CN112564752A - 一种优化稀疏天线激活可重构智能表面辅助通信方法 - Google Patents

一种优化稀疏天线激活可重构智能表面辅助通信方法 Download PDF

Info

Publication number
CN112564752A
CN112564752A CN202011265942.4A CN202011265942A CN112564752A CN 112564752 A CN112564752 A CN 112564752A CN 202011265942 A CN202011265942 A CN 202011265942A CN 112564752 A CN112564752 A CN 112564752A
Authority
CN
China
Prior art keywords
network
channel
optimal
vector
ris
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202011265942.4A
Other languages
English (en)
Inventor
张顺
濮智健
章顺波
马建鹏
李牧野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202011265942.4A priority Critical patent/CN112564752A/zh
Publication of CN112564752A publication Critical patent/CN112564752A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0602—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using antenna switching
    • H04B7/0608—Antenna selection according to transmission parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，公开了一种优化稀疏天线激活可重构智能表面辅助通信方法，构建RIS辅助通信***模型，在离线阶段，主动天线选择网络利用概率抽样策略，选取有源天线位置，进行信道子采样，之后在波束搜索网络离线阶段，通过主动天线选择网络所得到的局部信道找到对应的最优波束成形向量，从而在离线训练阶段末，得到最优激活模式，通过主动天线选择网络概率模型确定有源天线的最优位置。在线部署阶段，直接部署训练阶段得出的最优天线选择位置，将采样信道送入训练好的波束搜索网络中，直接映射出最优波束形成向量，辅助通信，调高通信质量。

Description

一种优化稀疏天线激活可重构智能表面辅助通信方法
技术领域
本发明属于无线通信技术领域，尤其涉及一种优化稀疏天线激活可重构智能表面辅助通信方法。
背景技术
目前，一种被称为可重构智能表面(RIS)的新型硬件技术兴起，可于5G之外获取大量辐射元素的性能增益。RIS由许多可重构的反射元件组成，每个反射元件都能通过电子控制来改变入射电磁波的相位。利用装备的元件，RIS可以有效地将反射信号结合在一起，在接收端获得高能级的能量，将无线电散射环境重建为智能环境。RIS的反射元件通常是被动工作，能耗非常低。因此，RIS很容易集成到现有的无线***中。然而，采用全无源元件的RIS的不足之处在于，从源用户到RIS的通道和从RIS到目的地的通道是耦合的，不能单独估计，从而无法获得准确的信道状态信息(CSI)。
通常，现有的RIS设计的目标是通过优化波束形成向量来最大化用户端的可实现率。在被动模式下，RIS元件没有数字信号处理功能。此外，将在接收端得到的CSI反馈到RIS进行相移可能会消耗***带宽。
为突破以上瓶颈，一种解决方法是在RIS处放置基带信号处理单元，然后直接估计所需的信道，即在通信过程中激活一些RIS元素。分为两个阶段，即信道估计阶段和数据传输阶段。显然，信道估计阶段会带来额外的功率成本，但可以简化数据传输中的信号处理。另一方面，提出了由无源元件、一个简单控制器和一个用于基带测量的单个射频(RF)链组成的RIS架构。此外，他们还提出了一种交替优化方法来显式估计信道增益在专用训练时段的RIS。
通过上述分析，现有技术存在的问题及缺陷为：
(1)上述所有这些工作都紧密依赖于假设的数学模型。在实际通信场景中，无线电散射条件随时间变化迅速，导致与所采用的数学模型严重失配。以从数据中获得一定的性能增益为目标的深度学习(Deep learning,DL)经历了一次复兴，其具有优异的性能和较低的复杂度。因此，在RIS***中采用DL来实现信号处理任务，并取得了显著的效果。
然而，为了避免大的电力消耗，RIS上的有源元素的数量应该被限制。研究者们使用随机配置的活动元素来对通道进行子采样，并将通道外推到所有的元素，这些元素来自于活动元素的估算值。此外，他们开发了一个基于DL的解决方案来优化RIS的波束形成向量。显然，通道外推的性能与激活的RIS元件的选择密切相关。一种通常采用的方法是使用统一的激活模式。然而，最佳的激活模式应与用户和RIS的位置以及电磁散射环境有关，而均匀采样的激活模式可能不是最优的方式，基于DL的激活模式才能更加有效的提升RIS辅助性能，提高通信质量。
解决以上问题及缺陷的难度为：基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术的难点在于：由于射频链的数量有限以及低功耗的要求，有源元件的数量应尽可能的少，这将会限制信道外推的性能。因此，如何通过寻找具有较少有源元素的准最优波束形成向量来逼近最大可达率是本发明需要解决的难题。
解决以上问题及缺陷的意义为：本发明设计基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术，面向未来高复杂度用户空间，可以减少功耗开销，提高通信质量，为下一代移动通信***中多阻挡场景下提供有效的解决思路。
发明内容
针对现有技术存在的问题，本发明提供了一种优化稀疏天线激活可重构智能表面辅助通信方法。
本发明是这样实现的，本发明需要进一步减少有源天线元件的数量，并接近数据传输的最大可达率。提出一种优化稀疏天线激活可重构智能表面辅助通信方法，包括：
首先，构建RIS辅助通信***模型。其次，在离线阶段主动天线选择网络下进行空间子采样，得到采样后的信道。然后，在波束选择网络离线阶段中，由码本
