CN116506262B - 用于双irs辅助通信系统的信道估计方法及系统 - Google Patents

用于双irs辅助通信系统的信道估计方法及系统 Download PDF

Info

Publication number
CN116506262B
CN116506262B CN202310776678.8A CN202310776678A CN116506262B CN 116506262 B CN116506262 B CN 116506262B CN 202310776678 A CN202310776678 A CN 202310776678A CN 116506262 B CN116506262 B CN 116506262B
Authority
CN
China
Prior art keywords
irs
channel
algorithm
estimation
users
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.)
Active
Application number
CN202310776678.8A
Other languages
English (en)
Other versions
CN116506262A (zh
Inventor
梁彦
涂威洋
李飞
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310776678.8A priority Critical patent/CN116506262B/zh
Publication of CN116506262A publication Critical patent/CN116506262A/zh
Application granted granted Critical
Publication of CN116506262B publication Critical patent/CN116506262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种用于双IRS辅助通信系统的信道估计方法及系统，具体步骤可分为单IRS辅助信道估计和双IRS辅助信道估计两个步骤。在单IRS辅助信道估计步骤中，提出了一种基于k‑means聚类算法的自适应迭代终止阈值选取算法，进一步提出了一种基于k‑means的自适应双结构正交匹配追踪（KADS‑OMP）算法，用于估计h1—G1和h2—G2信道；在双IRS辅助信道估计步骤中，提出了一种基于压缩感知的三重压缩信道估计（TC‑CE）算法，用于估计h1—D—G2信道。与传统方案相比，本方案提出的KADS‑OMP和TC‑CE算法利用了毫米波信道的稀疏性和结构特性，有效降低信道估计的导频开销。

Description

用于双IRS辅助通信系统的信道估计方法及系统
技术领域
本发明属于图像识别处理技术领域，本发明涉及一种用于双IRS辅助通信系统的信道估计方法及系统。
背景技术
智能反射面IRS（Intelligent Reflecting Surface）由大量准无源和低成本反射单元构成，是在6G无线通信系统中备受关注的备选技术。不同于传统的无线传输技术，IRS可以通过适当调整反射单元的相移，重构无线传播环境。此外，由于具有重量轻且无射频链路的特点，IRS可以密集部署在无线通信系统中，以较低能耗和硬件成本提高无线通信系统性能。相较于传统的单IRS辅助通信系统，双IRS辅助通信系统能实现更高的被动波束增益，更好地实现信道补盲。但是准无源IRS并不具备信号处理能力，基站天线和IRS反射单元的级联给信道估计带来巨大的压力。相较于单IRS辅助通信系统而言，双IRS辅助通信系统的信道估计技术面临更大的挑战。
申请号2021115230665公开了一种基于压缩感知的RIS辅助毫米波系统的信道估计方法，基于毫米波的稀疏性将级联信道矩阵从空间域转换到虚拟角域，得到信道估计的稀疏表示；采用基于行-结构稀疏的改进压缩感知算法进行矩阵恢复，完成信道估计。但是该方法只能适用于单IRS辅助通信系统，并不适用于双IRS辅助通信系统的信道估计。
发明内容
本发明的目的在于提供一种用于双IRS辅助通信系统的信道估计方法及系统，基于k-means聚类算法的自适应迭代终止阈值选取算法，进一步提出了一种基于k-means的自适应双结构正交匹配追踪（KADS-OMP）算法，用于估计和/>信道；在双IRS辅助信道估计步骤中，提出了一种基于压缩感知的三重压缩信道估计（TC-CE）算法，用于估计/>信道，有效降低信道估计的导频开销。
