智能可重构表面辅助毫米波MIMO系统的信道估计方法

智能可重构表面辅助毫米波mimo系统的信道估计方法
技术领域
1.本发明涉及共生无线电技术领域，具体地，涉及一种基于生成对抗神经网络的智能可重构智能表面的毫米波mimo系统的信道估计方法。


背景技术：

2.大规模多输入多输出(mass ive multiple input mult iple output，mimo)是第五代(5g)无线网络的关键技术之一，可以极大地提高系统吞吐量和扩大蜂窝覆盖。然而，昂贵的硬件成本和高的功耗是当前大规模mimo系统面临的两个尚未解决的挑战。为实现下一代移动网络更可持续、更可靠的通信，研究人员已经探索了替代技术。在这些新技术中，可重构智能表面(reconfigurable intelligent surface,ris)辅助mimo，又称无源全息mimo表面被认为非常有希望实现类似甚至更高的阵列增益，与大规模mimo相比，成本显著降低。ris由大量可重构的反射元件组成，这些反射元件可以对入射信号产生可调节的独立相移，ris能够建设性地组合反射信号，在接收端实现高水平的能量聚焦。由于反射元件的无源性和低成本特性，ris需要非常低的能耗，很容易集成到现有的无线系统。
3.近年来，ris辅助无线通信的设计引起了广泛的关注。例如，采用ris控制传播环境，提高室内通信覆盖率。研究人员提出了在室外通信中配置ris相移的各种方法，以优化不同的通信效用。值得注意的是，准确的信道状态信息(csi)是优化ris参数的关键。然而，上述所有工作都假定csi是完美的，而没有考虑它的获取难度。事实上，ris辅助无线系统中的信道估计比传统系统中的信道估计更具挑战性。这是因为无源ris单元无法感知和估计信道信息。因此，将依赖接收机通过观测两个信道的噪声级联来估计发射机到ris和ris到接收机的信道。
4.为了解决ris辅助通信系统中信道估计的挑战，近年来出现了一些开创性的工作。例如，有研究人员假设ris元件是完全活跃的，并连接到一个信号处理单元来执行信道估计。类似地，要求部分ris元素是有源的，这样就可以通过基于压缩感知的方法推断无源元素的通道。与有源ris元件相比，纯无源ris元素由于其极低的硬件和部署成本无疑更具有吸引力。在无源ris辅助系统中，通过每次打开单个反射单元，信道估计可以转化为一系列传统的mimo信道估计问题。然而，这种方法的训练开销与ris的大小成比例，并且可能会非常大，因为ris通常包含大量的反射单元。训练开销很大，相关研究人员开发了一种用于ris辅助单用户mimo系统的级联信道估计算法。具体来说，将级联信道估计问题表述为利用ris的可编程特性和传播信道的低秩性，将稀疏矩阵分解和低秩矩阵补全结合起来。依次为用户估计级联信道。由于用户共享同一个ris到接受机之间的信道，利用用户之间的信道相关性可以大大减少所需的训练开销。最新的工作中利用了发射机ris接收机信道的稀疏性，并基于压缩感知对级联信道进行了估计。
5.生成对抗网络(gan)是近几年研究的热点，由goodfellow等人于2014年提出。gan由一个生成器和一个判别器组成。生成器负责学习真实样本的分布，根据给定的噪声生成新的数据；判别器判断所接收的输入是真实样本还是生成器所生成的样本。在这种动态博
弈训练过程中，生成器的目的是增大判别器犯错的概率，判别器的目的是将真实数据和生成数据分开。两者不断训练以提高自身的生成能力和判别能力，直至生成器和判别器之间达到了一个纳什平衡。gan的目标函数旨在最小化pg和p
data
两个概率分布的js散度，cgan则是在gan的基础上附加了标签条件，即为给的标签生成所需要的数据。


