CN115987346A - 一种智能反射面被动波束赋型方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种智能反射面被动波束赋型方法、系统及存储介质，通过对单位元约束复数域二次型问题的二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量，对智能反射面相移矩阵进行相位优化，得到最优相移矩阵，将最优相移矩阵代入预置的优化模型进行计算，获得优化后的功率增益，以替代传统优化方法中的迭代搜索，在得到符合要求的功率增益的前提下，尽可能地降低算法复杂度，减少运算消耗的时间，实现快速、高效的智能反射面被动波束赋型。本发明采用了松弛的思想，策略性地牺牲可接受的性能损失来换取极快的解决速度，以在极短的相干时间内，满足智能反射面与用户之间信道高速变化场景下的被动波束赋型运算需求。

Description

一种智能反射面被动波束赋型方法、系统及存储介质

技术领域

本发明属于无线通信技术领域，具体涉及一种智能反射面被动波束赋型方法、系统及存储介质。

背景技术

智能反射面是基于信息超材料的物理硬件，广义斯涅尔定理的理论依据，以无线通信电磁波传播的底层通信原理而诞生出来的新兴的极富有前景的领域。智能反射面由N×M个反射阵元组成，阵元通常为微带贴片天线，每个阵元上有二极管或其他的电磁电路元器件，每个元器件可以由现场可编程电路(FPGA)或者微控制器(MCU)控制状态，使得电磁波辐射到阵元后反射时的相位发生我们期望的改变。

当前常用的智能反射面被动波束赋形算法有半正定松弛算法(SDR)、深度强化学习方法、交替方向乘子算法(ADMM)、流形优化算法(MO)等。然而，SDR算法和ADMM算法的复杂度高，对于高维空间中的大面积的智能反射面优化来说优化效果欠佳；深度强化学习方法需要大量的数据训练出一个码本动作选择经验，而且根据现有论文实验结果表明其效果并不理想；现有的最好的算法是流形优化算法，理论上来说智能反射面的被动波束赋形问题可以公式化为一个复数域上单位元约束的二次型问题，在N维单位元流形上，可以被看成凸问题，理论上可以达到全局最优值，但是，同样地，流形优化算法的复杂度以及耗时仍然是一个痛点问题。

由于智能反射面是6G通信最具潜力的技术之一，其旨在解决当前通信系统难以解决的问题，其中重点难题就是如何应对高速变化的信道。在信道估计技术能够实时获取真实信道信息的前提下，如果运算处理速度不够快，就无法在信道相干时间内获得最佳码本，因此，目前急需更快速、高效的被动波束赋型优化手段。