Figure BDA0002776117950000031
通过给定的局部信道
Figure BDA0002776117950000032
和
Figure BDA0002776117950000033
找到最优波束成形向量θ。最后，完成在线部署，辅助通信。
所述基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术，RIS辅助通信***模型构建包括：
考虑一个RIS辅助通信***(图2),单个天线组成的发射机
Figure BDA0002776117950000034
单个天线接收
Figure BDA0002776117950000035
和一个RIS
Figure BDA0002776117950000036
with Nv×Nh＝N反映元素的形式统一的平面阵列(UPA),Nv和Nh分别表示元素数量的垂直和水平维度。将
Figure BDA0002776117950000037
处所有反射元素的集合表示为
Figure BDA0002776117950000038
特别地，RIS可以以可调的相移反射入射电磁波，辅助从
Figure BDA0002776117950000039
到
Figure BDA00027761179500000310
的通信。
为了对抗实际的频率选择性衰落，本发明采用了带有K子载波的正交频分复用(OFDM)方案。一般情况下，
Figure BDA00027761179500000311
与
Figure BDA00027761179500000312
之间的直接路径容易被建筑物、人体等可能的障碍物所阻挡。因此，本发明主要关注RIS辅助环节。定义从
Figure BDA00027761179500000319
到
Figure BDA00027761179500000320
的第
Figure BDA00027761179500000321
个时域信道为：
Figure BDA00027761179500000313
Ph表示
Figure BDA00027761179500000322
链路的散射路径数量，
Figure BDA00027761179500000323
表示的是第p条路径在载频fc处的等效复信道增益，τh，p表示时延。δ(·)表示狄拉克函数，Ts是***采样周期，
Figure BDA00027761179500000314
代表RIS在到达角φh，p，
Figure BDA00027761179500000315
处的空间转向向量。则可得到
Figure BDA00027761179500000316
的第k个子载波处的频域信道向量为
Figure BDA00027761179500000317
Figure BDA00027761179500000318
表示
Figure BDA00027761179500000324
和
Figure BDA00027761179500000325
之间的频域信道矩阵。
Figure BDA00027761179500000326
到
Figure BDA00027761179500000327
的第k个子载波处的通道向量
Figure BDA00027761179500000411
也可类似定义为上式，
Figure BDA00027761179500000412
是从
Figure BDA00027761179500000413
到
Figure BDA00027761179500000414
的互利通道。
Figure BDA0002776117950000041
为
Figure BDA00027761179500000415
和
Figure BDA00027761179500000416
之间的频域信道矩阵。
则第k个子载波在
Figure BDA00027761179500000417
点的接收信号为
Figure BDA0002776117950000042
sk是
Figure BDA00027761179500000418
在第k个子载波上的信号，
Figure BDA0002776117950000043
是一种对角矩阵，其元素表示RIS天线的相移。
Figure BDA00027761179500000419
是在
Figure BDA00027761179500000420
的加性高斯白噪声。此外，Θ的对角线元素被收集用来表示反射波束成形向量
Figure BDA0002776117950000044
RIS可通过连接RF链的控制器重新配置，相应的相移被设为属于量化集合
Figure BDA0002776117950000045
的有限数量的离散值。其中b为量化比特数，Δ＝2π/2b为量化步长。由于所考虑的RIS有N个数字相移元件，反射波束形成向量θ将有2bN种不同的选择。
在本发明中，所述基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术，波束搜索方案包括有源天线选择网络和波束搜索网络两个主要部分，分别进行空间子采样操作和波束搜索操作。
主动天线选择网络部分：
将空间压缩比定义为
Figure BDA0002776117950000046
主动天线选择网络对全信道H和G的影响可以用子采样矩阵S表示
Figure BDA0002776117950000047
Figure BDA0002776117950000048
其中
Figure BDA0002776117950000049
是一个二进制矩阵，它的第m行向量Sm只包含一个非零元素。
在训练DL模型时，通常需要用到BP算法。但是，由于S的利用是离散组合运算，很难定义梯度微分。为了克服这个障碍,本发明定义一个可训练的矩阵
Figure BDA00027761179500000410
的m行向量是一个独立的分类分布ξm,ξm的第n个条目被表示为一个非规范对数概率ξm，n。然后，本发明利用概率抽样策略，用学习的子抽样矩阵SΞ替换S，其元素由Ξ控制。
由于DL模型只能处理实数，本发明首先分离H和G的实部和虚部，然后将它们收集到N×K×4个实值三维矩阵
Figure BDA0002776117950000051
中，作为主动天线选择网络的输入数据。选择网络对H和G进行选择操作，通过将Zin沿其第一维进行子采样，如下，得到
Figure BDA0002776117950000052
和
Figure BDA0002776117950000053
