CN117938587B - 一种临近空间平台到无人机下行多径信道估计方法 - Google Patents
一种临近空间平台到无人机下行多径信道估计方法 Download PDFInfo
- Publication number
- CN117938587B CN117938587B CN202410338643.0A CN202410338643A CN117938587B CN 117938587 B CN117938587 B CN 117938587B CN 202410338643 A CN202410338643 A CN 202410338643A CN 117938587 B CN117938587 B CN 117938587B
- Authority
- CN
- China
- Prior art keywords
- channel
- representing
- nsp
- uav
- downlink
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 19
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 52
- 238000005562 fading Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000010363 phase shift Effects 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及临近空间到无人机的下行通信信道估计技术领域，提出了一种临近空间平台到无人机下行多径信道估计方法。该估计方法将原始NSP到UAV的稀疏信道模型转化到角度域进行表示，进而将复杂的信道估计问题转化为压缩感知问题，并基于设计的压缩感知测量矩阵推导出了具有较少导频开销的训练导频矩阵；并且推导了NSP到UAV信道的先验概率，以表征信道的随机性与稀疏性，并据此推导了NSP到UAV信道的后验概率和构建了该后验概率的因子图。此外，还提出了一个NSP到UAV信道的循环正交近似消息传播估计方法，该方法通过循环MMSE参数估计模块的设计消除了因子图中的环结构并利用EM方法得到了信道参数的估计值。
Description
技术领域
本发明属于临近空间到无人机的下行通信信道估计技术领域，特别是涉及一种临近空间平台到无人机下行多径信道估计方法。
背景技术
即将到来的第六代（The sixth generation，6G）通信系统对超可靠、超低时延和超高数据速率提出了前所未有的要求，而第五代（The fifth generation，5G）通信系统却无法很好地满足这些要求。作为5G系统三大支柱服务之一的超可靠低延迟通信（Ultra-reliable and low latency communications，URLLC）仍将是6G系统的支柱服务。URLLC可以支持各种关键任务和应用，包括智能交通系统、自动驾驶、远程医疗、工业自动化、触觉互联网、数字孪生实时控制和元宇宙等。
目前，天-空-地一体化通信系统是满足6G系统前所未有要求的关键系统架构之一。由各种临近空间平台（Near-space platform，NSP）、低空无人机（Unmanned aerialvehicle，UAV）组成的临空信息网络是一个能实时获取、传输和处理空间电磁信号的信息网络，它是天-空-地综合通信系统的核心组成部分。
除上述空-天-地一体化系统外，可重构智能表面（Reconfigurable intelligentsurface，RIS）已成为实现6G系统智能无线反射信道的一种极有前途的范例。RIS是由许多电磁波无源反射元件组成的平面，每个元件都能单独改变入射电磁信号的振幅和/或相位。部署RIS后，发射机和接收机之间的无线信道可以灵活地重新配置，以实现所需的信道状态信息（Channel State Information，CSI）。因此，RIS为从根本上解决复杂的电磁信号干扰和信道衰落问题提供了一种新的范式，并有可能显著提高无线通信系统的吞吐量和可靠性。
发明内容
有鉴于此，本发明提出一种临近空间平台到无人机下行多径信道估计方法，该方法能够有效地捕获NSP到UAV下行通信信道的稀疏性，准确地估计信号离开NSP的角度和NSP到UAV的信道衰减强度。
本发明的技术方案具体如下：
一种临近空间平台到无人机下行多径信道估计方法，包括以下步骤：
步骤S1、构建包括BS、安装RIS的NSP、UAV和URLLC GU的通信系统，其中BS表示基站，RIS表示可重构智能表面，NSP表示临近空间平台，UAV表示无人机，URLLC GU表示地面用户；
步骤S2、构建BS到NSP的下行信道模型以及NSP到UAV的下行信道模型/>；
其中，BS到NSP的下行信道模型是确定性信道模型，如下式：
其中，表示复信道衰落，/>表示BS的阵列转向向量，/>表示维度为N的复向量空间，/>表示RIS的M维阵列转向向量，上标H表示共轭转置变换，/>表示BS到NSP的链路的离开角AoD，/>表示NSP的三维空间位置，/>,/>,/>分别为三维空间坐标值，/>表示BS到NSP的到达角AoA；