发明内容

本发明的目的是提供一种智能反射面被动波束赋型方法、系统及存储介质，用以解决现有技术中存在的上述问题。

为了实现上述目的，本发明采用以下技术方案：

第一方面，提供一种智能反射面被动波束赋型方法，包括：

获取单位元约束复数域二次型问题的二次型矩阵；

对二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量；

对于单个智能反射面的通信系统，构建MISO单用户模型，并从中提取相移矩阵；

利用矩阵特征值及特征值对应的特征向量对相移矩阵进行相位优化，使相移矩阵对角线上元素的每个相位等于对应最大特征值的特征向量对应元素的相位，得到最优相移矩阵；

将最优相移矩阵代入设定的优化模型进行计算，获得优化后的功率增益；

基于优化后的功率增益进行智能反射面被动波束赋型。

在一个可能的设计中，所述二次型矩阵为R，对二次型矩阵R进行矩阵谱分解后

其中，λ_i表征第i个矩阵特征值，v_i表征对应的第i个特征向量，

表征v_i的共轭转置，M为设定常数。

在一个可能的设计中，对二次型矩阵R的矩阵谱分解式为

其中，w表征列向量，

表征w的共轭装置。

在一个可能的设计中，构建的MISO单用户模型为

其中，y表征MISO单用户模型，

表征从智能反射面到用户的信道矩阵，

表征从基站到用户的直射链路信道矩阵，

表征从基站到智能反射面的信道矩阵，Θ表征相移矩阵，n表征噪声，x表征发射信号，H表征共轭装置。

在一个可能的设计中，所提取的相移矩阵

其中，N表征阵元数目，

表征各阵元作用于入射信号的反射系数，α_N表征相位角，j表征元素编号，w表征列向量，diag表示对角矩阵。

在一个可能的设计中，所述v_i表示为

其中，τ_i,j是第i个特征值对应的特征向量的第j个元素的相位；对相移矩阵进行相位优化，使

即相移矩阵对角线上元素的每个相位等于最大特征向量v₁对应元素的相位，v₁为最大特征值λ₁的特征向量，最大特征值λ₁的特征向量v₁的对应元素的相位为τ₁，得到最优相移矩阵Θ^*＝diag(w)。

在一个可能的设计中，所述优化模型为

s.t·|Θ|＝I_N，x^Hx＝1

其中，I_N是N维单位矩阵，s.t.表征约束条件；所述将最优相移矩阵代入设定的优化模型进行计算，即将Θ^*代入优化模型中替换Θ进行计算。

第二方面，提供一种智能反射面被动波束赋型系统，包括获取单元、分解单元、构建单元、优化单元、计算单元和应用单元，其中：

获取单元，用于获取单位元约束复数域二次型问题的二次型矩阵；

分解单元，用于对二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量；

构建单元，用于对于单个智能反射面的通信系统，构建MISO单用户模型，并从中提取相移矩阵；

优化单元，用于利用矩阵特征值及特征值对应的特征向量对相移矩阵进行相位优化，使相移矩阵对角线上元素的每个相位等于对应最大特征值的特征向量对应元素的相位，得到最优相移矩阵；

计算单元，用于将最优相移矩阵代入设定的优化模型进行计算，获得优化后的功率增益；

应用单元，用于基于优化后的功率增益进行智能反射面被动波束赋型。

第三方面，提供一种智能反射面被动波束赋型系统，包括：

存储器，用于存储指令；

处理器，用于读取所述存储器中存储的指令，并根据指令执行第一方面中任意一种所述的方法。

第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行第一方面中任意一种所述的方法。同时，还提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行第一方面中任意一种所述的方法。

有益效果：本发明通过对单位元约束复数域二次型问题的二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量，对智能反射面相移矩阵进行相位优化，得到最优相移矩阵，将最优相移矩阵代入预置的优化模型进行计算，获得优化后的功率增益，以替代传统优化方法中的迭代搜索，在得到符合要求的功率增益的前提下，尽可能地降低算法复杂度，减少运算消耗的时间，实现快速、高效的智能反射面被动波束赋型。本发明采用了松弛的思想，策略性地牺牲可接受的性能损失来换取极快的解决速度，以在极短的相干时间内，满足智能反射面与用户之间信道高速变化场景下的被动波束赋型运算需求。

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为本发明实施例方法的步骤示意图；

图2为实施例中各方法所获得信噪比结果对比示意图；

图3为实施例中各方法的运行时间结果对比示意图；

图4为本发明实施例第一种系统的构成示意图；

图5为本发明实施例第二种系统的构成示意图。

具体实施方式

在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在实施例中的具体含义。

在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得实施例不清楚。

实施例1：

本实施例提供一种智能反射面被动波束赋型方法，如图1所示，方法包括以下步骤：

S1.获取单位元约束复数域二次型问题的二次型矩阵；

S2.对二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量；

S3.对于单个智能反射面的通信系统，构建MISO单用户模型，并从中提取相移矩阵；

S4.利用矩阵特征值及特征值对应的特征向量对相移矩阵进行相位优化，使相移矩阵对角线上元素的每个相位等于对应最大特征值的特征向量对应元素的相位，得到最优相移矩阵；

S5.将最优相移矩阵代入设定的优化模型进行计算，获得优化后的功率增益；

S6.基于优化后的功率增益进行智能反射面被动波束赋型。

具体实施时，对于单个智能反射面的通信系统，可以建立如下MISO单用户模型：

其中，y表征MISO单用户模型，

表征从智能反射面到用户的信道矩阵，

表征从基站到用户的直射链路信道矩阵，

表征从基站到智能反射面的信道矩阵，Θ表征相移矩阵，n表征噪声，x表征发射信号，H表征共轭装置。因为目前大部分的智能反射面都是被动的，反射系数固定，所以约束相移矩阵智能改变相位，即Θ对角元素模为一。则被动波束赋型运算需要优化的问题就可以公式化为

