CN115765900B - 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法 - Google Patents

Abstract

本发明提供一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法，为了解决使用叠加导频模式带来导频信号与数据信号相互干扰的问题，本发明采用的技术方案包括：建立叠加导频模式下智能反射面辅助的大规模MIMO系统的模型；基于构建的模型，进行上行链路的信道估计和信号检测；分析系统的上行可达速率；根据上行可达速率，构建最大化系统和速率的优化问题式；根据优化问题式，设计联合优化用户导频和数据信号功率控制系数以及IRS反射单元相位的策略。本发明在保证每个用户的导频和数据信号总发送信噪比不大于设定的最大发送信噪比以及IRS反射单元相位满足设定范围的前提下，进一步提升了叠加导频模式下智能反射面辅助的大规模MIMO系统的和速率。

Description

一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行 传输方法

技术领域

本发明涉及无线通信技术领域，具体而言，尤其涉及一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法。

背景技术

自2019年，5G系统在全球范围开启商用以来，它经过不断优化，已经逐渐趋于完善。为了同步前瞻未来信息社会的通信需求，学术界和工业界已将研究目光聚焦在6G通信系统的研发，其中6G系统对于频谱效率、能量效率和连接数密度等方面要求远超5G系统。为了满足上述通信需求，需要部分成熟通信技术的支撑，如大规模多输入多输出(MIMO)技术。然而，在大规模MIMO的实现过程中，面临着一些棘手的问题，如巨大的能量消耗、高昂的硬件成本以及不断攀升的信号处理复杂度。为了解决上述问题，智能反射面(IRS)技术作为一种崭新技术，得到了广泛关注。具体来说，IRS是一种由大量低成本、几乎无源的反射元所构成的智能表面，每个反射元都能够在IRS控制器的指令下独立地改变入射信号的幅度和/或相移，具有功耗低、成本低和可重塑无线信道环境的能力。然而，在IRS辅助的大规模MIMO系统实际应用过程中，系统速率性能优化作为一项挑战性问题，仍存在着较大的缺陷和困难。

目前，针对IRS辅助的大规模MIMO系统速率性能优化问题的解决方案均是在已知全部链路或者部分链路完美信道状态信息(CSI)的情况下进行设计的，但实际场景中往往只能获取到链路的非完美CSI。为了还原真实的通信场景，需要利用导频信号对不同链路进行信道估计，其中最常见的导频配置方式分为两种：时分复用导频模式和叠加导频模式。具体来说，时分复用导频模式是指用户的导频信息与数据信息被分配在一段相干时间内的不同时隙进行发送，并且基站(BS)在对应时隙分别对导频信号和数据信号进行信道估计和信号检测，以恢复有用信号。因此，时分复用导频模式存在着一些固有缺陷，如较短的正交导频会加剧导频污染的影响，而较长的导频会压缩数据信号的占用带宽，从而恶化系统速率性能。为解决时分复用导频模式的固有问题，可以考虑使用叠加导频模式。叠加导频模式是指在一段相干时间内，导频信号与数据信号以合适的功率叠加起来进行发送，BS对叠加信号分别进行信道估计和信号检测，以恢复有用信号。因此，叠加导频模式的主要优点是它可以显著增加正交导频资源以及频带利用率，但也会带来导频信号与数据信号相互干扰的问题。因此，为了探究未来6G通信场景的性能潜力，研究叠加导频模式下IRS辅助的大规模MIMO系统速率性能，特别是研究减缓导频与数据信号干扰，以提升系统速率性能的优化方案具有重要意义，不过目前关于这一方面的研究工作仍然有所欠缺。

发明内容

根据上述提出的技术问题，本发明提供一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法。本发明在保证每个用户的导频和数据信号总发送信噪比不大于设定的最大发送信噪比以及IRS反射单元相位满足设定范围的前提下，进一步提升了叠加导频模式下智能反射面辅助的大规模MIMO系统和速率。

本发明采用的技术手段如下：

一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法，包括如下步骤：

S1、建立叠加导频模式下智能反射面辅助的大规模MIMO系统的模型；

S2、基于构建的所述模型，进行上行链路的信道估计和信号检测；

S3、分析系统的上行可达速率；

S4、根据所述上行可达速率，构建最大化系统和速率的优化问题式；

S5、根据所述优化问题式，设计联合优化用户导频和数据信号功率控制系数以及IRS反射单元相位的策略。

进一步地，所述步骤S1中建立的模型，具体为：

g_k＝G_BIΦg_IU,k,k＝1,2,…,K (1)

