CN117200846B - 一种基于列车位置和ris的毫米波波束成形方法及系统 - Google Patents

Abstract

本发明公开了一种基于列车位置和RIS的毫米波波束成形方法及系统，方法步骤包括：获取列车位置数据和智能超表面位置数据，基于所述列车位置数据和智能超表面位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据；基于所述估计角度数据，构建智能超表面的相位参数优化问题；求解所述相位参数优化问题，得到智能超表面的相位参数。系统包括：获取模块、估计模块、构建模块、处理模块和输出模块。本发明能够保证高铁场景中大容量高速率数据传输的可靠性，能够进一步降低通信系统的中断概率，有效地提高高铁通信系统的鲁棒性，且低成本、易部署。

Description

一种基于列车位置和RIS的毫米波波束成形方法及系统

技术领域

本发明属于高铁通信技术领域，尤其涉及一种基于列车位置和RIS的毫米波波束成形方法及系统。

背景技术

近年来，随着人工智能、大数据、物联网等技术的发展，高铁出行变得更加智能化和信息化。然而，6G场景下，带宽密集型和时延敏感型多媒体流量呈指数级增长，对高铁的QoS提出了更加严格和多样化的要求，包括有界端到端时延、超可靠性和超高能效等。

毫米波技术是获得更大可用带宽和更高数据速率的一种有效方式，在高铁无线通信中得到了广泛的应用。而智能超表面可以通过控制自身的反射单元相移进而重新配置入射到其上的电磁波，以提高信噪比和基站覆盖范围。此外，车载移动中继(Mobile RelayNode，MRN)作为一种有吸引力的技术，可以降低车内用户的穿透损耗和多普勒频移。大多数与毫米波和智能超表面有关的研究都关注于该技术作为现有传统高铁通信系统的替代解决方案。

目前，联合使用智能超表面与毫米波技术以及车载移动中继技术是一种提高通信速率，扩大信号覆盖范围的有效方法。但是，现有技术中，并没有找到两种技术协同工作、优缺点互补的最佳传输方式，尤其是在高速场景下完美信道无法准确获取时，无法通过智能超表面辅助毫米波技术和车载移动中继技术来优化智能超表面的相移，也就无法降低车内用户的通信中断概率，导致系统的鲁棒性不高。

发明内容

本发明提出了一种基于列车位置和RIS的毫米波波束成形方法及系统，以解决上述现有技术中存在的技术问题。

为实现上述目的，本发明提供了一种基于列车位置和RIS的毫米波波束成形方法，包括以下步骤：

获取列车位置数据和智能超表面位置数据，基于所述列车位置数据和智能超表面位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据；

基于所述估计角度数据，构建智能超表面的相位参数优化问题；

求解所述相位参数优化问题，得到智能超表面的相位参数。

优选地，获取列车位置数据和智能超表面位置数据的过程包括：

以基站覆盖区中心为坐标原点，以列车运行方向为x轴，建立三维笛卡尔坐标系，基于所述三维笛卡尔坐标系，得到列车位置数据和智能超表面位置数据。

优选地，得到基站、智能超表面、车载移动中继之间信号的估计角度数据的过程包括：

构建信道模型，其中所述信道模型包括：第一传输信道和第二传输信道，所述第一传输信道为基站至智能超表面的通信，所述第二传输信道为智能超表面至车载移动中继的通信；

获取基站位置数据，基于所述基站位置数据、所述智能超表面位置数据和所述列车位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据。

优选地，构建所述智能超表面的相位参数优化问题的过程包括：

基于所述估计角度数据，利用SVD分解、交替优化、注水功率分配及毫米波信道的结构特点，构建智能超表面的相位参数优化问题。

优选地，所述智能超表面的相位参数优化问题转化为列车通信中断概率的最小化问题；

所述最小化问题的计算公式为：

g_ii＝v^HΥⁱⁱ

其中，Ns为系统传输的最大数据流数，P_T为基站发射功率，σ_n为高斯白噪声功率，α_i，β_i分别为第一信道和第二信道的复信道增益，Υⁱⁱ为与基站、智能超表面、车载移动中继之间信号的估计角度有关的参数向量，v为智能超表面单元的相位矩阵。