实现本发明目的的技术解决方案为：
一种用于双IRS辅助通信系统的信道估计方法，双IRS辅助通信系统包括至少一个基站、IRS1反射单元和IRS2反射单元，用户通过IRS反射单元与基站通信，包括以下步骤：
S01：若IRS1和IRS2中有一个关闭，进行单IRS辅助信道估计；
S02：若IRS1和IRS2同时打开，估计信道/>；
所述信道由如下公式计算得到：
其中，为基站的字典酉矩阵，/>为/>信道的行支撑集，与信道的基站到达角支撑集相同，/>为第/>个基站到达角对应的信道，为用户编号，/>为/>的元素个数，/>和/>分别为IRS1和IRS2反射单元的反射系数，/>，/>为导频开销，/>为用户到IRS1的信道，/>为用户到IRS2的信道，/>为IRS1到基站的信道，/>为IRS2到基站的信道，/>为IRS1到IRS2的信道；
其中，由如下公式得到：
其中，/>和为IRS1和IRS2的字典酉矩阵，/>为角域稀疏信道。
优选的技术方案中，所述S02中估计信道/>包括：
S11：同时打开IRS1和IRS2，保持IRS2反射单元的反射系数不变，在每个时隙改变IRS1反射单元的反射系数，估计IRS1的角度信息，得到每个用户的压缩矩阵；
S12：保持IRS1反射单元的反射系数不变，在每个时隙改变IRS2反射单元的反射系数，估计IRS2的角度信息，得到每个用户的压缩矩阵/>；
S13：同时改变IRS1和IRS2反射单元的反射系数，估计所有用户每个基站到达角对应的信道；
S14：得到信道的估计值/>。
优选的技术方案中，所述S11中得到每个用户的压缩矩阵/>的方法包括：
S111：对所有用户的接收信号预处理得到/>；
其中，和/>为噪声，右上角的/>是共轭转置；
S112：对所有用户的预处理信号经OMP算法得到所有用户IRS1的角度支撑集；
S113：由如下公式得到的压缩矩阵/>：
其中，为用户数。
优选的技术方案中，所述S13包括：
S131：利用压缩矩阵、/>对公式(11)简化，由如下公式得到：
S132：经OMP算法得到/>的估计值/>，进一步由公式(7)和公式(8)得到/>和/>的估计值和/>，/>是向量化。
优选的技术方案中，所述S01中若关闭IRS2，打开IRS1，通过KASD-OMP算法估计信道/>，若打开IRS2，关闭IRS1通过KASD-OMP算法估计/>信道/>，信道/>估计包括：
S21：对所有用户的接收信号预处理得到/>；
S22：经KASD-OMP算法得到/>的估计值/>；
S23：根据得到的，由公式(1)得到/>信道/>的估计值/>；
其中，为基站的字典酉矩阵，/>为角域稀疏信道，/>为用户编号，/>为IRS1的字典酉矩阵；
同理得到信道的估计值/>。
优选的技术方案中，所述S21中接收信号及预处理信号/>由如下公式得到：
其中，为感知矩阵，/>，/>，/>为IRS1反射单元的反射系数，/>，/>为导频开销，/>和/>为噪声。
优选的技术方案中，所述S22中KASD-OMP算法包括如下步骤：
S221：由行支撑估计算法得到所有用户的行支撑集/>和行稀疏度/>；
S222：由列支撑估计算法得到所有用户的列支撑集/>；
S223：根据LS算法得到所有用户的估计值/>。
优选的技术方案中，所述S221中行支撑估计算法包括如下步骤：
S2211：对所有的每一行/>做如下处理：
其中，/>初始化为零向量；
S2212：通过k-means算法对进行二分类，得到聚类中心/>和/>，通过如下式处理得到筛选阈值/>：
其中，/>和/>为加权比重；
S2213：将中大于/>的值对应的索引号作为行支撑集/>的元素，行稀疏度/>为/>元素的个数。
优选的技术方案中，所述S222中所述列支撑估计算法包括如下步骤：
S2221：对所有用户及所有/>中行支撑对应的稀疏行/>经OMP算法得到对应的列支撑集/>；
S2222：将在中累计出现过/>次的元素作为公共列支撑集/>的元素，其中，/>为向上取整运算符，/>为用户数，/>为松弛变量，/>；
S2223：将作为OMP算法迭代的初始值，重复步骤S2221，得到所有用户所有稀疏行的列支撑集/>。
本发明还公开了一种用于双IRS辅助通信系统的信道估计系统，包括一控制器，所述控制器内存储有上述的用于双IRS辅助通信系统的信道估计方法。
本发明与现有技术相比，其显著优点为：
本发明实现对双IRS辅助的毫米波信道的信道估计，降低信道估计的导频开销。
附图说明
图1为较佳实施例的用于双IRS辅助通信系统的信道估计方法的流程图；
图2为本发明实施例的系统模型图；
图3为本发明实施例的KASD-OMP算法在不同信噪比下的性能仿真图；
