CN117040980A - 基于神经网络的irs辅助毫米波mimo系统信道估计方法 - Google Patents

基于神经网络的irs辅助毫米波mimo系统信道估计方法 Download PDF

Info

Publication number
CN117040980A
CN117040980A CN202311298741.8A CN202311298741A CN117040980A CN 117040980 A CN117040980 A CN 117040980A CN 202311298741 A CN202311298741 A CN 202311298741A CN 117040980 A CN117040980 A CN 117040980A
Authority
CN
China
Prior art keywords
channel
irs
estimation
intelligent
millimeter wave
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.)
Pending
Application number
CN202311298741.8A
Other languages
English (en)
Inventor
李飞
李汀
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.)
Jiangsu Broadcasting Cable Information Network Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Jiangsu Broadcasting Cable Information Network Co ltd
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 Jiangsu Broadcasting Cable Information Network Co ltd, Nanjing University of Posts and Telecommunications filed Critical Jiangsu Broadcasting Cable Information Network Co ltd
Priority to CN202311298741.8A priority Critical patent/CN117040980A/zh
Publication of CN117040980A publication Critical patent/CN117040980A/zh
Pending legal-status Critical Current

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
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • 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
    • H04B7/0413—MIMO systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供一种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，通过对智能反射面IRS辅助毫米波MIMO系统，建立信号接收模型；建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题；将信道估计问题转化为信号恢复问题，并对目标函数进行优化；基于神经网络对估计模型的正则化参数进行优化；由优化后的正则化参数，采用毫米波MIMO信道交替迭达算法对估计模型进行求解，获得双跳信道估计结果；该方法能够有效提高信道估计的准确性，高精度实现IRS辅助的MIMO系统中基站到IRS和IRS到用户端两跳信道的估计，经实验证明性能效果较好。

