CN117955778A - 基于噪声抑制的智能反射面辅助通信系统的信道估计方法 - Google Patents

Abstract

本发明公开了基于噪声抑制的智能反射面辅助通信系统的信道估计方法。该方法包括：构造智能反射面IRS辅助的移动用户MU和基站BS的上行通信系统；构建基于潜在特征空间噪声抑制的信道估计神经网络，该神经网络包括用于提取潜在特征的变分自编码器网络和用于估计信道参数的UNet网络；训练所述变分自编码器网络；固定所述变分自编码器网络的参数，对所述基于潜在特征空间噪声抑制的信道估计神经网络进行训练，获得训练完好的所述UNet网络；将基站接收信号输入上述训练完好的所述UNet网络，基于UNet网络估计信道参数并输出估计信道矩阵。本发明利用特征空间噪声抑制的网络模型极大地提高了基于智能反射面辅助的信道估计的精确度，并降低了信道估计的时间复杂度。

Description

基于噪声抑制的智能反射面辅助通信系统的信道估计方法

技术领域

本发明涉及借助于智能反射面进行无线通信技术领域，尤其涉及基于噪声抑制的智能反射面辅助通信系统的信道估计方法。

背景技术

可重构智能表面(Intelligent Reflective Surface,IRS)因其低成本、高效率和配置灵活的特性，已经在无线通信、雷达探测、信号处理等领域得到了广泛的应用。IRS由大量的低成本无源反射元件组成，可以通过控制各反射元件的参数实现无线传播环境的智能重构，从而显著提高无线传输的通信性能，以达到增强信号覆盖、提升频谱效率、降低能耗及延伸通信距离等多重益处。要对IRS各反射元件的相位/幅度进行调节，使其充分抑制干扰达到最优传输性能，则需要准确知道信道状态信息(Channel State Information,CSI)，高质量的信道估计可以使IRS能够更精确地调整其反射元件的状态，以适应无线传播的动态变化。由于成本和功耗的限制，传统的IRS通常为被动模式，无法分别获取从移动设备到IRS以及从IRS到基站的信道状态信息，所以需要估计从移动设备到基站的级联信道。为了解决这些问题，近期的研究开始集中在新的信道估计技术和算法，例如最优最小均方误差估计器，但其涉及多维积分，会造成很大的计算负担，也有研究致力于开发半主动或主动的IRS元件，但这些元件也大大增加了系统的复杂度和成本。

最近，在IRS辅助的通信系统中，深度学习技术因其在信道估计方面的高效性能而备受关注，使用深度学习的方法可以减少对昂贵和复杂硬件的依赖，但是如何在获得更准确的信道估计的同时减小神经网络的时间复杂度也是亟待解决的问题。

发明内容

为解决上述技术问题，本发明提供基于噪声抑制的智能反射面辅助通信系统的信道估计方法，网络模型包括两部分：变分自编码器网络和UNet网络。首先对变分自编码器网络进行训练，接着固定变分自编码器网络参数，对整个网络进行训练，而估计阶段只利用UNet网络。在降低时间复杂度的前提下实现准确地信道估计。

具体地，本发明利用变分自编码器网络中的编码器输出不含噪的潜在特征向量，使得UNet网络的编码器学习该不含噪的特征。变分自编码器网络以最小化估计的不含噪声的BS接收信号和其真实值之间的归一化均方误差为目标，主要是为了使得其中编码器输出不含噪的潜在特征向量；而后固定变分自编码器，训练整个网络，让UNet网络的编码器可以学习到不含噪的潜在特征向量。由于UNet网络的输入是带噪接收数据，利用变分自编码器可以迫使UNet网络的编码器学习不含噪的潜在特征向量，从而对噪声进行抑制，提高后续解码器进行信道估计的准确度。而在估计阶段，仅需利用UNet网络进行信道估计，有效降低信道估计的时间成本。

