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

1.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。


背景技术：

2.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。
3.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。


技术实现要素：

4.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。
5.具体方案包括以下步骤：
6.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；
7.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；
8.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；
9.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；
10.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。
11.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。
12.进一步的，信道估计子帧包括x》1个信道估计亚子帧。
13.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：
[0014][0015]
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＝[v
k,1
,v
k,2
,
…
,v
k,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：
[0016]
h'k＝dk+hdiag(φ)rk,k∈{1,2,
…
,k}
[0017]
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。
[0018]
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。
[0019]
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。
[0020]
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。
[0021]
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。
[0022]
本发明的有益效果：
[0023]
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。
附图说明
[0024]
图1为本发明的irs辅助无线通信系统模型图；
[0025]
图2为本发明的方法流程图；
[0026]
图3为本发明的cenet网络结构图；
[0027]
图4为本发明设计的信息帧格式图；
[0028]
图5为本发明提出的cenet信道估计方法与传统信道估计性能对比图。
具体实施方式
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
本发明提供了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，如图2所示，包括以下步骤：
[0031]
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。
[0032]
具体地，irs辅助多用户的上行通信系统如图1所示，用户端包括多个用户，用k表示用户数量，每一个用户uk，k＝1,2,
…
,k配备单根天线；基站端配备m根天线，irs设有n》1个irs反射单元。整个上行系统存在用户端到基站端的通信链路、用户端到irs的通信链路以及irs到基站端的通信链路。由于irs应用场景大多为障碍物较多场景，因此用户直接到达基站端的直接链路仅仅考虑非视线信道(nlos)。
[0033]
具体地，当若发送端第k个用户uk在某一时刻开始发送长度为l个符号的导频信号时，基站端的对应接收信号如下式所示：
[0034][0035]
其中，表示第k个用户发送的长度为l个符号的导频信号，yk表示对应于导频信号sk，基站端的接收信号；表示第k个用户到基站端的通信链路，表示第k个用户到irs的通信链路，表示irs到基站端的通信链路，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，βn∈[0,1]为幅度，θn∈[0,2π]为相位；vk＝[v
k,1
,v
k,2
,
…
,v
k,l
]表示采样噪声，表示，且服从σ2为噪声功率，im为单位矩阵。
[0036]
根据式(1)的表达，将第k个用户到基站端的等效信道表示为：
[0037]
h'k＝dk+hdiag(φ)rk,k∈{1,2,
…
,k}(2)
[0038]
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。
[0039]
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(ls)处理待预估信道矩阵得到ls矩阵。
[0040]
具体地，在式(2)表示的等效信道中提取irs反射系数矩阵，并忽略信道噪声，得到
直接信道矩阵和级联信道矩阵，将两者组成待预估信道矩阵，表示为：
[0041][0042]
基于式(3)，式(1)的接收信号表达式可以转换为：
[0043][0044]
其中，表示转换后irs系数矩阵。
[0045]
具体地，在步骤s2中，采用最小二乘法同时估计直接信道矩阵和级联信道矩阵组成的待预估信道矩阵时，irs相移矩阵采用dft矩阵，即离散傅里叶变换矩阵形式，表示为：
[0046][0047]
其中，p'表示dft矩阵形式的irs相移矩阵，w
x
＝e
i2π/x
表示dft因子。irs相移矩阵设计为dft矩阵可以保证良好irs辅助性能，且可以简化ls算法信道估计流程。
[0048]
采用最小二乘法处理待预估信道矩阵得到ls矩阵表示为：
[0049][0050]
p
*
＝(p')h(p'(p')h)-1
(6)
[0051]
其中，r'k表示测试数据矩阵，是采用式(8)-(10)计算得到的用于训练的基站端的接收矩阵，()h表示取共轭转置。
[0052]
s3.将步骤s2得到的ls矩阵与步骤s2基站端接收的导频信号的真实信道矩阵h
*
构成新数据点通过上述方法获取多个新数据点组成深度学习数据集d。
[0053]
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。
[0054]
具体地，由于深度学习主要对实数值进行运算，为了不丢失采用最小二乘法处理待预估信道矩阵得到的ls矩阵中的虚数值，将ls矩阵的实部和虚部分开构成两个m
×
(n+1)
×
2的三维输入矩阵，同样，对真实信道矩阵也做同样处理，得到4个三维输入矩阵后对其进行归一化形成预处理后的深度学习数据。
[0055]
