CN116508269B - 无线电信网络 - Google Patents

无线电信网络 Download PDF

Info

Publication number
CN116508269B
CN116508269B CN202180073256.3A CN202180073256A CN116508269B CN 116508269 B CN116508269 B CN 116508269B CN 202180073256 A CN202180073256 A CN 202180073256A CN 116508269 B CN116508269 B CN 116508269B
Authority
CN
China
Prior art keywords
neural network
irs
phase shift
node
transmitting node
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
CN202180073256.3A
Other languages
English (en)
Other versions
CN116508269A (zh
Inventor
戴凌龙
蒋浩
李建军
郝墨
R·麦肯齐
A·绍贾艾法尔德
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.)
British Telecommunications PLC
Original Assignee
British Telecommunications PLC
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 British Telecommunications PLC filed Critical British Telecommunications PLC
Publication of CN116508269A publication Critical patent/CN116508269A/zh
Application granted granted Critical
Publication of CN116508269B publication Critical patent/CN116508269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/155—Ground-based stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/04013—Intelligent reflective surfaces
    • 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
    • H04L25/0204—Channel estimation of multiple channels

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Transmitters (AREA)

Abstract

无线电信网络。提供一种控制无线电信网络中的无线信号传输的方法，包括：确定用于发射机与接收机之间传输的传播环境；针对传播环境，对经由智能反射面IRS在发射节点与接收节点之间的第一输入比特序列的传输进行仿真，第一和第二神经网络分别利用第一组和第二组神经网络权重，IRS利用第一相移矩阵，仿真产生第一输出比特序列；计算第一输入比特序列与第一输出比特序列之间的损失；对仿真步骤和计算步骤多次重复，在每次重复中基于先前重复的损失来更新第一组和第二组神经网络权重和第一组相移矩阵值，直到满足终止标准；使发射节点使用最后重复的第一组神经网络权重，接收节点使用最后重复的第二组神经网络权重，IRS使用最后重复的第一组相移矩阵值。

