CN115695105A - 基于深度迭代智能超表面辅助通信的信道估计方法及装置 - Google Patents

基于深度迭代智能超表面辅助通信的信道估计方法及装置 Download PDF

Info

Publication number
CN115695105A
CN115695105A CN202310001102.4A CN202310001102A CN115695105A CN 115695105 A CN115695105 A CN 115695105A CN 202310001102 A CN202310001102 A CN 202310001102A CN 115695105 A CN115695105 A CN 115695105A
Authority
CN
China
Prior art keywords
deep
network model
iteration
sub
coefficient matrix
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
CN202310001102.4A
Other languages
English (en)
Other versions
CN115695105B (zh
Inventor
周辉林
苏艳萍
余礼苏
冯肖
王正海
王玉皞
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 CN202310001102.4A priority Critical patent/CN115695105B/zh
Publication of CN115695105A publication Critical patent/CN115695105A/zh
Application granted granted Critical
Publication of CN115695105B publication Critical patent/CN115695105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供了基于深度迭代智能超表面辅助通信的信道估计方法及装置，该方法通过建立前向信号传输模型，并根据级联信道稀疏性，将前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，并通过引入随机预测策略，使深度迭代网络模型适应不同数量的导频信息，当用户发送不同数量的导频信息时，深度迭代网络模型仍能够根据接收端收到的信号进行信道估计，即用单一深度迭代模型处理不同维度的系数矩阵，提高了网络泛化能力，减少为不同数量导频信息引起的不同任务单独训练的次数，另外，把稀疏信号恢复问题分解的第一子问题、第二子问题以及第三子问题的优化融入深度迭代模型，动态调整深度迭代网络模型的网络参数，提高级联信道估计精度。

