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技术方案

本发明专利技术涉及无线通信技术领域，其公开了一种可以提升估计精度、减少导频开销、降低计算复杂度的智能超表面辅助多用户无线通信系统的信道估计方法。该方法包括以下步骤：步骤1：用户发送导频信号到智能超表面，经过智能超表面反射，将导频信号发送到基站；步骤2：将信道表示成虚拟角度域形式；步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计；本发明专利技术利用信道的公共结构化稀疏特性和双时间尺度特性，对稀疏信道矩阵进行两次降维，以降低使用结构化稀疏贝叶斯学习方法来恢复信道时的计算复杂度，并且有助于提升估计精度、减少导频开销；对信道稀疏度、相关性参数、公共路径数量不敏感，具有较好的鲁棒性，适用于信道的具体结构化信息未知且变化的实际场景。场景。场景。

【技术实现步骤摘要】
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


[0001]本专利技术涉及无线通信
，具体涉及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。

技术介绍

[0002]现有无线通信系统设计往往认为无线传播环境是随机且不可控的，从根本上限制了无线通信性能的提升。而智能超表面(Reconfigurable Intelligent Surface，RIS)通常由大量低功耗、低成本的被动式反射单元组成。通过调控每个反射单元的反射系数，对随机且不可控的无线传播环境进行智能重构，利于实现覆盖增强、容量提升、干扰抑制等多重目的。如，将智能超表面用于辅助毫米波通信，以提供虚拟视距链路，增强基站与用户之间的连接并提升覆盖范围。为了充分发挥智能超表面辅助无线通信系统的性能优势，获取准确的信道状态信息是至关重要的。
[0003]但是智能超表面辅助无线通信的信道估计比传统通信场景更具挑战性，难点在于：第一、智能超表面的反射单元通常是被动式的，只反射信号，不具备复杂的信号处理能力，导致信道状态信息的获取存在困难。第二、智能超表面包含大量的反射单元，导致智能超表面相关信道的维度较高，增加了估计复杂度和导频开销。现有的信道估计方法，如基于码本的信道估计需要较大的训练开销，并且智能超表面信道的分段特性和近场特性增加了码本设计的难度。而基于人工智能的信道估计需要构建合适的模型并训练参数，依赖于数据驱动和长时间的在线训练，不利于实际应用。所以存在估计精度不高、训练开销较大、复杂度较高等问题。