Description

基于神经网络的IRS辅助毫米波MIMO系统信道估计方法
技术领域
本发明涉及一种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，属于信道估计技术领域。
背景技术
智能反射面（IRS）有广泛的应用场景和很多好处，但是也具有挑战性的研究难点。其中信道估计就是IRS辅助通信系统的一个关键技术，因为IRS元件上的元素都是无源的，无源的元素不能传输，接收或者处理信号来实现信道估计。另外，IRS元件上的大量的反射元素，使得需要估计的信道矩阵维度比传统的信道矩阵要大很多，这需要消耗很多的导频来支持信道估计。
为了解决信道估计的问题，有人提出了针对IRS辅助通信的信道估计的算法，例如基于最小二乘的信道估计方法，还有一种基于IRS反射元素的三阶段框架的方法，以及通过神经网络直接进行信道估计的方法。结果表明，通过三阶段框架的方法的确是可以减少导频的数量，但是这些信道估计方法都只是估计出基站和用户之间的级联信道，并没有估计出两跳信道。
现有的一些比较成熟的基于压缩感知的信道估计算法如匹配跟踪，正交匹配跟踪和最小绝对收缩算法可以很好的利用毫米波的稀疏性来有效降低导频需求，但是这些算法并没有很好的应用到IRS辅助多入多出MIMO系统中，如何精确的估计出IRS辅助的MIMO系统中基站到IRS和IRS到用户端这两跳信道依旧是一个研究挑战。
例如，中国专利申请CN202210343643.0公开的一种基于稀疏张量分解的RIS-MIMO系统信道估计方法，同样存在估计精度较低的问题。
上述问题是在基于神经网络的IRS辅助毫米波MIMO系统信道估计过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法解决现有技术中存在的IRS辅助的MIMO系统中基站到IRS和IRS到用户端这两跳信道的估计精度有待提高的问题。
本发明的技术解决方案是：
一种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，包括以下步骤，
S1、对智能反射面IRS辅助毫米波MIMO系统，建立信号接收模型；
S2、结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式，根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题；
S3、结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题，并对目标函数进行优化；
S4、对优化后的目标函数进行求解，分别获得双跳信道的估计模型；
S5、基于神经网络对估计模型的正则化参数进行优化，获得优化后的正则化参数；
S6、由优化后的正则化参数，采用毫米波 MIMO信道交替迭达算法对估计模型进行求解，获得双跳信道估计结果。
进一步地，步骤S1中，对智能反射面IRS辅助毫米波MIMO系统，建立信号接收模型：Y[b]=GD b (S)H+N[b]，其中，Y[b]为接收信号，G表示BS-IRS之间的信道，D b (S)为对角反射矩阵，S为反射相移，H表示IRS-用户端之间的信道，N[b]表示加性高斯白噪声。
进一步地，步骤S2中，结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式，根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题，具体为，
S21、结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式：
，
其中，分别代表接收信号Y张量从G T 、H、S T 三个不同维度展开的第一维度、第二维度、第三维度的矩阵形式，/>，为复数集，B为信道相干时间分的子块数，Nt为发射天线数目，Nr为接收天线数目，/>代表维度为BNt×Nr，/>代表维度为BNr×Nt，/>代表维度为NrNt×B，/>分别代表加性高斯白噪声，/>为对应列克罗内克积即Khatri-Rao积，S为反射相移，H表示智能反射面IRS-用户端之间的信道，G表示基站BS-智能反射面IRS之间的信道，智能反射面IRS的相移矩阵为S H S=BI NI ，I NI 为单位矩阵，T表示转置；
S22、根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题：
，
其中，为基站到智能反射面IRS的信道的估计值，/>为智能反射面IRS到用户端的信道的估计值，S为反射相移，H表示IRS-用户端之间的信道，T表示转置。
进一步地，步骤S3中，结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题，并对目标函数进行优化，具体为
S31、结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题：
，
其中，‖G‖0表示BS-IRS之间的信道G的非零向量的数量，S为反射相移，H表示IRS-用户端之间的信道，T表示转置，ξ是与噪声相关的参数；
S32、使用对数和函数来替代信号恢复问题公式中的-范数，上述问题表述为：
，
其中，L（G）为定义的目标函数，g n 是BS-IRS之间的信道G的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量；
S33、目标函数优化为：
，
其中，为优化后的目标函数，/>为优化后的目标函数的求解值即基站到智能反射面IRS的信道的估计值，g n 是BS-IRS之间的信道G的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，/>为对数函数。