Description

基于深度迭代智能超表面辅助通信的信道估计方法及装置
技术领域
本发明属于无线通信技术领域，具体涉及基于深度迭代智能超表面辅助通信的信道估计方法及装置。
背景技术
智能超表面(Reconfigurable intelligent surface，RIS)作为第六代(6thGeneration Mobile Communication Technology，6G)移动通信系统的关键技术之一，具有较低的硬件成本和能量消耗，并且能够明显提高覆盖范围和容量，得到学术界的高度重视。
在RIS辅助的无线通信系统中，需要准确的信道状态信息(Channel StateInformation，CSI)来设计预编码矩阵和RIS反射系数，因此，在RIS辅助的无线通信系统中信道状态信息的估计非常重要，但是，RIS是一个由大量反射元件组成的均匀平面阵列，一般被部属在基站和用户之间，作为两者之间的纽带建立额外的链路，这导致信道估计过程不仅要估计直接链路的信道，还要考虑基站和RIS之间，以及RIS和用户之间的链路，所以用于RIS辅助的无线通信系统的信道估计具有一定难度。
目前已经存在的RIS辅助无线通信系统信道估计方案中，大多利用信道稀疏性将信道估计问题转化为稀疏信号恢复逆问题，主要包括传统信道估计算法和神经网络学习方法，对于传统信道估计方法而言，由于RIS元件不能发送、接收和处理信号，只能引起入射信号的相移，并将其被动的反射，无源的RIS通常由数百个元素组成，导致所要估计的信道维数比传统通信系统大得多，这将使得信道估计的导频开销急剧增加，所以传统信道估计的复杂度极大，且精度低，相比较而言，深度学习方法能够很好的解决传统方法中的计算复杂度和重构速度问题，但是目前已存在的深度神经网络都是将不同的系数矩阵作为不同的任务，为每个目标制定特定的模型，单独训练，这使得计算效率低下，网络泛化能力差。
发明内容
基于此，本发明实施例当中提供了一种基于深度迭代智能超表面辅助通信的信道估计方法及装置，旨在解决现有技术中，传统的信道估计方法计算效率低，网络泛化能力差，且无法快速准确获取级联信道的问题。
本发明实施例的第一方面提供了一种基于深度迭代智能超表面辅助通信的信道估计方法，所述方法包括：
建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题；
获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息；
建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型；
实时获取所述初始系数矩阵，并将所述初始系数矩阵输入所述目标深度迭代网络模型，确定目标级联信道。
进一步的，所述前向信号传输模型表示为：
Figure 431948DEST_PATH_IMAGE001
其中，
Figure 853702DEST_PATH_IMAGE002
表示为在第q个时隙，基站处的接收信号，
Figure 57282DEST_PATH_IMAGE003
表示为接收机基站与智能超 表面之间的信道，
Figure 197276DEST_PATH_IMAGE004
表示为用户与智能超表面之间的信道，diag表示为矩阵对角化，
Figure 292140DEST_PATH_IMAGE005
表 示为智能超表面处的反射向量，
Figure 833980DEST_PATH_IMAGE006
表示为用户在第q个时隙发送的导频信号，
Figure 536357DEST_PATH_IMAGE007
表示为服 从均值为0，方差为
Figure 39013DEST_PATH_IMAGE008
的复高斯白噪声。
进一步的，所述建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题的步骤中，转换公式为：
Figure 547355DEST_PATH_IMAGE009
；
其中，
Figure 68335DEST_PATH_IMAGE010
表示为角域级联信道的预测值，v表示为辅助变量，
Figure 738351DEST_PATH_IMAGE011
表示求表达式 值最小时对应的自变量
Figure 56200DEST_PATH_IMAGE010
和v，
Figure 712440DEST_PATH_IMAGE012
表示矩阵的1-范数，
Figure 494451DEST_PATH_IMAGE013
表示矩阵的2-范数，
Figure 460002DEST_PATH_IMAGE014
表示 为Y的第一变化形式，
Figure 265147DEST_PATH_IMAGE015
表示为
Figure 849712DEST_PATH_IMAGE016
的第二变化形式，
Figure 96017DEST_PATH_IMAGE017
，Y表示为用户发送的导频 信号
Figure 373414DEST_PATH_IMAGE018
，导频传输Q个时隙后，在基站处的所有接收信号，
Figure 400276DEST_PATH_IMAGE019
，
Figure 913166DEST_PATH_IMAGE016
表示为导频 传输Q个时隙后，智能超表面处的所有反射向量，λ表示为正则化参数，subject to v表示为 对所述辅助变量的约束。
进一步的，所述获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息的步骤中，引入RPA（Robotic ProcessAutomation，机器人流程自动化）算子，所述RPA算子用于生成与所述初始系数矩阵维度相同的增广集，并从所述增广集中随机选择一系数矩阵，所述增广集可以表示为：
Figure 404190DEST_PATH_IMAGE020
；
其中，
Figure 462276DEST_PATH_IMAGE021
表示为QL×N的初始系数矩阵，QL表示为第L个导频数量，N表示为均匀 平面天线阵列数。
进一步的，所述获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息的步骤中，初始化所述深度迭代网络模型的输入信息的表达式为：
Figure 38751DEST_PATH_IMAGE022
；
其中，
Figure 168381DEST_PATH_IMAGE023
表示为初始阶段的角域级联信道的预测值。
进一步的，所述建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型的步骤中，所述第一子问题、所述第二子问题以及所述第三子问题的优化的表达式分别为：
Figure 372966DEST_PATH_IMAGE024
Figure 257746DEST_PATH_IMAGE025
；
Figure 931304DEST_PATH_IMAGE026
；
其中，
Figure 864625DEST_PATH_IMAGE027
表示为可学习的惩罚参数，
Figure 799082DEST_PATH_IMAGE028
表示为第k个阶段角域级联信道的预测值，
Figure 996975DEST_PATH_IMAGE029
表示为拉格朗日乘子第k次的迭代值，
Figure 282463DEST_PATH_IMAGE030
表示为辅助变量第k次的迭代值。
进一步的，所述建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型的步骤包括：
将所述输入信息输入所述深度迭代网络模型，通过前向传播，得到初始预测值；
获取所述初始预测值，并根据损失函数，通过反向传播，完成所述网络参数更新。
进一步的，所述损失函数的表达式为：
Figure 753896DEST_PATH_IMAGE031