Description

无线电信网络
技术领域
本发明涉及一种具有智能反射面的无线电信网络。
背景技术
在无线电信中，在发射机与接收机之间传输的无线信号通常由于来自其它无线信号的干扰和/或其它物理现象(例如衰落和阻塞)而劣化。这通常通过改进传输特性(例如，更高功率的传输或中继器)或传输处理技术(例如，更鲁棒的调制方案)来解决。无线电信中出现的概念是可重新配置的传播环境或“智能无线电环境”的概念，其可以改善传输质量。这可以通过使用通常被称为智能反射面(IRS)的电磁材料表面来实现，其可以被操作以对入射无线信号施加变化(诸如相位、幅度、频率和极化的变化)，从而改善发射机与接收机之间的传输质量。
在仅具有发射机和接收机的常规系统中，接收机可在发射机与接收机之间的直接路径中或经由一个或更多个反射信号来接收无线信号。在第一种情况下，接收机可能不能成功地接收来自发射机的直接或反射信号(即，接收机处于“非现场(not-spot)”)。在第二种情况下，发射机与接收机之间的反射信号(例如，从附近建筑物反射)通过相消干涉使另一接收信号(例如，直接信号)劣化。通过引入IRS可以改善这两种情况。在接收机不能从发射机接收直接或反射信号的第一种情况下，IRS可以作用于反射信号，使得它可以在接收机处被成功地接收。此外，在第二种情况下，IRS可以对入射无线信号进行相移，使得它对发射机与接收机之间的直接信号做出相长干涉。因此，IRS可以用于改善发射机与接收机之间的传输质量。
此外，由于IRS几乎是无源的且易于部署，因此与例如通过增加接入点密度的另选方案相比，IRS可能是改进传输质量的成本有效的解决方案。在实际实现中，IRS控制器必须计算变化(例如相移)以应用于入射无线信号，以便提高接收机处的传输质量。现有研究倾向于聚焦于提高容量或节能。
IRS的另选名称包括大智能表面、大智能元表面、可编程元表面、可重配置元表面、智能反射阵列、可重配置智能表面、软件定义表面和无源智能表面。术语“可重配置”通常用于表示无论入射角如何都可以配置反射角。
发明内容
根据本发明的第一方面，提供了一种控制无线电信网络中的无线信号的传输的方法，所述无线电信网络包括发射节点、接收节点和智能反射面IRS，其中，所述发射节点包括运行第一神经网络的处理器，所述第一神经网络被输入一输入比特序列并输出所述无线信号，并且所述发射节点还包括发射机，所述发射机用于发射由所述第一神经网络输出的所述无线信号，所述IRS包括用于反射由所述发射节点的所述发射机发射的所述无线信号的反射表面，并且所述IRS还包括用于根据相移矩阵将相变施加到所述无线信号的处理器，并且所述接收节点包括接收机，所述接收机用于接收由所述发射节点的发射机发射并从所述IRS的反射表面反射的累积无线信号，并且所述接收节点还包括用于运行第二神经网络的处理器，所述第二神经网络输入所接收的累积无线信号并输出一输出比特序列，所述方法包括以下步骤：i)确定用于发射机与接收机之间传输的当前传播环境；ii)针对所述当前传播环境，对经由所述IRS在所述发射节点与所述接收节点之间的第一输入比特序列的传输进行仿真，其中，所述第一神经网络利用第一组神经网络权重，所述第二神经网络利用第二组神经网络权重，并且所述IRS利用具有第一组相移矩阵值的第一相移矩阵，所述仿真产生第一输出比特序列；iii)计算所述第一输入比特序列与所述第一输出比特序列之间的损失；iv)将步骤ii)和步骤iii)重复多次，其中，在每次重复中，基于计算出的前次重复的损失来更新所述第一组神经网络权重、所述第二组神经网络权重和所述第一组相移矩阵值，直到满足终止条件；以及v)使所述发射节点使用最后一次重复的所述第一组神经网络权重，使所述接收节点使用最后一次重复的所述第二组神经网络权重，并且使所述IRS使用最后一次重复的所述第一组相移矩阵值。
所述终止条件可以是所计算的损失已针对多次重复收敛。终止条件可以是所计算的损失已针对多次重复收敛在最小值或收敛在最小值附近。
所述损失可以是基于交叉熵损失函数来计算的。
该方法包括以下步骤：vi)确定已经满足重新配置条件；以及vii)响应于确定了已满足重新配置条件，重复步骤i)到v)。
该方法可以由发射节点执行。
根据本发明的第二方面，提供了一种包含指令的计算机程序，当所述程序由计算机执行时，所述指令使所述计算机执行本发明的第一方面的步骤。计算机程序可以被提供在计算机可读载体介质上。