技术实现思路

[0004]本专利技术针对现有技术存在的问题，提供一种可以提升估计精度、减少导频开销、降低计算复杂度的智能超表面辅助多用户无线通信系统的信道估计方法。
[0005]本专利技术采用的技术方案是：
[0006]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，包括以下步骤：
[0007]步骤1：用户发送导频信号到智能超表面，经过智能超表面反射，将导频信号发送到基站；
[0008]步骤2：将信道表示成虚拟角度域形式；
[0009]步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计。
[0010]进一步的，基站通过上行信道估计得到上行信道状态信息后，可以利用信道互易性得到下行信道状态信息用于波束赋形优化设计，以减少信道反馈开销。但是该方法也可用于下行信道估计，由基站发送导频信号，经过智能超表面反射将导频信号发送到用户，在用户端进行信道的估计。所述信道估计方法如下：
[0011]S1：进行多用户联合的公共行支撑集估计，根据多个用户的有效观测矩阵，得到估
计的公共行支撑集；通过公共行支撑集对稀疏矩阵进行降维；
[0012]S2：进行基于正交匹配追踪的列支撑集估计，得到列支撑集和公共的列支撑集；根据设定的公共列支撑集的判决条件估计列支撑集是否准确；若满足判决条件通过列支撑集对稀疏信道矩阵进行二次降维；
[0013]根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量；
[0014]S3：根据公共行支撑集、列支撑集和S2估计后的块稀疏信道矢量，重构级联信道，即可得到估计的信道。
[0015]进一步的，所述步骤S2中根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量，通过构建分层先验模型进行估计，过程如下：
[0016]第1层：
[0017]第2层：
[0018]式中：为第k个用户的块稀疏信道矢量，K为用户数量，为的第i个元素，的第i个元素，为循环复高斯分布，α＝{α
i
}为超参数集合，α
i
为超参数，Gamma为伽马分布，L2为信道路径数量，L
c
为列支撑集的基数，{γ
i+1
,γ
i
‑1}为相关性参数，a、b为正数，Γ为伽马函数，(
·
)
‑1为求逆；
[0019]令噪声功率σ2＝β
‑1，β为超参数，噪声项的分层先验模型为：
[0020]第1层：
[0021]第2层：p(β)＝Gamma(β|c+1,d)＝Γ(c+1)
‑1d
c+1
β
c
e
‑
dβ
[0022]式中：I为单位矩阵，为噪声矢量，c、d为正数；
[0023]根据先验分布和对应的似然函数得到后验分布；进而得到最大后验概率分布估计：
[0024][0025]式中：A
S,k
为感知矩阵，(
·
)
H
为共轭转置，Λ(α)为与α有关的对角矩阵，为观测矢量；
[0026]最大后验概率分布估计与超参数α和β有关，对超参数α和β进行估计。
[0027]进一步的，所述对超参数α和β进行估计方法如下：
[0028]采用期望最大化方法，将块稀疏信道矢量作为隐变量，通过迭代执行E步和M步直至收敛，得到估计的超参数，每次迭代的更新如下：
[0029][0030]式中：c1为常数，μ
k,i
为均值μ
k
的第i个元素，Σ
k,i,i
为协方差矩阵Σ
k
的第i个对角元素，μ
k
和Σ
k
是根据上一次超
参数计算得到的值，M为天线数量，T为导频传输的时隙数量，Tr(
·
)为求迹。
[0031]本专利技术的有益效果是：
[0032](1)本专利技术利用信道的公共结构化稀疏特性和双时间尺度特性，对稀疏信道矩阵进行两次降维，以降低使用结构化稀疏贝叶斯学习方法来恢复信道时的计算复杂度，并且有助于提升估计精度、减少导频开销；
[0033](2)本专利技术方法对信道稀疏度、相关性参数、公共路径数量不敏感，具有较好的鲁棒性，适用于信道的具体结构化信息未知且变化的实际场景。
附图说明
[0034]图1为本专利技术实施例中稀疏信道矩阵的公共行列块稀疏结构特性示意图。
[0035]图2为本专利技术中信道估计流程示意图。
[0036]图3为本专利技术实施例中不同方法和相关性参数下归一化均方误差与导频开销的关系示意图。
[0037]图4为本专利技术实施例中不同方法和公共路径数量下归一化均方误差与稀疏度的关系示意图。
具体实施方式
[0038]下面结合附图和具体实施例对本专利技术做进一步说明。
[0039]以一种智能超表面辅助的多用户无线通信系统为例说明信道估计方法，通信系统包括一个配备M根天线并采用均匀线阵的基站，一个含有N个被动式反射单元并采用均匀面阵的智能超表面，以及K个单天线的用户。由于障碍物的影响，基站与用户之间的直接链路被完全阻断，因此引入智能超表面来为基站和用户建立连接。
[0040]信道估计方法包括以下步骤：
[0041]步骤1：用户采用正交导频传输策略，假设第k个用户在第t个时隙本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能超表面辅助多用户无线通信系统的信道估计方法，其特征在于，包括以下步骤：步骤1：用户发送导频信号到智能超表面，经过智能超表面反射，将导频信号发送到基站；步骤2：将信道表示成虚拟角度域形式；步骤3：根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计。2.根据权利要求1所述的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，其特征在于，步骤3中，所述根据多用户信道的公共结构化稀疏特性和双时间尺度特性进行信道的估计，具体包括：S1：进行多用户联合的公共行支撑集估计，根据多个用户的有效观测矩阵，得到估计的公共行支撑集；通过公共行支撑集对稀疏矩阵进行降维；S2：进行基于正交匹配追踪的列支撑集估计，得到列支撑集和公共的列支撑集；根据设定的公共列支撑集的判决条件估计列支撑集是否准确；若满足判决条件通过列支撑集对稀疏信道矩阵进行二次降维；根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量；S3：根据公共行支撑集、列支撑集和S2估计后的块稀疏信道矢量，重构级联信道，即可得到估计的信道。3.根据权利要求2所述的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，其特征在于，所述根据结构化稀疏贝叶斯学习方法估计两次降维后的块稀疏信道矢量，具体为通过构建分层先验模型进行估计，过程如下：第1层：第2层：式中：为第k个用户的块稀疏信道矢量，K为用户数量，为的第i个元素，的第i个元素，为循环复高斯分布，α＝{α
i
}为超参数集合，α
i
为超参数，Gamma为伽马分布，L2为信道路径数量，L
c
为列支撑集的基数，{γ
i+1

【专利技术属性】
技术研发人员：杨刚，舒凡一，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：