进一步地，步骤S4中，对优化后的目标函数进行求解，分别获得双跳信道的估计模型；
S41、为步骤S33中的目标函数中的对数函数寻找一代理函数：
，
其中，为代理函数，第i次确定的信道矩阵/>，是第i次确定的信道矩阵/>的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量；
这样原目标函数表示为：
，
其中，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，为基站到智能反射面IRS的信道的估计值；
S42、最小化代理函数设为：
，
其中，，（•） H 代表矩阵的共轭转置；这样得到基站到智能反射面IRS的信道的估计值/>：
；
S43、同理，智能反射面IRS到用户端的信道的估计值为：
，
其中，λ2为求解所用到的正则化参数，/>， 是第i次确定的信道矩阵/>的第n个向量，γ为正参数。
进一步地，步骤S5中，基于神经网络对估计模型的正则化参数进行优化，获得优化后的正则化参数，具体为，
基于神经网络对估计模型的两个正则化参数λ1和λ2进行优化，在网络训练过程中，正则化参数λ1和λ2会随着每一层网络的权重的和偏值的更新进行更新，通过最小化以下损失函数获得优化后的正则化参数：
，
其中，L表示神经网络的总层数，分别为第i层神经网络的输出值，分别代表第i次计算的接收信号的张量展开形式，/>分别为第i次确定的信道矩阵。
进一步地，步骤S6中，由优化后的正则化参数，采用毫米波 MIMO信道交替迭达算法对估计模型进行求解，获得双跳信道估计结果，具体为，
S61、初始化迭代次数i=0；
S62、判定是否满足‖e(i)-e(i-1)‖≥δ，其中e(i)、e(i-1)分别表示第i次与第i-1次的估计误差，，δ为设定阈值；如是，进入下一步骤S63；否则，进入步骤S64；
S63、分别计算第i次确定的信道矩阵和智能反射面IRS到用户端的信道的估计值/>如下：
；
其中，第i次的计算值，S为反射相移，H表示IRS-用户端之间的信道，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，/>为对应列克罗内克积即Khatri-Rao积，，其中，/>是第i次确定的信道矩阵的第n个向量，ε>0是一个正参数，λ2为求解/>所用到的正则化参数，，其中，/>是/>的第n个向量，γ为正参数；
使迭代次数i=i+1后，返回步骤S62；
S64、分别获得双跳信道估计结果：基站到智能反射面IRS的信道最优估计值、智能反射面IRS到用户端的信道的最优估计值/>。
本发明的有益效果是：该种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，能够有效提高信道估计的准确性，高精度实现IRS辅助的MIMO系统中基站到IRS和IRS到用户端两跳信道的估计，并且所提出的基于神经网络优化参数的信道估计方案经实验证明性能效果较好。
附图说明
图1是本发明实施例基于神经网络的IRS辅助毫米波MIMO系统信道估计方法的流程示意图；
图2是实施例中智能反射面IRS辅助MIMO通信的系统模型的说明示意图；
图3是实施例中时域内的导频结构的说明示意图；
图4是实施例中神经网络进行正则化参数优化的说明示意图，其中，G （i）为第i次的输入值，H （i）为第i次的输入值，G （i+1）为第i次的输出值，H （i+1）为第i次的输出值，T为延迟一个时间间隙，con为卷积，W1，i、W2，i为训练所需要的权重值，b1，i、b2，i为训练的偏值；
图5是实施例中正则化参数对信道估计误差的影响的说明示意图；
图6是实施例基于神经网络的IRS辅助毫米波MIMO系统信道估计方法与BALS算法、没有迭代更新参数λ1和λ2的交替迭代算法三种信道估计方案的性能比较示意图；
图7是实施例中智能反射面IRS的数量NI=16，接收天线数Nr×发送天线数目Nt分别为9×20、4×16和2×4时基站到智能反射面IRS的信道G的估计性能的说明示意图；
图8是实施例中智能反射面IRS的数量NI=16，接收天线数Nr×发送天线数目Nt分别为9×20、4×16和2×4时智能反射面IRS到用户端的信道H的估计性能的说明示意图；
图9是实施例中接收天线数Nr=4，发送天线数目Nt=16时，智能反射面IRS的数量NI为4、8、16的基站到智能反射面IRS的信道的估计性能的说明示意图。
实施方式
下面结合附图详细说明本发明的优选实施例。
实施例提供一种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，如图1，包括以下步骤，
S1、对智能反射面IRS辅助毫米波MIMO系统，建立信号接收模型。
如图2，在IRS辅助MIMO通信系统中，基站BS和用户端之间由于障碍物无法进行通信，通过IRS进行辅助通信，在此系统下，信道为块衰落，接收信号与接收信号与发送信号之间关系如下：
y[t]=Gdiag（s[t]Hx[t]）+n[t]，t=1，...，T
其中，是在时间t内包含发送导频信号的向量，。
信道相干时间T S 被划分为B个子块，每个时间块的持续时间为T。为了方便计算，每个子块的IRS反射系数和相移都是一样的，在不同的子块之间是不同的。导频信号{x[1]，...，x[T]}在B个子块上重复。具体的时域内的导频结构如图3。导频信号和相移向量在数学上的表达式为：
x[b，t]=x[t]，b=1，...，B
s[b，t]=s[b]，t=1，...，T
根据此系统模型，接收信号表达式可写为：
y[b，t]=Gdiag（s[b]）Hx[t]+n[b，t]
在第b个区块内的时段接收到的信号表示为：
Y[b]=GD b (S)HX+N[b]
其中，，，D b (S)=diag（s[b]）表示IRS相移矩阵S的第b行的对角线矩阵。在上述系统模型下，假设导频信号为相互正交的序列，可将信号接收模型简化为：