Figure BDA0002776117950000054
其中
Figure BDA0002776117950000055
为选择网络的原始输出，FΞ(·)为子采样函数，表示为
Figure BDA0002776117950000056
在概率抽样理论中，sm可以定义为深度概率子抽样
sm＝One_hot(cm)，
其中，one_hot(·)表示独热编码操作，cm～Cat(N，πm)是一个分类随机变量，πm＝[πm，0，πm，1，…，πm，N-1]包含N类概率。对于不同的范畴变量，即
Figure BDA0002776117950000057
Figure BDA00027761179500000510
和
Figure BDA00027761179500000511
是相互独立的。注意，one_hot(cm)的结果是一个1×N个单位向量，非零项的索引对应于所画样本的类。πm，n越大表示
Figure BDA00027761179500000512
和
Figure BDA00027761179500000513
的第m行可以从H和G的第n行中分别得到的概率越大，即N中的第nRIS元素被激活的优先级越高。此外，用ξm，n重新参数化πm，n，使用softmax函数如下
Figure BDA0002776117950000058
为了从分类分布中得到一个有效的样本，本发明利用Gumbel-Max技巧，生成了一个实现cm
Figure BDA0002776117950000059
其中{wm，0，wm，1，…，wm，N-1}是服从Gumbel(0,1)分布的独立同分布样本。相应的，Sm可以从c′m得到为
Figure BDA0002776117950000061
然而，在从m＝0到M-1进行上述操作时，H和G中的同一行，即相同的RIS天线元件，可能会多次重复选择。为了避免这种情况，本发明动态地排除已经选择的类别。然后，本发明对其余类别的日志进行重新正式化，并进一步实现Gumbel-Max。
在训练选择网络时，通过BP迭代更新ξm，完成主动天线的选择。然而，由于算子argmax是不可微的，本发明将softmaxτ函数作为one_hot{arg max}的连续可微近似，其中
Figure BDA0002776117950000062
和温度
Figure BDA00027761179500000612
控制
Figure BDA00027761179500000613
的柔软性。
表达式为
Figure BDA0002776117950000063
其中wm＝[wm，0，wm，1，…，wm，N-1]是1×N耿贝尔噪声向量。注意，较低的τ意味着生成的Gumbel-Softmax分布
Figure BDA00027761179500000615
更接近于分类分布。在选择网络的训练过程中，
Figure BDA00027761179500000614
逐渐减少到真实的离散分布。Sm关于ξm的一阶偏导数可以写成
Figure BDA0002776117950000064
为了在训练过程中实现不同RIS激活模式的频道外推网络更快的协同适应，本发明在子采样操作后将0填充到
Figure BDA0002776117950000067
中，并将所有RIS天线元件的相关数据输入到后续的信道外推网络中，而不是M个激活天线处的数据。因此
Figure BDA0002776117950000068
上的零填充操作为
Figure BDA0002776117950000065
其中
Figure BDA0002776117950000066
为选择网络处理后的输出。请注意，
Figure BDA0002776117950000069
中的非零行元素与
Figure BDA00027761179500000610
中的元素是一致的，并且这些元素在
Figure BDA00027761179500000611
中的位置与它们在Zin中的初始位置相同
进一步，波束搜索网络部分：
波束搜索网络的目标就是在码本
Figure BDA0002776117950000072
中，通过给定的局部信道
Figure BDA0002776117950000073
和
Figure BDA0002776117950000074
找到最优波束成形向量θ。与基于CNN的通道外推网络相比，由于输出的高维数，训练开销相对昂贵，波束搜索网络的输出维数要低得多。这启发了本发明在波束搜索网络中采用模糊神经网络来寻找最优波束形成向量子阵，如图3所示。利用码本
Figure BDA0002776117950000075
构造训练目标，使波束搜索网络一旦输入
Figure BDA00027761179500000718
就可以从
Figure BDA0002776117950000077
拾取一个θ，使可达率R最大化。因此，对θ的选择可以转化为一个多分类问题。换句话说,由于有源天线选择网络的训练和波束搜索网络共同实现,相应的指数θ在
Figure BDA0002776117950000078
可以被视为一个标签附加到一个特定的频道对{H，G},Zin即输入数据束的发射天线选择网络搜索方案。因此，可以将波束搜索网络的期望输出转化为p，它是一个大小为
Figure BDA0002776117950000079
的独热编码向量，p中非零元素的索引表示θ在
Figure BDA00027761179500000710
中的位置。
本发明采用基于模糊神经网络的波束搜索网络来寻找最优波束形成向量θ为
Figure BDA0002776117950000071
其中
Figure BDA00027761179500000711
为基于模糊神经网络的波束搜索网络的可训练参数集，
Figure BDA00027761179500000712
为波束搜索网络的输出。在波束搜索网络中，设计的模糊神经网络包含一个输入层、NF-1个隐层和一个输出层，如图3所示。输入
Figure BDA00027761179500000713
首先被平坦化为输入层的一个向量，然后与随后的隐藏层完全连接。第l隐层包含Nl个输出节点，其中漏出的ReLUs作为所有隐层的激活函数。此外，除了最后一层隐藏层外，所有隐藏层都使用了dropout，以避免过拟合。最后，输出层采用定义的softmax函数，得到输出
Figure BDA00027761179500000719
其中包含所有分类相对于输入数据Zin的对应概率。那么，
Figure BDA00027761179500000715