根据本发明的第三方面，提供了一种用于控制无线电信网络中的无线信号的传输的节点，所述无线电信网络包括发射节点、接收节点和智能反射面IRS，其中，所述发射节点包括用于运行第一神经网络的处理器，所述第一神经网络被输入一输入比特序列并输出所述无线信号，并且所述发射节点还包括发射机，所述发射机用于发射由所述第一神经网络输出的所述无线信号，所述IRS包括用于反射由所述发射节点的所述发射机发射的所述无线信号的反射表面，并且所述IRS还包括用于根据相移矩阵将相变施加到所述无线信号的处理器，并且所述接收节点包括接收机，所述接收机用于接收由所述发射节点的所述发射机发射并从所述IRS的所述反射表面反射的累积无线信号，并且所述接收节点还包括用于运行第二神经网络的处理器，所述第二神经网络被输入接收到的累积无线信号并输出一输出比特序列，所述节点包括处理器，该处理器适配为：i)确定发射机与接收机之间的传输的当前传播环境；ii)针对所述当前传播环境，对经由所述IRS在所述发射节点与所述接收节点之间的第一输入比特序列的传输进行仿真，其中，所述第一神经网络利用第一组神经网络权重，所述第二神经网络利用第二组神经网络权重，并且所述IRS利用具有第一组相移矩阵值的第一相移矩阵，所述仿真产生第一输出比特序列；iii)计算第一输入比特序列与第一输出比特序列之间的损失；iv)将步骤ii)和步骤iii)重复多次，其中，在每次重复中，基于计算出的前次重复的损失来更新所述第一组神经网络权重、所述第二组神经网络权重和所述第一组相移矩阵值，直到满足终止条件；以及v)使发射节点使用最后一次重复的所述第一组神经网络权重，使所述接收节点使用最后一次重复的所述第二组神经网络权重，并且使IRS使用最后一次重复的第一组相移矩阵值。该节点可以是发射节点。该节点可以是无线电信网络的一部分。
附图说明
为了更好地理解本发明，现在将参照附图仅以示例的方式描述本发明的实施方式，在附图中：
图1是本发明实施方式的蜂窝电信网络的示意图；
图2是图1的网络的基站的示意图；
图3是图1的网络的智能反射面(IRS)的示意图；
图4是图1网络的用户设备(UE)的示意图；
图5是示出本发明的方法的实施方式的流程图；以及
图6是说明三种不同情况的误码率(BER)对信噪比(SNR)的图，1)没有IRS的从基站到UE的传输，2)有IRS的从基站到UE的传输，其中，基站的预编码向量的确定、IRS的相移矩阵的确定以及UE处的信号检测方法都基于常规技术，以及3)基于图5的方法，IRS的从基站到具有UE的传输。
具体实施方式
现在将参考图1描述无线电信系统的第一实施方式。在该实施方式中，无线电信系统是具有基站10、智能反射面(IRS)20和用户设备(UE)30的蜂窝电信网络1。基站10使用M个天线，IRS 20包括N个反射元件，并且UE 30包括K个天线。在该实施方式中，M和K都大于1，使得无线电信系统运行为多输入多输出(MIMO)系统。
基站10与UE 30之间的第一通信路径包括图1中标识为信道H的直接信道，而基站10与UE 30之间的第二通信路径包括基站10与IRS 20之间的第一信道(图1中标识为信道G)，以及IRS 20与UE 30之间的第二信道(图1中标识为信道F)。在下行链路通信(即，从基站10到UE 30)中，第二通信路径的第一信道表示由基站10发射的入射到IRS 20上的信号，而第二通信路径的第二信道表示从IRS 20反射并由UE 30接收到的入射信号的反射。在UE 30处接收到的信号y表示为：
y＝(FTΘG+HT)x+n (1)
其中：
·是在UE 30处接收到的信号，
·是表示基站10与UE 30之间的直接信道的信道矩阵，并且上标T表示Hermitian转置，
·是表示基站10与IRS 20之间的第二通信路径的第一信道的信道矩阵，
·是表示IRS 20与UE 30之间的第二通信路径的第二信道的信道矩阵，并且上标T表示Hermitian转置，
·是相移矩阵，其中每个对角元素表示IRS 20的反射元素的反射系数，其中，由于IRS 20的约束，|βi|≤1，
·x是来自基站10的发射信号，并且保持归一化的功率约束条件||x||2＝1，并且
·是满足n～CN(0,σ2IK)的加性高斯白噪声(AWGN)向量，其中，
σ2表示噪声功率。