为实现上述目的，本发明所采用的技术方案如下：

第一方面，基于噪声抑制的智能反射面辅助通信系统的信道估计方法，包括以下内容：

步骤1、构造智能反射面IRS辅助的移动用户MU和基站BS的上行通信系统；

步骤2、构建基于潜在特征空间噪声抑制的信道估计神经网络，该神经网络包括用于提取潜在特征的变分自编码器网络和用于估计信道参数的UNet网络；

步骤3、训练所述变分自编码器网络；

步骤4、固定所述变分自编码器网络的参数，对所述基于潜在特征空间噪声抑制的信道估计神经网络进行训练，获得训练完好的所述UNet网络；

步骤5、将基站接收信号输入至步骤4训练完好的所述UNet网络，基于所述UNet网络估计信道参数并输出估计信道矩阵。

进一步的，上述基于噪声抑制的智能反射面辅助通信系统的信道估计方法中，所述上行通信系统包括BS、IRS和MU，其中BS和MU分别具有M个天线和1个天线，IRS具有N个反射单元；IRS反射单元的等效相移矩阵记为Ω＝diag(θ)，其中diag(·)表示对矢量进行对角化操作，相移向量/>β_n∈[0,1]和/>分别代表第n个反射单元的反射幅度和反射相位，[·]^T为转置运算，设β_n(n＝1,2,…,N)为1，信道遵循准静态平坦衰落时，MU到BS的通信链路记为/>直射信道被阻挡，存在若干条散射信道；IRS到BS的通信链路记为/>MU到IRS的通信链路记为/>各存在一条直射信道和若干条散射信道，其中∈表示属于符号，/>表示复数集合，MU通过IRS反射到BS的通信链路写为：

h＝H₁Ωh₂＝H₁diag(θ)h₂＝H₁diag(h₂)θ

记信道C＝H₁diag(h₂)，为级联信道，则待估计的信道矩阵H表示为：

在第k个时隙，BS的接收信号y(k)表示为：

其中，x(k)表示MU发送的导频信号，w(k)表示BS接收的噪声向量，θ(k)为第k个时隙的相移向量，x(k)设为1，w(k)中的元素均服从均值为0、方差为/>的复高斯分布，/>为噪声功率；经过N+1个时隙后，BS的接收信号表示为：

其中，Y＝[y(1),y(2),…,y(N+1)]，被设计为离散傅里叶变换矩阵的形式，W＝[w(1),w(2),…,w(N+1)]，Z代表不含噪声的BS接收信号。

进一步的，上述基于噪声抑制的智能反射面辅助通信系统的信道估计方法中，所述构建基于潜在特征空间噪声抑制的信道估计神经网络，该神经网络包括用于提取潜在特征的变分自编码器网络和用于估计信道参数的UNet网络；变分自编码器网络的输入为所述不含噪声的BS接收信号Z，经过编码器1后输出潜在特征向量P₁，经过解码器1后输出估计的不含噪声的BS接收信号UNet网络的输入是所述经过N+1个时隙后，BS的接收信号Y，经过编码器2后输出特征向量P₂，经过解码器2后输出估计信道矩阵/>

进一步的，上述基于噪声抑制的智能反射面辅助通信系统的信道估计方法中，所述基于潜在特征空间噪声抑制的信道估计神经网络包括变分自编码器网络和UNet网络两部分；所述变分自编码器网络包括编码器1和解码器1；所述编码器1的结构包括四个二维卷积块、全连接块1和全连接块2，将输入数据映射到潜在空间中的均值μ和标准差σ后，进行重参数化输出潜在特征向量P₁，所述二维卷积块包括一个卷积核大小为5×2、步长为(2,1)的二维卷积层，一个批归一化层和一个ReLU激活函数，四个二维卷积块的通道维数分别为32、64、64和64；所述全连接块1是由两个Dropout层、全连接层、批归一化层和ReLU激活函数交替组成的神经网络结构；所述全连接块2与全连接块1结构一致；所述解码器1的结构包括全连接块3和四个二维反卷积块，将潜在空间中的编码解码为原始数据；所述全连接块3包括全连接层、批归一化层、ReLU激活函数、全连接层，再经过一个批归一化层处理后进行Reshape操作；二维反卷积块包括一个卷积核大小为5×2、步长为(2,1)的二维反卷积层，一个批归一化层和一个ReLU激活函数，每个二维反卷积层的输入由上一层的输出和对应二维卷积层的输出拼接而来；输出潜在特征向量P₁表示为：