图4为本发明实施例的KASD-OMP算法在不同导频开销下的性能仿真图；
图5为本发明实施例的TC-CE算法在不同信噪比下的性能仿真图；
图6为本发明实施例的TC-CE算法在不同导频开销下的性能仿真图。
具体实施方式
本发明的原理是：具体步骤可分为单IRS辅助信道估计（、/>）和双IRS辅助信道估计（/>）两个步骤。在单IRS辅助信道估计步骤中，本发明提出了一种基于k-means聚类算法的自适应迭代终止阈值选取算法，进一步提出了一种基于k-means的自适应双结构正交匹配追踪（K-means Based Adaptive Double-StructuredOrthogonal Matching Pursuit，KADS-OMP）算法，用于估计/>和/>信道；在双IRS辅助信道估计步骤中，考虑信道的结构特性，本发明提出了一种基于压缩感知的三重压缩信道估计（Triple Compression Channel Estimation，TC-CE）算法，用于估计信道。与传统方案相比，本方案提出的KADS-OMP和TC-CE算法利用了毫米波信道的稀疏性和结构特性，有效降低信道估计的导频开销。
实施例1：
如图1所示，一种用于双IRS辅助通信系统的信道估计方法，双IRS辅助通信系统包括至少一个基站、IRS1反射单元和IRS2反射单元，用户通过IRS反射单元与基站通信，包括以下步骤：
S01：若IRS1和IRS2中有一个关闭，进行单IRS辅助信道估计；
S02：若IRS1和IRS2同时打开，估计信道/>；
所述信道由如下公式计算得到：
其中，/>为基站的字典酉矩阵，/>为/>信道的行支撑集，与/>信道的基站到达角支撑集相同，/>为第/>个基站到达角对应的信道，/>为用户编号，/>为/>的元素个数，/>和/>分别为IRS1和IRS2反射单元的反射系数，/>，/>为导频开销，/>为用户到IRS1的信道，/>为用户到IRS2的信道，/>为IRS1到基站的信道，/>为IRS2到基站的信道，/>为IRS1到IRS2的信道；
其中，由如下公式得到：
其中，和/>为IRS1和IRS2的字典酉矩阵，/>为角域稀疏信道。
一较佳的实施例中，步骤S02中估计信道/>包括：
S11：同时打开IRS1和IRS2，保持IRS2反射单元的反射系数不变，在每个时隙改变IRS1反射单元的反射系数，估计IRS1的角度信息，得到每个用户的压缩矩阵；
S12：保持IRS1反射单元的反射系数不变，在每个时隙改变IRS2反射单元的反射系数，估计IRS2的角度信息，得到每个用户的压缩矩阵/>；
S13：同时改变IRS1和IRS2反射单元的反射系数，估计所有用户每个基站到达角对应的信道；
S14：得到信道的估计值/>。
一较佳的实施例中，步骤S11中得到每个用户的压缩矩阵/>的方法包括：
S111：对所有用户的接收信号预处理得到/>；
其中，和/>为噪声，右上角的/>是共轭转置；
S112：对所有用户的预处理信号经OMP算法得到所有用户IRS1的角度支撑集；
S113：由如下公式得到的压缩矩阵/>：
其中，为用户数。
一较佳的实施例中，步骤S13包括：
S131：利用压缩矩阵、/>对公式(11)简化，由如下公式得到：
S132：经OMP算法得到的估计值/>，进一步由公式(7)和公式(8)得到和/>的估计值/>和/>，/>是向量化。
一较佳的实施例中，步骤S01中若关闭IRS2，打开IRS1，通过KASD-OMP算法估计信道/>，若打开IRS2，关闭IRS1通过KASD-OMP算法估计/>信道/>，信道/>估计包括：
S21：对所有用户的接收信号预处理得到/>；
S22：经KASD-OMP算法得到/>的估计值/>；
S23：根据得到的，由公式(1)得到/>信道/>的估计值/>；
其中，为基站的字典酉矩阵，/>为角域稀疏信道，/>为用户编号，/>为IRS1的字典酉矩阵；
同理得到信道的估计值/>。
一较佳的实施例中，步骤S21中接收信号及预处理信号/>由如下公式得到：
其中，为感知矩阵，/>，/>，/>为IRS1反射单元的反射系数，/>，/>为导频开销，/>和/>为噪声。
一较佳的实施例中，步骤S22中KASD-OMP算法包括如下步骤：
S221：由行支撑估计算法得到所有用户的行支撑集/>和行稀疏度/>；
S222：由列支撑估计算法得到所有用户的列支撑集/>；
S223：根据LS算法得到所有用户的估计值/>。
一较佳的实施例中，步骤S221中行支撑估计算法包括如下步骤：
S2211：对所有的每一行/>做如下处理：
其中，初始化为零向量；