Y[b]=GD b (S)H+N[b]，
其中，Y[b]为接收信号，G是表示BS-IRS之间的信道，D b (S)为对角反射矩阵，S为反射相移，H表示IRS-用户端之间的信道，N[b]表示加性高斯白噪声。
S2、结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式，根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题。
S21、结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式：
，
其中，分别代表接收信号Y张量从G T 、H、S T 三个不同维度展开的第一维度、第二维度、第三维度的矩阵形式，/>，为复数集，B为信道相干时间分的子块数，Nt为发射天线数目，Nr为接收天线数目，/>代表维度为BNt×Nr，/>代表维度为BNr×Nt，/>代表维度为NrNt×B，/>分别代表加性高斯白噪声，/>为对应列克罗内克积即Khatri-Rao积，S为反射相移，H表示智能反射面IRS-用户端之间的信道，G表示基站BS-智能反射面IRS之间的信道，智能反射面IRS的相移矩阵为S H S=BI NI ，I NI 为单位矩阵，T表示转置。
步骤S21中，接收信号Y[b]可被看作是一个三维张量的第b个面的矩阵切片，这个有三个面/>的张量/>可以写为：/>，其中，/>，/>，/>。对于张量Y=[G，H，S]可以按照两跳信号和相移矩阵三个不同的维度展开为/>、/>三个矩阵形式作为三维张量形式，这样的分解可以降低矩阵的维度，而且具有唯一性。
S22、根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题：
，
，
其中，为基站到智能反射面IRS的信道的估计值，/>为智能反射面IRS到用户端的信道的估计值，S为反射相移，H表示IRS-用户端之间的信道，T表示转置。
S3、结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题，并对目标函数进行优化。
S31、结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题：
，
，
其中，‖G‖0表示BS-IRS之间的信道G的非零向量的数量，S为反射相移，H表示IRS-用户端之间的信道，T表示转置，ξ是与噪声相关的参数；
S32、使用对数和函数来替代信号恢复问题公式中的-范数，上述问题表述为：
，
，
其中，L（G）为定义的目标函数，g n 是BS-IRS之间的信道G的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量；
S33、目标函数优化为：
，
其中，为优化后的目标函数，/>为优化后的目标函数的求解值即基站到智能反射面IRS的信道的估计值，g n 是BS-IRS之间的信道G的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，/>为对数函数。
步骤S4、对优化后的目标函数进行求解，分别获得双跳信道的估计模型；具体为，
S41、为步骤S33中的目标函数中的对数函数寻找一代理函数：
，
其中，为代理函数，第i次确定的信道矩阵/>，是第i次确定的信道矩阵/>的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量；
这样原目标函数表示为：
，
其中，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，为基站到智能反射面IRS的信道的估计值；
S42、最小化代理函数设为：
，
其中，，（•） H 代表矩阵的共轭转置；这样得到基站到智能反射面IRS的信道的估计值/>：
；
S43、同理，智能反射面IRS到用户端的信道的估计值为：
，
其中，λ2为求解所用到的正则化参数，/>，是第i次确定的信道矩阵/>的第n个向量，γ为正参数。
步骤S4中，使用迭代重加权算法来求解，以避免被困在局部极小值中。
S5、基于神经网络对估计模型的正则化参数进行优化，获得优化后的正则化参数。
针对正则化参数λ1和λ2的确定值影响两跳信道的估计性能的问题，实施例方法，基于神经网络对估计模型的两个正则化参数λ1和λ2进行优化，获得优化后的正则化参数，来提高估计准确性。在网络训练过程中，正则化参数λ1和λ2会随着每一层网络的权重的和偏值的更新进行更新，通过最小化以下损失函数获得优化后的正则化参数，固定参数，再进行网络的测试。具体的网络框架，如图4所示。损失函数为：
，
其中，L表示神经网络的总层数，，/>分别为第i层神经网络的输出值，分别代表第i次计算的接收信号的张量展开形式，/>分别为第i次确定的信道矩阵。
图5是实施例中正则化参数λ1对信道估计误差的影响的示意图。这里设置的接收天线数目Nr为9，发送天线数目Nt为20以及IRS的反射元件个数NI为16时，在不同信噪比下的信道估计的性能误差，其中λ1取了三个值分别为0.1，0.01和0.001。从图5中可以看出，随着参数的取值不同，/>和/>的估计精确度也会有相差近乎一个数量级的差别。
S6、由优化后的正则化参数，采用毫米波 MIMO信道交替迭达算法对估计模型进行求解，获得双跳信道估计结果。
S61、初始化迭代次数i=0；
S62、判定是否满足‖e(i)-e(i-1)‖≥δ，其中e(i)、e(i-1)分别表示第i次与第i-1次的估计误差，，δ为设定阈值；如是，进入下一步骤S63；否则，进入步骤S64；
S63、分别计算第i次确定的信道矩阵和智能反射面IRS到用户端的信道的估计值/>如下：
；