NSP到UAV的下行信道模型是由有限条反射或散射路径组成的非确定性信道模型，如下式：
其中，和/>分别表示第/>条传播路径的复路径衰落系数和离开角，/>表示传播路径的总数，/>，其中/>表示平均功率；
步骤S3、基于NSP到UAV下行信道的稀疏特性将所述NSP到UAV的下行信道模型转化到角度域进行表示，构建NSP到UAV的下行离格信道模型；
步骤S4、基于概率论构建信道向量的概率模型；
步骤S5、基于压缩感知理论和NSP到UAV的下行离格信道模型，构建UAV接收信号模型；
步骤S6、基于所述UAV接收信号模型，采用统计机器学习理论，推导信道参数的后验概率，采用期望最大化方法估计信号离开NSP的方向角，并采用循环最小均方误差估计器估计信道衰减值。
优选的，所述步骤S2中，
表示RIS中无源反射单元的间距，/>表示虚数单位，/>表示BS线性阵列天线相邻天线阵元间的间距，/>表示波长。
优选的，和/>的计算方式如下：
。
优选的，所述步骤S3中，所述NSP到UAV的下行离格信道模型表示为：
其中，均匀的角度采样网格，/>表示第n个采样点处的角度值，，离格偏移角向量/>，/>表示最接近第n个采样角的一条传播路径上电磁波的传播方向偏离第n个采样角的大小，/>表示离格转向矩阵，/>表示角域稀疏信道向量。
优选的，所述步骤S4具体包括：
步骤S4-1、将NSP到UAV的下行信道向量分解成隐藏信道支持向量和隐藏信道值向量/>，如下式：
其中，分别表示第1至第N条传播路径是否存在，/>表示第1至第N条传播路径的信道衰减值；
步骤S4-2、建立信道向量的概率模型，表示为：
其中，为隐藏信道支持向量的概率，/>为隐藏信道值向量的概率，是联合条件先验，表示为：
为/>的第n个元素，/>为Dirac delta函数。
优选的，所述步骤S5中，所述UAV接收信号模型如下：
其中，为测量矩阵，/>表示归一化的BS到NSP的信道矩阵，定义为/>，/>表示由BS传输的训练导频矩阵，P表示导频序列数，/>表示RIS的对角线相移矩阵，/>表示复加性高斯白噪声，/>是噪声功率，，/>是一个选择矩阵，其通过随机选择和重新排序/>单位矩阵的/>行而生成，/>是离散傅里叶变换矩阵，/>是通过随机重新排序单位矩阵产生的随机置换矩阵。
优选的，所述步骤S6具体包括：
步骤S6-1、设定离格偏移角向量，执行信道估计模块A，输出/>和/>
其中，表示第i次迭代时/>的取值，/>和/>分别表示信道估计模块A的输出均值和输出方差，/>表示信道估计模块A的输入均值，/>表示信道估计模块A的输入方差，/>和/>的初值均为零向量，/>的初值为/>，/>表示信道的稀疏率，/>表示任意一条激活传播路径上信道衰减值的方差；
更新信道估计模块B的输入和/>为，
其中，表示信道估计模块B的输入均值，/>表示信道估计模块B的输入方差，和/>分别表示信道估计模块A的外在输出均值与外在输出方差；
步骤S6-2、执行信道估计模块B，输出均值和方差/>，
其中，表示求期望，/>表示求方差，/>表示后验概率，且
其中，表示复高斯分布函数，/>表示/>中的第n个元素，/>表示任意一条激活传播路径上信道衰减值的均值；
更新信道估计模块A的输入均值和输入方差/>为，
其中，和/>分别表示信道估计模块B的外在输出均值与外在输出方差；
循环执行信道估计模块A和信道估计模块B，直至收敛；
步骤S6-3、记，采用梯度上升法更新/>为，
其中，表示离格偏移角度更新向量，/>表示第/>次迭代时离格偏移角度更新量，/>表示第n个离格偏移角度，/>；
步骤S6-4、更新，返回步骤S6-1直至收敛。
相比于现有技术，本发明的有益效果在于：
（1）本发明的一种临近空间平台到无人机下行多径信道估计方法，将原始NSP到UAV的稀疏信道模型转化到角度域进行表示，进而将复杂的信道估计问题转化为压缩感知问题，并基于设计的压缩感知测量矩阵推导出了具有较少导频开销的训练导频矩阵。
（2）本发明的一种临近空间平台到无人机下行多径信道估计方法，推导了NSP到UAV信道的先验概率，以表征信道的随机性与稀疏性，并据此推导了NSP到UAV信道的后验概率和构建了该后验概率的因子图。
（3）本发明的一种临近空间平台到无人机下行多径信道估计方法，提出了一个NSP到UAV信道的循环正交近似消息传播估计方法，该方法通过循环MMSE参数估计模块的设计消除了因子图中的环结构并利用EM方法得到了信道参数的估计值。
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，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。
图1是RIS辅助的临空信息通信系统示意图。
图2是本发明所提出的一种循环正交近似消息传播方法工作原理图。
图3是隐藏信道支持向量和隐藏信道值向量的因子图示意图。
图4是在导频序列数为48且RIS无源反射单元数为128的条件下信道估计准确度随无人机接收信噪比的变化趋势。
图5是在导频序列数为48且RIS无源反射单元数为256的条件下信道估计准确度随无人机接收信噪比的变化趋势。