S2212：通过k-means算法对进行二分类，得到聚类中心/>和/>，通过如下式处理得到筛选阈值/>：
其中，和/>为加权比重；
S2213：将中大于/>的值对应的索引号作为行支撑集/>的元素，行稀疏度/>为/>元素的个数。
一较佳的实施例中，步骤S222中所述列支撑估计算法包括如下步骤：
S2221：对所有用户及所有/>中行支撑对应的稀疏行/>经OMP算法得到对应的列支撑集/>；
S2222：将在中累计出现过/>次的元素作为公共列支撑集/>的元素，其中，/>为向上取整运算符，/>为用户数，/>为松弛变量，/>；
S2223：将作为OMP算法迭代的初始值，重复步骤S2221，得到所有用户所有稀疏行的列支撑集/>。
另一实施例中，一种用于双IRS辅助通信系统的信道估计系统，包括一控制器，所述控制器内存储有上述的用于双IRS辅助通信系统的信道估计方法。
具体的，下面以一较佳的实施例为例对用于双IRS辅助通信系统的信道估计系统的工作流程说明如下：
如图2所示，假定基站和用户之间的视线传播路径被阻断，基站和用户之间仅存在、/>和/>三条路径，/>为用户到IRS1的信道，/>为用户到IRS2的信道，/>为IRS1到基站的信道，/>为IRS2到基站的信道，/>为IRS1到IRS2的信道。本发明通过开关IRS和改变IRS反射单元的反射系数，分别估计上述三条路径，包括以下关键步骤：
步骤1：关闭IRS2，打开IRS1，通过KASD-OMP算法估计信道/>；
步骤2：打开IRS2，关闭IRS1，通过KASD-OMP算法估计信道/>；
步骤3：同时打开IRS1和IRS2，通过TC-CE算法估计信道/>。
较佳的，信道/>可由如下公式得到：
其中，为基站的字典酉矩阵，/>为角域稀疏信道，/>为用户编号，/>为IRS1的字典酉矩阵。
步骤1进一步包括：
步骤1.1：对所有用户的接收信号预处理得到/>；
步骤1.2：经KASD-OMP算法得到/>的估计值/>；
步骤1.3：根据步骤1.2得到的，由公式(1)得到/>信道/>的估计值/>。
接收信号及预处理信号/>可由如下公式得到：
其中，为感知矩阵，/>，/>，/>为IRS1反射单元的反射系数，/>，/>为导频开销，/>和/>为噪声。
KASD-OMP算法包括如下步骤：
步骤1.2.1：由行支撑估计算法得到所有用户的行支撑集/>和行稀疏度；
步骤1.2.2：由列支撑估计算法得到所有用户的列支撑集；
步骤1.2.3：根据LS（Least Square）算法得到所有用户的估计值/>。
行支撑估计算法包括如下步骤：
步骤1.2.1.1：对所有的每一行做如下处理：
其中，/>初始化为零向量；
步骤1.2.1.2：通过k-means算法对进行二分类，得到聚类中心/>和/>，通过如下式处理得到筛选阈值/>：
其中，和/>为加权比重；
步骤1.2.1.3：将中大于/>的值对应的索引号作为行支撑集/>的元素,行稀疏度/>为/>元素的个数。
列支撑估计算法包括如下步骤：
步骤1.2.2.1：对所有用户及所有/>中行支撑对应的稀疏行经OMP算法得到对应的列支撑集/>；
步骤1.2.2.2：将在中累计出现过/>次的元素作为公共列支撑集/>的元素，其中，/>为向上取整运算符，/>为用户数，/>为松弛变量，/>；/>
步骤1.2.2.3：将作为OMP算法迭代的初始值，重复步骤1.2.2.1，得到所有用户所有稀疏行的列支撑集/>。
LS算法如下式所示：
其中，为伪逆运算符。
同理可知，步骤2进一步包括的步骤和步骤1类似。这里不再赘述。
较佳的，信道/>可由如下公式得到：
其中，为/>信道的行支撑集，与/>信道的基站到达角支撑集相同，/>为第/>个基站到达角对应的信道，/>为/>的元素个数，/>和分别为IRS1和IRS2反射单元的反射系数，/>,/>为导频开销。可由如下公式得到：
其中，和/>为IRS1和IRS2的字典酉矩阵，/>为角域稀疏信道。
步骤3进一步包括：
步骤3.1：同时打开IRS1和IRS2，保持IRS2反射单元的反射系数不变，在每个时隙改变IRS1反射单元的反射系数，估计IRS1的角度信息，得到每个用户的压缩矩阵；
步骤3.2：保持IRS1反射单元的反射系数不变，在每个时隙改变IRS2反射单元的反射系数，估计IRS2的角度信息，得到每个用户的压缩矩阵/>；
步骤3.3：同时改变IRS1和IRS2反射单元的反射系数，估计所有用户每个基站到达角对应的信道；
步骤3.4：由公式(7)和公式(8)得到信道的估计值/>。
步骤3.1进一步包括：
步骤3.1.1：对所有用户的接收信号预处理得到/>；
步骤3.1.2：对所有用户的预处理信号经OMP算法得到所有用户IRS1的角度支撑集/>；