中最大值的指标就是θ在
Figure BDA00027761179500000716
中的估计位置。
进一步，主动天线选择和波束搜索网络的培训和部署：
在离线训练阶段末，本发明利用可用的全通道数据对{H，G}和每个定义的码本
Figure BDA00027761179500000717
得到对应的标签P。此外，本发明利用输出与标记之间的分类交叉熵作为波束搜索网络的损失函数，可以表示为
Figure BDA0002776117950000081
其中，pi和
Figure BDA0002776117950000086
分别为ps和
Figure BDA0002776117950000087
中的第i个元素，Mtr为网络训练的批处理大小。
考虑上式中主动天线选择网络的损失，得到波束搜索方案的优化问题表示为
Figure BDA0002776117950000082
在离线培训阶段，采用Adam优化器实现最优模型参数
Figure BDA0002776117950000088
和
Figure BDA0002776117950000083
完成离线训练后，从训练好的有源天线选择网络中获得最优的激活模式
Figure BDA0002776117950000084
确定有源天线元件的最优位置。
在接下来的部署阶段，
Figure BDA0002776117950000089
一旦在信道估计阶段得到部分信道
Figure BDA00027761179500000810
和
Figure BDA0002776117950000085
就可以直接在码本
Figure BDA00027761179500000811
中确定最优波束形成向量θ，以辅助
Figure BDA00027761179500000812
和
Figure BDA00027761179500000813
在随后的数据传输阶段进行通信。
本发明的另一目的在于提供一种如权利要求所述的优化稀疏天线激活可重构智能表面辅助通信方法的在移动通信***中多阻挡场景信号处理中的应用。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术,区别于传统的随机天线选择和均匀天线选择，创新性采用概率抽样策略的主动天线选择，通过离线波束搜索训练，可利用更少的有源天线，估计更精准最优波束形成向量，于在线部署阶段更佳的辅助通信，实现低功率抗阻挡的空间无线通信。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于深度学习优化稀疏天线激活可重构智能表面辅助通信方法流程图。
图2是本发明实施例提供的RIS辅助通信***模型示意图。
图3是本发明实施例提供的波束搜索网络架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明具体设计基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术，可应用于无线电散射场景，有效解决多遮挡环境条件下用户信号强度问题，提升通信***整体通信质量，降低功耗。利用有源天线处理特性，获取用户位置信息，在离线阶段，主动天线选择网络中与波束搜索网络中通过训练，利用概率抽样策略，估计最优天线激活模式，从而确定最优天线位置，利用局部信道获取最优波束形成向量的映射，最后在线部署辅助通信。
针对现有技术存在的问题，本发明提供了一种基于深度学习优化稀疏天线激活可重构智能表面辅助通信方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实例提供的基于深度学习优化稀疏天线激活可重构智能表面辅助通信方法包括：
S101，在RIS辅助通信***中(如图2)，考虑单发单收以及N×N的平面阵列，构建RIS辅助通信***模型。
S102，在主动天线选择网络离线阶段，利用概率抽样策略，选取有源天线位置，进行空间子采样，得到采样信道。
S103，在波束搜索网络离线阶段，通过得到的局部信道训练找到对应的最优波束成形向量。
S104，在离线训练阶段末，本发明利用可用的全通道数据得到对应的标签。从训练好的有源天线选择网络中获得最优的激活模式，确定有源天线元件的最优位置。
S105，在接下来的在线部署阶段，一旦在信道估计阶段得到部分信道，就可以直接在码本中确定最优波束形成向量，以辅助在随后的数据传输阶段进行通信。
在步骤S104中：在离线训练阶段末，本发明利用可用的全通道数据对{H，G}和每个定义的码本
Figure BDA0002776117950000101
得到对应的标签P。从训练好的有源天线选择网络中获得最优的激活模式，确定有源天线元件的最优位置。
在步骤S105中：在接下来的在线部署阶段，
Figure BDA0002776117950000102
一旦在信道估计阶段得到部分信道
Figure BDA0002776117950000103
和
Figure BDA0002776117950000108
就可以直接在码本
Figure BDA0002776117950000105
中确定最优波束形成向量θ，以辅助
Figure BDA0002776117950000106
和
Figure BDA0002776117950000107
在随后的数据传输阶段进行通信。
下面对本发明的应用原理作进一步的描述。
本发明实施例提供的基于深度学习优化稀疏天线激活可重构智能表面辅助通信接入流程。包括：
首先，基于天线阵列结构设计预定义码本，通过子采样，在较少的有源天线中获取粗糙的局部信道。
然后利用码本构造训练目标，通过基于模糊神经网络的波束搜索网络寻找最优波束成形向量。
在之后的离线培训中，利用全通道数据对每个定义的码本以及信道得到相对应的标签，之后从训练好的有源天线选择网络中获得最优的激活模式，确定有源天线元件的最优位置。
最后在在线部署阶段，一段得到部分信道，就可以在码本中确定最优波束成形向量，辅助数据传输通信。
本发明实施例提供的基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术的应用场景为：
考虑到RIS辅助通信***，可以采用真实的电磁环境来生成信道。因此，本发明求助于DeepMIMO数据集的室内大规模MIMO场景“I1”，该数据集基于Wireless InSite生成，并广泛用于大规模MIMO***的深度学习应用。
TABLE I
THE ADOPTED DEEPMIMO DATASET PARAMETERS.