图6是在无人机接收信噪比为15 dB且RIS无源反射单元数为128的条件下信道估计准确度随导频序列数的变化趋势。
图7是在无人机接收信噪比为15 dB且RIS无源反射单元数为256的条件下信道估计准确度随导频序列数的变化趋势。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明考虑一个RIS辅助的NSP到UAV的通信系统的下行通信场景，目的是以一种高能效的方式为地面URLLC设备提供服务。该系统主要包括一个BS、一个安装了RIS的NSP、一架低空UAV和多个地面URLLC GU。BS将通过RIS辅助的NSP向这些URLLC GU发射URLLC信号。
然而，由于丰富的障碍物（如摩天大楼和树木）或源-目的地距离过长导致的严重信号衰减，源-目的间的直接通信路径将被阻断。此时，安装了RIS的NSP和无人机可以合作，在BS和多个URLLC GU之间建立超可靠的临近空间通信链路。安装了RIS的NSP作为无源的飞行中继，无人机作为有源的飞行中继。在这个系统中，BS位于原点，其配备了一个具有个阵元的均匀线性阵列（Uniform Linear Array，ULA）天线。天线增益等于/>，相邻天线阵元间的间距为/>。假设有/>个单天线的URLLC GU，它们随机、均匀地分布在所讨论的区域/>内。无人机配备有全向天线并悬停在空中。本发明拟采用频分多址接入的方式来消除小区内部的信号干扰。
在NSP的正下方安装了一个ULA结构的RIS，以提供广域和全角度的信号覆盖。RIS包括个无源反射单元，以/>的间距分开。将BS的阵列部署在X轴上。NSP在平流层的一个固定点/>处悬停。RIS的所有阵元都被激活，且没有功率放大功能。此时，RIS的对角线相移矩阵可以被表示为：
其中，是第n个阵元的相移参数，/>。在第一个传输阶段，BS将在NSP中继的协助下向无人机传输URLLC信号。此阶段可以构建一个由BS到NSP的信道和NSP到UAV的信道组成的级联信道。用/>表示BS到NSP的下行信道模型，用/>表示NSP到UAV的下行信道模型。因此，UAV从BS接收到的信号可以表示为：
其中，是BS的发射功率，/>是单位幅度的预编码向量，/>是BS的单位功率的发射信号，/>是加性白高斯噪声（Additive white Gaussian noise，AWGN），服从分布，/>表示噪声功率。
至此，无人机的瞬时SNR，记为，可以通过以下公式计算得到：
在第二个传输阶段，无人机对收到的来自BS的URLLC数据包进行解码，重新编码并通过频分多址接入方案将数据包转发给URLLC GU。用表示UAV到第k个URLLC GU的信道模型，/>。那么，在考虑的区域内第k个URLLC GU的接收信号可以表示为：
其中，为UAV的发射功率，/>为UAV的单位功率的发射信号，噪声/>服从正态分布，且均值为零，方差为/>。
那么，第k个URLLC GU接收的瞬时SNR，记为，可以通过以下公式计算得到：
本发明提出的一种临近空间平台到无人机下行多径信道估计方法，包括以下步骤：
第一步，构建包括BS、安装RIS的NSP、UAV和URLLC GU的通信系统，其中BS表示基站，RIS表示可重构智能表面，NSP表示临近空间平台，UAV表示无人机，URLLC GU表示地面用户。
第二步，构建BS到NSP的下行信道模型以及NSP到UAV的下行信道模型/>。
NSP通常被部署在没有大量散射体的环境中。因此，假设BS到NSP的下行信道由LoS分量主导是合理的。由此得出的BS到NSP的下行信道模型是确定性信道模型，可以表示为：
其中，表示复信道衰落，/>表示BS的阵列转向向量，/>表示维度为N的复向量空间，/>表示RIS的M维阵列转向向量，上标H表示共轭转置变换，/>表示BS到NSP的链路的离开角AoD，/>表示NSP的三维空间位置，/>分别为三维空间坐标值，/>表示BS到NSP的到达角AoA。
且，/>，/>是波长。/>表示BS到NSP的链路的离开角AoD，/>表示BS到NSP的到达角AoA。
在全球定位系统或其他定位系统获得的精确位置信息的帮助下，BS和NSP间的AoA和AoD可以通过以下公式计算得到：
由于BS到NSP的信道相对稳定，因此，假设其信道衰落长期保持稳定，且不需要进行连续估计是合理的。进而可以认为其信道衰落是预先知道的。
与BS到NSP下行信道不同，NSP到UAV下行信道的传播环境更加复杂。UAV通常被部署在靠近URLLC GU的地方，以建立高质量的UAV到URLLC GU的链路。这导致无人机周围存在一些物理散射体（如树木、建筑物和山脉）；因此，假设NSP到UAV下行信道由有限的反射/散射路径组成。此外，由于NSP到UAV下行链路的高频传输特性，传输信号具有良好的几何特性。为此，采用基于Saleh-Valenzuela表示法的窄带几何信道模型表示NSP到UAV的下行信道模型，即，
其中，和/>分别表示第/>条传播路径的复路径衰落系数和离开角，/>表示传播路径的总数，/>，其中/>表示平均功率。
第三步，基于NSP到UAV下行信道的稀疏特性将所述NSP到UAV的下行信道模型转化到角度域进行表示，构建NSP到UAV的下行离格信道模型，以提高信道建模的准确性。