其中，g_k表示BS-IRS-第k个用户之间的级联信道；和/>分别表示BS与IRS之间的信道以及IRS与第k个用户之间的信道；/>表示IRS的反射波束成形矩阵，其中θ＝[θ₁,θ₂,…,θ_N]为每个IRS反射单元的相位。

进一步地，所述步骤S2的具体实现过程如下：

S21、在叠加导频模式下，将BS的接收信号表示为：

其中，P为用户端的发送信噪比，对于k＝1,2,…,K，η_k和ρ_k分别表示导频信号和数据信号的功率控制系数，满足0≤η_k,ρ_k≤1和0≤η_k+ρ_k≤1的条件；对于k＝1,2,…,K，为第k个用户的上行发送导频，满足当k＝j时，则/>且当k≠j时，则/>的条件，其中τ＞＞K表示相干时间间隔；对于k＝1,2,…,K，/>表示第k个用户的数据信号，满足当k＝j时，则且当k≠j时，则/>的条件；/>为BS端的接收噪声矩阵，矩阵中的所有元素独立同分布，并且均服从均值为0，方差为1的循环对称复高斯分布；

S22、当用户向BS发送完上行叠加信号后，BS在本地使用最小二乘信道估计方案对导频信号进行信道估计，得到BS-IRS-第k个用户间的级联信道CSI为：

S23、当BS对所有级联信道完成信道估计后，使用最大比合并方案进行接收译码，经过CPU译码后的信号表示为：

其中，式(4)右侧的第一项表示CPU检测到第k个用户的期望信号强度，第二项表示波束成形增益不确定性所引起的误差，第三项表示第k个用户受到的干扰与噪声，并被定义为：

进一步地，所述步骤S3的具体实现过程如下：

S31、根据步骤S23中经过CPU译码后的信号公式(4)，得到在叠加导频模式下，第k个用户的上行频谱效率为：

S32、根据第k个用户的上行频谱效率公式(6)，推导出叠加导频模式下第k个用户的频谱效率闭合表达式为：

R_k＝log₂(1+SINR_k) (7)

其中，对于k,j＝1,2,…,K，式(7)中出现的符号定义为

其中，式(8)中的δ(j,i)表示狄拉克δ函数，即当j＝i时，δ(j,i)＝1，否则当j≠i时，δ(j,i)＝0。

进一步地，所述步骤S4的具体实现过程如下：

S41、在保证每个用户的导频和数据信号总发送信噪比不超过P，且IRS的相位满足[0,2π)范围的条件下，通过调节不同用户的导频信号功率控制系数η＝[η₁,η₂,…,η_K]、数据信号功率控制系数ρ＝[ρ₁,ρ₂,…,ρ_K]以及IRS反射单元的相位θ＝[θ₁,θ₂,…,θ_N]，使系统和速率最大化的优化问题归纳为如下形式：

s.t.C1:0≤ρ_k≤1,k＝1,…,K

C2:0≤η_k≤1,k＝1,…,K (11)

C3:0≤ρ_k+η_k≤1,k＝1,…,K

C4:0≤θ_n＜2π,n＝1,…,N

S42、固定IRS的反射单元相位θ，将优化问题式(11)转变为联合优化用户导频信号功率控制系数η和数据信号功率控制系数ρ的子问题，即：

S43、引入辅助变量γ＝[γ₁,γ₂,…,γ_K]，将优化问题式(12)转变成如下形式：

s.t.C1,C2,C3 (13)

C5:γ_k≤SINR_k,k＝1,2,…,K

S44、当γ_k接近于时，将优化问题式(13)近似为：

s.t.C1,C2,C3

其中，和/>

S45、固定用户导频信号功率控制系数η和数据信号功率控制系数ρ，将优化问题式(11)转变为优化IRS反射单元相位θ的子问题，即：

S46、通过使用GP算法和GA算法交替解决优化问题式(14)以及优化问题式(15)，分别寻找到最优的导频信号和数据信号的功率控制系数以及最优的IRS反射单元相位。