具体地，cenet网络为并行去噪网络结构，如图3所示，包括拼接信息保留模块(cirb)和扩张卷积稀疏模块(ecsb)，这两个模块分别提取主体信道噪声信息和边缘细节噪声信息，将两个模块提取的主体信道噪声信息和边缘细节噪声信息融合得到信道噪声信息，利用信道噪声的可加性，对ls矩阵进行去噪处理。
[0056]
具体地，如图3所示，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，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。拼接信息保留模块采用密集连接的思想，每一个主体特征提取模块的输出都用连接层连接，拼接信息保留模块在加快网络收敛速度的同时准确提取信道噪声的主体特征。
[0057]
具体地，如图3所示，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。
[0058]
具体的，拼接信息保留模块和扩张卷积稀疏模块中的所有卷积核大小均为3
×
3，且激活函数层均leaky整流线性单元(leakyrelu)作为激活函数。
[0059]
具体地，离线训练采用的初始学习率为0.001，当验证损失连续10个epoch不减小时，学习率衰减0.3，以加快收敛速度，最小批量样本数为200，epoch设置为400。
[0060]
具体地，使用keras平台对cenet网络进行学习训练，采用均方误差损失函数和adam优化器进行多轮训练来优化网络参数，直至达到总迭代次数，完成离线训练；所述均方误差损失函数表示为：
[0061][0062]
其中，nb表示训练批次大小。
[0063]
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。
[0064]
具体地，训练好cenet网络后，在irs辅助多用户的上行通信系统中，用户端发送导频信号，接收端接收来自直接信道和级联信道的导频信号，采用最小二乘法估计信道信息，并将其输入离线训练完成的cenet网络，得到去噪后的精确信道信息。
[0065]
在一实施例中，本发明还设计了如图4所示的信息帧，所述信息帧包括信道估计子帧、反馈子帧和数据传输子帧，其中：
[0066]
信道估计子帧，用于用户端向基站端发送导频信号，且对基站端接收的导频信号进行信道估计；
[0067]
反馈子帧，该段时间间隔内用于反馈信道状态信息，用户端可获取基站端所预估的信道矩阵；
[0068]
数据传输子帧，用于传输数据信息，接收端可以根据所预估的信道矩阵解出发送端所发送信息；
[0069]
具体地，信道估计子帧进一步被划分为x》1个信道估计亚子帧，便于利用dft进行信道估计。
[0070]
在同一个导频信号阶段，irs反射系数不变，在不同的导频子帧(即信道估计亚子帧)，irs切换到不同反射系数矩阵。对于第k个用户uk，在每一个导频子帧发送自己的导频信号sk。根据公式(4)所示，在基站端，第x个导频子帧接收到的来自一共k个用户的导频信号y
x
如下式所示：
[0071][0072]
其中，hk表示基站端接收到的第k个用户发送的导频信号中的待预估信道，p
x
＝[1,φ
x
]
t
表示第x个导频子帧中转换后irs系数矩阵，φ
x
表示第x个导频子帧中irs的反射系数矩阵，表示用户端第k个用户发送的导频信号，v
x
表示采样噪声矩阵。
[0073]
由于k个用户发送导频信号相互正交，上式(8)的等式两边同时乘以sk得到下式：
[0074]rx,k
＝hkp
x
+z
x,k (9)
[0075]
其中，r
x,k
表示第x个导频子帧基站端接收矩阵，z
x,k
表示噪声矩阵。
[0076]
基于以上分析，当经过全部x个导频子帧后，基站端接收到x个导频信号：
[0077]rk
＝hkp
′
+z
k (10)
[0078]
其中，表示基站端的接收矩阵，表示噪声矩阵，表示x个导频子帧的irs相移矩阵。
[0079]
在一实施例中，对本发明提出的方法进行仿真实验，仿真条件包括：基站端天线数目m＝8，irs端反射单元数目n＝40，导频子帧数目x＝n+1＝41。由于irs应用环境大多是障碍物较多的复杂城市环境，因此基站到用户之间的直接信道，以及irs和用户之间仅仅考虑nlos信道，莱斯因子均为0，因此用一个瑞利衰落模型来表示所有符合小尺度衰落的信道。其中基站端到irs端距离设定为51米(m)，基站端到用户端距离设定为20m，irs端到用户端距离设定为6m，参考距离为1m，参考路径损失设定为-30db。最后，基站端与用户端之间路径损耗指数设定为3.5，基站端与irs端路径损耗指数设定为2.8，irs端与用户端路径损耗指数设定为2.8，根据路径损耗公式分别计算各个路径损耗。
[0080]
各种信道估计方法均采用上述设定信道条件，改变发送端信噪比情况下，信道估计nmse随着信噪比变化图像如图5，本发明提出的cenet网络信道估计方法的信道估计精度相比于线性最小均方误差信道估计方法(lmmse)提升了5.7db左右，明显改善了irs辅助无线通信的信道估计精度。
[0081]
实验表明，在归一化均方误差约等于0.4时，本发明所提信道估计方法在不明显提升信道估计精度的前提下，相比于线性最小均方误差信道估计方法获得了约4db的信噪比增益效果。
[0082]
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0083]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

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：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；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；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；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；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。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y
k
表示为：其中，d
k
表示第k个用户到基站端的通信链路，r
k
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，v
k
＝[v
k,1
,v
k,2
,
…
,v
k,l
]表示采样噪声，表示第k个亚子帧中基站端的第l个噪声向量，φ＝[φ1,φ2,
…
φ
n
]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：h'
k
＝d
k
+hdiag(φ)r
k
,k∈{1,2,
…
,k}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。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。提升了信道估计精度。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：2023.06.19
技术公布日：2023/8/24