一种基于智能反射面辅助MIMO通信系统的下行链路信道估计方法

本发明涉及mimo通信，特别是涉及一种基于智能反射面辅助mimo通信系统的下行链路信道估计方法。

背景技术：

1、作为5g无线网络的关键技术之一，大规模多输入多输出(multiple-inputmultiple-output，mimo)因其可以提高频谱效率和满足下一代无线通信容量需求而得到广泛关注。但由于大量天线的部署，造成的高成本、高能耗和信号处理复杂等问题是现阶段研究的难题。

2、智能反射面(intelligent reflecting surface，irs)由于其低功耗和低硬件复杂度的特点，可以很容易的应用到大规模mimo系统中。具体来说，irs由大量的低成本无源反射元组成，通过动态地重新配置无线传播环境来实现具有成本效益且具有高频谱和高能效的无线通信系统。为了获取irs带来的无源波束形成增益，准确的信道状态信息是必须的。然而，irs缺乏信号处理能力，这就导致直接获取irs辅助大规模mimo通信系统的信道状态信息成为相当严峻的挑战。

3、现有方法中，在论文(x.rao andv.k.lau,distributed compressive csitestimation and feedback for fdd multi-user massive mimo systems,ieeetransactions on signal processing,vol.62,no.12,pp.3261–3271,june,2014)中提出一种基于l1-norm的信道估计方法；中国申请专利cn201810042694.3中提出了一种基于离网稀疏贝叶斯学习的大规模mimo通信系统的信道估计方法。但这些方法在处理irs辅助大规模mimo通信系统时，需要通过求伪逆操作解耦将级联信道估计转化为稀疏信号恢复问题。然而对于任何非正交的矩阵求伪逆都会不可避免地导致输出信噪比降低，造成信道估计性能损失。

技术实现思路

1、发明目的：本发明的目的是提供一种提升信道估计精度的基于智能反射面辅助mimo通信系统的下行链路信道估计方法。

2、技术方案：为实现上述目的，本发明所述的一种基于智能反射面辅助mimo通信系统的下行链路信道估计方法，包括以下步骤：

3、步骤s1：部署一个g组智能反射面辅助大规模mimo通信系统的下行链路，构建智能反射面辅助的大规模mimo通信系统的下行系统模型y；

4、步骤s2：构建行稀疏矩阵e并带入到下行系统模型y中，从而将智能反射面辅助的大规模mimo下行级联信道估计转化为标准的行稀疏恢复问题；

5、步骤s3：利用离网稀疏贝叶斯算法，迭代更新噪声精度α(m)、e的精度向量γ(m)、离网间隙β(m)参数；

6、步骤s4：设置迭代更新结束条件，若不满足更新结束条件则执行步骤s3；

7、步骤s5：设置门限，利用该门限选取信道的有效角度集合；

8、步骤s6：根据有效角度集合，获得准确的信道状态信息；

9、步骤s7：利用归一化均方误差nmse大小判断所求级联信道的准确性。

10、其中，步骤s1所述的部署一个g组智能反射面辅助大规模mimo通信系统的下行链路，是指在基站端配备由n根天线组成的均匀线性阵列，在移动用户端配备单天线，在mf快拍内，基站端发送导频数为t的信号矩阵x、反射系数矩阵s，将移动用户端接收到的信号构建为智能反射面辅助的大规模mimo通信系统的下行系统模型y：

11、y＝xhbius+n＝φ(β)ws+nbiu；

12、其中，φ(β)＝xa(β)为测量矩阵，hbiu＝a(β)w为智能反射面辅助大规模mimo通信系统的下行级联信道，a(β)为基站端到智能反射面之间信道的阵列流行矩阵，w为一个l×g维的级联信道在测量矩阵φ(β)上稀疏表示的行稀疏矩阵，其中l表示网格数，s为一个g×mf维的智能反射面反射系数矩阵，nbiu为一个t×m维的噪声矩阵，nbiu中每列均值都为0，精度都为α的高斯白噪声向量。