如图2所示，基站10包括可连接到用于发射和接收无线信号的天线的第一通信接口11、处理器13、存储器15以及可连接到核心网络(未示出)的有线回程连接的第二通信接口17。在该实施方式中，处理器13实现基站神经网络，对于给定的输入比特序列b，其输出要由天线发射的信号x。在该实施方式中，基站神经网络是基于以下布局来实现的：
表1：基站10中的基站神经网络的布局
下面描述基站神经网络的训练和操作阶段，特别是基站神经网络的权重WBS的确定。
在该实施方式中，基站10被配置为使用信道估计方案来确定直接通信路径的基站10与UE 30之间的信道H的信道状态信息(CSI)、第二通信路径的基站10与IRS 20之间的信道F的CSI以及第二通信路径的IRS 20与UE 30之间的信道G的CSI。基站10可以使用的示例信道估计方案是基于最小均方误差(MMSE)的，如在Q.-U.-A.Nadeem、A.Kammoun、A.Chaaban、M.Debbah和M.-S.Alouini的“Intelligent reflecting surface assistedwireless communication:Modeling and channel estimation”中提出的那样。
如图3所示，IRS 20包括一组反射元件21以及处理器23，该处理器23用于使该组反射元件21中的每个反射元件根据对应于该反射元件的相移矩阵元件的反射系数对入射无线信号施加相移。相移矩阵的确定也在下面描述。
如图4所示，UE 30包括可连接到用于发送和接收无线信号的天线的第一通信接口31、处理器33以及存储器35。在该实施方式中，处理器33实现UE神经网络，其对于给定的输入无线信号y，输出一输出比特序列以用于高层处理。在该实施方式中，基于以下布局来实现UE神经网络：
层 输出尺寸
输入 K
复到实 2K
Dense+ReLU 2M
Dense+ReLU 2M
Dense+Sigmoid k
表2：UE 30中的UE神经网络的布局
下面描述UE神经网络的训练和操作阶段，特别是UE神经网络的权重WUE的确定。
回到图2的基站10，基站的处理器13还被配置为运行仿真环境(在适当配置的现场可编程门阵列(FPGA)上)，用于仿真无线信号经由IRS 20在基站10与UE 30之间的传输。因此，处理器13可以确定：
1.给定的输入比特序列b和给定的基站神经网络权重集WBS的仿真基站神经网络的仿真输出信号x；
2.由UE 30基于基站神经网络的仿真输出x接收到的仿真接收信号y，表示第一通信路径的基站10与UE 30之间的直接信道的信道矩阵H、表示第二通信路径的基站10与IRS20之间的信道的信道矩阵G、表示第二通信路径的IRS 20与UE 30之间的信道的信道矩阵F、IRS 20的相移矩阵Θ以及噪声向量n；以及
3.基于仿真接收信号y的仿真输出比特序列以及针对给定的UE神经网络权重集WUE的仿真UE神经网络(其中，/>是连续分布的变量，其中，如果/>则/>并且如果/>则/>
仿真环境还被配置为在对输入比特序列b的传输进行仿真之后计算该输入比特序列与仿真输出比特序列之间的损失(即，差异程度，在下文中表示为/>在该实施方式中，使用交叉熵函数来计算/>
除了对传输进行仿真之外，处理器13还被配置为对系统建模并更新基站神经网络、UE神经网络和相移矩阵的值(将在随后的仿真和/或基站10、IRS 20和UE 30中使用)。在该实施方式中，系统被建模为自动编码器，其中，第一组成部分对基站神经网络建模(如基站在仿真中使用的，基于上表1)，第二组成部分对UE神经网络建模(如UE神经网络在仿真中使用的，基于上表2)，第三组成部分对IRS 20的运行建模。自动编码器的第三组成部分基于以下布局：
表3：自动编码器的对相移矩阵建模的第三组成部分的布局
在训练阶段，处理器13使用反向传播(BP)算法如下所述地更新自动编码器的第一组成部分的权重(表示基站神经网络)、自动编码器的第二组成部分的权重(表示UE神经网络)和自动编码器的第三组成部分的权重(表示相移矩阵)：
其中，η是学习速率，是/>到仿真传输的计算出的损失/>的梯度，是到仿真传输的计算出的损失/>的梯度Θt，并且/>是/>到仿真传输的计算出的损失/>的梯度。
可使用的示例处理环境由Keras提供，可在https://keras.io获得，其为该实施方式提供合适的深度学习库。