对于多天线通信系统而言，随着天线数量的增加，角域的空间分辨率也将相应地扩大。由于NSP到UAV的下行信道包含有限数量的传播路径，该信道在角域内的表示将是稀疏的。为了有效利用这一稀疏特性，可以将下行离格信道模型转化到角域进行表示。如此，信道估计问题可以转化为稀疏信号恢复问题。一般来说，采用均匀的采样网格（通过离散化角域/>得到）匹配实际的AoD，/>表示第n个采样角，。记为/>(/>)，/>表示实际的AoD向量，/>表示第1条路径的AoD，/>表示第L条路径的AoD。在理想条件下，假设所有AoD都能准确地匹配网格点。然而，真实角度的连续分布特征表明，网格采样方式在实际中不能有效地捕获真实的AoD。因此，基于网格模型的AoD估计通常会带来不可忽略的估计误差。为了取得高精度的估计结果，需要在网格模型中引入离格偏移量，这也被称为离格模型。具体来说，给定/>和其最近的采样网格点/>，/>表示第l条路径的AoD，/>表示与第l条路径的AoD相对应的采样网格中的采样角。
可以定义离格偏移为：
的情况表明，只有激活的路径才会被分配非零的偏移量（如果事先不知道真实路径的数量，可以设置一个路径强度阈值来过滤非激活路径）。那么相应的离格转向矩阵是/>，离格偏移角向量/>，角域稀疏信道向量是/>，其有/>个非零元素。最后，NSP到UAV的下行离格信道模型记为：
通过迭代调整离格偏移量，采样网格点和真实的AoD之间的差距将大大减小。因此，离格模型总是比网格模型更有优势。
第四步，基于概率论构建信道向量的概率模型。
NSP到UAV的下行信道在角域具有很强的稀疏性，且其衰减值随机变化。为了充分利用这一特征，可以由两个独立的随机隐藏向量，即隐藏信道支持向量和隐藏信道值向量进行建模。其中，二进制的隐藏信道支持向量/>代表路径是否激活。具体来说，如果/>，那么在第/>个AoD方向上就有一条激活的路径。定义/>，表示信道的稀疏性。隐藏信道值向量/>表示路径的复值衰落。/>服从独立同分布（Independent Identically Distribution，i.i.d.）复高斯分布，且均值为/>，方差为/>。值得注意的是，/>并不决定来自相应AoD方向的第/>条路径是否被激活。为此，角域稀疏信道向量可以表示为：
至此，NSP到UAV的信道向量的概率模型可以表述为：
其中，为隐藏信道支持向量的概率，/>为隐藏信道值向量的概率，是联合条件先验，且当/>时，/>；否则，/>。因此，/>可以表示为：
其中，为/>的第n个元素，/>为Dirac delta函数。
第五步，基于压缩感知理论和NSP到UAV的下行离格信道模型，构建UAV接收信号模型。
使用角域信道表示并输入一个导频矩阵，可以将改写为标准的UAV接收信号模型：
其中，为测量矩阵，/>表示归一化的BS到NSP的信道矩阵，定义为/>，/>表示由BS传输的训练导频矩阵，P表示导频序列数，/>表示RIS的对角线相移矩阵，/>表示复加性高斯白噪声，/>是噪声功率。
此外，实际应用中事先并不知道离格偏移量。尽管如此，如果部署了大规模阵列天线，测量矩阵。因此，在生成导频矩阵时，将相应的离格偏移量设置为零，此时，存在
其中，是一个选择矩阵，其通过随机选择和重新排序/>单位矩阵的/>行而生成，/>是离散傅里叶变换矩阵，/>是通过随机重新排序/>单位矩阵产生的随机置换矩阵。测量矩阵包括导频矩阵、BS到NSP的信道矩阵和RIS相移矩阵。可以事先计算出BS到NSP的CSI；然而，RIS的相移是未知的。为了解决这个问题，可以在设计导频矩阵阶段规定/>，/>。如此，由BS传输的导频矩阵可以表示为
。
第六步，基于所述UAV接收信号模型，采用统计机器学习理论，推导信道参数的后验概率，采用期望最大化方法估计信号离开NSP的方向角，并采用循环最小均方误差估计器估计信道衰减值。
如图2所示，本发明提出了一种循环正交近似消息传播（Recurrent orthogonalapproximate massage passing，R-OAMP）方法，可以解耦线性和非线性观测值。
信道估计模块A是一个线性MMSE（linear MMSE，LMMSE）估计器，从信道估计模块B输入观测值和信息；信道估计模块B是一个MMSE估计器，从信道估计模块A输入固有的稀疏先验和信息。两个信道估计模块将循环工作直至收敛。
（1）在信道估计模块A中，由于只考虑线性观测，可以认为是输入均值为/>和输入方差为/>的高斯分布，且从信道估计模块B中传递过来，没有稀疏的先验信息。基于接收到的信号和先验分布/>，信道估计模块A的输出均值/>及输出误差/>分别由下式计算得到：
由于和/>相互独立，外在信息也受高斯分布的影响，即，
因此，信道估计模块B的输入和/>可以通过下式计算得到：
其中，表示信道估计模块B的输入均值，/>表示信道估计模块B的输入方差，和/>分别表示信道估计模块A的外在输出均值与外在输出方差。
（2）在信道估计模块B中，采用基于消息传递的稀疏信号恢复方法，一个基本假设是是通过向量/>的近似AWGN得到的，其数学表达式为：