优选地，转化为列车通信中断概率的最小化问题的过程包括：

基于基站的最大发射功率约束、智能超表面的单位模约束，将所述智能超表面的相位参数优化问题转化为列车通信中断概率的最小化问题。

优选地，所述列车通信中断概率的最小化问题转化为仅含有单位模约束的非凸问题；

所述非凸问题的计算公式为：

其中Ns为系统传输的最大数据流数，P_T为基站发射功率，σ_n为高斯白噪声功率，α_i，β_i分别为第一信道和第二信道的复信道增益，Υⁱⁱ为与基站、智能超表面、车载移动中继之间信号的估计角度有关的参数向量，v为智能超表面单元的相位矩阵。

优选地，得到智能超表面的相位参数的过程包括：

基于加速黎曼共轭梯度的复圆流形优化算法求解所述非凸问题，得到智能超表面的相位参数。

优选地，还包括优化所述相位参数的过程：

设置预设阈值、最大迭代次数，基于所述预设阈值、所述最大迭代次数，判断所述相位参数优化问题的收敛结果，基于所述收敛结果，输出智能超表面的最优相位矩阵。

为实现上述技术目的，本发明还提供了一种基于列车位置和RIS的毫米波波束成形系统，包括：

获取模块，用于获取列车位置数据和智能超表面位置数据；

估计模块，用于基于列车位置数据和智能超表面位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据；

构建模块，用于基于所述估计角度数据，构建智能超表面的相位参数优化问题；

处理模块，用于求解所述相位参数优化问题，得到智能超表面的相位参数；

输出模块，用于设置预设阈值、最大迭代次数，基于所述预设阈值、所述最大迭代次数，输出智能超表面的最优相位矩阵。

与现有技术相比，本发明具有如下优点和技术效果：

本申请提供了基于列车位置和RIS的毫米波波束成形方法及系统，解决了高移动性场景中完美信道状态信息的难以获取导致的RIS-MIMO系统主被动波束赋形算法性能恶化的问题，保证了高铁场景中大容量高速率数据传输的可靠性，能够进一步降低通信系统的中断概率，有效地提高高铁通信系统的鲁棒性，且低成本、易部署。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例的系统模型示意图；

图2为本发明实施例的列车定位误差引起的角度误差示意图；

图3为本发明实施例的一种基于列车位置和RIS的毫米波波束成形方法的流程示意图；

图4为本发明实施例的一种基于列车位置和RIS的毫米波波束成形系统的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图3所示，本实施例提供了一种基于列车位置和RIS的毫米波波束成形方法，包括：

S1、在基站两侧对称部署配备有智能控制器的智能超表面(RIS)，且基站与列车之间的视距路径受阻。以基站覆盖区中心为坐标原点，以列车运行方向为x轴，建立三维笛卡尔坐标系。当高铁列车运行至某一轨旁基站的服务范围内时，轨旁基站根据数据信息获取列车位置坐标，并将其发送至RIS智能控制器。在传输过程中仅有轨旁基站至智能超表面、智能超表面至车载移动中继这两段传输信道，基于列车、RIS位置信息，估计两段信道传输信号的角度信息，并建立所需信道模型。通信系统所需信息包括高铁列车位置信息和RIS位置信息。

如图1所示，本实施例提供了构建的RIS辅助的高铁毫米波MIMO中继通信模型，RIS辅助的高铁毫米波MIMO中继通信模型包括：基站(BS)、RIS、MRN、以及阻塞物。

本实施例中，BS和MRN都采用均匀平面阵列(Uniform Planar Arrays，UPA)结构，BS具有M_B×N_B根天线，MRN具有M_M×N_M根天线，发射信号和接收信号的频率均工作在毫米波频段；RIS为具有M_R×N_R个发射元件的矩形阵面，并且在本说明中工作在毫米波频段，RIS反射面在空间内可以近似为一个点。

其中S1具体包括：

基于一个时隙内的轨道曲线方程为直线以及GNSS设备提供的MRN位置信息来获取RIS-MRN之间LOS径的角度信息。建立高铁场景笛卡尔坐标系，设基站坐标、RIS坐标以及MRN坐标分别为：(x_B,y_B,z_B)、(x_R,y_R,z_R)和(x_M,y_M,z_M)。BS-RIS之间信号沿x轴的有效离开角为：

其中d_BS为相邻基站天线间的距离，基站发射信号沿x轴的俯仰角θ_x-BR以及方位角由下式给出：

其中D_BR是基站顶端到RIS中心的直线距离：

考虑利用车载GNSS提供的MRN位置信息获取LOS径的角度信息时，系统噪声和传输延迟可能会引起不容忽视的MRN定位误差，造成定位模糊，导致角度信息误差增大，从而引起在切换过程甚至整个基站覆盖区内的长期通信中断。因此，本实施例将RIS-MRN之间信号的有效离开角进一步表示为：