步骤3.1.3：由如下公式得到的压缩矩阵/>：
较佳的，接收信号及预处理信号/>可由如下公式得到：
其中，/>和/>为噪声。
同理可知，步骤3.2进一步包括的步骤和步骤3.1类似。这里不再赘述。
步骤3.3进一步包括：
步骤3.3.1：利用压缩矩阵、/>对公式(11)简化，可由如下公式得到：
步骤3.3.2：经OMP算法可得到/>的估计值/>，进一步由公式(7)和公式(8)得到/>和/>的估计值/>和/>。
本发明的有效性可通过以下仿真实验进一步说明：
在以下仿真中，基站天线为64根天线组成的均匀线性阵列，IRS反射单元为16×16的均匀平面阵列，用户天线为1根天线。用户和IRS1之间的距离为10米，用户和IRS2之间的距离为100米，基站和IRS1之间的距离为100米，基站和IRS2之间的距离为10米，IRS1和IRS2之间的距离为100米。
本发明在估计和/>信道上的性能如图3、图4所示。图3为导频开销为32时，本发明方案的KASD-OMP算法在不同信噪比下与传统压缩感知算法和均值阈值正交匹配追踪算法的性能仿真图。图4为信噪比为0分贝时，本发明方案的KASD-OMP算法在不同导频开销下与传统压缩感知算法和均值阈值正交匹配追踪算法的性能仿真图。由图可知，本发明方案在不同信噪比和导频开销下均优于两种对比方案。/>
本发明在估计信道上的性能如图5、图6所示。图5为导频开销为64时，本发明方案的TC-CE算法在不同信噪比下的性能仿真图。图6为信噪比为0分贝时，本发明方案的TC-CE算法在不同导频开销下的性能仿真图。
上述实施例为本发明优选地实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种用于双IRS辅助通信系统的信道估计方法，双IRS辅助通信系统包括至少一个基站、IRS1反射单元和IRS2反射单元，用户通过IRS反射单元与基站通信，其特征在于，包括以下步骤：
S01：若IRS1和IRS2中有一个关闭，进行单IRS辅助信道估计；
S02：若IRS1和IRS2同时打开，估计信道/>；
所述S02中估计信道/>包括：
S11：同时打开IRS1和IRS2，保持IRS2反射单元的反射系数不变，在每个时隙改变IRS1反射单元的反射系数，估计IRS1的角度信息，得到每个用户的压缩矩阵/>；
S12：保持IRS1反射单元的反射系数不变，在每个时隙改变IRS2反射单元的反射系数，估计IRS2的角度信息，得到每个用户的压缩矩阵/>；
S13：同时改变IRS1和IRS2反射单元的反射系数，估计所有用户每个基站到达角对应的信道；
S14：得到信道的估计值/>；
所述S11中得到每个用户的压缩矩阵/>的方法包括：
S111：对所有用户的接收信号预处理得到/>；
，
，
其中，和/>为噪声，右上角的/>是共轭转置；
S112：对所有用户的预处理信号经OMP算法得到所有用户IRS1的角度支撑集；
S113：由如下公式得到的压缩矩阵/>：
，
其中，为用户数；
所述信道由如下公式计算得到：
，
其中，为基站的字典酉矩阵，/>为/>信道的行支撑集，与/>信道的基站到达角支撑集相同，/>为第/>个基站到达角对应的信道，/>为用户编号，/>为的元素个数，/>和/>分别为IRS1和IRS2反射单元的反射系数，/>，/>为导频开销，/>为用户到IRS1的信道，/>为用户到IRS2的信道，/>为IRS1到基站的信道，/>为IRS2到基站的信道，/>为IRS1到IRS2的信道；
其中，由如下公式得到：
，
其中，和/>为IRS1和IRS2的字典酉矩阵，/>为角域稀疏信道；
所述S13包括：
S131：利用压缩矩阵、/>对公式(11)简化，由如下公式得到：
，
S132：经OMP算法得到的估计值/>，进一步由公式(7)和公式(8)得到/>和的估计值/>和/>，/>是向量化。
2.根据权利要求1所述的用于双IRS辅助通信系统的信道估计方法，其特征在于，所述S01中若关闭IRS2，打开IRS1，通过KASD-OMP算法估计信道/>，若打开IRS2，关闭IRS1通过KASD-OMP算法估计/>信道/>，所述信道/>估计包括：
S21：对所有用户的接收信号预处理得到/>；
S22：经KASD-OMP算法得到/>的估计值/>；KASD-OMP算法包括如下步骤：
S221：由行支撑估计算法得到所有用户的行支撑集/>和行稀疏度/>；所述S221中行支撑估计算法包括如下步骤：
S2211：对所有的每一行/>做如下处理：
，
其中，初始化为零向量；
S2212：通过k-means算法对进行二分类，得到聚类中心/>和/>，通过如下式处理得到筛选阈值/>：