Figure BDA0002776117950000111
图1模拟参数列表
相应地，模拟的主要参数列于表1。采用“I1”场景中的BS 8作为***模型的RIS。RIS被设置为一个以8×8(N＝64)个天线为其元素的UPA。在频分双工操作中，前向链路
Figure BDA0002776117950000112
和后向链路
Figure BDA0002776117950000113
工作在不同的频段。直观地，可以分别在前向和后向链路的不同频带上选择不同的激活模式
Figure BDA00027761179500001117
然而，这种解决方案会增加***的功耗并降低其频谱效率。一种可行的方法是两条链路共享来自一个频带的相同的激活RIS元素。对于UPA，天线间距d设置为
Figure BDA0002776117950000115
和
Figure BDA0002776117950000116
进行比较。此外，本发明选择位于“I1”场景中从第1行到第200行和从第201行到第400行的区域内的用户分别作为发射机
Figure BDA0002776117950000117
和接收机
Figure BDA00027761179500001118
由于上述区域中的每行包含201个用户，因此用户总数为80400。本发明从它们对应的区域中一对一地选择每个
Figure BDA0002776117950000119
对，以进一步生成40200个样本。正交频分复用***的带宽设置为100兆赫，而子载波的数量设置为K＝64。信道Ha、Ga、H和G由DeepMIMO数据集生成代码生成。通常，本发明采用
Figure BDA00027761179500001110
作为波束形成码本
Figure BDA00027761179500001119
以匹配所提出的RIS的结构，其中
Figure BDA00027761179500001112
和
Figure BDA00027761179500001113
分别是沿垂直和水平维度的波束形成码本，r1和r2分别是
Figure BDA00027761179500001114
和
Figure BDA00027761179500001115
的过采样系数。
Figure BDA00027761179500001116
的第(i，j)项定义为
Figure BDA0002776117950000121
在本发明的优选实施例中，基于深度学习优化稀疏天线激活可重构智能表面辅助通信技术模型的构建包括：
为了对抗实际的频率选择性衰落，本发明采用了带有K子载波的正交频分复用(OFDM)方案。一般情况下，
Figure BDA0002776117950000126
与
Figure BDA0002776117950000127
之间的直接路径容易被建筑物、人体等可能的障碍物所阻挡。因此，本发明主要关注RIS辅助环节。定义从
Figure BDA0002776117950000128
到
Figure BDA0002776117950000129
的第
Figure BDA00027761179500001210
个时域信道为
Figure BDA0002776117950000122
Ph表示
Figure BDA00027761179500001211
链路的散射路径数量，
Figure BDA00027761179500001212
表示的是第p条路径在载频fc处的等效复信道增益，τh，p表示时延。δ(·)表示狄拉克函数，Ts是***采样周期，
Figure BDA00027761179500001213
代表RIS在到达角φh，p，
Figure BDA00027761179500001214
处的空间转向向量。则可得到
Figure BDA00027761179500001215
的第k个子载波处的频域信道向量为
Figure BDA0002776117950000123
Figure BDA00027761179500001216
表示
Figure BDA00027761179500001217
和
Figure BDA00027761179500001218
之间的频域信道矩阵。
Figure BDA00027761179500001219
到
Figure BDA00027761179500001220
的第k个子载波处的通道向量
Figure BDA00027761179500001221
也可类似定义为如上式，
Figure BDA00027761179500001222
是从
Figure BDA00027761179500001223
到
Figure BDA00027761179500001224
的互利通道。
Figure BDA00027761179500001225
为
Figure BDA00027761179500001226
和
Figure BDA00027761179500001227
之间的频域信道矩阵。则第k个子载波在
Figure BDA00027761179500001228
点的接收信号为
Figure BDA0002776117950000124
sk是
Figure BDA00027761179500001229
在第k个子载波上的信号，
Figure BDA00027761179500001230
是一种对角矩阵，其元素表示RIS天线的相移。
Figure BDA00027761179500001231
是在
Figure BDA00027761179500001232
的加性高斯白噪声。此外，Θ的对角线元素被收集用来表示反射波束成形向量
Figure BDA0002776117950000125
RIS可通过连接RF链的控制器重新配置，相应的相移被设为属于量化集合
Figure BDA0002776117950000131
的有限数量的离散值。其中b为量化比特数，Δ＝2π/2b为量化步长。由于所考虑的RIS有N个数字相移元件，反射波束形成向量θ将有2bN种不同的选择。
在本发明的优选实施例中，主动天线选择方法包括：
将空间压缩比定义为
Figure BDA0002776117950000132
主动天线选择网络对全信道H和G的影响可以用子采样矩阵S表示
Figure BDA0002776117950000133
Figure BDA0002776117950000134
其中
Figure BDA0002776117950000135
是一个二进制矩阵，它的第m行向量Sm只包含一个非零元素。
在训练DL模型时，通常需要用到BP算法。但是，由于S的利用是离散组合运算，很难定义梯度微分。为了克服这个障碍,本发明定义了一个可训练的矩阵
Figure BDA0002776117950000136
的m行向量是一个独立的分类分布ξm,ξm的第n个条目被表示为一个非规范对数概率ξm，n。然后，本发明利用概率抽样策略，用学习的子抽样矩阵SΞ替换S，其元素由Ξ控制。
由于DL模型只能处理实数，本发明首先分离H和G的实部和虚部，然后将它们收集到N×K×4个实值三维矩阵
Figure BDA00027761179500001310
中，作为有源天线选择网络的输入数据。选择网络对H和G进行选择操作，通过将Zin沿其第一维进行子采样，如下，得到