其中，d_RIS为RIS单元之间的距离，信号沿x轴的俯仰角θ_x-RM可由式(2)以相同的形式给出，基于估计位置的方位角可表示为：

其中为GNSS提供的MRN估计位置，/>为RIS到MRN之间的估计距离：

本实施例提供了一个列车定位误差引起的角度信息误差获取示意图，如图2所示。在以基站覆盖区中心为坐标原点建立的三维笛卡尔坐标系中，假设列车真实位置分布在两个以坐标原点为球心的同心球体之间，基于列车经过基站覆盖区时，一个时隙内只有x_M是变化的，RIS-MRN的有效离开角可进一步被分解为：

其中ζ_{x-RM_D}为MRN定位误差引起的角度估计误差：

其中△x_M表示MRN的定位误差。

基于统计学相关理论，角度估计误差ζ_{x-RM_D}具有如下分布：

其中

令r＝r₁-r₂表示两同心球体的半径差(定位误差区间)，则角度估计误差的均值和方差分别为：

μ_{x-RM_D}＝Ε{ζ_{x-RM_D}}＝0 (11)

基于所述角度分析，确定BS-RIS、RIS-MRN之间的信道为H_BR和h_RM。假设列车从基站覆盖区中心移动到覆盖边缘总共经历N_T个时隙，在某一时隙t内，MRN接收到来自RIS的信号表示为：

其中P_T为基站最大发射功率，N_S为发送数据流个数，Θ为RIS的反射系数矩阵，F为BS波束赋形向量，s_M为MRN传输的数据符号，h为BS-RIS-MRN的等效信道，N_M为加性高斯白噪声。

S2、根据所述构建的通信模型和信道模型，以高铁列车的通信中断概率作为本发明所提算法的评价指标。然后建立中断概率的最优化问题，提出基于奇异值分解(SingularValue Decomposition，SVD)和交替优化策略的注水功率分配算法，并结合毫米波信道的结构特性将中断概率最小化问题重新表述为更易于处理的形式。

其中S2具体包括：

定义中断概率：当前信道容量低于预设的中断容量阈值R_th的概率。根据信息论相关知识，结合式(13)由信道容量较低产生中断的概率表示为：

其中I_MM为发射信号向量s_M的自相关函数。

基于基站最大发射功率约束和RIS反射单元的单位模约束，将高铁场景的RIS-MIMO系统中断概率最小化问题建模为：

s.t.||F||²＝N_S,

Θ＝β_m,ndiag(v^*)

其中||·||表示欧几里得范数算子，β_m,n为对应RIS单元反射系数，v(i)表示v的第i个元素。

利用SVD分解及其性质HH^H＝UΣΣ^HU^H＝QΛQ^H和恒等式det(I_m+AB)＝det(I_n+BA)，RIS-MIMO系统的信道容量可以表示为：

基于高铁业务存在优先级，根据注水功率分配算法，将各数据流的发射功率表示为p_i，进一步地，信道容量可表示为：

其中，λ_i为信道增益，p_i为各数据流功率；

利用交替优化策略，将式(17)中的信道增益λ_i和各数据流功率p_i分解。假设信道增益λ_i固定不变，则问题P1可理解为信道容量关于p_i的最大化问题且约束为等式约束。根据拉格朗日乘子法有：

对上式求偏导并令Z(λ_i，p_i)＝0得到数据流功率p_i为：

其中(·)⁺＝max{·,0}，为经注水功率算法求解得到p_i的最优值，μ为注水面，由下式给出：

综上所述，优化问题P1等价于：

Θ＝β_mndiag(v^*)

其中λ_i表示第i个信道的信道增益，是给定v后的h经过SVD得到的，p_i为基站分配给第i个信道的功率。

从式(21)可看出，λ_i与v的隐含关系以及v自身的单位模约束使得问题P2依旧很难找到最优的v。但观察公式(21)还发现，中断概率的最小值随λ_i的增加而减小。因此有：

进一步地，P2可以转化为：

Θ＝β_mndiag(v^*)

由上式知，奇异值仍不能根据h以显式的形式表示，进一步地，基于毫米波信道的结构特性对有效信道继续进行SVD分解。有效信道h可以进一步分解为：

其中，表示信号角度的水平分量即方位角，θ为垂直分量即俯仰角，下标RM_A和RM_D分别表示RIS-MRN之间信号的到达角和离开角，下标BR_A和BR_D分别表示BS-RIS之间信号的到达角和离开角。