其中，第i次的计算值，S为反射相移，H表示IRS-用户端之间的信道，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，/>为对应列克罗内克积即Khatri-Rao积，，其中，/>是第i次确定的信道矩阵/>的第n个向量，ε>0是一个正参数，λ2为求解/>所用到的正则化参数，，其中，/>是/>的第n个向量，γ为正参数；
使迭代次数i=i+1后，返回步骤S62；
S64、分别获得双跳信道估计结果：基站到智能反射面IRS的信道最优估计值、智能反射面IRS到用户端的信道的最优估计值/>。
该种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，首先从IRS辅助传输导频信号的时域模型出发，针对最小二乘法的缺点，引入了张量模型。从两跳信号和相移矩阵三个维度构建了接收信号的三元张量形式，针对张量建模的BALS算法的不足之处，将毫米波信道估计转化为稀疏型号恢复问题，并采用交替迭代算法求解获得估计结果。针对毫米波信道交替迭代算法的正则化参数对结果的影响较大的问题，基于神经网路对正则化参数进行优化，能够有效提高信道估计的准确性，高精度实现IRS辅助的MIMO系统中基站到IRS和IRS到用户端两跳信道的估计。
该种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，首先利用张量建模的思想来降低导频开销，同时又考虑到基于张量建模设计的双线性交替最小二乘法算法是依赖于矩阵的秩，所以将毫米波 MIMO信道的稀疏性引入，以达到更好的性能。
实施例的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法进行实验验证结果如下：
实施例的仿真平台采用python，通过tensflow数据包搭建神经网络，展现基于神经网络优化参数的信道估计的方案。比较了BALS算法、没有迭代更新参数λ1和λ2的交替迭代算法和实施例提出的信道估计方案。设置相同的接收天线数目Nr=2，发送天线数目Nt=3，以及智能反射面IRS的数量NI为10，网络层数为10，仿真结果图如图6。由图6可以看出，实施例方法得到的两跳信道估计结果Network-G、Network-H，与双线性交替最小二乘算法即BALS算法得到结果BALS-G、BALS-H，以及没有迭代更新参数λ1和λ2的交替迭代算法得到结果0.01-G、0.0001-G相比较，实施例方法的结果误差大幅降低，具有高准确性的优点。
对实施例的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，在不同数目的接收/发送天线数目、IRS的反射元素的性能进行仿真验证，具体参数如表1，仿真结果如图7、图8和图9所示。由图7、图8和图9可以看出，在不同数目的接收/发送天线、不同数目的IRS的反射元素，实施例方法的估计结果误差均较低，能够达到高精度估计的目的。
表1 仿真相关参数
参数 参数值
发送天线数 20，16，4
接收天线数 9，4，4
IRS反射元素数 16
网络层数 10
训练批量大小 10000
测试批量大小 200
SNR [0dB,30dB]
该种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，结合基于张量建模的双线性迭代算法和毫米波信道的稀疏性设计出一种适用于IRS辅助MIMO系统的信道估计算法，同时基于神经网络对估计模型的正则化参数进行优化，能够实现IRS辅助的MIMO系统中基站到IRS和IRS到用户端两跳信道的高精度估计。并由实验证明实施例方法在估计两跳信道的性能更加优越。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在该技术方案上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：包括以下步骤，
S1、对智能反射面IRS辅助毫米波MIMO系统，建立信号接收模型；
S2、结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式，根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题；
S3、结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题，并对目标函数进行优化；
S4、对优化后的目标函数进行求解，分别获得双跳信道的估计模型；
S5、基于神经网络对估计模型的正则化参数进行优化，获得优化后的正则化参数；
S6、由优化后的正则化参数，采用毫米波 MIMO信道交替迭达算法对估计模型进行求解，获得双跳信道估计结果。
2.如权利要求1所述的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：步骤S1中，对智能反射面IRS辅助毫米波MIMO系统，建立信号接收模型：Y[b]=GD b (S)H+N[b]，其中，Y[b]为接收信号，G表示BS-IRS之间的信道，D b (S)为对角反射矩阵，S为反射相移，H表示IRS-用户端之间的信道，N[b]表示加性高斯白噪声。
3.如权利要求1所述的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：步骤S2中，结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式，根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题，具体为，
S21、结合张量建模，从两跳信号和相移矩阵三个维度，构建接收信号的三维张量形式：
，