；
其中，
Figure 683805DEST_PATH_IMAGE032
表示为所述深度迭代网络模型的可学习参数，F表示为所述深度迭代网络 模型的输出，z表示为条件向量，
Figure 910387DEST_PATH_IMAGE033
、
Figure 542226DEST_PATH_IMAGE034
以及z为深度迭代网络模型的输入，
Figure 817349DEST_PATH_IMAGE035
表示为级联信 道。
本发明实施例的第二方面提供了一种基于深度迭代智能超表面辅助通信的信道估计装置，所述装置包括：
前向信号传输模型建立模块，用于建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题；
预处理模块，用于获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息；
训练模块，用于建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型；
目标级联信道确定模块，用于实时获取所述初始系数矩阵，并将所述初始系数矩阵输入所述目标深度迭代网络模型，确定目标级联信道。
进一步的，所述训练模块包括：
前向传播单元，用于将所述输入信息输入所述深度迭代网络模型，通过前向传播，得到初始预测值；
反向传播单元，用于获取所述初始预测值，并根据损失函数，通过反向传播，完成所述网络参数更新。
本发明的有益效果为：通过建立前向信号传输模型，并根据级联信道稀疏性，将前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，并通过引入随机预测策略，使深度迭代网络模型适应不同数量的导频信息，当用户发送不同数量的导频信息时，深度迭代网络模型仍能够根据接收端收到的信号进行信道估计，即用单一深度迭代模型处理不同维度的系数矩阵，促进了训练的多样性，提高了网络泛化能力，减少为不同数量导频信息引起的不同任务单独训练的次数，另外，把稀疏信号恢复问题分解的第一子问题、第二子问题以及第三子问题的优化融入深度迭代模型，动态调整深度迭代网络模型的网络参数，提高级联信道估计精度。
附图说明
图1是本发明第一实施例提供的一种基于深度迭代智能超表面辅助通信的信道估计方法的实现流程图；
图2是本发明第一实施例提供的深度迭代网络模型的结构框图；
图3是本发明第一实施例提供的深度迭代网络模型第k个阶段的结构框图；
图4是本发明第一实施例提供的可控近端映射模块的结构框图；
图5是本发明第二实施例提供的基于深度迭代智能超表面辅助通信的信道估计装置的结构示意图。
以下具体实施方式将结合上述附图进一步说明。
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。
一般的，在接收机基站（Base Station，BS）处配备多个天线，发射机用户端（theUser Terminal，UT）为单天线，智能超表面被部署在大型建筑物表面，是由多个反射元件组成的均匀平面天线阵列（Uniform Platform Array，UPA），用户在不同时刻发送信号，智能超表面将用户发送的信号进行反射，在基站处接收其反射的信号，即本发明考虑的深度迭代智能超表面（Depth-iteration RIS，DRIS）辅助的无线通信系统的上行链路。
实施例一
请参阅图1，图1示出了本发明第一实施例提供的一种基于深度迭代智能超表面辅助通信的信道估计方法的实现流程图，该方法具体包括步骤S01至步骤S04。
步骤S01，建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题。
其中，采用经典的随机物理模型（Saleh-Valenzuela）进行前向信号传输建模，并根据级联信道稀疏性，将信道估计问题转换为稀疏信号恢复问题，在本实施例当中，考虑均匀平面天线阵列，空间角度均被假设在量化网格上，根据随机物理模型，配备有M个天线的BS与具有N元均匀平面天线阵列的RIS之间的信道可以表示为：
Figure 991979DEST_PATH_IMAGE036
其中，LG表示为RIS和基站之间的路径总数量，
Figure 733670DEST_PATH_IMAGE037
表示为第
Figure 993750DEST_PATH_IMAGE038
条路径的复增益，
Figure 993936DEST_PATH_IMAGE038
表 示为RIS和基站之间的第一路径数量，
Figure 23072DEST_PATH_IMAGE039
和
Figure 263560DEST_PATH_IMAGE040
分别表示在接收设备和发送设备 处的天线阵列响应矢量，
Figure 886303DEST_PATH_IMAGE041
和
Figure 299966DEST_PATH_IMAGE042
分别表示在第
Figure 573822DEST_PATH_IMAGE038
条路径下基站处的到达角和出发角，
Figure 47528DEST_PATH_IMAGE043
和
Figure 219884DEST_PATH_IMAGE044
分别表示在第
Figure 47025DEST_PATH_IMAGE038
条路径下RIS的到达角和出发角。
对于典型的
Figure 316333DEST_PATH_IMAGE045
均匀平面天线阵列（
Figure 819995DEST_PATH_IMAGE046
），
Figure 276384DEST_PATH_IMAGE047
可以表示为：
Figure 235113DEST_PATH_IMAGE048
；
其中，
Figure 234293DEST_PATH_IMAGE049
表示为到达角，
Figure 49802DEST_PATH_IMAGE050
表示为出发角，
Figure 196750DEST_PATH_IMAGE051
，
Figure 614962DEST_PATH_IMAGE052
， λc表示为载波波长，d表示为天线间距，一般的，
Figure 593282DEST_PATH_IMAGE053
。
同理，用户与RIS之间的信道可以表示为：
Figure 455059DEST_PATH_IMAGE054
其中，
Figure 886040DEST_PATH_IMAGE055
表示为用户和RIS之间的路径总数量，
Figure 186572DEST_PATH_IMAGE056
表示为用户的第
Figure 878453DEST_PATH_IMAGE057
条路径的复增 益，为区分hr,b公式中的
Figure 35765DEST_PATH_IMAGE038
，用户与RIS之间的第二路径数量用
Figure 94988DEST_PATH_IMAGE057
表示，
Figure 730368DEST_PATH_IMAGE058
表示为第
Figure 542335DEST_PATH_IMAGE057
条路径在RIS处的天线阵列响应矢量，
Figure 73811DEST_PATH_IMAGE059
和
Figure 479384DEST_PATH_IMAGE060
分别表示为在第
Figure 59402DEST_PATH_IMAGE057
条路径下RIS处的到达角和 出发角。
可以理解的，反射链路信道H被建模为User-RIS-BS级联信道，可以表示为：
Figure 804504DEST_PATH_IMAGE061
；
其中，
Figure 303618DEST_PATH_IMAGE062
表示将向量
Figure 61402DEST_PATH_IMAGE063
矩阵对角化，进一步的，使用过完备字典矩阵，以 虚拟角度域表示级联信道，即：
Figure 38585DEST_PATH_IMAGE064
；
其中，
