一种基于深度残差学习的智能反射面辅助通信系统信道估计方法

本发明属于无线通信，具体涉及一种基于深度残差学习的智能反射面辅助通信系统信道估计方法。

背景技术：

1、纵观移动无线通信技术从1g到5g的发展历程，就会注意到这一历程中本质上都是通过增加电磁波强度来实现通信性能的提升，然而这种通信设计理念不可避免的会带来越来越高的硬件成本和能源消耗，例如5g中的超大规模多输入多输出(massive mimo)技术，需要大量的有源天线/射频链路来实现高频谱效率，这将显著增加通信设备的硬件成本和信号处理复杂度。除了硬件和能源成本过高的缺点之外，制约实现超大容量，超可靠性无线通信的最大阻力在于随机不可控的无线通信环境，不可控的无线通信环境可能导致不确定的信道衰落和信号衰减。因此，实现可重构的无线通信环境成为如今无线通信的研究重点。

2、智能反射面(irs)具有在微波到可见光的宽频率范围内调节电磁波的能力，可以有效调节无线通信环境，被视为下一代(6g)通信的关键技术之一。irs本质上是一个由很多无源反射元素组成的平面阵列，通常放置在通信系统收发机之间，并通过一个独立的控制链路由一个智能控制器控制。通过适当的设计反射系数来改变反射信号的分布和强度，irs可以增强接收机接收到的信号功率，或者减少同频干扰，从而提供了一种从根本上解决无线信道中信号衰落和干扰问题的新手段。然而。irs改善无线通信环境的同时，也引入了高维级联信道和大量无源反射元件，估计其信道状态信息(csi)将产生大量的导频开销和硬件复杂度。

技术实现思路

1、有鉴于此，本发明的目的在于提出基于一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，以解决irs辅助无线通信系统中信道估计复杂度高，估计精度较低的问题。

2、具体方案包括以下步骤：

3、s1.构建irs辅助多用户的上行通信系统，所述上行通信系统包括基站端、irs和用户端，其中将用户端到基站端的通信链路称作直接信道，将用户端通过irs反射到基站端的通信链路称作级联信道；

4、s2.基站端接收用户端发送的导频信号并提取待预估信道矩阵；采用最小二乘法处理待预估信道矩阵得到ls矩阵；

5、s3.将ls矩阵与导频信号的真实信道矩阵构成新数据点，获取多个新数据点组成深度学习数据集d；

6、s4.对深度学习数据集进行预处理，采用预处理后的深度学习数据集对cenet网络进行离线训练；

7、s5.在线获取新待预估信道矩阵，对其进行最小二乘法处理后输入离线训练完成的cenet网络，得到去噪后的精确信道信息。

8、进一步的，在irs辅助多用户的上行通信系统中，本发明还设计了一种用于数据传输的信息帧，所述信息帧包括信道估计子帧、反馈子帧和数据传输子帧。

9、进一步的，信道估计子帧包括x>1个信道估计亚子帧。

10、进一步的，在步骤s1所述的上行通信系统中，用户端包括多个用户，每个用户配备有单根天线，基站端配备有m>1根天线，irs设有n>1个irs反射单元，当第k个用户发送长度为l个符号的导频信号基站端对应的接收信号yk表示为：

11、

12、其中，dk表示第k个用户到基站端的通信链路，rk表示第k个用户到irs的通信链路，h表示irs到基站端的通信链路，vk＝[vk,1,vk,2,…,vk,l]表示采样噪声，表示第k个信道估计亚子帧中基站端的第l个噪声向量，φ＝[φ1,φ2,…φn]表示irs的反射系数矩阵，是第n个irs反射单元的反射系数；将第k个用户到基站端的等效信道表示为：

13、h'k＝dk+hdiag(φ)rk,k∈{1,2,…,k}

14、其中，h'k表示第k个用户到基站端的等效信道，k表示用户数量。

15、进一步的，在步骤s2中，基站端接收用户端发送的导频信号，并提取导频信号中的直接信道和级联信道作为待预估信道矩阵；且采用最小二乘法处理待预估信道矩阵时，irs相移矩阵采用dft矩阵形式。