其中，分别代表接收信号Y张量从G T 、H、S T 三个不同维度展开的第一维度、第二维度、第三维度的矩阵形式，/>，为复数集，B为信道相干时间分的子块数，Nt为发射天线数目，Nr为接收天线数目，/>代表维度为BNt×Nr，/>代表维度为BNr×Nt，/>代表维度为NrNt×B，/>分别代表加性高斯白噪声，/>为对应列克罗内克积即Khatri-Rao积，S为反射相移，H表示智能反射面IRS-用户端之间的信道，G表示基站BS-智能反射面IRS之间的信道，智能反射面IRS的相移矩阵为S H S=BI NI ，I NI 为单位矩阵，T表示转置；
S22、根据张量模型以及接收信号的三维张量形式，基于双线性交替最小二乘法，建立基站BS到智能反射面IRS的信道G、智能反射面IRS到用户端的信道H的信道估计问题：
，
其中，为基站到智能反射面IRS的信道的估计值，/>为智能反射面IRS到用户端的信道的估计值，S为反射相移，H表示IRS-用户端之间的信道，T表示转置。
4.如权利要求3所述的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：步骤S3中，结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题，并对目标函数进行优化，具体为
S31、结合毫米波 MIMO系统信道的稀疏性，将信道估计问题转化为信号恢复问题：
，
其中，‖G‖0表示BS-IRS之间的信道G的非零向量的数量，S为反射相移，H表示IRS-用户端之间的信道，T表示转置，ξ是与噪声相关的参数；
S32、使用对数和函数来替代信号恢复问题公式中的-范数，上述问题表述为：
，
其中，L（G）为定义的目标函数，g n 是BS-IRS之间的信道G的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量；
S33、目标函数优化为：
，
其中，为优化后的目标函数，/>为优化后的目标函数的求解值即基站到智能反射面IRS的信道的估计值，g n 是BS-IRS之间的信道G的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，/>为对数函数。
5.如权利要求4所述的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：步骤S4中，对优化后的目标函数进行求解，分别获得双跳信道的估计模型；
S41、为步骤S33中的目标函数中的对数函数寻找一代理函数：
，
其中，为代理函数，第i次确定的信道矩阵/>，/>是第i次确定的信道矩阵/>的第n个向量，ε>0是一个正参数，N I 是智能反射面IRS的数量；
这样原目标函数表示为：
，
其中，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，为基站到智能反射面IRS的信道的估计值；
S42、最小化代理函数设为：
，
其中，，（•） H 代表矩阵的共轭转置；这样得到基站到智能反射面IRS的信道的估计值/>：
；
S43、同理，智能反射面IRS到用户端的信道的估计值为：
，
其中，λ2为求解所用到的正则化参数，/>，/>是第i次确定的信道矩阵/>的第n个向量，γ为正参数。
6.如权利要求3-5任一项所述的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：步骤S5中，基于神经网络对估计模型的正则化参数进行优化，获得优化后的正则化参数，具体为，
基于神经网络对估计模型的两个正则化参数λ1和λ2进行优化，在网络训练过程中，正则化参数λ1和λ2会随着每一层网络的权重的和偏值的更新进行更新，通过最小化以下损失函数获得优化后的正则化参数：
，
其中，L表示神经网络的总层数，分别为第i层神经网络的输出值，分别代表第i次计算的接收信号的张量展开形式，分别为第i次确定的信道矩阵。
7.如权利要求3-5任一项所述的基于神经网络的IRS辅助毫米波MIMO系统信道估计方法，其特征在于：步骤S6中，由优化后的正则化参数，采用毫米波 MIMO信道交替迭达算法对估计模型进行求解，获得双跳信道估计结果，具体为，
S61、初始化迭代次数i=0；
S62、判定是否满足‖e(i)-e(i-1)‖≥δ，其中e(i)、e(i-1)分别表示第i次与第i-1次的估计误差，，δ为设定阈值；如是，进入下一步骤S63；否则，进入步骤S64；
S63、分别计算第i次确定的信道矩阵和智能反射面IRS到用户端的信道的估计值如下：
；
其中，第i次的计算值，S为反射相移，H表示IRS-用户端之间的信道，λ1>0是一个正则化参数，控制数据拟合和解的稀疏性，/>为对应列克罗内克积即Khatri-Rao积，，其中，/>是第i次确定的信道矩阵的第n个向量，ε>0是一个正参数，λ2为求解/>所用到的正则化参数，，其中，/>是/>的第n个向量，γ为正参数；
使迭代次数i=i+1后，返回步骤S62；
S64、分别获得双跳信道估计结果：基站到智能反射面IRS的信道最优估计值、智能反射面IRS到用户端的信道的最优估计值/>。
CN202311298741.8A 2023-10-09 2023-10-09 基于神经网络的irs辅助毫米波mimo系统信道估计方法 Pending CN117040980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311298741.8A CN117040980A (zh) 2023-10-09 2023-10-09 基于神经网络的irs辅助毫米波mimo系统信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311298741.8A CN117040980A (zh) 2023-10-09 2023-10-09 基于神经网络的irs辅助毫米波mimo系统信道估计方法