Figure 841456DEST_PATH_IMAGE065
表示为角域级联信道，
Figure 511472DEST_PATH_IMAGE066
和
Figure 829320DEST_PATH_IMAGE067
分别表示为字典酉矩阵，上标T表示矩阵的 转置。
具体的，使用正交导频传输策略，用户通过RIS向基站发送导频信号，其中，在第q个时隙，不考虑用户与基站之间的直接链路信道，用户在基站处的接收信号可以表示为：
Figure 734828DEST_PATH_IMAGE068
其中，上述公式可以用于表示前向信号传输模型，
Figure 516840DEST_PATH_IMAGE069
表示为在第q个时隙，基站处 的接收信号，
Figure 233123DEST_PATH_IMAGE003
表示为接收机基站与智能超表面之间的信道，
Figure 38268DEST_PATH_IMAGE070
表示为用户与智能超表面 之间的信道，diag表示为矩阵对角化，
Figure 622833DEST_PATH_IMAGE005
表示为智能超表面处的反射向量，
Figure 383985DEST_PATH_IMAGE006
表示为用户在 第q个时隙发送的导频信号，
Figure 395803DEST_PATH_IMAGE071
表示为服从均值为0，方差为
Figure 422665DEST_PATH_IMAGE072
的复高斯白噪声，另外，
Figure 686287DEST_PATH_IMAGE073
，
Figure 911732DEST_PATH_IMAGE074
，
Figure 484665DEST_PATH_IMAGE075
，
Figure 61139DEST_PATH_IMAGE076
，
Figure 862873DEST_PATH_IMAGE077
和
Figure 146087DEST_PATH_IMAGE078
分别表示第n个RIS元素的 幅值和相位。
假设用户发送的导频信号
Figure 765287DEST_PATH_IMAGE079
，导频传输Q个时隙后，基站处的接收信号可以表示 为：
Figure 688113DEST_PATH_IMAGE080
其中，
Figure 152592DEST_PATH_IMAGE081
，
Figure 493575DEST_PATH_IMAGE082
，
Figure 486939DEST_PATH_IMAGE083
，Y表示为用户发送的导频信号
Figure 506847DEST_PATH_IMAGE018
，导频传输Q个时隙后，用户在基站处的所有接收信号，
Figure 165231DEST_PATH_IMAGE084
，
Figure 219774DEST_PATH_IMAGE016
表示为导频传输 Q个时隙后，智能超表面处的所有反射向量，
Figure 56143DEST_PATH_IMAGE085
，W表示为导频传输Q个时隙后 的服从均值为0，方差为
Figure 828927DEST_PATH_IMAGE072
的所有复高斯白噪声。不同的导频对应不同的系数矩阵，将以虚 拟角度域表示级联信道的表达式带入上式中，得到：
Figure 104051DEST_PATH_IMAGE086
；
其中，
Figure 137735DEST_PATH_IMAGE087
，
Figure 535218DEST_PATH_IMAGE088
，
Figure 405085DEST_PATH_IMAGE089
，上标T 和H 分别表示矩阵的转置和共 轭转置，令
Figure 280637DEST_PATH_IMAGE090
，则有
Figure 513035DEST_PATH_IMAGE091
，
Figure 940474DEST_PATH_IMAGE035
表示为级联信道，可以理解的，Hc同样表示为级联信 道，与
Figure 687851DEST_PATH_IMAGE092
等同。
一般来说，RIS被部署在大型建筑物上，BS和RIS周围有限的散射，使角度级联信道具有少量非零元素，具有稀疏性，将信道估计问题转化为稀疏信号恢复问题，并引入辅助变量v，则有转换公式：
Figure 976881DEST_PATH_IMAGE093
；
其中，
Figure 63785DEST_PATH_IMAGE094
表示为角域级联信道的预测值，
Figure 271913DEST_PATH_IMAGE095
表示求表达式值最小时对应的 自变量
Figure 625359DEST_PATH_IMAGE010
和v，
Figure 842714DEST_PATH_IMAGE012
表示矩阵的1-范数，
Figure 784125DEST_PATH_IMAGE013
表示矩阵的2-范数，具体的，1-范数为L1范 数，也叫曼哈顿距离，是一个向量中所有元素的绝对值之和，2-范数为L2范数，也叫欧几里 得范数，是一个向量中所有元素取平方和，然后再开平方，
Figure 304099DEST_PATH_IMAGE033
表示为Y的第一变化形式，
Figure 26068DEST_PATH_IMAGE096
表 示为
Figure 906168DEST_PATH_IMAGE016
的第二变化形式，
Figure 764403DEST_PATH_IMAGE017
，Y表示为用户发送的导频信号
Figure 455278DEST_PATH_IMAGE018
，导频传输Q个时 隙后，在基站处的所有接收信号，
Figure 133384DEST_PATH_IMAGE097
，
Figure 895804DEST_PATH_IMAGE016
表示为导频传输Q个时隙后，智能超表 面处的所有反射向量，λ表示为正则化参数，subject to v表示为对所述辅助变量的约束。
进一步的，为了求解转换公式，则将带有约束的转换公式转化为拉格朗日函数，即：
Figure 733179DEST_PATH_IMAGE098
；
其中，u表示为拉格朗日乘子，
Figure 985168DEST_PATH_IMAGE099
表示为可学习的惩罚参数。
步骤S02，获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息。
需要说明的是，深度迭代网络模型是基于神经网络学习方法建立的，请参阅图2， 图2示出了本发明第一实施例提供的深度迭代网络模型的结构框图，在训练预处理阶段，针 对用户发送的不同导频信息，并根据随机预测策略获得系数矩阵，初始化深度迭代网络的 输入信息，具体的，为处理不同数量的导频对应不同的系数矩阵引起的信道估计问题，采用 随机预测策略，对于确定的
Figure 291516DEST_PATH_IMAGE100
的系数矩阵
Figure 388785DEST_PATH_IMAGE101
，通过引入RPA算子生成与其维度相同的 增广集，总共NS组，并从所述增广集中随机选择一系数矩阵，其中，RPA算子的公式表示为：
Figure 159295DEST_PATH_IMAGE102
其中，
Figure 706820DEST_PATH_IMAGE103
为第1组维度为
Figure 359518DEST_PATH_IMAGE100
的系数矩阵，
Figure 463740DEST_PATH_IMAGE104
为第NS组维度为
Figure 26440DEST_PATH_IMAGE105
的系 数矩阵，
Figure 620232DEST_PATH_IMAGE106
表示为
Figure 884860DEST_PATH_IMAGE100
的初始系数矩阵，另外，RPA算子被扩展以处理一组具有L(L≥2) 个不同维度的多个系数矩阵，即不同导频数量，增广集可以表示为：
Figure 323932DEST_PATH_IMAGE107