现在将参考图5来描述在基站10与UE 30之间发送无线信号的方法。在该实施方式中，该方法在基站10上执行。在第一步骤S101中，基站10确定表示第一通信路径的基站10与UE 30之间的直接信道的信道矩阵H、表示第二通信路径的基站10与IRS 20之间的信道的信道矩阵G以及表示第二通信路径的IRS 20与UE 30之间的信道的信道矩阵F。在这个示例中，基站10使用MMSE信道估计方案来确定这些信道矩阵。在步骤S103中，基站10还确定IRS 20的一组反射元件中的反射元件的计数N。计数N可以是基站10已知的(例如作为预定参数)，或者可以作为信道反馈的一部分报告给基站10。
在步骤S105中，基站10配置其仿真环境，使得其可以基于该数据来仿真无线信号经由IRS 20从基站10到UE 30的传输。因此，处理器13基于初始权重集来配置基站神经网络的初始状态，基于该组反射元件中的反射元件的计数N来配置初始相位矩阵Θ0，并且基于初始权重/>集来配置UE神经网络的初始状态。这些初始参数可以通过Xavier生成(例如，使用在“Understanding the difficulty of training deep feedforward neuralnetworks”，X.Glorot和Y.Bengio，Journal of machine learning research，vol.9，pp.249-256，Jan.2010)或MSRA(例如，使用“Delving deep into Rectifiers：SurpassingHuman-Level Performance on ImageNet Classification”，K.He、X.Zhang、S.Ren和J.Sun，arXiv preprint arXiv:1502.01852,Feb.2015)。然而，可以使用其它初始化方法，诸如恒定初始化、高斯初始化和均匀初始化。处理器13还建立用于仿真的噪声矢量n。
在步骤S107中，基站10与UE 30之间经由IRS 20的传输是使用针对训练比特序列b的当前仿真环境(在此方法的此第一重复中，其处于如上文步骤S105中所描述的其初始状态中)来仿真。如上所述，仿真环境确定该训练比特序列b的输出比特序列针对多个训练比特序列重复步骤S107，每次重复都确定各个训练比特序列的输出比特序列。在步骤S109中，基站10计算每个输出比特序列/>与相应的训练比特序列b之间的损失/>并进一步计算所有这些计算出的损失的平均损失lossav。
在步骤S111中，基站10确定平均损失lossav是否已经收敛。平均损失lossav在平均损失lossav在当前重复中的值不偏离它在前i次重复(其中i是大于或等于1的数)中的值预定量时，平均损失lossav收敛。在该第一次重复中，没有先前的重复来比较平均损失lossav，因此过程继续到步骤S113。平均损失lossav已经收敛的肯定确定之后的处理将在后面的描述中描述。
在步骤S113中，基站10基于来自步骤S109的平均损失lossav来更新基站神经网络权重、相位矩阵和UE神经网络权重(如上所述)。
在步骤S115中，基站10重新配置其仿真环境，使得其可以基于基站神经网络权重的更新值(在当前重复的步骤S113中计算出)、相移矩阵的更新值Θt+1(在当前重复的步骤S113中计算出)以及UE神经网络权重的更新值/>(在当前重复的步骤S113中计算)来仿真无线信号经由IRS 20从基站10到UE 30的传输。
然后，该过程循环回到步骤S107，在步骤S107中，使用针对多个训练比特序列b的重新配置的仿真环境(如在先前重复的步骤S115中重新配置的)来仿真基站10与UE 30之间经由IRS 20的另外多个传输。然后，该方法在步骤S109中计算新的平均损失lossav，并在步骤S111中确定该平均损失lossav是否已经收敛。因此，本实施方式的方法遍历了基站神经网络权重、UE神经网络权重和相移矩阵的各种配置，其中，基于先前重复的平均损失使用BP算法来确定每次重复的配置，直到平均损失收敛于其最小值。因此，BP算法工作以最小化损失，从而最小化误码率(BER)，即
s.t.||x||2＝1,
在步骤S111中确定平均损失值已经收敛之后，该方法进行到步骤S117，在步骤S117，在网络1中部署基站神经网络权重、UE神经网络权重和相位矩阵(如在最终重复中使用的)的值。因此，基站的处理器13根据最后一次重复中使用的值来配置其基站神经网络权重，将相移矩阵的值发送到IRS 20，并将UE神经网络权重的值发送到UE 30。在接收时，IRS20根据这些接收到的值来配置其相移矩阵，并且UE 30根据这些接收到的值配置其UE神经网络权重。