其中，独立于/>。大量仿真表明，AWGN观测假设对于OAMP来说是有效的。此外，如果使用/>而不是联合概率/>构建因子图，在因子图上运行的消息传递方法的每次迭代计算复杂性可以显著降低到/>。
因此，基于，联合概率/>的因子图/>可以描述为图3。由于因子图/>不包含环结构，可以直接利用求和乘积消息传递规则，无需额外的近似。消息传递的细节如下：
a）计算从因子节点到变量节点/>的信息，用/>表示。根据求和乘积规则，可以利用以下方式进行计算：
b）基于先验信息计算从变量节点到因子节点/>的信息，即
c）根据求和乘积规则，从因子节点到变量节点/>的信息可以计算为：
其中，表示从变量节点/>到因子节点/>的信息，/>的分布是一个伯努利-高斯分布，只需三个参数/>就可以控制/>的分布。实际情况中即使无法获得这些参数的先验信息，也可以通过一些方法（如EM方法）来估计它们的值。
d）后验概率可以通过以下公式计算得到：
在信道估计模块B中，充分利用NSP到UAV信道的稀疏结构，输出均值和方差/>。
其中，表示求期望，/>表示求方差，/>表示后验概率，且
/>
其中，表示复高斯分布函数，/>表示/>中的第n个元素，/>表示任意一条激活传播路径上信道衰减值的均值；
在更新的后验概率后，信道估计模块A的输入均值/>和输入方差/>为，
其中，和/>分别表示信道估计模块B的外在输出均值与外在输出方差；
当在信道估计模块B中通过消息传递获得后验概率时，外在消息将被送回信道估计模块A。R-OAMP在信道估计模块A和信道估计模块B之间循环执行消息传递，直到收敛。
（3）记，离格偏移量/>的更新公式为，
其中，表示离格偏移角度更新向量，/>表示第/>次迭代时离格偏移角度更新量，/>表示第n个离格偏移角度，/>；
且，，/>，，/>，/>为迭代步长，/>表示/>的第j个元素，/>表示/>的第n个元素，，/>为取复数的实部；
最后，所提出的R-OAMP方法的实现步骤可以归纳如下：
输入：接收信号（或观测值）y，测量矩阵F(0)，噪声方差，最大循环次数/>，，/>，/>，/>。
步骤1，给定，调用信道估计模块A中的公式计算/>和/>，并输出和/>。
步骤2，基于模块A的输出，调用信道估计模块B中的公式计算和/>，并输出/>和/>。
步骤3，重复执行步骤1和步骤2直至收敛。
步骤4，利用梯度上升法更新离格偏移量，令/>，并重复执行步骤1至步骤4，直至算法收敛或/>。
输出：和/>。
至此，本发明利用一种循环估计方法，得到了NSP到UAV信道的衰落值。
实施例1
下面是利用本发明的临近空间平台到无人机下行多径信道估计方法实现NSP到UAV下行信道估计的一个实例。
为了评估所提出的信道估计方法R-OAMP的有效性，将本实施例与如下基准算法进行了比较：正交消息传递（Orthogonal Message Passing，OMP）、稀疏贝叶斯学习（SparseBayesian Learning，SBL）和子空间追求（Subspace Pursuit，SP）。
在本实施例中，考虑一个大小为的正方形区域/>，其中心点的位置为。URLLC GU随机分布在/>中。BS的载波频率/>GHz，UAV的载波频率GHz。BS到NSP的复信道衰落/>由自由空间传播模型产生。NSP到UAV的信道实现由条传播路径组成，以保证信道稀疏性，/>在/>范围内随机分布。更多的系统参数如下：/>，/>，/>km，/>，UAV的三维空间位置/>km，W，/>W，/>dB，/>dBm，/>dBm。
对于所提出的R-OAMP方法，其参数在每次迭代中通过EM算法自动更新，且设置最大的迭代次数/>。此外，选择归一化均方误差（Normalized mean squareerror，NMSE）指标来评估信道估计方法的性能，其定义为
其中，是对/>的估计。
图4和图5展示了所有信道估计方法在不同的条件下估计精度的变化趋势。从图中可以观察到：1）对于所有的信道估计方法，它们的估计性能将随着的增加而提高；2）与其他估计方法相比，本发明的信道估计方法的信道估计精度至少提高了/>dB；3）当有更多的RIS反射单元时，即NSP到UAV的信道变得更加稀疏时，本发明所提出的信道估计方法的估计精度会进一步提高。
图6和图7展示了所有信道估计方法的估计性能与导频序列数的关系。从图中可以得出：1）除了OMP，其余估计方法的NMSE随着导频序列数的增加而急剧下降。例如，当导频数从/>增加到/>时，R-OAMP获得的NMSE下降了/>dB；2）给定不同的/>和/>时，R-OAMP总是可以获得最小的NMSE。这表明R-OAMP通过利用NSP到UAV信道在角域的稀疏性，可以以较低的导频开销获得更精确的信道估计结果。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系。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本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (5)
1.一种临近空间平台到无人机下行多径信道估计方法，其特征在于，包括以下步骤：