进一步地，所述步骤S5的具体实现过程如下：

S51、对参数进行初始化设置；

S52、设定GP算法的初始迭代次数和/>

S53、将和/>代入式(8)，得到/>其中/>对于k＝1,2,…,K，更新/>和/>利用GP算法解决式(14)中的优化问题，令/>和/>作为本次迭代优化的解；

S54、当时，输出GP算法获得的最优功率控制系数ρ^*和η^*，执行步骤S55；否则，设定t_GP＝t_GP+1，/>和/>返回执行步骤S53；

S55、设定GA算法的初始迭代次数t_GA＝1；

S56、随机产生S个个体并根据ρ^*和η^*，计算每个个体的适应度值/>

S57、根据每个个体的适应度值，计算适应度值总和以及每个个体的选择概率/>并利用轮盘赌选择法，选择适应度值高的个体，删除适应度值低的个体；

S58、以交叉概率P_c交叉两个相邻个体；

S59、根据变异概率P_m对指定个体进行变异；

S510、当t_GA＞10⁴或者最优个体适应度值趋近于收敛时，输出GA算法获得的最优IRS反射单元相位执行步骤S511；否则，设定t_GA＝t_GA+1，更新种群，并返回执行步骤S56；

S511、当时，输出ρ^*、η^*和θ^*，结束迭代进程；否则，设定t＝t+1，ρ^t＝ρ^*，η^t＝η^*和θ^t＝θ^*，返回执行步骤S52。

较现有技术相比，本发明具有以下优点：

1、本发明提供的叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法，相较于时分复用导频模式下智能反射面辅助的大规模MIMO系统，本发明中使用的叠加导频模式可明显增加正交导频资源以及频带利用率，特别是在相干时间间隔较短或用户数量较多的场景，显著提升系统的速率性能。

2、本发明提供的叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法，利用GP方式和GA方式联合优化用户和IRS可调节参数的策略，能够在保证每个用户的导频和数据信号总发送信噪比不大于设定的最大发送信噪比以及IRS反射单元相位满足设定范围的条件下，迭代出系统和速率最大的导频信号功率控制系数、数据信号功率控制系数以及IRS反射单元的相位。

基于上述理由本发明可在无线通信等领域广泛推广。

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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明方案所适用的叠加导频模式下智能反射面辅助的大规模MIMO系统的模型结构。

图3为本发明实施例提供的仿真场景。

图4为本发明实施例提供的在不同迭代次数情况下系统速率性能的仿真图。

图5为本发明实施例提供的使用本发明迭代优化算法与不使用迭代优化算法情况下系统速率性能的累积分布函数仿真图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法，包括如下步骤：

S1、建立叠加导频模式下智能反射面辅助的大规模MIMO系统的模型；

S2、基于构建的所述模型，进行上行链路的信道估计和信号检测；

S3、分析系统的上行可达速率；

S4、根据所述上行可达速率，构建最大化系统和速率的优化问题；

S5、根据所述优化问题，设计联合优化用户导频和数据信号功率控制系数以及IRS反射单元相位的策略。

具体实施时，作为本发明优选的实施方式，建立如图2所示的叠加导频模式下智能反射面辅助的大规模MIMO系统，包括1个CPU、1个BS、1个IRS和K个单天线用户，其中BS配备M根天线且IRS配备N个可重构反射单元，共同听从CPU的指令向多个随机分布的用户提供服务，并且满足M,N＞＞K的条件。

在该系统中，当BS与用户进行通信时，两者间的通信链路被障碍物所遮挡而不存在直连链路，这使得BS与用户只能通过BS-IRS-用户间的级联链路进行通信，因此设和/>分别表示BS与IRS之间的信道以及IRS与第k个用户之间的信道。

此外，为了还原真实通信场景，设定IRS与用户之间的信道为相关瑞利衰落信道，即其中/>和/>分别表示IRS与第k个用户之间的路径损耗、确定性Hermitian对称正半定相关矩阵以及瑞利衰落向量，并且β_IU,k和R_k的值变换缓慢，通常在几个相干时间内保持不变。