在步骤S117中的此配置之后，经由IRS 20从基站10到UE 30的所有下行链路通信利用用这些值配置的基站神经网络、相移矩阵和UE神经网络。在步骤S119中，基站10确定是否已经满足重新配置触发条件。在该实施方式中，存在两个重新配置触发条件，1)自算法的先前执行起已经过去10ms的时段，以及2)一个或更多个信道的CSI已经偏离了特定阈值(例如10％)。因此，基站10可以被配置为例如每1ms连续地监视信道的CSI，以确定是否已经满足该第二重配置触发条件。一旦重新配置被触发，则该过程循环回到步骤S101。
图6的曲线图示出了在不同信噪比(SNR)下的传输的仿真结果以及该传输的误码率。所述仿真是针对三种不同的场景进行的，1)在没有IRS 20的情况下从基站10到UE 30的传输，2)在存在IRS 20的情况下从基站10到UE 30的传输，其中，基站10的预编码向量的确定、IRS 20的相移矩阵的确定以及UE 30处的信号检测方法都是基于常规技术的，以及3)基于本发明方法的上述实施方式，利用IRS 20从基站10到UE 30的传输。可以看出，当实现上述实施方式时，与其它两种情况相比，上述实施方式对于给定的SNR导致相对较低的BER，在较高的SNR下具有较大的增益。
在上述实施方式中使用了术语IRS，但是本领域技术人员将理解，可以使用可反射入射无线信号并向入射无线信号施加相移的任何等效设备。等效装置可称为大智能表面、大智能元表面、可编程元表面、可重配置元表面、智能反射阵列、可重配置智能表面、软件定义表面和无源智能表面。
此外，在上述实施方式中，基站神经网络、UE神经网络和IRS的相移矩阵按照BP算法来重新配置，以便最小化在基站输入的多个训练比特序列与在UE输出的相应比特序列之间的平均损失，其中，平均损失是基于交叉熵函数的。然而，本领域技术人员将理解，可以使用任何形式的损失函数，例如均方误差MSE损失函数。此外，在仿真中使用多个训练比特序列不是必要的。也就是说，可以仿真单个训练比特序列以确定该训练比特序列与该训练比特序列的输出比特序列之间的损失，并且可以基于所确定的损失来更新系统参数。
本领域技术人员还将理解，基站10、IRS 20和UE 30可以被类似地配置用于上行链路通信。此外，基站10、IRS 20和UE 30可使用双工方法(例如时分双工(TDD)或频分双工(FDD))配置用于下行链路和上行链路通信，其中，基站10和UE 30使用不同的神经网络用于下行链路和上行链路通信，并且IRS使用不同的相移矩阵用于下行链路和上行链路通信。在TDD操作中，上行链路通信的相移矩阵可以是从下行链路通信的相移矩阵变换来的，反之亦然。
在上述实施方式中，基站的处理器仿真环境能够基于基站神经网络的仿真输出x、表示第一通信路径的基站10与UE 30之间的直接信道的信道矩阵H、表示第二通信路径的基站10与IRS 20之间的信道的信道矩阵G、表示第二通信路径的IRS 20与UE 30之间的信道的信道矩阵F、IRS 20的相位矩阵Θ和噪声矢量n，来仿真由UE 30接收到的接收信号y。该仿真还基于仿真的信道衰落。在这个实施方式中，同时考虑大规模衰落和小规模衰落。大型衰落是距离相关的，并且可以表示为：
f(d)＝C0d-α (6)
其中，C0是频率相关常数值，d是发射机与接收机之间的距离，并且α是路径损失指数。由于基站到IRS到UE的路径遭受“双衰落”效应，所以通常将路径损失指数设为αBS-IRS＝αIRS-UE＝2。对于小规模衰落，我们采用传统的瑞利衰落信道模型，其中，信道矩阵的每个条目遵循复高斯分布。然而，本领域技术人员将理解，该信道衰落模型对于仿真是非必要的，并且可以另选地使用其它信道衰落模型。
本领域技术人员将理解，神经网络的特定布置是非必要的，并且其他实现是可能的。此外，本领域技术人员将理解，蜂窝电信网络中的实现是非必要的，并且上述实施方式可以应用于其它形式的无线电信网络。
本领域技术人员还将理解，由发射节点执行该方法是非必要的。即，包括集中式实体的任何其它节点可执行该方法并向发射节点、IRS和接收节点发送更新消息以更新它们的配置。
本领域技术人员将理解，在所要求保护的本发明的范围内，特征的任何组合都是可能的。

