CN115734238A - 智能反射面辅助的通信网络覆盖优化方法 - Google Patents

Abstract

本发明属于空中、地面通信技术领域，公开一种智能反射面辅助的通信网络覆盖优化方法，具体包括：针对地面用户，建立无人机、智能反射面、基站的传输系统模型；针对某个无人机位置，基站计算预波束赋形矢量和功率分配矢量，智能反射面计算预波束赋形矢量；根据当前的波束赋形矢量和功率分配矢量，以地面所有用户的加权和速率为优化目标，获取最优的无人机位置；判断是否满足迭代完成的条件；若满足，则可获得最优无人机位置、最优波束赋形矢量和最优功率分配矢量。其将无人机、智能反射面覆盖增强的优势和蜂窝网络的优势相结合，有效增强了地面用户的接收信号强度，提高了用户的总速率性能，进一步提升了频谱有效性。

Description

智能反射面辅助的通信网络覆盖优化方法

技术领域

本发明涉及无线通讯技术领域，尤其是空中、地面通信技术，具体而言涉及一种智能反射面辅助的通信网络覆盖优化方法。

背景技术

随着移动和物联网设备不断增长的通信需求，当前的通信系统变得不堪重负。尽管已经提出了许多技术，例如毫米波(mmWave)通信、大规模多输入多输出(MIMO)、非正交多址(NOMA)和超密集网络HetNets，以提升性能，但同时也带来了巨大的能耗和硬件实现的高复杂度。

为解决基站与地面用户之间障碍物较多，直达链路无法提供通信服务的限制，现有技术提出了一种智能反射面，用来重塑和增强无线信道。具体来说，由大量低成本反射元件组成，智能反射面是一种人造的可重构超表面。通过调整入射无线电波的幅度和相位，智能反射面能够以可控的方式动态重新配置无线电传播。此外，与传统中继不同，智能反射面采用全双工传输方式，无自干扰和噪声。因此，随着电磁超表面的进步，智能反射面引起了无线研究界的广泛关注。

事实上，智能反射面的部署位置对系统的性能有很大的影响。然而，智能反射面在地面网络中的部署位置很难根据需要改变，因为建筑立面租金、人工成本和城市景观规划等其他一些问题也会影响智能反射面的安装。

发明内容

本发明目的在于针对基站与地面用户之间障碍物较多，直达链路无法提供通信服务的限制，提供一种智能反射面辅助的通信网络覆盖优化方法。

根据本发明目的的第一方面，提出一种智能反射面辅助的通信网络覆盖优化方法，包括以下步骤：

步骤1：针对地面用户，建立基站、无人机和用户之间的智能反射面辅助的系统传输模型，其中基站发送信号给搭载有智能反射面的无人机，智能反射面接收到来自基站的信号并将此信号转发至地面用户；通过构建基站、无人机和用户之间的反射链路，打破基站和用户之间直达链路受阻的环境限制；

步骤2：根据步骤1的智能反射面辅助的传输系统模型，通过联合设计基站与智能反射面的波束赋形矢量以及功率分配矢量、最优无人机位置，优化地面用户的加权和速率，降低用户间的干扰；

步骤3：将需要优化地面所有用户的加权和速率的最优波束赋形矢量、功率分配、无人机位置转化为凸问题进行迭代求解，具体为：计算基站的波束赋形矢量和功率分配矢量，据此计算智能反射面的波束赋形矢量，然后根据当前波束赋形矢量和功率分配矢量获得无人机的最优位置，并判断是否满足迭代完成的条件；

步骤4：若满足步骤3的迭代条件，则获得最优波束赋形矢量和功率分配矢量，以及最优无人机位置；若不满足，回到步骤3，直至完成迭代过程。

其中，所述建立基站、无人机和用户之间的智能反射面辅助的系统传输模型，包括：

设基站配置N_t根天线，无人机和智能反射面的数目都为I，每个智能反射面上的元素个数为M，K个地面用户均配置为单天线；

则，第k个用户处的接收信号为：

其中，x_k表示基站到用户k的发送信号，w_k为基站到用户k的波束赋形矢量，p_k为基站分配给用户k的功率，n_k是高斯白噪声信号；h_BS-UAV-i表示基站到无人机i的信道状态信息，h_UAV-user-ik表示无人机i到用户k的信道状态信息，