另外，假定IRS被安装在较高的地理位置，以保证BS与IRS之间的信道为视距传播信道，因此G_BI的信道状态信息相对固定且变换缓慢，可以表示为：

其中，β_BI表示BS与IRS间的路径损耗；λ表示载波波长；d_BS和d_IRS分别表示BS内部的天线间隔和IRS内部的反射单元间隔，假定d_BS＝d_IRS＝λ/2；和φ_1,n分别表示BS相对于第n个IRS元素到达角的仰角和方位角；/>和φ_2,m分别表示IRS相对于BS的第m根天线离开角的仰角和方向角。由于障碍物阻挡了BS与用户间的直连链路，BS-IRS-第k个用户之间的级联信道可以表示为

g_k＝G_BIΦg_IU,k,k＝1,2,…,K (2)

其中，θ＝[θ₁,θ₂,…,θ_N]和分别表示IRS反射单元的相位以及IRS的反射波束成形矩阵，并且每个反射单元的相位满足θ_n∈[0,2π),n＝1,2,…,N。

具体实施时，作为本发明优选的实施方式，所述步骤S2基于构建的所述模型，进行上行链路的信道估计和信号检测，具体实现过程如下：

S21、在叠加导频模式下，用户分别给导频信号和数据信号分配合适的功率，并将它们叠加起来一同发往BS，之后BS利用接收的信号进行信道估计和信号检测。基于此，在叠加导频模式下，BS的接收信号可以表示为

其中，P为用户端的发送信噪比。对于k＝1,2,…,K,η_k和ρ_k分别表示导频信号和数据信号的功率控制系数，满足0≤η_k,ρ_k≤1和0≤η_k+ρ_k≤1的条件。对于k＝1,2,…,K，为第k个用户的上行发送导频，满足当k＝j时，则/>且当k≠j时，则/>的条件，其中τ＞＞K表示相干时间间隔。对于k＝1,2,…,K，/>表示第k个用户的数据信号，满足当k＝j时，则且当k≠j时，则/>的条件。/>为BS端的接收噪声矩阵，矩阵中的所有元素独立同分布，并且均服从均值为0，方差为1的循环对称复高斯分布；

S22、当用户向BS发送完上行叠加信号后，BS可以在本地使用最小二乘信道估计方案对导频信号进行信道估计。具体地讲，若想要在BS获得BS-IRS-第k个用户间的级联信道CSI，BS可以将接收到的信号投影到的方向上，即可以得到BS-IRS-第k个用户间的级联信道CSI为：

S23、当BS对所有级联信道完成信道估计后，可以将估计的CSI和叠加信号发往CPU进行译码。为了降低信号处理的复杂度，本发明使用最大比合并方案进行接收译码。另外，由于CPU已知全部用户的发送导频信号，因此CPU可以完美消除导频信号对接收信号的影响。因此，经过CPU译码后的信号可以表示为：

其中，式(5)右侧的第一项表示CPU检测到第k个用户的期望信号强度，第二项表示波束成形增益不确定性所引起的误差，第三项表示第k个用户受到的干扰与噪声，并被定义为：

具体实施时，作为本发明优选的实施方式，所述步骤S3分析系统的上行可达速率，具体实现过程如下：

S31、根据步骤S23中经过CPU译码后的信号公式(5)，可以得到在叠加导频模式下，第k个用户的上行频谱效率为：

S32、根据第k个用户的上行频谱效率公式(7)，推导出叠加导频模式下第k个用户的频谱效率闭合表达式为：

R_k＝log₂(1+SINR_k) (8)

其中，对于k,j＝1,2,…,K，式(7)中出现的符号定义为

其中，式(9)中的δ(j,i)表示狄拉克δ函数，即当j＝i时，δ(j,i)＝1，否则当j≠i时，δ(j,i)＝0。

具体实施时，作为本发明优选的实施方式，所述步骤S4根据所述上行可达速率，构建最大化系统和速率的优化问题，具体实现过程如下：

S41、尽管叠加导频模式降低了专门用来发送导频信号的时间，但在信道估计和数据译码的过程中也导致了导频信号和数据信号相互干扰的问题。因此，为了提升叠加导频模式下智能反射面辅助的大规模MIMO系统的速率性能，在保证每个用户的导频和数据信号总发送信噪比不超过P且IRS的相位满足[0,2π)范围的条件下，通过调节不同用户的导频信号功率控制系数η＝[η₁,η₂,…,η_K]、数据信号功率控制系数ρ＝[ρ₁,ρ₂,…,ρ_K]以及IRS反射单元的相位θ＝[θ₁,θ₂,…,θ_N]，使系统和速率最大化的优化问题可以归纳为如下形式：

s.t.C1:0≤ρ_k≤1,k＝1,…,K

C2:0≤η_k≤1,k＝1,…,K (12)