由RPA算子扩充的系数矩阵形成集合
Figure 741138DEST_PATH_IMAGE108
，其中，
Figure 443514DEST_PATH_IMAGE021
表示为QL×N的初始系 数矩阵，QL表示为第L个导频数量，N表示为均匀平面天线阵列数，具体地，Q1=52，Q2=64，Q3= 90，Q4=116，Q5=128，即本实例共解决五种不同导频数量作用下的信道估计问题，扩充的系数 矩阵的总数为
Figure 70805DEST_PATH_IMAGE109
，由此，根据随机预测策略得到了不同导频数量下的系数矩阵 组，每次训练随机获取不同维度的系数矩阵，初始化深度迭代网络模型的输入信息，即：
Figure 438201DEST_PATH_IMAGE110
；
其中，
Figure 100127DEST_PATH_IMAGE023
表示为初始阶段的角域级联信道的预测值。
步骤S03，建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型。
在本实施例当中，请参阅图3，图3示出了本发明第一实施例提供的深度迭代网络模型第k个阶段的结构框图，其中，采用交替方向乘子法模块（Alternating DirectionMethodof Multipliers，ADMM）将稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，需要说明的是，优化第一子问题、第二子问题以及第三子问题的方法可以表示为：
Figure 645509DEST_PATH_IMAGE024
Figure 760095DEST_PATH_IMAGE111
；
Figure 9811DEST_PATH_IMAGE112
；
其中，
Figure 650877DEST_PATH_IMAGE027
表示为可学习的惩罚参数，
Figure 491794DEST_PATH_IMAGE028
表示为第k个阶段角域级联信道的预测值，
Figure 969043DEST_PATH_IMAGE113
表示为拉格朗日乘子第k次的迭代值，
Figure 553608DEST_PATH_IMAGE030
表示为辅助变量第k次的迭代值。
进一步的，将三个子问题的优化融入深度迭代网络模型中，深度迭代网络模型每 一个阶段对于ADMM算法的一次迭代，且每个子阶段对应
Figure 49180DEST_PATH_IMAGE114
的更新，具体的，可以把融入深 度迭代网络模型中的三个子问题视为三个模块，分别对应于信道重构模块(Channel Reconstruction Module，CRM)、近端映射模块(Proximal Mapping Module，PMM)以及乘数 更新模块(Multiplier Update Module，MUM)，如图3所示，为第k个阶段的具体深度迭代网 络结构图，具体的，第k-1个阶段得到的
Figure 264261DEST_PATH_IMAGE115
作为第k阶段的输入，经过CRM，PMM，MUM三个模 块的处理，得到
Figure 353439DEST_PATH_IMAGE116
,可以理解的，深度迭代网络模型主要由信道重构模块、近端映射模块 以及乘数更新模块构成，用于分别实现三个子问题，即可以表示为：
Figure 351482DEST_PATH_IMAGE117
；
Figure 108086DEST_PATH_IMAGE118
；
Figure 421299DEST_PATH_IMAGE119
；
其中，
Figure 732194DEST_PATH_IMAGE120
表示为信道重构模块第k阶段的输出，
Figure 861824DEST_PATH_IMAGE121
表示为软阈值函数，
Figure 348300DEST_PATH_IMAGE122
表示为乘数更新模块第k阶段的输出，具体的，在信道重构模块中，已知
Figure 701921DEST_PATH_IMAGE123
和
Figure 624747DEST_PATH_IMAGE124
， 最终输出
Figure 558068DEST_PATH_IMAGE125
，而在近端映射模块中，主要完成
Figure 758105DEST_PATH_IMAGE123
的更新，另外，近端映射模块的输入不仅 和信道重构模块的输出
Figure 157993DEST_PATH_IMAGE125
有关，还与条件向量
Figure 709060DEST_PATH_IMAGE126
有关，
Figure 367444DEST_PATH_IMAGE127
表示为加性高斯白噪声的 标准差，且
Figure 625250DEST_PATH_IMAGE128
，由于不同系数矩阵对应不同的
Figure 320673DEST_PATH_IMAGE129
，即可通过
Figure 234403DEST_PATH_IMAGE130
和
Figure 306264DEST_PATH_IMAGE127
动态调整网络参数，这 也是能够实现用单一模型处理多个不同维度系数矩阵实现信道估计的原因之一，更进一步 的，如图4所示，具体解释了图3中CPMB（Controllable Proximal Mapping Blocks，可控近 端映射模块），第k个阶段的近端映射模块的输出可以表示为：
Figure 339948DEST_PATH_IMAGE131
；
其中，
Figure 675114DEST_PATH_IMAGE132
表示为近端映射模块第k阶段的输出，
Figure 669615DEST_PATH_IMAGE133
表示为在可控近端映射模 块中的第j个可控近端子映射子模块，总共NC个，
Figure 686113DEST_PATH_IMAGE134
和
Figure 449669DEST_PATH_IMAGE135
分别表示为第一个和最后一个卷 积运算，请参阅图4，图4示出了本发明第一实施例提供的可控近端映射模块的结构框图，具 体的，可控近端映射模块由标准残差块（Residual Block，RB）和可控单元(Controllable Unit，CU)组成，RB包括两个卷积层和一个ReLU激活层，CU的输出用于调制RB中最后一个卷 积层的输出，每一个CU由全连接层实现，并且将条件向量z作为输入来生成可控向量
Figure 877108DEST_PATH_IMAGE136
，
Figure 358905DEST_PATH_IMAGE136
是一个C维向量，用于调制
Figure 975832DEST_PATH_IMAGE137
的每个通道。
进一步的，
Figure 734840DEST_PATH_IMAGE138
，其中，
Figure 208547DEST_PATH_IMAGE139
是一个全连接层，因此，CPMB过程可以表示 为：
Figure 567853DEST_PATH_IMAGE140
；
其中，
Figure 785208DEST_PATH_IMAGE141
和
Figure 398723DEST_PATH_IMAGE142
分别表示为第k个阶段可控近端映射CPMB的第j-1次和第j次输出 （也就是CPMB模块第k个阶段的输入和输出），
Figure 246593DEST_PATH_IMAGE143
表示为整流线性单元，
Figure 968561DEST_PATH_IMAGE144
和
Figure 848661DEST_PATH_IMAGE145
分别 表示为CPMB模块第j次的的第一个和最后一个卷积层权重。
另外，乘数更新模块中，第k个阶段的输出为
Figure 706896DEST_PATH_IMAGE146
。在训练过程中，将初始数据，即
Figure 460088DEST_PATH_IMAGE147