P₁＝γ⊙exp(σ)+μ

其中，γ是从标准正态分布中抽取的随机数，⊙表示对应元素相乘，最终经过解码器1后输出估计的不含噪声的BS接收信号

所述UNet网络包括编码器2和解码器2；编码器2的结构包括四个二维卷积块和一个全连接块4，经过编码器2后输出向量P₂；解码器2的结构包括一个全连接块5和四个二维反卷积块；最终经过解码器2后输出估计信道矩阵

进一步的，上述基于噪声抑制的智能反射面辅助通信系统的信道估计方法中，所述训练变分自编码器网络；以最小化估计的不含噪声的BS接收信号和其真实值之间的归一化均方误差为目标，即：

其中，MSE表示均方误差计算，σ_i和μ_i分别是σ和μ的向量元素，对变分自编码器网络进行训练，直至获得一组训练完好的变分自编码器网络参数。

进一步的，上述基于噪声抑制的智能反射面辅助通信系统的信道估计方法中，所述的固定变分自编码器网络的参数，对基于潜在特征空间噪声抑制的信道估计神经网络中的UNet网络进行训练，获得训练完好的神经网络；固定变分自编码器的网络参数，以UNet网络的编码器2输出向量P₂能够学习不含噪的潜在特征向量P₁的特征、解码器2输出的估计信道矩阵接近真实的待估计的信道矩阵H为目标，即：

其中，NMSE表示归一化均方误差计算，对基于潜在特征空间噪声抑制的信道估计神经网络进行训练，直至获得训练完好的UNet网络。

进一步的，上述基于噪声抑制的智能反射面辅助通信系统的信道估计方法中，所述的将基站接收信号输入至所示训练完好的神经网络，基于UNet网络估计信道参数并输出估计信道矩阵；在实际估计阶段，将BS接收信号输入所述训练完好的UNet网络，得到所求的估计信道矩阵。

第二方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种基于自编码器的智能反射面辅助毫米波通信系统的信道估计方法。

第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于自编码器的智能反射面辅助毫米波通信系统的信道估计方法。

本发明的有益效果在于：

面对存在障碍物阻挡移动用户和基站通信的情况，在智能反射面的辅助下，通信可以顺利进行。由于智能反射面是由大量的无源反射元件组成，获取准确的信道估计十分具有挑战性。本发明利用变分编码网络的编码器可以获取不含噪的潜在特征向量，有助于UNet网络的编码器学习到无噪的特征向量，达到抑制噪声的目的，大幅提升了信道估计的精确度。最后，训练完成后，仅利用UNet网络部分进行信道估计，降低时间复杂度。

附图说明

图1为本发明基于噪声抑制的智能反射面辅助通信系统的信道估计方法的整体流程；

图2为本发明提供的智能反射面辅助的移动用户和基站的上行通信系统示意图；

图3为本发明提供的基于潜在特征空间噪声抑制的神经网络结构图；

图4为本发明提供的基于潜在特征空间噪声抑制的神经网络中的编解码器具体结构；

图5为本发明提供的神经网络训练和估计阶段示意图；

图6为本发明提供的估计精度随输入信噪比变化的性能曲线。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种基于潜在特征空间噪声抑制的智能反射面辅助通信系统的信道估计方法，如图1所示，该方法主要包括如下步骤：