Figure BDA00027761179500001311
和
Figure BDA00027761179500001312
Figure BDA0002776117950000137
其中
Figure BDA0002776117950000138
为选择网络的原始输出，FΞ(·)为子采样函数，表示为
Figure BDA0002776117950000139
在概率抽样理论中，sm可以定义为深度概率子抽样
sm＝one_hot(cm)，
其中，one_hot(·)表示独热编码操作，cm～Cat(N，πm)是一个分类随机变量，πm＝[πm，0，πm，1，…，πm，N-1]包含N类概率。对于不同的范畴变量，即
Figure BDA00027761179500001411
Figure BDA0002776117950000147
和
Figure BDA0002776117950000148
是相互独立的。注意，one_hot(cm)的结果是一个1×N个单位向量，非零项的索引对应于所画样本的类。πm，n越大表示
Figure BDA0002776117950000149
和
Figure BDA00027761179500001410
的第m行可以从H和G的第n行中分别得到的概率越大，即N中的第nRIS元素被激活的优先级越高。此外，用ξm，n重新参数化πm，n，使用softmax函数如下
Figure BDA0002776117950000141
为了从分类分布中得到一个有效的样本，本发明利用Gumbel-Max技巧，生成了一个实现cm
Figure BDA0002776117950000142
其中{wm，0，wm，1，…，wm，N-1}是服从Gumbel(0,1)分布的独立同分布样本。相应的，Sm可以从c′m得到为
Figure BDA0002776117950000143
然而，在从m＝0到M-1进行上述操作时，H和G中的同一行，即相同的RIS天线元件，可能会多次重复选择。为了避免这种情况，本发明动态地排除已经选择的类别。然后，本发明对其余类别的日志进行重新正式化，并进一步实现Gumbel-Max。
在训练选择网络时，通过BP迭代更新ξm，完成主动天线的选择。然而，由于算子argmax是不可微的，本发明将
Figure BDA00027761179500001415
函数作为one_hot{arg max}的连续可微近似，其中
Figure BDA0002776117950000144
和温度
Figure BDA00027761179500001412
控制
Figure BDA00027761179500001414
的柔软性。
表达式为
Figure BDA0002776117950000145
其中wm＝[wm，0，wm，1，…，wm，N-1]是1×N耿贝尔噪声向量。注意，较低的
Figure BDA00027761179500001413
意味着生成的Gumbel-Softmax分布softmaxτ(ξm+wm)更接近于分类分布。在选择网络的训练过程中，
Figure BDA00027761179500001520
逐渐减少到真实的离散分布。Sm关于ξm的一阶偏导数可以写成
Figure BDA0002776117950000151
为了在训练过程中实现不同RIS激活模式的频道外推网络更快的协同适应，本发明在子采样操作后将0填充到
Figure BDA0002776117950000154
中，并将所有RIS天线元件的相关数据输入到后续的信道外推网络中，而不是M个激活天线处的数据。因此
Figure BDA0002776117950000155
上的零填充操作为
Figure BDA0002776117950000152
其中
Figure BDA0002776117950000156
为选择网络处理后的输出。请注意，
Figure BDA0002776117950000157
中的非零行元素与
Figure BDA0002776117950000158
中的元素是一致的，并且这些元素在
Figure BDA0002776117950000159
中的位置与它们在Zin中的初始位置相同。
在本发明的优选实施例中，波束搜索方法包括：
波束搜索网络的目标就是在码本
Figure BDA00027761179500001510
中，通过给定的局部信道
Figure BDA00027761179500001511
和
Figure BDA00027761179500001512
找到最优波束成形向量θ。与基于CNN的通道外推网络相比，由于输出的高维数，训练开销相对昂贵，波束搜索网络的输出维数要低得多。这启发了本发明在波束搜索网络中采用模糊神经网络来寻找最优波束形成向量子阵，如图3所示。利用码本
Figure BDA00027761179500001513
构造训练目标，使波束搜索网络一旦输入
Figure BDA00027761179500001519
就可以从
Figure BDA00027761179500001515
拾取一个θ，使可达率R最大化。因此，对θ的选择可以转化为一个多分类问题。换句话说,由于有源天线选择网络的训练和波束搜索网络共同实现,相应的指数θ在
Figure BDA00027761179500001516
可以被视为一个标签附加到一个特定的频道对{H，G},Zin即输入数据束的发射天线选择网络搜索方案。因此，可以将波束搜索网络的期望输出转化为p，它是一个大小为
Figure BDA00027761179500001517
的独热编码向量，p中非零元素的索引表示θ在
Figure BDA00027761179500001518
中的位置。
本发明采用基于模糊神经网络的波束搜索网络来寻找最优波束形成向量θ为
Figure BDA0002776117950000153
其中
Figure BDA0002776117950000163
为基于模糊神经网络的波束搜索网络的可训练参数集，
Figure BDA0002776117950000164
为波束搜索网络的输出。在波束搜索网络中，设计的模糊神经网络包含一个输入层、NF-1个隐层和一个输出层，如图3所示。输入
Figure BDA0002776117950000165
首先被平坦化为输入层的一个向量，然后与随后的隐藏层完全连接。第l隐层包含Nl个输出节点，其中漏出的ReLUs作为所有隐层的激活函数。此外，除了最后一层隐藏层外，所有隐藏层都使用了dropout，以避免过拟合。最后，输出层采用上式定义的softmax函数，得到输出
Figure BDA00027761179500001622
其中包含所有分类相对于输入数据Zin的对应概率。那么，
Figure BDA0002776117950000167
中最大值的指标就是θ在
Figure BDA0002776117950000168
中的估计位置。
在本发明的优选实施例中，主动天线选择和波束搜索网络的培训和部署介绍：
在离线训练阶段，本发明利用可用的全通道数据对{H，G}和每个定义的码本
Figure BDA0002776117950000169
得到对应的标签P。训练集