16、进一步的，cenet网络采用并行去噪网络结构，其包括拼接信息保留模块和扩张卷积稀疏模块。

17、进一步的，拼接信息保留模块包括级联的卷积层和12个主体特征提取模块；其中，每一个主体特征提取模块包括级联的第一卷积单元和连接层，且在第一卷积单元的输入处有一条直接到连接层的分支；所述第一卷积单元包括第一简单卷积层、批量归一化层和激活函数层。

18、进一步的，扩张卷积稀疏模块包括6个级联的边缘特征提取模块，每一个边缘特征提取模块包括级联的第二卷积单元和第三卷积单元；所述第二卷积单元包括第二简单卷积层、批量归一化层和激活函数层，所述第三卷积单元包括扩张卷积层、批量归一化层和激活函数层。

19、本发明的有益效果：

20、本发明针对irs辅助的无线通信系统，利用信道噪声的可加性，将信道估计问题转化为信道去噪问题，设计合理的帧格式同时预估直接信道和级联信道状态信息，并且在利用ls算法初步预估含噪csi后，设计并行去噪网络分别提取信道噪声的主体特征和边缘细节特征，最后利用噪声的可加性减去提取的信道噪声，获得精确csi。与现有技术相比，本发明同时预估直接信道和级联信道，有效避免了误差传播问题，且并未直接学习信道csi而是利用噪声的可加性设计了并行去噪网络对信道噪声进行特征提取和融合，从而最大限度的降低了信道估计复杂度，提升了信道估计精度。

技术特征：

1.一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，在irs辅助多用户的上行通信系统中，本发明还设计了一种用于数据传输的信息帧，所述信息帧包括信道估计子帧、反馈子帧和数据传输子帧。

3.根据权利要求2所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，信道估计子帧包括x>1个信道估计亚子帧。

4.根据权利要求1所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，在步骤s1所述的上行通信系统中，用户端包括多个用户，每个用户配备有单根天线，基站端配备有m>1根天线，irs设有n>1个irs反射单元，当第k个用户发送长度为l个符号的导频信号基站端对应的接收信号yk表示为：

5.根据权利要求1所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，在步骤s2中，基站端接收用户端发送的导频信号，并提取导频信号中的直接信道和级联信道作为待预估信道矩阵；且采用最小二乘法处理待预估信道矩阵时，irs相移矩阵采用dft矩阵形式。

6.根据权利要求1所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，cenet网络采用并行去噪网络结构，其包括拼接信息保留模块和扩张卷积稀疏模块。

7.根据权利要求6所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，拼接信息保留模块包括级联的卷积层和12个主体特征提取模块；其中，每一个主体特征提取模块包括级联的第一卷积单元和连接层，且在第一卷积单元的输入处有一条直接到连接层的分支；所述第一卷积单元包括第一简单卷积层、批量归一化层和激活函数层。

8.根据权利要求6所述的一种基于深度残差学习的智能反射面辅助通信系统信道估计方法，其特征在于，扩张卷积稀疏模块包括6个级联的边缘特征提取模块，每一个边缘特征提取模块包括级联的第二卷积单元和第三卷积单元；所述第二卷积单元包括第二简单卷积层、批量归一化层和激活函数层，所述第三卷积单元包括扩张卷积层、批量归一化层和激活函数层。

技术总结
本发明属于无线通信技术领域，具体涉及一种基于深度残差学习的智能反射面辅助通信系统信道估计方法；包括构建IRS辅助多用户的上行通信系统；基站端接收用户端发送的导频信号并提取待预估信道矩阵；采用最小二乘法处理待预估信道矩阵得到LS矩阵；将LS矩阵与导频信号的真实信道矩阵构成新数据点，获取多个新数据点组成深度学习数据集；对深度学习数据集进行预处理，采用预处理后的深度学习数据集对CENet网络进行离线训练；在线获取新待预估信道矩阵，对其进行最小二乘法处理后输入离线训练完成的CENet网络，得到去噪后的精确信道信息；本发明最大限度的降低了信道估计复杂度，提升了信道估计精度。

技术研发人员：陈发堂,朱鹏云,王华华,王丹,孙宸,李璐
受保护的技术使用者：重庆邮电大学空间通信研究院
技术研发日：
技术公布日：2024/1/14