C3:0≤ρ_k+η_k≤1,k＝1,…,K

C4:0≤θ_n＜2π,n＝1,…,N

其中，约束条件(C1)、(C2)和(C3)为用户需要满足的功率约束条件，约束条件(C4)为IRS需要满足的相位约束条件，并且约束条件(C1)、(C2)、(C3)和(C4)均为凸函数形式。由于优化问题式(12)中的目标函数为非凸的，并且优化变量彼此耦合在一起，这导致优化问题式(12)十分难以求解。为了解决优化问题式(12)，将原始问题解耦成关于用户导频和数据信号功率控制系数的子问题以及关于IRS反射单元相位的子问题，并通过对解耦后的子问题交替优化，最终解决优化问题式(12)；

S42、固定IRS的反射单元相位θ，优化问题式(12)可以转变为联合优化用户导频信号功率控制系数η和数据信号功率控制系数ρ的子问题，即：

S43、引入辅助变量γ＝[γ₁,γ₂,…,γ_K]，将优化问题式(13)转变成如下形式：

s.t.C1,C2,C3 (14)

C5:γ_k≤SINR_k,k＝1,2,…,K

S44、当γ_k接近于时，用/>近似式(14)中的目标函数(1+γ_k)^-1，其中，和/>因此，当γ_k接近于/>时，优化问题式(14)可以近似为：

s.t.C1,C2,C3

经过对目标函数的近似处理，优化问题式(15)中的目标函数已经被转换为单项式函数形式，约束条件(C1)、(C2)、(C3)和(C5)均为多项式函数形式。因此，当μ＝[μ₁,μ₂,…,μ_K]和ε＝[ε₁,ε₂,…,ε_K]固定时，优化问题式(15)已转变为GP问题。通过迭代求解优化问题式(15)，直至γ＝[γ₁,γ₂,…,γ_K]保持收敛，既可以获得能够解决优化子问题式(13)的功率控制系数η和ρ；

S45、固定用户导频信号功率控制系数η和数据信号功率控制系数ρ，将优化问题式(12)转变为优化IRS反射单元相位θ的子问题，即：

S46、通过观察可以发现优化问题式(16)中的目标函数为复杂的非凸函数形式，很难利用传统的凸近似方法转换为凸函数形式进行求解。因此，本发明使用GA算法去解决优化问题式(16)，其中GA算法是一种通过模拟自然进化过程搜索最优解的方法。GA算法的基本思路是将式(16)中的目标函数作为适应度函数，通过选择、交叉、变异以及迭代等操作为每个反射单元选择合适的相位，以最大程度提高系统整体速率性能。基于此，通过交替使用GP算法解决优化问题式(15)以及使用GA算法解决优化问题式(16)，可以分别寻找到最优的导频信号和数据信号的功率控制系数以及最优的IRS反射单元相位。

具体实施时，作为本发明优选的实施方式，所述步骤S5根据所述优化问题，设计联合优化用户导频和数据信号功率控制系数以及IRS反射单元相位的策略，具体实现过程如下：

S51、参数初始化设置：初始迭代次数t＝1，公差值种群个数S＝200，交叉概率P_c＝0.8，变异概率P_m＝0.01，数据信号和导频信号的功率控制系数初始值ρ¹和η¹，IRS反射单元相位初始值θ¹；

S52、设定GP算法的初始迭代次数t_GP＝1，和/>

S53、首先，将和/>代入式(9)，得到/>其中/>然后，对于k＝1,2,…,K，更新/>和/>最后，利用GP算法解决式(15)中的优化问题，令/>和/>作为本次迭代优化的解；

S54、当时，输出GP算法获得的最优功率控制系数ρ^*和η^*，执行步骤S55；否则，设定t_GP＝t_GP+1，/>和/>返回执行步骤S53；

S55、设定GA算法的初始迭代次数t_GA＝1；

S56、随机产生S个个体并根据ρ^*和η^*，计算每个个体的适应度值/>

S57、根据每个个体的适应度值，计算适应度值总和以及每个个体的选择概率/>并利用轮盘赌选择法，选择适应度值高的个体，删除适应度值低的个体；

S58、以交叉概率P_c交叉两个相邻个体；

S59、根据变异概率P_m对指定个体进行变异；

S510、当t_GA＞10⁴或者最优个体适应度值趋近于收敛时，输出GA算法获得的最优IRS反射单元相位执行步骤S511；否则，设定t_GA＝t_GA+1，更新种群，并返回执行步骤S56；