Figure BDA00027761179500001610
中的一个样本本发明表示为(Zin，ps)。此外，本发明利用输出与标记之间的分类交叉熵作为波束搜索网络的损失函数，可以表示为
Figure BDA0002776117950000161
其中，pi和
Figure BDA00027761179500001611
分别为ps和
Figure BDA00027761179500001612
中的第i个元素，Mtr为网络训练的批处理大小。
考虑主动天线选择网络的损失，得到波束搜索方案的优化问题表示为
Figure BDA0002776117950000162
在离线培训阶段，采用Adam优化器实现最优模型参数
Figure BDA00027761179500001613
和
Figure BDA00027761179500001623
完成离线训练后，从训练好的有源天线选择网络中获得最优的激活模式
Figure BDA00027761179500001624
确定有源天线元件的最优位置。
在接下来的部署阶段，
Figure BDA00027761179500001616
一旦在信道估计阶段得到部分信道
Figure BDA00027761179500001617
和
Figure BDA00027761179500001625
就可以直接在码本
Figure BDA00027761179500001619
中确定最优波束形成向量θ，以辅助
Figure BDA00027761179500001620
和
Figure BDA00027761179500001621
在随后的数据传输阶段进行通信。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种优化稀疏天线激活可重构智能表面辅助通信方法，其特征在于，所述优化稀疏天线激活可重构智能表面辅助通信方法包括：
构建RIS辅助通信***模型；在离线阶段主动天线选择网络下进行空间子采样，得到采样后的信道；
在波束选择网络离线阶段中，由码本，通过给定的局部信道训练找到最优波束成形向量；
在离线阶段末找到，最优天线位置；
在线部署阶段，由离线所得最优天线位置，以及训练好的波束搜索网络，得到实时最优波束形成向量，辅助通信。
2.如权利要求1所述的优化稀疏天线激活可重构智能表面辅助通信方法，其特征在于，所述构建RIS辅助通信***模型包括：
定义从
Figure RE-FDA0002892220230000011
到
Figure RE-FDA0002892220230000012
的第l个时域信道为：
Figure RE-FDA0002892220230000013
Ph表示
Figure RE-FDA0002892220230000014
链路的散射路径数量，
Figure RE-FDA00028922202300000123
表示的是第p条路径在载频fc处的等效复信道增益，τh，p表示时延；δ(·)表示狄拉克函数，Ts是***采样周期，
Figure RE-FDA0002892220230000015
代表RIS在到达角φh，p，
Figure RE-FDA0002892220230000016
处的空间转向向量。则可得到
Figure RE-FDA0002892220230000017
的第k个子载波处的频域信道向量为
Figure RE-FDA0002892220230000018
Figure RE-FDA0002892220230000019
表示
Figure RE-FDA00028922202300000110
和
Figure RE-FDA00028922202300000111
之间的频域信道矩阵，
Figure RE-FDA00028922202300000112
到
Figure RE-FDA00028922202300000113
的第k个子载波处的通道向量
Figure RE-FDA00028922202300000114
类似定义为第k个子载波处的频域信道向量式，
Figure RE-FDA00028922202300000115
是从
Figure RE-FDA00028922202300000116
到
Figure RE-FDA00028922202300000117
的互利通道；
Figure RE-FDA00028922202300000118
为
Figure RE-FDA00028922202300000119
和
Figure RE-FDA00028922202300000120
之间的频域信道矩阵；
则第k个子载波在
Figure RE-FDA00028922202300000121
点的接收信号为
Figure RE-FDA00028922202300000122
Figure RE-FDA0002892220230000021
是
Figure RE-FDA0002892220230000022
在第k个子载波上的信号，
Figure RE-FDA0002892220230000023
是一种对角矩阵，其元素表示RIS天线的相移。
Figure RE-FDA0002892220230000024
是在
Figure RE-FDA0002892220230000025
的加性高斯白噪声；Θ的对角线元素被收集用来表示反射波束成形向量
Figure RE-FDA0002892220230000026
通过连接RF链的控制器重新配置，相应的相移被设为属于量化集合
Figure RE-FDA0002892220230000027
的有限数量的离散值；其中b为量化比特数，Δ＝2π/2b为量化步长；若有N个数字相移元件，反射波束形成向量θ有2bN种不同的选择。
3.如权利要求1所述的优化稀疏天线激活可重构智能表面辅助通信方法，其特征在于，所述在主动天线选择网络下进行空间子采样，得到采样后的信道包括：
将空间压缩比定义为
Figure RE-FDA0002892220230000028
主动天线选择网络对全信道H和G的影响用子采样矩阵S表示
Figure RE-FDA0002892220230000029
Figure RE-FDA00028922202300000210
其中
Figure RE-FDA00028922202300000211
是一个二进制矩阵，第m行向量
Figure RE-FDA00028922202300000212
只包含一个非零元素；
定义一个可训练的矩阵
Figure RE-FDA00028922202300000213
的m行向量是一个独立的分类分布ξm,ξm的第n个条目被表示为一个非规范对数概率ξm，n；然后，利用概率抽样策略，用学习的子抽样矩阵SΞ替换S，元素由Ξ控制。
4.如权利要求1所述的优化稀疏天线激活可重构智能表面辅助通信方法，其特征在于，所述在主动天线选择网络下进行空间子采样，得到采样后的信道进一步包括：
首先分离H和G的实部和虚部，然后将收集到N×K×4个实值三维矩阵
Figure RE-FDA00028922202300000214
中，作为有源天线选择网络的输入数据；
选择网络对H和G进行选择操作，通过将Zin沿其第一维进行子采样，如下，得到
Figure RE-FDA00028922202300000215