传入深度迭代模型，通过前向传播，得到初始预测值，再根据损失函数，反向传播实现 网络参数更新，经过多次迭代训练，最终保存训练模型，即目标深度迭代网络模型，其中，损 失函数的表达式为：
Figure 279140DEST_PATH_IMAGE148
；
其中，
Figure 838297DEST_PATH_IMAGE149
表示为所述深度迭代网络模型的可学习参数，该可学习参数包括信道重 构模块、近端映射模块和乘数更新模块的参数，即
Figure 941251DEST_PATH_IMAGE150
，
Figure 927662DEST_PATH_IMAGE151
表示为总阶段数，F表示为所述深度迭代网络模型的输出，z表示为条件向量，
Figure 968430DEST_PATH_IMAGE035
表示为级 联信道。
步骤S04，实时获取所述初始系数矩阵，并将所述初始系数矩阵输入所述目标深度迭代网络模型，确定目标级联信道。
具体的，加载已经训练稳定的目标深度迭代网络模型，并实时获取由用户发送的不同数量的导频信息，根据用户发送的不同数量的导频信息，确定对应的系数矩阵，后将系数矩阵输入目标深度迭代网络模型中，确定精确的目标级联信道。
综上，本发明上述实施例当中的基于深度迭代智能超表面辅助通信的信道估计方法，通过建立前向信号传输模型，并根据级联信道稀疏性，将前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，并通过引入随机预测策略，使深度迭代网络模型适应不同数量的导频信息，当用户发送不同数量的导频信息时，深度迭代网络模型仍能够根据接收端收到的信号进行信道估计，即用单一深度迭代模型处理不同维度的系数矩阵，促进了训练的多样性，提高了网络泛化能力，减少为不同数量导频信息引起的不同任务单独训练的次数，另外，把稀疏信号恢复问题分解的第一子问题、第二子问题以及第三子问题的优化融入深度迭代模型，动态调整深度迭代网络模型的网络参数，提高级联信道估计精度。
实施例二
本发明实施例另一方面提供了一种基于深度迭代智能超表面辅助通信的信道估计装置，请参阅图5，图5示出了本发明第二实施例提供的基于深度迭代智能超表面辅助通信的信道估计装置的结构示意图，具体的，所述基于深度迭代智能超表面辅助通信的信道估计装置200包括：
前向信号传输模型建立模块21，用于建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，其中，所述前向信号传输模型表示为：
Figure 65699DEST_PATH_IMAGE001
其中，
Figure 101788DEST_PATH_IMAGE002
表示为在第q个时隙，基站处的接收信号，
Figure 401312DEST_PATH_IMAGE003
表示为接收机基站与智能超 表面之间的信道，
Figure 54010DEST_PATH_IMAGE152
表示为用户与智能超表面之间的信道，diag表示为矩阵对角化，
Figure 830336DEST_PATH_IMAGE005
表 示为智能超表面处的反射向量，
Figure 783249DEST_PATH_IMAGE006
表示为用户在第q个时隙发送的导频信号，
Figure 236096DEST_PATH_IMAGE071
表示为服 从均值为0，方差为
Figure 376090DEST_PATH_IMAGE072
的复高斯白噪声，另外，转换公式为
Figure 690528DEST_PATH_IMAGE093
；
其中，
Figure 435630DEST_PATH_IMAGE010
表示为角域级联信道的预测值，v表示为辅助变量，
Figure 200324DEST_PATH_IMAGE153
表示求表达 式值最小时对应的自变量
Figure 952248DEST_PATH_IMAGE010
和v，
Figure 195010DEST_PATH_IMAGE012
表示矩阵的1-范数，
Figure 794619DEST_PATH_IMAGE013
表示矩阵的2-范数，
Figure 340001DEST_PATH_IMAGE014
表 示为Y的第一变化形式，
Figure 454588DEST_PATH_IMAGE015
表示为
Figure 891254DEST_PATH_IMAGE016
的第二变化形式，
Figure 142107DEST_PATH_IMAGE154
，Y表示为用户发送的导 频信号
Figure 858390DEST_PATH_IMAGE018
，导频传输Q个时隙后，在基站处的所有接收信号，
Figure 663535DEST_PATH_IMAGE019
，
Figure 248100DEST_PATH_IMAGE016
表示为导 频传输Q个时隙后，智能超表面处的所有反射向量，λ表示为正则化参数，subject to v表示 为对所述辅助变量的约束；
预处理模块22，用于获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息，其中，引入RPA算子，所述RPA算子用于生成与所述初始系数矩阵维度相同的增广集，并从所述增广集中随机选择一系数矩阵，所述增广集可以表示为：
Figure 9252DEST_PATH_IMAGE155
；
其中，
Figure 21070DEST_PATH_IMAGE021
表示为QL×N的初始系数矩阵，QL表示为第L个导频数量，N表示为均 匀平面天线阵列数，另外，初始化所述深度迭代网络模型的输入信息的表达式为：
Figure 313511DEST_PATH_IMAGE156
；
其中，
Figure 311554DEST_PATH_IMAGE023
表示为初始阶段的角域级联信道的预测值；
训练模块23，用于建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型，其中，所述第一子问题、所述第二子问题以及所述第三子问题的优化的表达式分别为：
Figure 802578DEST_PATH_IMAGE024
Figure 375511DEST_PATH_IMAGE111
；
Figure 686406DEST_PATH_IMAGE157
；
其中，
Figure 488140DEST_PATH_IMAGE027
表示为可学习的惩罚参数，
Figure 36933DEST_PATH_IMAGE028
表示为第k个阶段角域级联信道的预测值，
Figure 390554DEST_PATH_IMAGE029
表示为拉格朗日乘子第k次的迭代值，
Figure 578959DEST_PATH_IMAGE030
表示为辅助变量第k次的迭代值；
目标级联信道确定模块24，用于实时获取所述初始系数矩阵，并将所述初始系数矩阵输入所述目标深度迭代网络模型，确定目标级联信道。
进一步的，所述训练模块23包括：
前向传播单元，用于将所述输入信息输入所述深度迭代网络模型，通过前向传播，得到初始预测值；
反向传播单元，用于获取所述初始预测值，并根据损失函数，通过反向传播，完成所述网络参数更新，其中，所述损失函数的表达式为：
Figure 309018DEST_PATH_IMAGE148
；
其中，
Figure 712317DEST_PATH_IMAGE149
表示为所述深度迭代网络模型的可学习参数，F表示为所述深度迭代网络 模型的输出，z表示为条件向量，
Figure 112206DEST_PATH_IMAGE033
、
Figure 663273DEST_PATH_IMAGE034
以及z为深度迭代网络模型的输入，
Figure 56077DEST_PATH_IMAGE035
表示为级联信 道。
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。