步骤S1、构建包括BS、安装RIS的NSP、UAV和URLLC GU的通信系统，其中BS表示基站，RIS表示可重构智能表面，NSP表示临近空间平台，UAV表示无人机，URLLC GU表示地面用户；
步骤S2、构建BS到NSP的下行信道模型以及NSP到UAV的下行信道模型/>；
其中，BS到NSP的下行信道模型是确定性信道模型，如下式：
其中，表示复信道衰落，/>表示BS的阵列转向向量，/>表示维度为N的复向量空间，/>表示RIS的M维阵列转向向量，上标H表示共轭转置变换，/>表示BS到NSP的链路的离开角AoD，/>表示NSP的三维空间位置，/>分别为三维空间坐标值，/>表示BS到NSP的到达角AoA；
NSP到UAV的下行信道模型是由有限条反射或散射路径组成的非确定性信道模型，如下式：
其中，和/>分别表示第/>条传播路径的复路径衰落系数和离开角，/>表示传播路径的总数，/>，其中/>表示平均功率；
步骤S3、基于NSP到UAV下行信道的稀疏特性将所述NSP到UAV的下行信道模型转化到角度域进行表示，构建NSP到UAV的下行离格信道模型；
步骤S4、基于概率论构建信道向量的概率模型；
步骤S5、基于压缩感知理论和NSP到UAV的下行离格信道模型，构建UAV接收信号模型；
步骤S6、基于所述UAV接收信号模型，采用统计机器学习理论，推导信道参数的后验概率，采用期望最大化方法估计信号离开NSP的方向角，并采用循环最小均方误差估计器估计信道衰减值；
所述步骤S5中，所述UAV接收信号模型如下：
其中，为测量矩阵，/>表示离格偏移角向量，/>表示归一化的BS到NSP的信道矩阵，定义为/>，/>表示由BS传输的训练导频矩阵，P表示导频序列数，/>表示RIS的对角线相移矩阵，/>表示角域稀疏信道向量，/>表示离格转向矩阵，/>表示复加性高斯白噪声，/>是噪声功率，/>，是一个选择矩阵，其通过随机选择和重新排序/>单位矩阵的/>行而生成，是离散傅里叶变换矩阵，/>是通过随机重新排序/>单位矩阵产生的随机置换矩阵；
所述步骤S6具体包括：
步骤S6-1、设定离格偏移角向量，执行信道估计模块A，输出/>和/>
其中，表示第i次迭代时/>的取值，/>和/>分别表示信道估计模块A的输出均值和输出方差，/>表示信道估计模块A的输入均值，/>表示信道估计模块A的输入方差，和/>的初值均为零向量，/>的初值为/>，/>表示信道的稀疏率，/>表示任意一条激活传播路径上信道衰减值的方差；
更新信道估计模块B的输入和/>为，
其中，表示信道估计模块B的输入均值，/>表示信道估计模块B的输入方差，/>和分别表示信道估计模块A的外在输出均值与外在输出方差；
步骤S6-2、执行信道估计模块B，输出均值和方差/>，
其中，表示求期望，/>表示求方差，/>表示后验概率，/>为/>的第n个元素，且
其中，表示复高斯分布函数，/>表示/>中的第n个元素，/>表示任意一条激活传播路径上信道衰减值的均值；
更新信道估计模块A的输入均值和输入方差/>为，
其中，和/>分别表示信道估计模块B的外在输出均值与外在输出方差；
循环执行信道估计模块A和信道估计模块B，直至收敛；
步骤S6-3、记，采用梯度上升法更新/>为，
其中，表示离格偏移角度更新向量，/>表示第/>次迭代时离格偏移角度更新量，表示第n个离格偏移角度，/>；
步骤S6-4、更新，返回步骤S6-1直至收敛。
2.根据权利要求1所述的临近空间平台到无人机下行多径信道估计方法，其特征在于，所述步骤S2中，
表示RIS中无源反射单元的间距，/>表示虚数单位，/>表示BS线性阵列天线相邻天线阵元间的间距，/>表示波长。
3.根据权利要求2所述的临近空间平台到无人机下行多径信道估计方法，其特征在于，和/>的计算方式如下：
。
4.根据权利要求3所述的临近空间平台到无人机下行多径信道估计方法，其特征在于，所述步骤S3中，所述NSP到UAV的下行离格信道模型表示为：
其中，均匀的角度采样网格，/>表示第n个采样点处的角度值，，离格偏移角向量/>，/>表示最接近第n个采样角的一条传播路径上电磁波的传播方向偏离第n个采样角的大小。
5.根据权利要求4所述的临近空间平台到无人机下行多径信道估计方法，其特征在于，所述步骤S4具体包括：
步骤S4-1、将NSP到UAV的下行信道向量分解成隐藏信道支持向量和隐藏信道值向量/>，如下式：
其中，分别表示第1至第N条传播路径是否存在，/>表示第1至第N条传播路径的信道衰减值；
步骤S4-2、建立信道向量的概率模型，表示为：
其中，为隐藏信道支持向量的概率，/>为隐藏信道值向量的概率，/>是联合条件先验，表示为：
为Dirac delta函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410338643.0A CN117938587B (zh) | 2024-03-25 | 2024-03-25 | 一种临近空间平台到无人机下行多径信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410338643.0A CN117938587B (zh) | 2024-03-25 | 2024-03-25 | 一种临近空间平台到无人机下行多径信道估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117938587A CN117938587A (zh) | 2024-04-26 |