Claims (10)

1.一种控制无线电信网络中的无线信号的传输的方法，所述无线电信网络包括发射节点、接收节点和智能反射面IRS，其中，所述发射节点包括运行第一神经网络的处理器，所述第一神经网络被输入一输入比特序列并输出所述无线信号，并且所述发射节点还包括发射机，所述发射机用于发射由所述第一神经网络输出的所述无线信号，所述IRS包括用于反射由所述发射节点的所述发射机发射的所述无线信号的反射表面，并且所述IRS还包括用于根据相移矩阵将相变施加到所述无线信号的处理器，并且所述接收节点包括接收机，所述接收机用于接收由所述发射节点的所述发射机发射并从所述IRS的所述反射表面反射的累积无线信号，并且所述接收节点还包括用于运行第二神经网络的处理器，所述第二神经网络被输入接收到的累积无线信号并输出一输出比特序列，所述方法包括以下步骤：
i)确定用于所述发射机与所述接收机之间传输的当前传播环境；
ii)针对所述当前传播环境，对经由所述IRS在所述发射节点与所述接收节点之间的第一输入比特序列的传输进行仿真，其中，所述第一神经网络利用第一组神经网络权重，所述第二神经网络利用第二组神经网络权重，并且所述IRS利用具有第一组相移矩阵值的第一相移矩阵，所述仿真产生第一输出比特序列；
iii)计算所述第一输入比特序列与所述第一输出比特序列之间的损失；
iv)对步骤ii)和步骤iii)进行多次重复，其中，在每次重复中基于计算出的先前重复的损失来更新所述第一组神经网络权重、所述第二组神经网络权重和所述第一组相移矩阵值，直到满足终止标准；以及
v)使所述发射节点使用最后一次重复的所述第一组神经网络权重，使所述接收节点使用所述最后一次重复的所述第二组神经网络权重，并且使所述IRS使用所述最后一次重复的所述第一组相移矩阵值。
2.根据权利要求1所述的方法，其中，所述终止标准是所计算的损失针对多次重复已经收敛。
3.根据权利要求2所述的方法，其中，所述终止标准是所计算的损失针对多次重复已经收敛于最小值或收敛于最小值附近。
4.根据权利要求1至3中任一项所述的方法，其中，所述损失是基于交叉熵损失函数计算的。
5.根据权利要求1至3中任一项所述的方法，所述方法还包括以下步骤：
vi)确定已满足重新配置条件；以及
vii)响应于确定已满足了重新配置条件，重复步骤i)到步骤v)。
6.根据权利要求1至3中任一项所述的方法，所述方法是由所述发射节点执行的。
7.一种包含计算机程序的计算机可读载体介质，所述计算机程序包含指令，当所述计算机程序由计算机执行时，所述指令使所述计算机执行根据权利要求1至6中任一项所述的方法的步骤。
8.一种用于控制无线电信网络中的无线信号的发射的节点，所述无线电信网络包括发射节点、接收节点和智能反射面IRS，其中，所述发射节点包括运行第一神经网络的处理器，所述第一神经网络被输入一输入比特序列并输出所述无线信号，并且所述发射节点还包括发射机，所述发射机用于发射由所述第一神经网络输出的所述无线信号，所述IRS包括用于反射由所述发射节点的所述发射机发射的所述无线信号的反射表面，并且所述IRS还包括用于根据相移矩阵将相变施加到所述无线信号的处理器，并且所述接收节点包括接收机，所述接收机用于接收由所述发射节点的所述发射机发射并从所述IRS的所述反射表面反射的累积无线信号，并且所述接收节点还包括用于运行第二神经网络的处理器，所述第二神经网络被输入接收到的累积无线信号并输出一输出比特序列，所述节点包括处理器，该处理器适配为：
i)确定用于所述发射机与所述接收机之间传输的当前传播环境；
ii)针对所述当前传播环境，对经由所述IRS在所述发射节点与所述接收节点之间的第一输入比特序列的传输进行仿真，其中，所述第一神经网络利用第一组神经网络权重，所述第二神经网络利用第二组神经网络权重，并且所述IRS利用具有第一组相移矩阵值的第一相移矩阵，所述仿真产生第一输出比特序列；
iii)计算所述第一输入比特序列与所述第一输出比特序列之间的损失；
iv)对步骤ii)和步骤iii)进行多次重复，其中，在每次重复中基于计算出的先前重复的损失来更新所述第一组神经网络权重、所述第二组神经网络权重和所述第一组相移矩阵值，直到满足终止标准；以及
v)使所述发射节点使用最后一次重复的所述第一组神经网络权重，使所述接收节点使用所述最后一次重复的所述第二组神经网络权重，并且使所述IRS使用所述最后一次重复的所述第一组相移矩阵值。
9.根据权利要求8所述的节点，所述节点是所述发射节点。
10.一种包括根据权利要求8或权利要求9所述的节点的无线电信网络。
CN202180073256.3A 2020-11-02 2021-10-21 无线电信网络 Active CN116508269B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CNPCT/CN2020/125911 2020-11-02
PCT/CN2020/125911 WO2022088182A1 (en) 2020-11-02 2020-11-02 Wireless telecommunications network
PCT/EP2021/079166 WO2022090044A1 (en) 2020-11-02 2021-10-21 Wireless telecommunications network