Claims (10)

1.一种基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述方法包括：
建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题；
获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息；
建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型；
实时获取所述初始系数矩阵，并将所述初始系数矩阵输入所述目标深度迭代网络模型，确定目标级联信道。
2.根据权利要求1所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述前向信号传输模型表示为：
Figure 279795DEST_PATH_IMAGE001
其中，
Figure 885220DEST_PATH_IMAGE002
表示为在第q个时隙，基站处的接收信号，
Figure 85257DEST_PATH_IMAGE003
表示为接收机基站与智能超表面 之间的信道，
Figure 813042DEST_PATH_IMAGE004
表示为用户与智能超表面之间的信道，diag表示为矩阵对角化，
Figure 223163DEST_PATH_IMAGE005
表示为 智能超表面处的反射向量，
Figure 491334DEST_PATH_IMAGE006
表示为用户在第q个时隙发送的导频信号，
Figure 686823DEST_PATH_IMAGE007
表示为服从均 值为0，方差为
Figure 647826DEST_PATH_IMAGE008
的复高斯白噪声。
3.根据权利要求2所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题的步骤中，转换公式为：
Figure 623872DEST_PATH_IMAGE009
；
其中，
Figure 554788DEST_PATH_IMAGE010
表示为角域级联信道的预测值，v表示为辅助变量，
Figure 729417DEST_PATH_IMAGE011
表示求表达式值最 小时对应的自变量
Figure 736687DEST_PATH_IMAGE010
和v，
Figure 996767DEST_PATH_IMAGE012
表示矩阵的1-范数，
Figure 731374DEST_PATH_IMAGE013
表示矩阵的2-范数，
Figure 963772DEST_PATH_IMAGE014
表示为Y的 第一变化形式，
Figure 266578DEST_PATH_IMAGE015
表示为
Figure 889320DEST_PATH_IMAGE016
的第二变化形式，
Figure 302984DEST_PATH_IMAGE017
，Y表示为用户发送的导频信号
Figure 389888DEST_PATH_IMAGE018
，导频传输Q个时隙后，在基站处的所有接收信号，
Figure 5807DEST_PATH_IMAGE019
，
Figure 240479DEST_PATH_IMAGE016
表示为导频传输 Q个时隙后，智能超表面处的所有反射向量，λ表示为正则化参数，subject to v表示为对所 述辅助变量的约束。
4.根据权利要求3所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息的步骤中，引入RPA算子，所述RPA算子用于生成与所述初始系数矩阵维度相同的增广集，并从所述增广集中随机选择一系数矩阵，所述增广集可以表示为：
Figure 67621DEST_PATH_IMAGE020
；
其中，
Figure 274611DEST_PATH_IMAGE021
表示为QL×N的初始系数矩阵，QL表示为第L个导频数量，N表示为均匀平面 天线阵列数。
5.根据权利要求4所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息的步骤中，初始化所述深度迭代网络模型的输入信息的表达式为：
Figure 919219DEST_PATH_IMAGE022
；
其中，
Figure 500242DEST_PATH_IMAGE023
表示为初始阶段的角域级联信道的预测值。
6.根据权利要求5所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型的步骤中，所述第一子问题、所述第二子问题以及所述第三子问题的优化的表达式分别为：
Figure 521288DEST_PATH_IMAGE024
Figure 989309DEST_PATH_IMAGE025
；
Figure 8081DEST_PATH_IMAGE026
；
其中，
Figure 951766DEST_PATH_IMAGE027
表示为可学习的惩罚参数，
Figure 901137DEST_PATH_IMAGE028
表示为第k个阶段角域级联信道的预测值，
Figure 613878DEST_PATH_IMAGE029
表示为拉格朗日乘子第k次的迭代值，
Figure 537971DEST_PATH_IMAGE030
表示为辅助变量第k次的迭代值。
7.根据权利要求6所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型的步骤包括：
将所述输入信息输入所述深度迭代网络模型，通过前向传播，得到初始预测值；
获取所述初始预测值，并根据损失函数，通过反向传播，完成所述网络参数更新。
8.根据权利要求7所述的基于深度迭代智能超表面辅助通信的信道估计方法，其特征在于，所述损失函数的表达式为：
Figure 844319DEST_PATH_IMAGE031
；
其中，
Figure 941588DEST_PATH_IMAGE032
表示为所述深度迭代网络模型的可学习参数，F表示为所述深度迭代网络模型 的输出，z表示为条件向量，
Figure 164628DEST_PATH_IMAGE033
、
Figure 56360DEST_PATH_IMAGE015
以及z为深度迭代网络模型的输入，
Figure 177900DEST_PATH_IMAGE034
表示为级联信道。
9.一种基于深度迭代智能超表面辅助通信的信道估计装置，其特征在于，所述装置包括：
前向信号传输模型建立模块，用于建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题；
预处理模块，用于获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息；
训练模块，用于建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型；
目标级联信道确定模块，用于实时获取所述初始系数矩阵，并将所述初始系数矩阵输入所述目标深度迭代网络模型，确定目标级联信道。
10.根据权利要求9所述的基于深度迭代智能超表面辅助通信的信道估计装置，其特征在于，所述训练模块包括：
前向传播单元，用于将所述输入信息输入所述深度迭代网络模型，通过前向传播，得到初始预测值；
反向传播单元，用于获取所述初始预测值，并根据损失函数，通过反向传播，完成所述网络参数更新。
CN202310001102.4A 2023-01-03 2023-01-03 基于深度迭代智能超表面辅助通信的信道估计方法及装置 Active CN115695105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310001102.4A CN115695105B (zh) 2023-01-03 2023-01-03 基于深度迭代智能超表面辅助通信的信道估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310001102.4A CN115695105B (zh) 2023-01-03 2023-01-03 基于深度迭代智能超表面辅助通信的信道估计方法及装置