，
其中，和/>为加权比重；
S2213：将中大于/>的值对应的索引号作为行支撑集/>的元素，行稀疏度/>为元素的个数；
S222：由列支撑估计算法得到所有用户的列支撑集/>；
S223：根据LS算法得到所有用户的估计值/>；
S23：根据得到的，由公式(1)得到/>信道/>的估计值/>；
，
其中，为基站的字典酉矩阵，/>为角域稀疏信道，/>为用户编号，/>为IRS1的字典酉矩阵；
同理得到信道的估计值/>。
3.根据权利要求2所述的用于双IRS辅助通信系统的信道估计方法，其特征在于，所述S21中接收信号及预处理信号/>由如如下公式得到：，
，
其中，为感知矩阵，/>，/>，/>为IRS1反射单元的反射系数，/>，/>为导频开销，/>和/>为噪声。
4.根据权利要求2所述的用于双IRS辅助通信系统的信道估计方法，其特征在于，所述S222中所述列支撑估计算法包括如下步骤：
S2221：对所有用户及所有/>中行支撑对应的稀疏行/>经OMP算法得到对应的列支撑集/>；
S2222：将在中累计出现过/>次的元素作为公共列支撑集的元素，其中，/>为向上取整运算符，/>为用户数，/>为松弛变量，/>；
S2223：将作为OMP算法迭代的初始值，重复步骤S2221，得到所有用户所有稀疏行的列支撑集/>。
5.一种用于双IRS辅助通信系统的信道估计系统，其特征在于，包括一控制器，所述控制器内存储有权利要求1-4任一项所述的用于双IRS辅助通信系统的信道估计方法。
CN202310776678.8A 2023-06-29 2023-06-29 用于双irs辅助通信系统的信道估计方法及系统 Active CN116506262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310776678.8A CN116506262B (zh) 2023-06-29 2023-06-29 用于双irs辅助通信系统的信道估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310776678.8A CN116506262B (zh) 2023-06-29 2023-06-29 用于双irs辅助通信系统的信道估计方法及系统

Publications (2)

Publication Number Publication Date
CN116506262A CN116506262A (zh) 2023-07-28
CN116506262B true CN116506262B (zh) 2023-10-13

Family

ID=87328804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310776678.8A Active CN116506262B (zh) 2023-06-29 2023-06-29 用于双irs辅助通信系统的信道估计方法及系统

Country Status (1)

Country Link
CN (1) CN116506262B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114285702A (zh) * 2022-01-04 2022-04-05 重庆航天火箭电子技术有限公司 一种用于毫米波irs协作系统的稀疏级联信道估计方法
WO2022096095A1 (en) * 2020-11-05 2022-05-12 Huawei Technologies Co., Ltd. Method and apparatus for channel estimation based on beamforming
CN114726687A (zh) * 2022-03-24 2022-07-08 南京邮电大学 一种智能反射面辅助毫米波大规模mimo系统的信道估计方法
CN115664894A (zh) * 2022-05-26 2023-01-31 海南大学 一种irs辅助的双向中继网络信道估计的导频图案设计方法
WO2023066475A1 (en) * 2021-10-20 2023-04-27 Huawei Technologies Co., Ltd. Irs selection for improving the spatial multiplexing capability of a link
