基于模型驱动的智能超表面信道估计方法及系统技术方案

本发明专利技术提供一种基于模型驱动的智能超表面信道估计方法及系统，包括获取多组不同的级联信道粗糙估计值以及真实级联信道标签值并构建数据对，以及获取信道已知参数，建立数据集；构建深度神经网络模型，将数据集输入深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，最终得到最优深度神经网络模型及最优深度神经网络模型的最佳权值；将初始粗糙级联信道估计值输入所述最优深度神经网络模型中重构出最优级联信道。本发明专利技术中的基于模型驱动的智能超表面信道估计方法及系统，融合了物理模型，提高了算法的泛化能力，从而减少了训练复杂程度且重建精度高。训练复杂程度且重建精度高。训练复杂程度且重建精度高。

【技术实现步骤摘要】
基于模型驱动的智能超表面信道估计方法及系统


[0001]本专利技术涉及无线通信
，特别涉及一种基于模型驱动的智能超表面信道估计方法及系统。

技术介绍

[0002]第五代智能无线通信系统(Fifth Generation，5G)目前也已成功商用，大规模多输入多输出传输也随之带来巨大的能源消耗和硬件复杂度，于是开始探索第六代(Sixth Generation，6G)移动通信技术。
[0003]其中，智能超表面（Reconfigurable Intelligent Surface,RIS）被认为是6G网络的潜在技术之一。RIS 是一种由电磁超材料连续涂覆而成的二维表面，本质上是一个由很多无源反射元素组成的平面阵列。通过适当地调整每个元素的相移和/或幅度(或统称为“反射系数”)来改变反射信号的分布和强度，以提高无线通信系统的覆盖率和速率等性能。
[0004]现有的RIS辅助的无线通信系统中，由于系统存在大量的反射元件，信号经大量的反射元件反射后，带来了许多干扰因素，导致信道估计的计算复杂度高。
专利技术内容
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型驱动的智能超表面信道估计方法，其特征在于，所述方法包括：获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对，以及根据已知导频符号获取信道已知参数，根据所述数据对及所述信道已知参数建立数据集；构建深度神经网络模型，将所述数据集输入所述深度神经网络模型中，根据预设损失函数进行多轮迭代优化训练，得到最优深度神经网络模型及对应所述最优深度神经网络模型中所有网络参数的最佳权值；将初始粗糙级联信道估计值输入所述最优深度神经网络模型中，基于所述最优深度神经网络模型及所述最佳权值重构出所述初始粗糙级联信道估计值的最优级联信道。2.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述获取多组不同的级联信道粗糙估计值以及真实级联信道标签值，以根据级联信道粗糙估计值以及真实级联信道标签值构建数据对的步骤包括：在多个时隙内通过智能超表面向基站发射已知导频符号，所述导频符号经所述智能超表面反射至基站得到接收信号；根据所述基站接收的接收信号进行LS信号估计得到级联信道粗糙估计值；以及，建立毫米波信道模型，根据所述毫米波信道模型分别计算所述智能超表面至所述基站的信道以及用户至所述智能超表面的信道，根据所述智能超表面至所述基站的信道以及用户至所述智能超表面的信道通过角域稀疏化计算得到真实级联信道标签值。3.根据权利要求2所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述根据已知导频符号获取信道已知参数的步骤包括：根据所述已知导频符号计算信道已知参数，所述信道已知参数的计算公式为：式中，Φ为信道已知参数，为已知导频符号，表示字典酉矩阵，上标T表示求转置，上标H表示求共轭转置。4.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述深度神经网络模型包括第一预处理层，所述第一预处理层用于对所述数据集中进行预处理，以将数据集中的级联信道数据转化为实数形式。5.根据权利要求1所述的基于模型驱动的智能超表面信道估计方法，其特征在于，所述深度神经网络模型包括第二预处理层，所述第二预处理层包括归一化均方误差函数，所述将初始粗糙级联信道估计值输入所述最优深度神经网络模型中，基于所述最优深度神经网络模型及所述最佳权值重构出所述初始粗糙级联信道估计值的最优级联信道的步骤后包括：将所述真实级联信道以及所述最优级联信道输入所述归一化均方误差函数得到所述归一化均方误差，根据所述归一化均方误差分析所述深度神经网络模型的网络性能，所述归一化均方误...

【专利技术属性】
技术研发人员：周辉林，冯肖，余礼苏，苏艳萍，王正海，
申请(专利权)人：南昌大学，
类型：发明
国别省市：