ris辅助通信中基于导频重构的反射信道估计方法
CN114915523A (zh) * 2022-07-19 2022-08-16 南昌大学 基于模型驱动的智能超表面信道估计方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚嘉铖: "基于可重构智能表面的6G通信技术" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024159991A1 (zh) * 2023-02-01 2024-08-08 大唐移动通信设备有限公司 信道估计方法、装置及存储介质
CN116346199A (zh) * 2023-03-06 2023-06-27 中国电子科技集团公司第五十四研究所 一种基于无人机辅助的星地融合网络资源智能优化方法
CN116346199B (zh) * 2023-03-06 2024-10-29 中国电子科技集团公司第五十四研究所 一种基于无人机辅助的星地融合网络资源智能优化方法
CN116388836A (zh) * 2023-03-08 2023-07-04 中国人民解放军战略支援部队航天工程大学 一种基于深度学习的星地融合网络波束成形设计方法
CN116388836B (zh) * 2023-03-08 2023-10-13 中国人民解放军战略支援部队航天工程大学 一种星地融合网络波束成形设计方法

Also Published As

Publication number Publication date
CN115499276B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN115499276B (zh) 智能反射面辅助通信系统的信道估计方法、系统及产品
Bocus et al. Performance of OFDM‐based massive MIMO OTFS systems for underwater acoustic communication
Wang et al. A MIMO-OFDM channel estimation approach using time of arrivals
CN102123115A (zh) 基于粒子群优化的正交小波盲均衡方法
Liu et al. Spatio-temporal neural network for channel prediction in massive MIMO-OFDM systems
Choi et al. Downlink extrapolation for FDD multiple antenna systems through neural network using extracted uplink path gains
CN103701571B (zh) 用于td‑lte‑a中继系统的八天线双码本设计方法
Panayirci et al. Channel estimation and equalization for Alamouti SF-coded OFDM-UWA communications
CN106130938B (zh) Tdd大规模mimo系统多用户联合信道估计方法
Yu et al. A data-driven deep learning network for massive MIMO detection with high-order QAM
Feng et al. mmWave RIS-assisted SIMO channel estimation based on global attention residual network
Zhao et al. ResNet-WGAN-Based End-to-End Learning for IoV Communication With Unknown Channels
Cheng et al. Swin Transformer-Based CSI Feedback for Massive MIMO
Jiang et al. R&D of a low-complexity OFDM acoustic communication payload for Micro-AUV in confined space
Raoof et al. Advanced MIMO systems
Zhou et al. Power Optimization for Aerial Intelligent Reflecting Surface‐Aided Cell‐Free Massive MIMO‐Based Wireless Sensor Network
Lin et al. Progressive channel estimation and passive beamforming for RIS-assisted OFDM systems
Qian et al. Ergodic capacity analysis of multiple IRS‐aided dual‐hop DF relaying system
Victor et al. Multi‐input fully CNN for joint pilot decontamination and symbol detection in 5G massive MIMO
Zhang et al. Space–time receiver for spread spectrum communication systems with beam tracking
Wang et al. Multi-stage training optimization for pilot compression and channel estimation in massive MIMO systems under quasi-sparse channel environment
Yang et al. Distributed Multiple LEO Satellites Cooperative Downlink Power Enhancement Transmission Scheme Based on OTFS
LIU et al. Time‐Varying Channel Estimation Based on Air‐Ground Channel Modelling and Modulated Learning Networks
Schlegel et al. Effective communications over doubly-selective acoustic channels using iterative signal cancelation
Lin et al. Deep unfolding network for target parameter estimation in OTFS-based ISAC systems

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