Publications (2)

Publication Number Publication Date
CN116508269A CN116508269A (zh) 2023-07-28
CN116508269B true CN116508269B (zh) 2024-02-20

Family

ID=81381655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180073256.3A Active CN116508269B (zh) 2020-11-02 2021-10-21 无线电信网络

Country Status (4)

Country Link
US (1) US11962362B2 (zh)
EP (1) EP4211824B1 (zh)
CN (1) CN116508269B (zh)
WO (2) WO2022088182A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978263B (zh) * 2022-05-20 2023-10-20 西安电子科技大学 一种基于智能反射面辅助的回环干扰抑制装置及方法
CN115941001B (zh) * 2022-11-10 2023-09-19 浙江辰时科技集团有限公司 基于mimo系统的信息传输收发装置、系统、方法和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019038693A1 (en) * 2017-08-23 2019-02-28 Telefonaktiebolaget Lm Ericsson (Publ) NEURAL NETWORKS FOR DECODING

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018156869A1 (en) * 2017-02-26 2018-08-30 Yougetitback Limited System and method for detection of mobile device fault conditions
CN111181618B (zh) * 2020-01-03 2022-05-10 东南大学 一种基于深度强化学习的智能反射表面相位优化方法
CN111294095B (zh) * 2020-02-17 2022-02-11 南京邮电大学 基于统计csi的irs辅助大规模mimo无线传输方法
CN111355519B (zh) * 2020-03-10 2021-10-26 电子科技大学 智能反射表面协助的室内太赫兹mimo通信系统设计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019038693A1 (en) * 2017-08-23 2019-02-28 Telefonaktiebolaget Lm Ericsson (Publ) NEURAL NETWORKS FOR DECODING

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Unsupervised Learning for Passive Beamforming;Jiabao Gao等;ARXIV.ORG CORNELL UNIVERSITY LIBRARY;全文 *

Also Published As

Publication number Publication date
US11962362B2 (en) 2024-04-16
WO2022090044A1 (en) 2022-05-05
EP4211824A1 (en) 2023-07-19
EP4211824B1 (en) 2024-03-06
US20230308200A1 (en) 2023-09-28
WO2022088182A1 (en) 2022-05-05
CN116508269A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN112804695B (zh) 可重构智能表面辅助的无线通信方法及装置
CN116508269B (zh) 无线电信网络
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
Wang et al. Robust beamforming and phase shift design for IRS-enhanced multi-user MISO downlink communication
CN111181619A (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN111917508A (zh) 基于多天线抗干扰通信模型及动态空间谱抗干扰方法
CN116868518B (zh) 包括多层透射可重新配置智能表面的无线电信网络
CN113645163B (zh) 一种基于神经网络的智能反射表面反射相位配置方法
CN106603133B (zh) 基于迫零预编码的非匹配信道功率分配方法及系统
Yu et al. Topological pilot assignment in large-scale distributed MIMO networks
Zhang et al. SCA power optimization in cell-free massive MIMO with short-term power constraints
KR20230013542A (ko) 지능형 반사 표면을 포함하는 mimo 시스템 및 이에 적용되는 채널의 합 용량 향상을 위한 지능형 반사 표면의 최적의 위상 변환 행렬 획득 방법
JP2024512358A (ja) 情報報告方法、装置、第１機器及び第２機器
CN117560043B (zh) 一种基于图神经网络的无蜂窝网络功率控制方法
Liu et al. DRL-based orchestration of multi-user MISO systems with stacked intelligent metasurfaces
Anderson et al. Reduced-feedback linear precoding with stable performance for the time-varying MIMO broadcast channel
Wu et al. Hierarchical beam alignment in single-user MIMO single-carrier frequency division multiple access terahertz communication systems
Saikia et al. DRL algorithms for efficient spectrum sharing in RIS-aided MIMO radar and cellular systems
Komulainen et al. Decentralized beam coordination via sum rate maximization in TDD multi-cell MIMO systems
Luo et al. Meta-Critic Reinforcement Learning for IOS-Assisted Multi-User Communications in Dynamic Environments
Akbarpour-Kasgari et al. Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and Hybrid Beamforming
Vu et al. Channel estimation in RIS-assisted downlink massive MIMO: A learning-based approach
CN104270118B (zh) 一种滤波前传中继网络中滤波器系数的设计方法
Jeyalaksmi et al. Channel Estimation Method In Reconfigurable Intelligent Surfaces For 6G Wireless Systems
Rui et al. Channel estimation of MIMO relay system using cascaded TUCKER model

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