为智能反射面i的波束赋形矩阵，θ_im是智能反射面i的第m个元素；

假设所有无人机的飞行高度相同，并且均为z_UAV，基站、无人机i和用户k的位置分别表示为b，a_i和c_k，基站的高度为z_BS；

则，基站到无人机i的距离表示为：

无人机i到用户k的距离表示为：

其中，所述优化地面用户的加权和速率，包括：

步骤2.1：根据步骤1建立的智能反射面辅助的系统传输模型，建立地面用户的加权和速率模型为：

其中，ω_k为加权系数；

其中的地面用户k的信息速率R_k表示为：

其中，σ²表示用户k接收的热噪声功率；

步骤2.2：以所有地面用户的加权和速率为优化目标，建立优化问题，并满足基站的功率约束，波束赋形矢量约束，无人机位置约束，智能反射面元素约束，即：

其中，P_max表示基站的最大发射功率，

是无人机可以悬停的区域，B₁表示智能反射面元素的量化精度。

进一步地，所述计算基站的波束赋形矢量和功率分配矢量，据此计算智能反射面的波束赋形矢量，然后根据当前波束赋形矢量和功率分配矢量获得无人机的最优位置，包括：

首先，将步骤2.2建立的优化问题进行转换拆分，拆分为四个子问题，即基站波束赋形、基站功率分配、智能反射面波束赋形和无人机位置设计；

然后，对四个子问题进行转换，转换为凸问题并进行迭代求解，若满足迭代收敛条件，则获得最优波束赋形矢量、功率分配、无人机位置输出；若不满足，则重复迭代求解，直至收敛。

由以上技术方案，本发明提出的智能反射面辅助的通信网络覆盖优化方法，是一种整合空中网络与地面网络的智能反射面与基站的联合波束赋形矢量获得方法，将无人机、智能反射面覆盖增强的优势和蜂窝网络的优势相结合，有效增强了地面用户的接收信号强度，提高了用户的总速率性能，进一步提升了频谱有效性。

在本发明的上述优化设计方案中，在携带有智能反射面的无人机的帮助下，更容易与地面用户建立视距连接，与地面上的智能反射面相比，通信链路更可靠；其次，无人机携带的智能反射面的位置可以更灵活地改变提供反射服务，大大降低了路径损耗，进一步增加了通信可靠性。最后，对于无法部署地面智能反射面的地区，可以使用无人机携带的智能反射面来提供通信服务并增强信号覆盖范围，从而有效提升通信频谱效率、扩大覆盖范围，为地面用户提供可靠通信服务。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明实施例的智能反射面辅助的通信系统的架构图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1所示的基站、无人机和用户之间的智能反射面辅助的通信系统的架构图，本发明示例性实施例的智能反射面辅助的通信网络覆盖优化方法，其实现过程包括以下步骤：

步骤1：针对地面用户，建立基站、无人机和用户之间的智能反射面辅助的系统传输模型，其中基站发送信号给搭载有智能反射面的无人机，智能反射面接收到来自基站的信号并将此信号转发至地面用户；通过构建基站、无人机和用户之间的反射链路，打破基站和用户之间直达链路受阻的环境限制；

步骤2：根据步骤1的智能反射面辅助的传输系统模型，通过联合设计基站与智能反射面的波束赋形矢量以及功率分配矢量、最优无人机位置，优化地面用户的加权和速率，降低用户间的干扰；