s.t.|Θ|＝I_N，x^H _x＝1

其中，I_N是N维单位矩阵，优化变量是RIS相控矩阵

其中N是RIS的阵元数目，

是RIS中第1～N个阵元作用于入射信号的反射系数，α_N是相位角，s.t.表征约束条件。然后把要优化的未知变量Θ转换为对列向量w的优化求解，其中

上面的式子通过基本的矩阵运算处理，就可以转换为下面的单位元约束的复数域二次型问题

R为单位元约束复数域二次型问题的二次型矩阵，w表征列向量，

表征w的共轭装置，s.t.表征约束条件。

因此，优化时可先获取单位元约束复数域二次型问题的二次型矩阵

然后对二次型矩阵R进行谱分解

其中λ_i是第i个特征值，v_i是对应的第i个特征向量。其中v_i可以表示为

τ_i,j是第i个特征值对应的特征向量的第j个元素的相位。矩阵谱分解后

其中，λ_i表征第i个矩阵特征值，v_i表征对应的第i个特征向量，

表征v_i的共轭转置，M为设定常数。

然后最优的w取值由上面的具体算法步骤获得。对相移矩阵进行相位优化，使

即相移矩阵对角线上元素的每个相位等于最大特征向量v₁对应元素的相位，v₁为最大特征值λ₁的特征向量，最大特征值λ₁的特征向量v₁的对应元素的相位为τ₁，得到最优相移矩阵Θ^*＝diag(w)。将最优相移矩阵代入设定的优化模型进行计算，即将Θ^*代入优化模型

s.t.|Θ|＝I_N，x^Hx＝1

中替换Θ进行计算，即可获得优化后的功率增益。本方法采用了松弛的思想，只关注二次型矩阵频谱的第一个分量，这种策略牺牲了可接受的性能损失来换取极快的解决速度。当只有一条反射的LoS路径时，其优化效果完全媲美流形优化，并拥有更快的运算速度。

为验证本方法的有效性，分别用流形优化算法、半正定松弛算法以及本实施例方法进行智能反射面被动波束赋形优化的实践运算应用对比，对比结果如图2和图3所示。其中，图2为流形优化算法(MO)、半正定松弛算法(SDR)以及本实施例方法(RA)分别在信道矩阵秩为1、4、8、16时，所获得的信噪比(SNR)。图3为流形优化算法(MO)、半正定松弛算法(SDR)以及本实施例方法(RA)分别在信道矩阵秩为1、4、8、16时，所运行的时间。可以明显看出，本实施例方法能到达流形优化所能达到的全局最优，比经典的半正定松弛优化算法好很多的性能，并且相较于两者，拥有更突出的运算速度优势。

实施例2：

本实施例提供一种一种智能反射面被动波束赋型系统，如图4所示，包括获取单元、分解单元、构建单元、优化单元、计算单元和应用单元，其中：

获取单元，用于获取单位元约束复数域二次型问题的二次型矩阵；

分解单元，用于对二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量；

构建单元，用于对于单个智能反射面的通信系统，构建MISO单用户模型，并从中提取相移矩阵；

优化单元，用于利用矩阵特征值及特征值对应的特征向量对相移矩阵进行相位优化，使相移矩阵对角线上元素的每个相位等于对应最大特征值的特征向量对应元素的相位，得到最优相移矩阵；

计算单元，用于将最优相移矩阵代入设定的优化模型进行计算，获得优化后的功率增益；

应用单元，用于基于优化后的功率增益进行智能反射面被动波束赋型。

实施例3：

本实施例提供一种计算机设备，如图5所示，在硬件层面，包括：

数据接口，用于建立处理器与外部器件的数据对接；

存储器，用于存储指令；

处理器，用于读取所述存储器中存储的指令，并根据指令执行实施例1中的智能反射面被动波束赋型方法。

可选地，该计算机系统还包括内部总线。处理器与存储器和数据接口可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。