Publications (1)

Publication Number Publication Date
CN117040980A true CN117040980A (zh) 2023-11-10

Family

ID=88632266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311298741.8A Pending CN117040980A (zh) 2023-10-09 2023-10-09 基于神经网络的irs辅助毫米波mimo系统信道估计方法

Country Status (1)

Country Link
CN (1) CN117040980A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111817768A (zh) * 2020-06-03 2020-10-23 北京交通大学 一种用于智能反射表面无线通信的信道估计方法
CN114900400A (zh) * 2022-05-24 2022-08-12 华南理工大学 一种基于智能反射面辅助物联网的联合稀疏信道估计方法
US20230097583A1 (en) * 2021-09-28 2023-03-30 Samsung Electronics Co., Ltd. Apparatus and method for data communication based on intelligent reflecting surface in wireless communication system
CN115913830A (zh) * 2022-04-21 2023-04-04 东南大学 一种智能反射面辅助的mimo通信系统的信道估计方法
CN116094553A (zh) * 2022-11-07 2023-05-09 上海师范大学 基于张量分解的车联网ris辅助注意力机制通信与感知方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111817768A (zh) * 2020-06-03 2020-10-23 北京交通大学 一种用于智能反射表面无线通信的信道估计方法
US20230097583A1 (en) * 2021-09-28 2023-03-30 Samsung Electronics Co., Ltd. Apparatus and method for data communication based on intelligent reflecting surface in wireless communication system
CN115913830A (zh) * 2022-04-21 2023-04-04 东南大学 一种智能反射面辅助的mimo通信系统的信道估计方法
CN114900400A (zh) * 2022-05-24 2022-08-12 华南理工大学 一种基于智能反射面辅助物联网的联合稀疏信道估计方法
CN116094553A (zh) * 2022-11-07 2023-05-09 上海师范大学 基于张量分解的车联网ris辅助注意力机制通信与感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛梦: "智能反射面辅助的毫米波大规模MIMO系统信道估计和信号检测方法研究", 中国优秀硕士学位论文全文数据库信息科技辑, pages 2 - 3 *

Similar Documents

Publication Publication Date Title
CN108566257B (zh) 一种基于反向传播神经网络的信号恢复方法
CN106559367B (zh) 基于低秩张量分解的mimo-ofdm系统毫米波信道估计方法
CN113381952B (zh) 基于深度学习的多天线系统信道估计方法
CN111478749B (zh) 基于优化初值快收敛mimo迭代检测方法、系统及应用
CN111131097B (zh) Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法
CN107124379B (zh) 一种基于改进狼群优化的正交小波常模盲均衡方法
CN114745237B (zh) 一种智能超表面辅助多用户无线通信系统的信道估计方法
CN112804168B (zh) 一种基于张量链分解的毫米波中继系统信道估计方法
CN106656882B (zh) 一种信号合成方法及系统
CN101982953A (zh) 宽带无线通信信道频域多维参数化模型及建模方法
CN105635006B (zh) 一种基于dna萤火虫优化的小波盲均衡方法
CN116155412A (zh) 无线信道评估方法及系统
CN107276934A (zh) 一种大规模mimo系统多用户上行鲁棒检测方法
CN117040980A (zh) 基于神经网络的irs辅助毫米波mimo系统信道估计方法
Steinwandt et al. Widely linear adaptive beamforming algorithm based on the conjugate gradient method
CN109347769B (zh) 双向多输入多输出中继系统的信道联合估计方法
CN114124185B (zh) 一种优化irs辅助通信系统中相移矩阵的低复杂度方法
CN111666688A (zh) 一种修正的角度失配结合稀疏贝叶斯学习的信道估计算法
CN114584236B (zh) 一种基于rigs算法的大规模mimo系统检测模型构建方法
CN112104400A (zh) 基于有监督机器学习的组合式中继选择方法及系统
CN116866123B (zh) 一种无正交受限的卷积盲分离方法
CN113987733B (zh) 一种基于线性预测的信源方向鲁棒定位算法
CN118118069B (zh) 基于深度展开网络的稳健自适应波束形成方法
Yang et al. Channel Fading Effect Analysis on Diffusion Cooperation Strategies over Adaptive Networks
CN116846489B (zh) 一种基于迁移学习的光学定位系统及其定位方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20231110

RJ01 Rejection of invention patent application after publication