步骤3：将需要优化地面所有用户的加权和速率的最优波束赋形矢量、功率分配、无人机位置转化为凸问题进行迭代求解，具体为：计算基站的波束赋形矢量和功率分配矢量，据此计算智能反射面的波束赋形矢量，然后根据当前波束赋形矢量和功率分配矢量获得无人机的最优位置，并判断是否满足迭代完成的条件；

步骤4：若满足步骤3的迭代条件，则获得最优波束赋形矢量和功率分配矢量，以及最优无人机位置；若不满足，回到步骤3，直至完成迭代过程。

作为可选的实施例，前述建立基站、无人机和用户之间的智能反射面辅助的系统传输模型，包括：

设基站配置N_t根天线，无人机和智能反射面的数目都为I，每个智能反射面上的元素个数为M，K个地面用户均配置为单天线；

则，第k个用户处的接收信号为：

其中，x_k表示基站到用户k的发送信号，w_k为基站到用户k的波束赋形矢量，p_k为基站分配给用户k的功率，n_k是高斯白噪声信号；h_BS-UAV-i表示基站到无人机i的信道状态信息，h_UAV-user-ik表示无人机i到用户k的信道状态信息，

为智能反射面i的波束赋形矩阵，θ_im是智能反射面i的第m个元素；

假设所有无人机的飞行高度相同，并且均为z_UAV，基站、无人机i和用户k的位置分别表示为b，a_i和c_k，基站的高度为z_BS；

则，基站到无人机i的距离表示为：

无人机i到用户k的距离表示为：

作为可选的实施例，其中的基站到无人机i的信道状态信息h_BS-UAV-i和无人机i到用户k的信道状态信息h_UAV-user-ik建模表示为：

其中，ρ为单位距离处的功率损耗，α₁和β分别是路径损耗指数和莱斯系数，

和

分别是基站到无人机i信道状态信息中的直达径和非直达径部分，

和

分别是无人机i到用户k信道状态信息中的直达径和非直达径部分。

作为可选的实施例，前述优化地面用户的加权和速率，包括：

步骤2.1：根据步骤1建立的智能反射面辅助的系统传输模型，建立地面用户的加权和速率模型为：

其中，ω_k为加权系数；

其中的地面用户k的信息速率R_k表示为：

其中，σ²表示用户k接收的热噪声功率；

步骤2.2：以所有地面用户的加权和速率为优化目标，建立优化问题，并满足基站的功率约束，波束赋形矢量约束，无人机位置约束，智能反射面元素约束，即：

其中，P_max表示基站的最大发射功率，

是无人机可以悬停的区域，B₁表示智能反射面元素的量化精度。

作为可选的实施例，计算基站的波束赋形矢量和功率分配矢量，据此计算智能反射面的波束赋形矢量，然后根据当前波束赋形矢量和功率分配矢量获得无人机的最优位置，包括：

首先，将步骤2.2建立的优化问题进行转换拆分，拆分为四个子问题，即基站波束赋形、基站功率分配、智能反射面波束赋形和无人机位置设计；

然后，对四个子问题进行转换，转换为凸问题并进行迭代求解，若满足迭代收敛条件，则获得最优波束赋形矢量、功率分配、无人机位置输出；若不满足，则重复迭代求解，直至收敛。