CN116319182A (zh) * 2023-01-20 2023-06-23 网络通信与安全紫金山实验室 Irs辅助毫米波的信道估计方法、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022096095A1 (en) * 2020-11-05 2022-05-12 Huawei Technologies Co., Ltd. Method and apparatus for channel estimation based on beamforming
WO2023066475A1 (en) * 2021-10-20 2023-04-27 Huawei Technologies Co., Ltd. Irs selection for improving the spatial multiplexing capability of a link
CN114285702A (zh) * 2022-01-04 2022-04-05 重庆航天火箭电子技术有限公司 一种用于毫米波irs协作系统的稀疏级联信道估计方法
CN114726687A (zh) * 2022-03-24 2022-07-08 南京邮电大学 一种智能反射面辅助毫米波大规模mimo系统的信道估计方法
CN115664894A (zh) * 2022-05-26 2023-01-31 海南大学 一种irs辅助的双向中继网络信道估计的导频图案设计方法
CN116319182A (zh) * 2023-01-20 2023-06-23 网络通信与安全紫金山实验室 Irs辅助毫米波的信道估计方法、设备及存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
"A Model and Data Hybrid Driven Detection Scheme for IRS-Assisted Massive MIMO Systems";M. Ge, F. Li, T. Li, W. Ji and Y. Liang;《2021 IEEE 94th Vehicular Technology Conference (VTC2021-Fall)》;全文 *
"Active 3D Double-RIS-Aided Multi-User Communications: Two-Timescale-Based Separate Channel Estimation via Bayesian Learning";S. Yang, W. Lyu, Y. Xiu, Z. Zhang and C. Yuen;in IEEE Transactions on Communications;全文 *
"Channel Estimation for IRS-Assisted Millimeter-Wave MIMO Systems: Sparsity-Inspired Approaches";T. Lin, X. Yu, Y. Zhu and R. Schober;《in IEEE Transactions on Communications》;全文 *
"Channel estimation for double IRS assisted communication for a mobile user";Gorty, Vishnu Karthikeya;《TechRxiv. Preprint》;全文 *
"Double-RIS Versus Single-RIS Aided Systems: Tensor-Based Mimo Channel Estimation and Design Perspectives";K. Ardah, S. Gherekhloo, A. L. F. de Almeida and M. Haardt;《2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;全文 *
"Intelligent reflecting surface assisted MIMO communication system: A review";Samarendra Nath Sur, Rabindranath Bera;《Physical Communication》;全文 *
"基于双IRS辅助的毫米波MIMO通信信道估计";李祥森;《无线电通信技术》;全文 *
马露洁,梁彦,李飞."基于统计CSI的空中智能反射面辅助大规模MIMO系统传输优化方案".《物联网学报》.2023,全文. *

Also Published As