技术实现要素：

6.针对基于ris的mimo系统的信道估计信道预测精度的问题，本发明的目的是提供一种智能可重构表面辅助毫米波mimo系统的信道估计方法，采用生成对抗网络在给定的生成的信道条件下，利用先验信息对生成对抗网络进行训练，研究了一种基于条件生成对抗网络(cgan)的信道估计，利用各种生成模型结构来预测更真实、更准确的信道。cgan不仅可以从量化的观测数据中预测信道，还可以计算自适应损耗函数。
7.根据本发明提供的智能可重构表面辅助毫米波mimo系统的信道估计方法，该信道估计方法基于ris辅助的毫米波多输入多输出系统，包括如下步骤：
8.步骤s1：建立一个基于ris辅助的毫米波多输入多输出系统模型，通过所述系统模型传输导频信号，并将收集基站bs接收到的信号作为数据样本生成训练样本；
9.步骤s2：建立cgan神经网络模型，根据所述训练样本对cgan神经网络模型进行训练生成目标级联信道估计模型；
10.步骤s3：对cgan神经网络模型中的生成器和鉴别器进行优化；
11.步骤s4：在生成器和鉴别器都优化好后，基站bs开始传输n个导频信号，
12.步骤s5：将导频信号矩阵和基站bs接收到的信号矩阵作为目标级联信道估计模型的输入来对级联信道进行估计。
13.优选地，所述多输入多输出系统模型包括m个天线的基站bs，l个反射单元的ris以及k个单天线用户u；
14.所述ris，用于当基站bs和用户u之间的直接链路被障碍物阻塞是，创建基站bs通过所述ris至用户u之间的链路。
15.优选地，所述用户bs和所述ris之间的毫米波信道h
r,k
表示为：
[0016][0017]
其中，na为路径数量，为信道的复杂信道增益，为信道的接收路径角，ad(θ)是的l
×
1的路径角的转向向量，其中的1的路径角的转向向量，其中的1的路径角的转向向量，其中的是波长λ的阵列间距，n为变量，取值为0，1，2
…
m-1。
[0018]
优选地，所述基站bs和ris之间的毫米波通道h可以表示为：
[0019]
[0020]
其中，nh为路径数量，表示复增益，是路径的出发角，是路径的出发角到达角，和是转向向量。
[0021]
优选地，第k个用户通过ris与bs之间的级联信道zk表示为：
[0022]
zk＝hγk，γk＝diag{h
r，k
}；
[0023]
在下行场景，基站bs传输正交导频信号在单个相干时间内，第k个用户接收到的信号yk为：
[0024][0025]
为导频信号矩阵，yk＝[y
k，1
，
…
，y
k，p
]和nk＝[n
k，1
，
…
，n
k，p
]是1
×
p的行向量，ψh为对角矩阵。
[0026]
优选地，在步骤s1中将将收集接收到的信号作为数据样本生成训练样本时，将数据样本中的接收到的信号矩阵y和导频信号矩阵x分为实部和虚部两部分，因此有vec{y1}＝re{y}}，vec{y2}＝im{y}}和vec{x1}＝re{x}}，vec{x2}＝im{x}}。
[0027]
优选地，在步骤s2中将基站接收到的信号矩阵和所述导频信号矩阵的实部和虚部输入cgan神经网络模型，直到生成器生成的级联信道矩阵与真实的级联信道矩阵z让分辨器分辨不出来，提取生成网络完成对所述cgan神经网络模型的训练。
[0028]
优选地，所述步骤s3中对cgan神经网络模型中的生成器和鉴别器进行优化，具体为：
[0029]
将所述cgan神经网络模型的损失函数，表示为：
[0030][0031]
其中，表示有参数化的发生器，合成信道矩阵即d
θ
由θ参数化的鉴别器，目的是将生成的通道矩阵与真实的级联通道矩阵z区分开来；
[0032]
让最小化以使cgan神经网络模型中的对手d
θ
最大化，
[0033][0034]
在cgan神经网络模型的损失函数上增加一致优化正则项，表示为γ表示用户处分配的功率；
[0035]
最后，目标函数为：
[0036][0037]
优选地，所述步骤s4中，第k个用户处从级联信道接收到的信号变为：
[0038][0039]
其中，都是1
×
p的行向量，z
k,l
表示
的是zk的第l列，n
k,l
为nk的的第l列，nk表示噪音信号。
[0040]
优选地，所述步骤s5中将基站bs接收到的信号矩阵y，导频信号矩阵x和级联信道矩阵z作为二维图像输入所述目标级联信道估计模型，其维数分别为m
×n×
2,k
×n×
2,m
×
l
×
2，图像的2个通道表示复矩阵的实部、虚部。
[0041]
与现有技术相比，本发明具有如下的有益效果：
[0042]
本发明采用生成对抗网络在给定的生成的信道条件下，利用先验信息对生成对抗网络进行训练，从而能够使得信道预测更真实、更准确。
附图说明
[0043]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0044]
图1为本发明实施例中基于ris辅助的多输入多输出系统的示意图；
[0045]
图2为本发明实施例中cgan网络的训练过程示意图；
[0046]
图3为本发明实施例中基于条件生成对抗网络cgan的信道估计的流程示意图。
具体实施方式
[0047]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0048]