作为可选的实施例，前述步骤3中，将需要优化地面所有用户的加权和速率的最优波束赋形矢量、功率分配、无人机位置转化为凸问题进行迭代求解，具体实现过程包括：

步骤3.1：将步骤2.2的优化问题拆分成四个子问题，即基站波束赋形、基站功率分配、智能反射面波束赋形和无人机位置设计；

步骤3.2：给定基站波束赋形、智能反射面波束赋形和无人机位置，原问题转化为

其中，R_k(p)是用户k的信息速率，表示为：

定义

和

利用一阶泰勒展开，即得到R_k(p)的近似值

表示为：

将

代入子问题(7)中，此问题是凸问题，通过内点法求解；

步骤3.3：给定基站功率分配、智能反射面波束赋形和无人机位置，原问题转化为：

其中，R_k(W)为用户k的信息速率，

通过引入辅助变量

和

问题(10)转化为：

其中：

为将此优化问题转化为凸问题，将R_k(X)近似为：

转化后的优化问题，通过高斯随机化和内点法求解；

步骤3.4：给定基站功率分配、基站波束赋形和无人机位置，原问题转化为：

其中，

由于此优化问题非凸，首先引入辅助变量

以及

问题(14)转化为：

为将此优化问题转化为凸问题，对R_k(V)进行一阶泰勒展开，进而转化后的优化问题通过高斯随机化和内点法求解；

步骤3.5：给定基站功率分配、基站波束赋形和智能反射面波束赋形，原问题转化为：

其中，用户k的信息速率表示为：

无人机的部署位置取决于h_UAV-user-ik和h_BS-UAV-i，因此定义

和

通过引入变量

和

将R_k(A)近似为：

为将步骤3.5的优化问题转化为凸问题，将R_k(A)进一步近似为：

由于无人机的位置同时影响路径损耗、到达角和离开角，利用局部优化方法，在第l次迭代循环中，需满足：

综上，优化问题转化为：

此问题为凸问题，通过内点法求解；

步骤3.6：判断是否满足迭代收敛条件，如果满足迭代条件，则得到最优波束赋形矢量、功率分配、无人机位置输出；若不满足，则重复步骤3.2至3.5，直至收敛。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (6)

1.一种智能反射面辅助的通信网络覆盖优化方法，其特征在于，包括以下步骤：

步骤1：针对地面用户，建立基站、无人机和用户之间的智能反射面辅助的系统传输模型，其中基站发送信号给搭载有智能反射面的无人机，智能反射面接收到来自基站的信号并将此信号转发至地面用户；通过构建基站、无人机和用户之间的反射链路，打破基站和用户之间直达链路受阻的环境限制；

步骤2：根据步骤1的智能反射面辅助的传输系统模型，通过联合设计基站与智能反射面的波束赋形矢量以及功率分配矢量、最优无人机位置，优化地面用户的加权和速率，降低用户间的干扰；

步骤3：将需要优化地面所有用户的加权和速率的最优波束赋形矢量、功率分配、无人机位置转化为凸问题进行迭代求解，具体为：计算基站的波束赋形矢量和功率分配矢量，据此计算智能反射面的波束赋形矢量，然后根据当前波束赋形矢量和功率分配矢量获得无人机的最优位置，并判断是否满足迭代完成的条件；

步骤4：若满足步骤3的迭代条件，则获得最优波束赋形矢量和功率分配矢量，以及最优无人机位置；若不满足，回到步骤3，直至完成迭代过程。

2.根据权利要求1所述的智能反射面辅助的通信网络覆盖优化方法，其特征在于，所述建立基站、无人机和用户之间的智能反射面辅助的系统传输模型，包括：

设基站配置N_t根天线，无人机和智能反射面的数目都为I，每个智能反射面上的元素个数为M，K个地面用户均配置为单天线；

则，第k个用户处的接收信号为：

其中，x_k表示基站到用户k的发送信号，w_k为基站到用户k的波束赋形矢量，p_k为基站分配给用户k的功率，n_k是高斯白噪声信号；h_BS-UAV-i表示基站到无人机i的信道状态信息，h_UAV-user-ik表示无人机i到用户k的信道状态信息，

为智能反射面i的波束赋形矩阵，θ_im是智能反射面i的第m个元素；

假设所有无人机的飞行高度相同，并且均为z_UAV，基站、无人机i和用户k的位置分别表示为b，a_i和c_k，基站的高度为z_BS；

则，基站到无人机i的距离表示为：

无人机i到用户k的距离表示为：

3.根据权利要求2所述的智能反射面辅助的通信网络覆盖优化方法，其特征在于，所述基站到无人机i的信道状态信息h_BS-UAV-i和无人机i到用户k的信道状态信息h_UAV-user-ik建模表示为：