| CN117938587B true CN117938587B (zh) | 2024-06-07 |
Family
ID=90761468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410338643.0A Active CN117938587B (zh) | 2024-03-25 | 2024-03-25 | 一种临近空间平台到无人机下行多径信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117938587B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107040296A (zh) * | 2017-02-28 | 2017-08-11 | 北京航空航天大学 | 毫米波通信中的信道估计方法 |
| CN107360108A (zh) * | 2017-08-10 | 2017-11-17 | 电子科技大学 | Fdd大规模mimo多用户自适应低复杂度信道估计 |
| WO2018179557A1 (en) * | 2017-03-31 | 2018-10-04 | Mitsubishi Electric Corporation | Method for decoding symbol and receiver for receiving and decoding symbol |
| CN110380995A (zh) * | 2019-07-12 | 2019-10-25 | 电子科技大学 | 具有透镜天线阵的mimo系统的稀疏信道估计方法 |
| CN113937513A (zh) * | 2021-11-25 | 2022-01-14 | 清华大学 | 二维稀疏天线阵列设计方法、装置、设备及介质 |
| CN116471148A (zh) * | 2023-04-10 | 2023-07-21 | 郑州大学 | 一种基于稀疏贝叶斯学习的信道估计方法 |
| CN117614781A (zh) * | 2023-11-23 | 2024-02-27 | 山东大学 | 基于ris的两阶段超分辨率参数信道估计方法及装置 |
-
2024
- 2024-03-25 CN CN202410338643.0A patent/CN117938587B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107040296A (zh) * | 2017-02-28 | 2017-08-11 | 北京航空航天大学 | 毫米波通信中的信道估计方法 |
| WO2018179557A1 (en) * | 2017-03-31 | 2018-10-04 | Mitsubishi Electric Corporation | Method for decoding symbol and receiver for receiving and decoding symbol |
| CN107360108A (zh) * | 2017-08-10 | 2017-11-17 | 电子科技大学 | Fdd大规模mimo多用户自适应低复杂度信道估计 |
| CN110380995A (zh) * | 2019-07-12 | 2019-10-25 | 电子科技大学 | 具有透镜天线阵的mimo系统的稀疏信道估计方法 |
| CN113937513A (zh) * | 2021-11-25 | 2022-01-14 | 清华大学 | 二维稀疏天线阵列设计方法、装置、设备及介质 |
| CN116471148A (zh) * | 2023-04-10 | 2023-07-21 | 郑州大学 | 一种基于稀疏贝叶斯学习的信道估计方法 |
| CN117614781A (zh) * | 2023-11-23 | 2024-02-27 | 山东大学 | 基于ris的两阶段超分辨率参数信道估计方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 临空信息网络信道建模与动态部署技术展望;曹先彬，杨朋;航空学报;20220621;第43卷(第10期);527332-1~527332-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117938587A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Joint beam training and positioning for intelligent reflecting surfaces assisted millimeter wave communications | |