步骤1、构造智能反射面IRS辅助的移动用户MU和基站BS的上行通信系统；

步骤2、构建基于潜在特征空间噪声抑制的信道估计神经网络，该神经网络包括用于提取潜在特征的变分自编码器网络和用于估计信道参数的UNet网络；

步骤3、训练所述变分自编码器网络；

步骤4、固定所述变分自编码器网络的参数，对所述基于潜在特征空间噪声抑制的信道估计神经网络进行训练，获得训练完好的所述UNet网络；

步骤5、将基站接收信号输入至步骤4训练完好的所述UNet网络，基于所述UNet网络估计信道参数并输出估计信道矩阵。

上述步骤1中，如图2所示，所述上行通信系统包括BS、IRS和MU，其中BS和MU分别具有M个天线和1个天线，IRS具有N个反射单元；IRS反射单元的等效相移矩阵记为Ω＝diag(θ)，其中diag(·)表示对矢量进行对角化操作，相移向量/> β_n∈[0,1]和/>分别代表第n个反射单元的反射幅度和反射相位，[·]^T为转置运算，设β_n(n＝1,2,…,W)为1，信道遵循准静态平坦衰落时，MU到BS的通信链路记为/>直射信道被阻挡，存在若干条散射信道；IRS到BS的通信链路记为/>MU到IRS的通信链路记为/>各存在一条直射信道和若干条散射信道，其中∈表示属于符号，/>表示复数集合，MU通过IRS反射到BS的通信链路写为：

h＝H₁Ωh₂＝H₁diag(θ)h₂＝H₁diag(h₂)θ

记信道C＝H₁diag(h₂)，为级联信道，则待估计的信道矩阵H表示为：

在第k个时隙，BS的接收信号y(k)表示为：

其中，x(k)表示MU发送的导频信号，w(k)表示BS接收的噪声向量，θ(k)为第k个时隙的相移向量，x(k)设为1，w(k)中的元素均服从均值为0、方差为/>的复高斯分布，/>为噪声功率；经过N+1个时隙后，BS的接收信号表示为：

其中，Y＝[y(1),y(2),…,y(N+1)]，被设计为离散傅里叶变换矩阵的形式，W＝[w(1),w(2),…,w(N+1)]，Z代表不含噪声的BS接收信号。

上述步骤2中，如图3所示，构建基于潜在特征空间噪声抑制的信道估计神经网络，该神经网络包括用于提取潜在特征的变分自编码器网络和用于估计信道参数的UNet网络；变分自编码器网络的输入为所述不含噪声的BS接收信号Z，经过编码器1后输出潜在特征向量P₁，经过解码器1后输出估计的不含噪声的BS接收信号UNet网络的输入是所述经过N+1个时隙后，BS的接收信号Y，经过编码器2后输出特征向量P₂，经过解码器2后输出估计信道矩阵/>

如图3和图4所示，变分自编码器网络包括编码器1和解码器1；所述编码器1的结构包括四个二维卷积块、全连接块1和全连接块2，将输入数据映射到潜在空间中的均值μ和标准差σ后，进行重参数化输出潜在特征向量P₁，所述二维卷积块包括一个卷积核大小为5×2、步长为(2,1)的二维卷积层，一个批归一化层和一个ReLU激活函数，四个二维卷积块的通道维数分别为32、64、64和64；所述全连接块1是由两个Dropout层、全连接层、批归一化层和ReLU激活函数交替组成的神经网络结构；所述全连接块2与全连接块1结构一致；所述解码器1的结构包括全连接块3和四个二维反卷积块，将潜在空间中的编码解码为原始数据；所述全连接块3包括全连接层、批归一化层、ReLU激活函数、全连接层，再经过一个批归一化层处理后进行Reshape操作；二维反卷积块包括一个卷积核大小为5×2、步长为(2,1)的二维反卷积层，一个批归一化层和一个ReLU激活函数，每个二维反卷积层的输入由上一层的输出和对应二维卷积层的输出拼接而来；输出潜在特征向量P₁表示为：

P₁＝γ⊙exp(σ)+μ

其中，γ是从标准正态分布中抽取的随机数，⊙表示对应元素相乘，最终经过解码器1后输出估计的不含噪声的BS接收信号

UNet网络包括编码器2和解码器2；编码器2的结构包括四个二维卷积块和一个全连接块4，经过编码器2后输出向量P₂；解码器2的结构包括一个全连接块5和四个二维反卷积块；最终经过解码器2后输出估计信道矩阵