Publications (2)

Publication Number Publication Date
CN115695105A true CN115695105A (zh) 2023-02-03
CN115695105B CN115695105B (zh) 2023-03-17

Family

ID=85057387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310001102.4A Active CN115695105B (zh) 2023-01-03 2023-01-03 基于深度迭代智能超表面辅助通信的信道估计方法及装置

Country Status (1)

Country Link
CN (1) CN115695105B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117713969A (zh) * 2023-12-19 2024-03-15 安徽大学 一种智能空间电磁单元损伤诊断方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050113042A1 (en) * 2003-11-20 2005-05-26 Telefonaktiebolaget Lm Ericsson (Publ) Multi-dimensional joint searcher and channel estimators
JP2006203323A (ja) * 2005-01-18 2006-08-03 Nippon Telegr & Teleph Corp <Ntt> 伝達係数推定回路および伝達係数推定方法
US20060256761A1 (en) * 2005-05-12 2006-11-16 Arnaud Meylan Rate selection for eigensteering in a MIMO communication system
JP2006314088A (ja) * 2005-04-04 2006-11-16 Matsushita Electric Ind Co Ltd Ｏｆｄｍ受信方法及びｏｆｄｍ受信装置
US20070288526A1 (en) * 2006-06-08 2007-12-13 Emc Corporation Method and apparatus for processing a database replica
KR20100064495A (ko) * 2008-12-05 2010-06-15 주식회사 텔레칩스 역행렬을 포함하는 ｍｍｓｅ의 채널 추정기
CN103997397A (zh) * 2014-04-30 2014-08-20 北京邮电大学 空域非均匀导频设计方法
CN104780128A (zh) * 2015-04-14 2015-07-15 哈尔滨工程大学 一种水声ofdma上行通信稀疏信道估计与导频优化方法
CN106549888A (zh) * 2016-11-22 2017-03-29 北京理工大学 一种基于gamp的联合双选信道估计与ftns检测方法
CN108322409A (zh) * 2018-01-25 2018-07-24 杭州电子科技大学 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
CN109194596A (zh) * 2018-10-15 2019-01-11 哈尔滨工程大学 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法
CN110728314A (zh) * 2019-09-30 2020-01-24 西安交通大学 一种大规模免调度系统活跃用户检测方法
CN111049767A (zh) * 2019-12-16 2020-04-21 西安交通大学 一种稀疏正交频分复用放大转发（ofdm-af）系统数据检测方法
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
CN111713035A (zh) * 2020-04-07 2020-09-25 东莞理工学院 基于人工智能的mimo多天线信号传输与检测技术

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050113042A1 (en) * 2003-11-20 2005-05-26 Telefonaktiebolaget Lm Ericsson (Publ) Multi-dimensional joint searcher and channel estimators
JP2006203323A (ja) * 2005-01-18 2006-08-03 Nippon Telegr & Teleph Corp <Ntt> 伝達係数推定回路および伝達係数推定方法
JP2006314088A (ja) * 2005-04-04 2006-11-16 Matsushita Electric Ind Co Ltd Ｏｆｄｍ受信方法及びｏｆｄｍ受信装置
US20060256761A1 (en) * 2005-05-12 2006-11-16 Arnaud Meylan Rate selection for eigensteering in a MIMO communication system
US20070288526A1 (en) * 2006-06-08 2007-12-13 Emc Corporation Method and apparatus for processing a database replica
KR20100064495A (ko) * 2008-12-05 2010-06-15 주식회사 텔레칩스 역행렬을 포함하는 ｍｍｓｅ의 채널 추정기
CN103997397A (zh) * 2014-04-30 2014-08-20 北京邮电大学 空域非均匀导频设计方法
CN104780128A (zh) * 2015-04-14 2015-07-15 哈尔滨工程大学 一种水声ofdma上行通信稀疏信道估计与导频优化方法
CN106549888A (zh) * 2016-11-22 2017-03-29 北京理工大学 一种基于gamp的联合双选信道估计与ftns检测方法
CN108322409A (zh) * 2018-01-25 2018-07-24 杭州电子科技大学 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
CN109194596A (zh) * 2018-10-15 2019-01-11 哈尔滨工程大学 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法
CN110728314A (zh) * 2019-09-30 2020-01-24 西安交通大学 一种大规模免调度系统活跃用户检测方法
CN111049767A (zh) * 2019-12-16 2020-04-21 西安交通大学 一种稀疏正交频分复用放大转发（ofdm-af）系统数据检测方法
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
CN111713035A (zh) * 2020-04-07 2020-09-25 东莞理工学院 基于人工智能的mimo多天线信号传输与检测技术

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIEM-MAI KIM NGUYEN;TSUYOSHI IMAI;THANH-LOC THI DANG;ARIYO KANNO;TAKAYA HIGUCHI;KOICHI YAMAMOTO;MASAHIKO SEKINE;: "Response surface method for modeling the removal of carbon dioxide from a simulated gas using water absorption enhanced with a liquid-film-forming device" *
陶亮;郭建春;赵志红;阴启武;: "基于数据分析与模糊聚类的致密油气藏水平井重复压裂选井混合方法（英文）" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117713969A (zh) * 2023-12-19 2024-03-15 安徽大学 一种智能空间电磁单元损伤诊断方法及系统

Also Published As

Publication number Publication date
CN115695105B (zh) 2023-03-17

Similar Documents

Publication Publication Date Title
CN111630787B (zh) 基于深度学习的mimo多天线信号传输与检测技术
Qi et al. Integrating sensing, computing, and communication in 6G wireless networks: Design and optimization
WO2022121497A1 (zh) 基于毫米波智能反射面通信的大规模天线信道估计方法
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN111147113B (zh) 一种能效保障的多波束卫星通信鲁棒预编码方法
Ibrahim et al. Learning-based antenna selection for multicasting
Ge et al. Beamforming optimization for intelligent reflecting surface assisted MISO: A deep transfer learning approach
CN113300746A (zh) 毫米波mimo天线与混合波束成形优化方法及系统
CN113726383A (zh) 一种智能反射面辅助的无线通信系统
Liu et al. Low-overhead beam training scheme for extremely large-scale RIS in near field
CN113691288A (zh) 基于深度学习的联合导频、反馈、多用户混合编码方法
CN115695105B (zh) 基于深度迭代智能超表面辅助通信的信道估计方法及装置
CN115021792B (zh) 一种无线通信系统安全传输方法
Xia et al. Multi-stage iterative antenna training for millimeter wave communications
CN114915523B (zh) 基于模型驱动的智能超表面信道估计方法及系统
Pellaco et al. Deep weighted MMSE downlink beamforming
Arora et al. Efficient algorithms for constant-modulus analog beamforming
Li et al. Multi-task deep learning based hybrid precoding for mmWave massive MIMO system
Yu et al. Deep learning-based multipath DoAs estimation method for mmWave massive MIMO systems in low SNR
Elbir et al. Robust hybrid beamforming with quantized deep neural networks
Chang et al. Capacity optimization using augmented lagrange method in intelligent reflecting surface-based MIMO communication systems
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
Ahn et al. Deep learning-based beamforming for intelligent reflecting surface-assisted mmwave systems
CN110719127B (zh) 一种具有恒模约束的毫米波mimo系统波束成形方法
Aminu et al. Bayesian learning based millimeter-wave sparse channel estimation with hybrid antenna array

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