| Arnold et al. | Enabling FDD massive MIMO through deep learning-based channel prediction | |
| Yu et al. | 3D channel tracking for UAV-satellite communications in space-air-ground integrated networks | |
| Teng et al. | Bayesian user localization and tracking for reconfigurable intelligent surface aided MIMO systems | |
| Zhu et al. | Bayesian channel estimation in multi-user massive MIMO with extremely large antenna array | |
| Rao et al. | Channel estimation in one-bit massive MIMO systems: Angular versus unstructured models | |
| Liu et al. | Two-timescale hybrid compression and forward for massive MIMO aided C-RAN | |
| CN114172597B (zh) | 一种基于可重构智能表面的非迭代参数联合估计方法 | |
| Li et al. | Distributed MIMO radar based on sparse sensing: Analysis and efficient implementation | |
| Ge et al. | Unscented Kalman filter based beam tracking for UAV-enabled millimeter wave massive MIMO systems | |
| EP4295492A1 (en) | Wireless telecommunications network including a multi-layer transmissive reconfigureable intelligent surface | |
| Wang et al. | Cell-free massive MIMO with UAV access points: UAV location optimization | |
| CN116508269B (zh) | 无线电信网络 | |
| Gomes et al. | Channel estimation in RIS-assisted MIMO systems operating under imperfections | |
| Qiao et al. | Sensing user’s activity, channel, and location with near-field extra-large-scale MIMO | |
| CN111865844B (zh) | 大规模mimo全双工中继系统信道估计方法和装置 | |
| CN117938587B (zh) | 一种临近空间平台到无人机下行多径信道估计方法 | |
| Choi | Compressive random access for MTC in distributed input distributed output systems | |
| CN115022146B (zh) | 一种可重构智能表面辅助的通信与定位一体化全双工系统 | |
| Rajoriya et al. | Centralized and decentralized channel estimation in FDD multi-user massive MIMO systems | |
| US8014981B2 (en) | Angular-domain channel model and channel estimation | |
| CN106230755B (zh) | 一种mimo系统信道估计方法和装置 | |
| Lin et al. | Robust Channel estimation for 5G mm wave massive MIMO relay communication systems | |
| Guo et al. | Optimizing Antenna Topology for Massive MIMO Planar Arrays With Line-of-Sight Deterministic Channels | |
| Liu et al. | Channel tracking for uniform rectangular arrays in mmwave massive mimo 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 |