图1为本发明实施例中基于ris辅助的多输入多输出系统的示意图，如图1所示，该基于ris辅助的毫米波多输入多输出系统模型，包括m个天线的基站bs，l个反射单元的ris以及k个单天线用户u。其中基站bs和用户u之间的直接链路被障碍物严重阻塞。为了避开阻塞障碍，ris被部署来创建额外的链路并提高系统性能。
[0049]
是ris与bs之间的信道，是第k个用户与ris之间的信道，m是基站天线的个数，n为传输导频的个数。
[0050]
步骤1：bs使用基带预编码器发送k个数据符号因此，下行m
×
1传输的信号成为这里的γk表示在第k个用户处分配的功率。从第k个用户接收到的信号yk可表示成
[0051][0052]
是一个对角矩阵，ψ＝diag{β1exp(jφ1)，
…
，β
l
exp(jφ
l
)}，β
l
∈{0,1}表示ris元素的开关状态。φ
l
∈[0,2π)是反射元素的相移。l为ris的反射单元个数，(
·
)h表示共轭转置，j为虚部，nk为高斯白噪声，β
l
为ris元素的开关状态。
[0053]
步骤2：在毫米波传输中，通道可以用saleh-valenzuela(sv)模型表示，其中sv模型为有限散射的几何通道模型。
[0054]
因此，当假设毫米波信道的h
r,k
和h分别有,na和nh个路径组成，则h
r,k
可以分别表示
为：
[0055][0056]
其中，和分别是对应信道的复杂信道增益和接收路径角，ad(θ)是的l
×
1的路径角的转向向量，其中的1的路径角的转向向量，其中的是波长λ的阵列间距，n为变量，取值为0，1，2
…
m-1。
[0057]
此外bs和ris之间的毫米波通道h可以表示为：
[0058][0059]
表示复增益，和分别表示是路径的出发角(aod)和到达角(aoa)，和是转向向量。
[0060]
步骤3：设表示第k个用户通过ris与bs之间的级联信道，zk＝hγk，γk＝diag{h
r，k
}，然后可以得出hψh
r，k
＝zkψ，其中ψ＝diag{ψ}。
[0061]
在下行场景，bs传输正交导频信号在单个相干时间内，有p＝1，...，p，p≥m。因此可以得出，第k个用户接收到的信号yk为
[0062][0063]
是导频信号矩阵，yk＝[y
k，1
，...，y
k，p
]和nk＝[n
k，1
，...，n
k，p
]是1
×
p的行向量，
[0064]
步骤4：获取信道模型中的数据样本d
cc
，将数据样本中基站接收到的信号y和导频信号矩阵x分为实部和虚部两部分。因此有vec{y1}＝re{y}}，vec{y2}＝im{y}}和vec{x1}＝re{x}}，vec{x2}＝im{x}}。
[0065]
步骤5：利用步骤4中的数据来对gan进行离线学习。如图2所示，分别将接收到的信号和导频信号的实部和虚部作为输入，直到生成器生成的级联信道分辨器再也分辨不出来，提取生成的网络
[0066]
步骤6：该鉴别器可以将给定的输入识别为真实标签“1”(即从真实的级联信道矩阵z和导频序列x中提取的)或假标签“0”(即从合成的信道矩阵和导频信号矩阵x中提取的)。一旦得到训练好的生成器，就可以利用该cgan神经网络模型来进行基于y和x作为输入进行级联信道的估计。
[0067]
步骤7：两个网络都对抗对手以获得最佳结果。为了实现这一优化，将所述cgan神经网络模型的损失函数，表示为
[0068][0069]
其中，表示有参数化的发生器，合成信道矩阵即更类似于z中的真实值。d
θ
由θ参数化的鉴别器，目的是将生成的通道矩阵与实际通道矩阵z区分开来。
[0070]
步骤8：让最小化cgan对对手d
θ
的损失，以使其最大化，
[0071][0072]
如图2所示，为了保证生成器优化方向正确，在cgan损耗的基础上增加一致优化正则项，表示为
[0073]
最后，目标函数为：
[0074][0075]
步骤9：在生成器和鉴别器都优化好后，基站bs开始传输n个导频信号，n个导频信号是在ris反射单元逐个打开的时候传输的，在这种情况下，bs通过回程链路中的微控制器设备向ris发送一个请求，一次打开单个ris元素。对于第l帧，反射波束形成矢量为ψ
(l)
＝[0,
…
,0,ψ
l
,0,
…
0]
t
，此时的，此时的为变量，取值为1
…
l，l为ris的反射单元个数，l为变量，ψ
l
为反射波束形成，
[0076]
那么在第k个用户处从级联信道接收到的信号变为：
[0077][0078]
其中，都是1
×
p的行向量。z
k,l
表示的是zk的第l列。n
k,l
为nk的的第l列。
[0079]
步骤10：将基站接收到的信号矩阵y，导频信号矩阵x和级联信道矩阵z作为二维图像，其维数分别为m
×n×
2,k
×n×
2,m
×
l
×
2。图像的2个通道表示复矩阵的实部、虚部。对于级联信道，将cgan网络的输入定义为x
cc
和y
cc
[0080]
因此有：
[0081][0081]
其中，是由基站接收到的导频信号组成的lm
×
1的向量。
[0082]
步骤11：将输入导频和接收到的信号作为生成器的输入，即可实现对级联信道的估计。
[0083]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。