其中，ρ为单位距离处的功率损耗，α₁和β分别是路径损耗指数和莱斯系数，

和

分别是基站到无人机i信道状态信息中的直达径和非直达径部分，

和

分别是无人机i到用户k信道状态信息中的直达径和非直达径部分。

4.根据权利要求2所述的智能反射面辅助的通信网络覆盖优化方法，其特征在于，所述优化地面用户的加权和速率，包括：

步骤2.1：根据步骤1建立的智能反射面辅助的系统传输模型，建立地面用户的加权和速率模型为：

其中，ω_k为加权系数；

其中的地面用户k的信息速率R_k表示为：

其中，σ²表示用户k接收的热噪声功率；

步骤2.2：以所有地面用户的加权和速率为优化目标，建立优化问题，并满足基站的功率约束，波束赋形矢量约束，无人机位置约束，智能反射面元素约束，即：

其中，P_max表示基站的最大发射功率，

是无人机可以悬停的区域，B₁表示智能反射面元素的量化精度。

5.根据权利要求4所述的智能反射面辅助的通信网络覆盖优化方法，其特征在于，所述计算基站的波束赋形矢量和功率分配矢量，据此计算智能反射面的波束赋形矢量，然后根据当前波束赋形矢量和功率分配矢量获得无人机的最优位置，包括：

首先，将步骤2.2建立的优化问题进行转换拆分，拆分为四个子问题，即基站波束赋形、基站功率分配、智能反射面波束赋形和无人机位置设计；

然后，对四个子问题进行转换，转换为凸问题并进行迭代求解，若满足迭代收敛条件，则获得最优波束赋形矢量、功率分配、无人机位置输出；若不满足，则重复迭代求解，直至收敛。

6.根据权利要求5所述的智能反射面辅助的通信网络覆盖优化方法，其特征在于，所述步骤3的将需要优化地面所有用户的加权和速率的最优波束赋形矢量、功率分配、无人机位置转化为凸问题进行迭代求解，具体实现过程包括：

步骤3.1：将步骤2.2的优化问题拆分成四个子问题，即基站波束赋形、基站功率分配、智能反射面波束赋形和无人机位置设计；

步骤3.2：给定基站波束赋形、智能反射面波束赋形和无人机位置，原问题转化为

其中，R_k(p)是用户k的信息速率，表示为：

定义

和

利用一阶泰勒展开，即得到R_k(p)的近似值

表示为：

将

代入子问题(7)中，此问题是凸问题，通过内点法求解；

步骤3.3：给定基站功率分配、智能反射面波束赋形和无人机位置，原问题转化为：

其中，R_k(W)为用户k的信息速率，

通过引入辅助变量

和

问题(10)转化为：

其中：

为将此优化问题转化为凸问题，将R_k(X)近似为：

转化后的优化问题，通过高斯随机化和内点法求解；

步骤3.4：给定基站功率分配、基站波束赋形和无人机位置，原问题转化为：

其中，

由于此优化问题非凸，首先引入辅助变量

以及

问题(14)转化为：

为将此优化问题转化为凸问题，对R_k(V)进行一阶泰勒展开，进而转化后的优化问题通过高斯随机化和内点法求解；

步骤3.5：给定基站功率分配、基站波束赋形和智能反射面波束赋形，原问题转化为：

其中，用户k的信息速率表示为：

无人机的部署位置取决于h_UAV-user-ik和h_BS-UAV-i，因此定义

和

通过引入变量

和

将R_k(A)近似为：

为将步骤3.5的优化问题转化为凸问题，将R_k(A)进一步近似为：

由于无人机的位置同时影响路径损耗、到达角和离开角，利用局部优化方法，在第l次迭代循环中，需满足：

综上，优化问题转化为：

此问题为凸问题，通过内点法求解；

步骤3.6：判断是否满足迭代收敛条件，如果满足迭代条件，则得到最优波束赋形矢量、功率分配、无人机位置输出；若不满足，则重复步骤3.2至3.5，直至收敛。

Images