上述步骤3中，如图5所示，在第一个训练阶段，以最小化估计的不含噪声的BS接收信号和其真实值之间的归一化均方误差为目标，即：

其中，MSE表示均方误差计算，σ_i和μ_i分别是σ和μ的向量元素，对变分自编码器网络进行训练，直至获得一组训练完好的变分自编码器网络参数。

上述步骤4中，如图5所示，在第二个训练阶段，固定变分自编码器的网络参数，以UNet网络的编码器2输出向量P₂能够学习不含噪的潜在特征向量P₁的特征、解码器2输出的估计信道矩阵接近真实的待估计的信道矩阵H为目标，即：

其中，NMSE表示归一化均方误差计算，对基于潜在特征空间噪声抑制的信道估计神经网络进行训练，直至获得训练完好的UNet网络。

上述步骤5中，如图5所示，在实际估计阶段，将BS接收信号输入所述训练完好的UNet网络，得到所求的估计信道矩阵。

在一实施例中，对本发明提出的方法进行仿真实验，仿真条件包括：基站天线数目M＝16，IRS端反射单元数目N＝32，MU到BS的通信链路中直射路径被阻挡，存在两条散射路径；IRS到BS的通信链路和MU到IRS的通信链路各存在一条直射路径和两条散射路径，均服从复高斯分布，直射路径的功率为1，散射路径的功率为0.1。各种信道估计方法均采用上述设定信道条件，改变发送端信噪比情况下，信道估计归一化均方误差随着信噪比(signal-to-noise ratio,SNR)变化图像如图6，可知本发明提出的信道估计方法的信道估计精度远高于传统的最小二乘估计器。

基于同一发明构思，本发明的另一实施例提供一种电子装置(计算机、服务器、智能手机等)，其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法中各步骤的指令。

基于同一发明构思，本发明的另一实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘)，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现本发明方法的各个步骤。

以上所述，仅为本发明较佳的具体实施方式，但本发明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发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围。

Claims (9)

1.基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，包括：

步骤1、构造智能反射面IRS辅助的移动用户MU和基站BS的上行通信系统；

步骤2、构建基于潜在特征空间噪声抑制的信道估计神经网络，该神经网络包括用于提取潜在特征的变分自编码器网络和用于估计信道参数的UNet网络；

步骤3、训练所述变分自编码器网络；

步骤4、固定所述变分自编码器网络的参数，对所述基于潜在特征空间噪声抑制的信道估计神经网络进行训练，获得训练完好的所述UNet网络；

步骤5、将基站接收信号输入至步骤4训练完好的所述UNet网络，基于所述UNet网络估计信道参数并输出估计信道矩阵。

2.根据权利要求1所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，所述上行通信系统包括BS、IRS和MU，其中BS和MU分别具有M个天线和1个天线，IRS具有M个反射单元；IRS反射单元的等效相移矩阵记为Ω＝diag(θ)，其中diag(·)表示对矢量进行对角化操作，相移向量/> β_n∈[0,1]和/>分别代表第n个反射单元的反射幅度和反射相位，[·]^T为转置运算，设β_n(n＝1,2,…,N)为1，信道遵循准静态平坦衰落时，MU到BS的通信链路记为/>直射信道被阻挡，存在若干条散射信道；IRS到BS的通信链路记为/>MU到IRS的通信链路记为/>各存在一条直射信道和若干条散射信道，其中∈表示属于符号，/>表示复数集合，MU通过IRS反射到BS的通信链路写为：

h＝H₁Ωh₂＝H₁diag(θ)h₂＝H₁diag(h₂)θ

记信道C＝H₁daig(h₂)，为级联信道，则待估计的信道矩阵H表示为：

在第k个时隙，BS的接收信号y(k)表示为：

其中，x(k)表示MU发送的导频信号，w(k)表示BS接收的噪声向量，θ(k)为第k个时隙的相移向量，x(k)设为1，w(k)中的元素均服从均值为0、方差为/>的复高斯分布，/>为噪声功率；经过N+1个时隙后，BS的接收信号表示为：