13、所述的智能反射面辅助大规模mimo通信系统的级联信道，其中：

14、w＝[w1hiu,1 w2hiu,2...wghiu,g]，其中，是智能反射面到用户之间的信道，为稀疏向量，其非零元素对应于基站端的真实出发角；

15、a(β)＝[a(θ1+β1),a(θ2+β2),...,a(θl+βl)]，其中，

16、表示下行链路阵列响应矢量，λ表示电磁波的工作波长，d表示相邻传感器之间的距离，为基站端角度域均匀划分的l个网格点，即表示离网间隙。

17、其中，步骤s2所述的构建行稀疏矩阵e并带入到下行系统模型y中，具体为：定义e＝ws，带入到下行系统模型y中构建行稀疏恢复问题：

18、y＝φ(β)e+nbiu，

19、其中φ(β)为测量矩阵，nbiu为噪声矩阵，w为一个级联信道在测量矩阵φ(β)上稀疏表示的行稀疏矩阵；

20、由于s是已知的智能反射面反射系数矩阵，该矩阵是随机矩阵或正交矩阵，因此e与w保持相同的行稀疏性质，从而将智能反射面辅助的大规模mimo下行级联信道估计转化为标准的行稀疏恢复问题。

21、其中，步骤s3所述的利用离网稀疏贝叶斯算法，迭代更新噪声精度、e的精度向量、离网间隙β参数，在迭代过程中由于e服从复高斯分布，直接计算e的均值、方差，避免伪逆操作带来的性能损失，具体包括以下子步骤：

22、步骤s301：设迭代次数的计数变量为m＝1,2,...,m，(·)(m)表示第m次更新的结果，

23、设置初始化数值，令m＝1，e的精度向量中的各元素为1，噪声精度α(1)＝1，同时设置β(1)为全零元素，表示离网间隙。

24、步骤s302：固定γ(m)、β(m)，更新α(m)：

25、

26、其中，tr(·)表示矩阵的迹，||·||f表示矩阵的f范数，(·)h表示共轭转置，a＝b＝0.00001，e的均值μ(m)(α,γ,β)＝α(m)σ(m)(α,γ,β)φh(β)y，方差σ(m)(α,γ,β)＝(α(m)φh(β)φ(β)+diag(γ(m)))-1，diag(·)表示对角运算矩阵；

27、步骤s303：固定α(m+1)、β(m)，更新γ(m)：

28、

29、其中，ξ(m)(α,γ,β)＝μ(m)(α,γ,β)(μ(m)(α,γ,β))h+mσ(m)(α,γ,β)，[·]ll表示矩阵的第l个对角线元素；

30、步骤s304：固定α(m+1)、γ(m+1)，更新β(m)：

31、β(m)＝(p(m))-1v(m)；

32、其中，p(m)＝α(m)re{(φ'(β))hφ(β)⊙(μ(m)(α,γ,β)(μ(m)(α,γ,β))h+mσ(m)(α,γ,β))}，

33、

34、φ'(β)＝xb(β)，b(β)＝[b(θ1+β1),b(θ2+β2),...,b(θl+βl)]，b(θl+βl)＝(a(θl+βl))'是a(θl+βl)关于θl的导数。

35、其中，步骤s4所述的迭代更新结束条件，是指设置迭代更新结束条件，通过判断迭代次数计数变量m是否达到上限m或γ当次更新结果与上次更新结果是否相等来判定是否收敛，如果都不满足，则迭代计数变量m＝m+1，并返回重新执行步骤s3。

36、其中，步骤s5所述的设置门限，利用该门限选取信道的有效角度集合，是指门限设置为其中(μi)2表示(μ(α,δ,β))2第i个均值最大的行，并利用该门限选取信道的有效角度集合ω＝{i(μi)2≥η,i＝1,2,...,l}。

37、其中，步骤s6所述的根据有效角度集合，获得准确的信道状态信息，是指利用有效角度集合ω，估计表示为：

38、

39、其中(·)ω表示由矩阵中集合ω对应的列向量组成的子矩阵，表示伪逆操作。

40、其中，所述的最终下行级联信道估计表达式中，利用求得的行稀疏矩阵e的均值μ(α,γ,β)估计下行级联信道，其中对于行稀疏矩阵恢复过程不造成影响。

41、其中，步骤s7所述的利用归一化均方误差nmse大小判断所求级联信道的准确性，是指根据所求级联信道hbiu，利用蒙特卡罗方法，即通过大量试验多次计算均方误差并求其均值，使nmse结果更准确：

42、

43、其中，蒙特卡罗实验次数为mc＝1,2,...,mc，表示第mc次蒙特卡罗实验的信道矩阵的估计值。

44、有益效果：本发明具有如下优点：

45、1、本发明利用基站端局部散射效应产生的信道稀疏性质，通过将反射系数与行稀疏矩阵的结合的方式，避免使用伪逆操作带来的性能损失；

46、2、本发明进一步挖掘irs辅助大规模mimo通信系统的信道稀疏性，与现有方法相比，无论反射系数矩阵s为随机矩阵或正交矩阵，均能极大提升信道估计精度。