Publication number Publication date
CN116506262A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Li et al. Deep learning for direct hybrid precoding in millimeter wave massive MIMO systems
CN109617584B (zh) 一种基于深度学习的mimo系统波束成形矩阵设计方法
Costa et al. Multiple-input multiple-output channel models: theory and practice
CN113225276A (zh) 一种面向智能反射面辅助通信系统的半盲信道估计方法
Li et al. Joint estimation of channel parameters for MIMO communication systems
EP3387805B1 (en) Method and computer implemented method for decoding symbol transmitted over mmwave channel, receiver for receiving and decoding symbols transmitted over mmwave channel
CN108199753B (zh) 一种毫米波通信中基于迭代最小的预编码方法
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN113452642B (zh) 一种可重构智能表面增强的siso-ofdm下行传输方法
CN114285702B (zh) 一种用于毫米波irs协作系统的稀疏级联信道估计方法
Zhang et al. Deep learning-based RIS channel extrapolation with element-grouping
Elbir et al. Robust hybrid beamforming with quantized deep neural networks
CN116506262B (zh) 用于双irs辅助通信系统的信道估计方法及系统
CN114666815A (zh) 一种基于全向智能超表面的通信系统设计方法
CN117614781A (zh) 基于ris的两阶段超分辨率参数信道估计方法及装置
CN114785642B (zh) 一种基于稀疏张量分解的ris-mimo系统信道估计方法
CN104363078B (zh) 基于鲁棒竞争聚类的欠定系统实正交空时分组码盲识别方法
Chen et al. Learning to localize with attention: From sparse mmwave channel estimates from a single BS to high accuracy 3D location
CN115551024A (zh) 一种基于深度学习的通信和感知融合方法
Kim Performance of decremental antenna selection algorithms for spatial multiplexing MIMO systems with linear receiver over correlated fading channels
Haider et al. GAN-based Channel Estimation for IRS-aided Communication Systems
Domae et al. Machine learning prediction for phase-less millimeter-wave beam tracking
CN113038595B (zh) 一种基于pq和cnn的快速指纹定位方法
Fredj et al. Variational Inference-Based Channel Estimation for Reconfigurable Intelligent Surface-Aided Wireless Systems
Xiao et al. Multi-Scale Supervised Learning-Based Channel Estimation for RIS-Aided Communication 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