S511、当时，输出ρ^*、η^*和θ^*，结束迭代进程；否则，设定t＝t+1，ρ^t＝ρ^*，η^t＝η^*和θ^t＝θ^*，返回执行步骤S52。

实施例

为了验证本发明方案的有效性，进行了如下的仿真实验：

场景设置：

如图3所示，为叠加导频模式下智能反射面辅助的大规模MIMO系统的仿真场景，具体的仿真参数为：

BS的天线数量M＝30；IRS的反射单元数量N＝60；用户的数量K＝30，其中，每个用户的高度为1.5m且随机分布在区域[x,y]，满足-30m≤x≤30m和30m≤y≤130m的条件；BS-IRS链路的路径损耗其中C_BI＝26dB，κ_BI＝2.2以及d_BI表示BS与IRS之间的距离；IRS-第k个用户链路间的路径损耗/>其中C_IU,k＝28dB，κ_IU,k＝3.67以及d_IU,k表示IRS与第k个用户之间的距离；IRS与第k个用户的相关矩阵为：

其中，λ为载波波长、d_IRS为IRS内部的反射单元间隔、和φ_k分别为IRS相对于第k个用户到达角的仰角和方向角；用户的发送信噪比为P＝20dB；相干时间间隔τ＝20。

如图4所示，给出了当使用本发明方案控制导频信号功率控制系数、数据信号功率控制系数以及IRS反射单元相位时，系统和速率随着迭代次数变化的仿真结果。从图4可以看出，随着迭代次数不断地增加，系统和速率也不断增加，并且在迭代次数超过4次之后，逐渐趋近于一个定值，这表明本发明方案中的方法会在4次迭代后逐渐收敛，具备良好的收敛性。

如图5所示，给出了使用本发明方案中的迭代优化算法与不使用迭代优化算法时系统和速率的累计分布函数。通过观察，可以发现在系统不使用迭代优化算法的情况下，系统的和速率有95％的可能性大于4.2bit/s/Hz；但是在系统使用本发明方案联合优化导频信号的功率控制系数、数据信号的功率控制系数以及IRS反射单元相位的情况下，系统的和速率有95％的可能性大于5.6bit/s/Hz，这是无迭代优化算法系统的1.33倍。

综上所述，上述仿真结果验证了本发明方案在提升系统和速率性能方面的有效性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种叠加导频模式下智能反射面辅助的大规模MIMO系统上行传输方法，其特征在于，包括如下步骤：

S1、建立叠加导频模式下智能反射面辅助的大规模MIMO系统的模型；所述步骤S1中建立的模型，具体为：

g_k＝G_BIΦg_IU,k,k＝1,2,…,K (1)

其中，g_k表示BS-IRS-第k个用户之间的级联信道；和/>分别表示BS与IRS之间的信道以及IRS与第k个用户之间的信道；/>表示IRS的反射波束成形矩阵，其中θ＝[θ₁,θ₂,…,θ_N]为每个IRS反射单元的相位；

S2、基于构建的所述模型，进行上行链路的信道估计和信号检测；所述步骤S2的具体实现过程如下：

S21、在叠加导频模式下，将BS的接收信号表示为：

其中，P为用户端的发送信噪比，对于k＝1,2,…,K，η_k和ρ_k分别表示导频信号和数据信号的功率控制系数，满足0≤η_k,ρ_k≤1和0≤η_k+ρ_k≤1的条件；对于k＝1,2,…,K，为第k个用户的上行发送导频，满足当k＝j时，则/>且当k≠j时，则/>的条件，其中τ＞＞K表示相干时间间隔；对于k＝1,2,…,K，/>表示第k个用户的数据信号，满足当k＝j时，则且当k≠j时，则/>的条件；/>为BS端的接收噪声矩阵，矩阵中的所有元素独立同分布，并且均服从均值为0，方差为1的循环对称复高斯分布；