根据式(24)，令且将g_ij定义为：

其中○表示哈达玛积，g_ij表示BS-RIS-MRN级联信道的被动波束赋形增益，级联信道的复合路径由BS-RIS的第j条路径和RIS-MRN的第i条路径组成。

根据式(25)以及UPA阵列的渐进正交性，对有效信道h进一步进行奇异值分解，进而优化问题P3可转换为：

g_ii＝v^HΥⁱⁱ

由G(ii)＝α_iβ_iv^HΥⁱⁱ以及式(21)、式(26)，中断概率的最优化问题最终被转换进含有单位模约束的非凸问题：

S3、通过基于加速黎曼共轭梯度的复圆流形(Complex Circle Manifold，CCM)优化算法求解P5，并输出RIS相位矩阵。

通过CCM算法求解优化问题的算法可以包括以下步骤：

步骤S31、初始化目标函数、相移v₀、欧式梯度、黎曼梯度g和预条件迭代变量p；

步骤S32、设置迭代次数k；

步骤S33、根据修正的Armijo后搜索算法计算步长ω_k；

步骤S34、通过获得新的迭代变量v_k+1；

步骤S35、计算并更新黎曼梯度；

步骤S36、计算并更新预条件迭代变量p_k+1；

步骤S37、通过转移算子，将步骤S34得到的v_k+1和步骤S36得到的p_k+1映射回流形；

步骤S38、根据更新共轭梯度参数；

步骤S39、根据和/>更新搜索方向；

步骤S40、判断预条件迭代变量是否收敛，若收敛则继续执行步骤S41，否则执行步骤S33；

步骤S41、输出RIS相位参数；

步骤S42、重复执行步骤S31～S41，直至优化问题收敛，输出最优RIS相移矩阵。

本实施例中，求解中断概率最小化的执行步骤：

本实施例有益效果：

本实施例提供的一种基于列车位置和RIS的毫米波波束成形方法，根据建立的高铁毫米波RIS-MIMO中继通信模型，获取列车的位置信息，根据位置信息估计角度信息的分布特性，利用SVD分解、交替优化、注水功率分配以及毫米波信道的结构特点构建智能超表面RIS相位参数的优化问题，再通过CCM算法求解优化问题，输出RIS参数，重复执行之前的步骤，直至优化问题收敛，输出最优RIS相位矩阵。本实施例提供的基于列车先验信息的RIS-MIMO毫米波鲁棒波束赋形优化算法，解决了高移动性场景中完美信道状态信息的难以获取导致的RIS-MIMO系统主被动波束赋形算法性能恶化的问题，保证了高铁场景中大容量高速率数据传输的可靠性，能够进一步降低通信系统的中断概率，有效地提高高铁通信系统的鲁棒性，且低成本、易部署。

实施例二

如图4所示，本实施例提供了一种基于列车位置和RIS的毫米波波束成形系统。本实施例中系统可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分。该装置包括：

获取模块，根据所述高铁通信模型的参数信息，获取列车的实时位置信息，RIS的坐标信息；

估计模块，根据所述角度信息估计模型，基于列车、RIS位置信息估计基站-列车、RIS-列车的角度信息；

构建模块，根据所述角度信息，建立优化问题。并利用SVD分解、交替优化、注水功率分配以及毫米波信道的结构特点将非凸耦合的智能超表面RIS相位参数的优化问题转化为仅含有单位模约束的更易于处理的问题。

处理模块，根据所述基于加速黎曼共轭梯度的复圆流形优化算法求解所述优化问题，并输出RIS相位参数；

输出模块，根据所述的预设阈值或最大迭代次数，判断优化问题是否收敛，并在收敛后输出RIS最优相位矩阵。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于列车位置和RIS的毫米波波束成形方法，其特征在于，包括以下步骤：

获取列车位置数据和智能超表面位置数据，基于所述列车位置数据和智能超表面位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据；

基于所述估计角度数据，构建智能超表面的相位参数优化问题；

求解所述相位参数优化问题，得到智能超表面的相位参数；

所述智能超表面的相位参数优化问题转化为列车通信中断概率的最小化问题；

所述最小化问题的计算公式为：

g_ii＝v^HΥⁱⁱ

其中，Ns为系统传输的最大数据流数，P_T为基站发射功率，σ_n为高斯白噪声功率，α_i为第一传输信道的复信道增益，β_i为第二传输信道的复信道增益，Υⁱⁱ为与基站、智能超表面、车载移动中继之间信号的估计角度数据有关的参数向量，v为智能超表面单元的相位矩阵，p_i为通过注水功率分配策略获得的各数据流发射功率，R_th为中断信道容量的预设阈值，M_R为RIS矩阵中横向元素的个数，N_R为RIS矩阵中纵向元素的个数；