其中，Y＝[y(1),y(2),…,y(N+1)]，被设计为离散傅里叶变换矩阵的形式，W＝[w(1),w(2),…,w(N+1)]，Z代表不含噪声的BS接收信号。

3.根据权利要求1所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，所述步骤2包括，所述变分自编码器网络的输入为所述不含噪声的BS接收信号Z，经过编码器1后输出潜在特征向量P₁，经过解码器1后输出估计的不含噪声的BS接收信号UNet网络的输入是所述经过N+1个时隙后，BS的接收信号Y，经过编码器2后输出特征向量P₂，经过解码器2后输出估计信道矩阵/>

4.根据权利要求1所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，所述基于潜在特征空间噪声抑制的信道估计神经网络包括变分自编码器网络和UNet网络两部分；所述变分自编码器网络包括编码器1和解码器1；所述编码器1的结构包括四个二维卷积块、全连接块1和全连接块2，将输入数据映射到潜在空间中的均值μ和标准差σ后，进行重参数化输出潜在特征向量P₁，所述二维卷积块包括一个卷积核大小为5×2、步长为(2,1)的二维卷积层，一个批归一化层和一个ReLU激活函数，四个二维卷积块的通道维数分别为32、64、64和64；所述全连接块1是由两个Dropout层、全连接层、批归一化层和ReLU激活函数交替组成的神经网络结构；所述全连接块2与全连接块1结构一致；所述解码器1的结构包括全连接块3和四个二维反卷积块，将潜在空间中的编码解码为原始数据；所述全连接块3包括全连接层、批归一化层、ReLU激活函数、全连接层，再经过一个批归一化层处理后进行Reshape操作；二维反卷积块包括一个卷积核大小为5×2、步长为(2,1)的二维反卷积层，一个批归一化层和一个ReLU激活函数，每个二维反卷积块里的二维反卷积层的输入由上一层的输出和对应二维卷积层的输出拼接而来；输出潜在特征向量P₁表示为：

P₁＝γ⊙exp(σ)+μ

其中，γ是从标准正态分布中抽取的随机数，⊙表示对应元素相乘，最终经过解码器1后输出估计的不含噪声的BS接收信号

所述UNet网络包括编码器2和解码器2；编码器2的结构包括四个二维卷积块和一个全连接块4，经过编码器2后输出向量P₂；解码器2的结构包括一个全连接块5和四个二维反卷积块；最终经过解码器2后输出估计信道矩阵

5.根据权利要求1中所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，步骤3包括，以最小化估计的不含噪声的BS接收信号和其真实值之间的归一化均方误差为目标，即：

其中，MSE表示均方误差计算，σ_i和μ_i分别是σ和μ的向量元素，对变分自编码器网络进行训练，直至获得一组训练完好的变分自编码器网络参数。

6.根据权利要求1中所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，所述步骤4包括，固定变分自编码器的网络参数，以UNet网络的编码器2输出向量P₂能够学习不含噪的潜在特征向量P₁的特征、解码器2输出的估计信道矩阵接近真实的待估计的信道矩阵H为目标，即：

其中，NMSE表示归一化均方误差计算，对基于潜在特征空间噪声抑制的信道估计神经网络进行训练，直至获得训练完好的UNet网络。

7.根据权利要求1中所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法，其特征在于，所述步骤5包括，在实际估计阶段，将BS接收信号输入所述训练完好的UNet网络，得到所求的估计信道矩阵。

8.一种电子设备，其特征在于，包括存储器、处理器，所述处理器执行存储于存储器上的程序时能够实现权利要求1-7任一项所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时能够实现权利要求1-7任一项所述的基于噪声抑制的智能反射面辅助通信系统的信道估计方法。