S22、当用户向BS发送完上行叠加信号后，BS在本地使用最小二乘信道估计方案对导频信号进行信道估计，得到BS-IRS-第k个用户间的级联信道CSI为：

S23、当BS对所有级联信道完成信道估计后，使用最大比合并方案进行接收译码，经过CPU译码后的信号表示为：

其中，式(4)右侧的第一项表示CPU检测到第k个用户的期望信号强度，第二项表示波束成形增益不确定性所引起的误差，第三项表示第k个用户受到的干扰与噪声，并被定义为：

S3、分析系统的上行可达速率；所述步骤S3的具体实现过程如下：

S31、根据步骤S23中经过CPU译码后的信号公式(4)，得到在叠加导频模式下，第k个用户的上行频谱效率为：

S32、根据第k个用户的上行频谱效率公式(6)，推导出叠加导频模式下第k个用户的频谱效率闭合表达式为：

R_k＝log₂(1+SINR_k) (7)

其中，对于k,j＝1,2,…,K，式(7)中出现的符号定义为

其中，式(8)中的δ(j,i)表示狄拉克δ函数，即当j＝i时，δ(j,i)＝1，否则当j≠i时，δ(j,i)＝0；

S4、根据所述上行可达速率，构建最大化系统和速率的优化问题式；所述步骤S4的具体实现过程如下：

S41、在保证每个用户的导频和数据信号总发送信噪比不超过P，且IRS的相位满足[0,2π)范围的条件下，通过调节不同用户的导频信号功率控制系数η＝[η₁,η₂,…,η_K]、数据信号功率控制系数ρ＝[ρ₁,ρ₂,…,ρ_K]以及IRS反射单元的相位θ＝[θ₁,θ₂,…,θ_N]，使系统和速率最大化的优化问题归纳为如下形式：

S42、固定IRS的反射单元相位θ，将优化问题式(11)转变为联合优化用户导频信号功率控制系数η和数据信号功率控制系数ρ的子问题，即：

S43、引入辅助变量γ＝[γ₁,γ₂,…,γ_K]，将优化问题式(12)转变成如下形式：

S44、当γ_k接近于时，将优化问题式(13)近似为：

s.t.C1,C2,C3

C5:

其中，和/>

S45、固定用户导频信号功率控制系数η和数据信号功率控制系数ρ，将优化问题式(11)转变为优化IRS反射单元相位θ的子问题，即：

S46、通过使用GP算法和GA算法交替解决优化问题式(14)以及优化问题式(15)，分别寻找到最优的导频信号和数据信号的功率控制系数以及最优的IRS反射单元相位；

S5、根据所述优化问题式，设计联合优化用户导频和数据信号功率控制系数以及IRS反射单元相位的策略；所述步骤S5的具体实现过程如下：

S51、对参数进行初始化设置；初始迭代次数t＝1，公差值种群个数S＝200，交叉概率P_c＝0.8，变异概率P_m＝0.01，数据信号和导频信号的功率控制系数初始值ρ¹和η¹，IRS反射单元相位初始值θ¹；

S52、设定GP算法的初始迭代次数t_GP＝1，和/>

S53、将 和/>代入式(8)，得到/>其中/>对于k＝1,2,…,K，更新/>和/>利用GP算法解决式(14)中的优化问题，令/>和/>作为本次迭代优化的解；

S54、当时，输出GP算法获得的最优功率控制系数ρ^*和η^*，执行步骤S55；否则，设定t_GP＝t_GP+1，/>和/>返回执行步骤S53；

S55、设定GA算法的初始迭代次数t_GA＝1；

S56、随机产生S个个体s＝1,2,…,S，并根据ρ^*和η^*，计算每个个体的适应度值/>

S57、根据每个个体的适应度值，计算适应度值总和以及每个个体的选择概率/>并利用轮盘赌选择法，选择适应度值高的个体，删除适应度值低的个体；

S58、以交叉概率P_c交叉两个相邻个体；

S59、根据变异概率P_m对指定个体进行变异；

S510、当t_GA＞10⁴或者最优个体适应度值趋近于收敛时，输出GA算法获得的最优IRS反射单元相位执行步骤S511；否则，设定t_GA＝t_GA+1，更新种群，并返回执行步骤S56；

S511、当时，输出ρ^*、η^*和θ^*，结束迭代进程；否则，设定t＝t+1，ρ^t＝ρ^*，η^t＝η^*和θ^t＝θ^*，返回执行步骤S52。