转化为列车通信中断概率的最小化问题的过程包括：

基于基站的最大发射功率约束、智能超表面的单位模约束，将所述智能超表面的相位参数优化问题转化为列车通信中断概率的最小化问题；

所述列车通信中断概率的最小化问题转化为仅含有单位模约束的非凸问题；

所述非凸问题的计算公式为：

其中θ_m,n为RIS矩阵第m行n列个元素的相位；

得到智能超表面的相位参数的过程包括：

基于加速黎曼共轭梯度的复圆流形优化算法求解所述非凸问题，得到智能超表面的相位参数。

2.根据权利要求1所述的基于列车位置和RIS的毫米波波束成形方法，其特征在于，获取列车位置数据和智能超表面位置数据的过程包括：

以基站覆盖区中心为坐标原点，以列车运行方向为x轴，建立三维笛卡尔坐标系，基于所述三维笛卡尔坐标系，得到列车位置数据和智能超表面位置数据。

3.根据权利要求1所述的基于列车位置和RIS的毫米波波束成形方法，其特征在于，得到基站、智能超表面、车载移动中继之间信号的估计角度数据的过程包括：

构建信道模型，其中所述信道模型包括：第一传输信道和第二传输信道，所述第一传输信道为基站至智能超表面的信道，所述第二传输信道为智能超表面至车载移动中继的信道；

获取基站位置数据，基于所述基站位置数据、所述智能超表面位置数据和所述列车位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据。

4.根据权利要求1所述的基于列车位置和RIS的毫米波波束成形方法，其特征在于，构建所述智能超表面的相位参数优化问题的过程包括：

基于所述估计角度数据，利用SVD分解、交替优化、注水功率分配及毫米波信道的结构特点，构建智能超表面的相位参数优化问题。

5.根据权利要求1所述的基于列车位置和RIS的毫米波波束成形方法，其特征在于，还包括优化所述相位参数的过程：

设置预设阈值、最大迭代次数，基于所述预设阈值、所述最大迭代次数，判断所述相位参数优化问题的收敛结果，基于所述收敛结果，输出智能超表面的最优相位矩阵。

6.一种基于列车位置和RIS的毫米波波束成形系统，其特征在于，包括：

获取模块，用于获取列车位置数据和智能超表面位置数据；

估计模块，用于基于列车位置数据和智能超表面位置数据，得到基站、智能超表面、车载移动中继之间信号的估计角度数据；

构建模块，用于基于所述估计角度数据，构建智能超表面的相位参数优化问题；

处理模块，用于求解所述相位参数优化问题，得到智能超表面的相位参数；

所述智能超表面的相位参数优化问题转化为列车通信中断概率的最小化问题；

所述最小化问题的计算公式为：

g_ii＝v^HΥⁱⁱ

其中，Ns为系统传输的最大数据流数，P_T为基站发射功率，σ_n为高斯白噪声功率，α_i为第一传输信道的复信道增益，β_i为第二传输信道的复信道增益，Υⁱⁱ为与基站、智能超表面、车载移动中继之间信号的估计角度数据有关的参数向量，v为智能超表面单元的相位矩阵，p_i为通过注水功率分配策略获得的各数据流发射功率，R_th为中断信道容量的预设阈值，M_R为RIS矩阵中横向元素的个数，N_R为RIS矩阵中纵向元素的个数；

转化为列车通信中断概率的最小化问题的过程包括：

基于基站的最大发射功率约束、智能超表面的单位模约束，将所述智能超表面的相位参数优化问题转化为列车通信中断概率的最小化问题；

所述列车通信中断概率的最小化问题转化为仅含有单位模约束的非凸问题；

所述非凸问题的计算公式为：

其中θ_m,n为RIS矩阵第m行n列个元素的相位；

得到智能超表面的相位参数的过程包括：

基于加速黎曼共轭梯度的复圆流形优化算法求解所述非凸问题，得到智能超表面的相位参数；

输出模块，用于设置预设阈值、最大迭代次数，基于所述预设阈值、所述最大迭代次数，输出智能超表面的最优相位矩阵。