所述存储器可以但不限于包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等。所述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(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。

实施例4：

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行实施例1中的智能反射面被动波束赋型方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。

本实施例还提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行实施例1中的智能反射面被动波束赋型方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能反射面被动波束赋型方法，其特征在于，包括：

获取单位元约束复数域二次型问题的二次型矩阵；

对二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量；

对于单个智能反射面的通信系统，构建MISO单用户模型，并从中提取相移矩阵；

利用矩阵特征值及特征值对应的特征向量对相移矩阵进行相位优化，使相移矩阵对角线上元素的每个相位等于对应最大特征值的特征向量对应元素的相位，得到最优相移矩阵；

将最优相移矩阵代入设定的优化模型进行计算，获得优化后的功率增益；

基于优化后的功率增益进行智能反射面被动波束赋型。

2.根据权利要求1所述的一种智能反射面被动波束赋型方法，其特征在于，所述二次型矩阵为R，对二次型矩阵R进行矩阵谱分解后

其中，λ_i表征第i个矩阵特征值，v_i表征对应的第i个特征向量，

表征v_i的共轭转置，M为设定常数。

3.根据权利要求2所述的一种智能反射面被动波束赋型方法，其特征在于，对二次型矩阵R的矩阵谱分解式为

其中，w表征列向量，

表征w的共轭装置。

4.根据权利要求2所述的一种智能反射面被动波束赋型方法，其特征在于，构建的MISO单用户模型为

其中，y表征MISO单用户模型，

表征从智能反射面到用户的信道矩阵，

表征从基站到用户的直射链路信道矩阵，

表征从基站到智能反射面的信道矩阵，Θ表征相移矩阵，n表征噪声，x表征发射信号，H表征共轭装置。

5.根据权利要求4所述的一种智能反射面被动波束赋型方法，其特征在于，所提取的相移矩阵

其中，N表征阵元数目，

表征各阵元作用于入射信号的反射系数，α_N表征相位角，j表征元素编号，w表征列向量，diag表示对角矩阵。

6.根据权利要求5所述的一种智能反射面被动波束赋型方法，其特征在于，所述v_i表示为

其中，τ_i,j是第i个特征值对应的特征向量的第j个元素的相位；对相移矩阵进行相位优化，使

即相移矩阵对角线上元素的每个相位等于最大特征向量v₁对应元素的相位，v₁为最大特征值λ₁的特征向量，最大特征值λ₁的特征向量v₁的对应元素的相位为τ₁，得到最优相移矩阵Θ^*＝diag(w)。

7.根据权利要求1所述的一种智能反射面被动波束赋型方法，其特征在于，所述优化模型为

s.t.|Θ|＝I_N，x^Hx＝1

其中，I_N是N维单位矩阵，s.t.表征约束条件；所述将最优相移矩阵代入设定的优化模型进行计算，即将Θ^*代入优化模型中替换Θ进行计算。

8.一种智能反射面被动波束赋型系统，其特征在于，包括获取单元、分解单元、构建单元、优化单元、计算单元和应用单元，其中：

获取单元，用于获取单位元约束复数域二次型问题的二次型矩阵；

分解单元，用于对二次型矩阵进行矩阵谱分解，获得矩阵特征值和特征值对应的特征向量；

构建单元，用于对于单个智能反射面的通信系统，构建MISO单用户模型，并从中提取相移矩阵；

优化单元，用于利用矩阵特征值及特征值对应的特征向量对相移矩阵进行相位优化，使相移矩阵对角线上元素的每个相位等于对应最大特征值的特征向量对应元素的相位，得到最优相移矩阵；

计算单元，用于将最优相移矩阵代入设定的优化模型进行计算，获得优化后的功率增益；

应用单元，用于基于优化后的功率增益进行智能反射面被动波束赋型。

9.一种智能反射面被动波束赋型系统，其特征在于，包括：

存储器，用于存储指令；

处理器，用于读取所述存储器中存储的指令，并根据指令执行权利要求1-7任意一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行权利要求1-7任意一项所述的方法。

Images