和
Figure RE-FDA00028922202300000216
Figure RE-FDA0002892220230000031
其中
Figure RE-FDA0002892220230000032
为选择网络的原始输出，FΞ(·)为子采样函数，表示为
Figure RE-FDA0002892220230000033
在概率抽样中，sm定义为深度概率子抽样
sm＝one_hot(cm)
其中，one_hot(·)表示独热编码操作，cm～Cat(N，πm)是一个分类随机变量，πm＝[πm，0，πm，1，…，πm，N-1]包含N类概率；对于不同的范畴变量，即
Figure RE-FDA0002892220230000034
Figure RE-FDA00028922202300000314
和
Figure RE-FDA00028922202300000315
是相互独立的；其中，
Figure RE-FDA00028922202300000316
的结果是一个1×N个单位向量，非零项的索引对应于所画样本的类；πm，n越大表示
Figure RE-FDA0002892220230000035
和
Figure RE-FDA0002892220230000036
的第m行可以从H和G的第n行中分别得到的概率越大，即N中的第nRIS元素被激活的优先级越高；此外，用ξm，n重新参数化πm，n，使用softmax函数如下
Figure RE-FDA0002892220230000037
利用Gumbel-Max技巧，生成一个实现
Figure RE-FDA0002892220230000038
Figure RE-FDA0002892220230000039
其中{wm，0，wm，1，…，wm，N-1}是服从Gumbel(0,1)分布的独立同分布样本。相应的，
Figure RE-FDA00028922202300000310
从
Figure RE-FDA00028922202300000311
得到为
Figure RE-FDA00028922202300000312
在从m＝0到M-1进行上述操作时，H和G中的同一行，相同的RIS天线元件，多次重复选择；动态地排除已经选择的类别；然后，对其余类别的日志进行重新正式化，并进一步实现Gumbel-Max；
在训练选择网络时，通过BP迭代更新ξm，完成主动天线的选择；将softmaxτ函数作为one_hot{arg max}的连续可微近似，其中
Figure RE-FDA00028922202300000313
和温度τ控制softmaxτ的柔软性；
表达式为
Figure RE-FDA0002892220230000041
其中wm＝[wm，0，wm，1，…，wm，N-1]是1×N耿贝尔噪声向量；较低的τ意味着生成的Gumbel-Softmax分布softmaxτ(ξm+wm)更接近于分类分布；在选择网络的训练过程中，τ逐渐减少到真实的离散分布。Sm关于ξm的一阶偏导数写成
Figure RE-FDA0002892220230000042
在子采样操作后将0填充到
Figure RE-FDA0002892220230000043
中，并将所有RIS天线元件的相关数据输入到后续的信道外推网络中，
Figure RE-FDA0002892220230000044
上的零填充操作为
Figure RE-FDA0002892220230000045
其中
Figure RE-FDA0002892220230000046
为选择网络处理后的输出；
Figure RE-FDA0002892220230000047
中的非零行元素与
Figure RE-FDA0002892220230000048
中的元素一致，并且这些元素在
Figure RE-FDA0002892220230000049
中的位置与在Zin中的初始位置相同。
5.如权利要求1所述的优化稀疏天线激活可重构智能表面辅助通信方法，其特征在于，所述在波束选择网络中，由码本，通过给定的局部信道找到最优波束成形向量，包括：
波束搜索网络在码本
Figure RE-FDA00028922202300000416
中，通过给定的局部信道
Figure RE-FDA00028922202300000410
和
Figure RE-FDA00028922202300000411
找到最优波束成形向量θ；
采用基于模糊神经网络的波束搜索网络来寻找最优波束形成向量θ为
Figure RE-FDA00028922202300000412
其中
Figure RE-FDA00028922202300000413
为基于模糊神经网络的波束搜索网络的可训练参数集，
Figure RE-FDA00028922202300000414
为波束搜索网络的输出；在波束搜索网络中，模糊神经网络包含一个输入层、NF-1个隐层和一个输出层；输入
Figure RE-FDA00028922202300000415
首先被平坦化为输入层的一个向量，然后与随后的隐藏层完全连接；第l隐层包含Nl个输出节点，其中漏出的ReLUs作为所有隐层的激活函数；除最后一层隐藏层外，所有隐藏层都使用dropout，避免过拟合；最后，输出层采用定义的softmax函数，得到输出
Figure RE-FDA0002892220230000051
包含所有分类相对于输入数据Zin的对应概率；
Figure RE-FDA0002892220230000052
中最大值的指标为θ在
Figure RE-FDA00028922202300000516
中的估计位置。
6.如权利要求1所述的优化稀疏天线激活可重构智能表面辅助通信方法，其特征在于，所述在主动天线选择网络和波束选择网络中进行训练和部署包括：
在离线训练阶段，利用可用的全通道数据对{H，G}和每个定义的码本
Figure RE-FDA00028922202300000519
得到对应的标签P；训练集
Figure RE-FDA0002892220230000053
中的一个样本表示为
Figure RE-FDA00028922202300000518
其中波束搜索方案的输入数据Zin与上式中的通道外推方案的定义相同；利用输出与标记之间的分类交叉熵作为波束搜索网络的损失函数，表示为
Figure RE-FDA0002892220230000054
其中，pi和
Figure RE-FDA0002892220230000055
分别为
Figure RE-FDA00028922202300000517
和
Figure RE-FDA0002892220230000056
中的第i个元素，Mtr为网络训练的批处理大小；对于主动天线选择网络的损失，得到波束搜索方案的优化问题表示为
Figure RE-FDA0002892220230000057
在离线培训阶段，采用Adam优化器实现最优模型参数
Figure RE-FDA0002892220230000058
和
Figure RE-FDA0002892220230000059
完成离线训练后，从训练好的有源天线选择网络中获得最优的激活模式
Figure RE-FDA00028922202300000510
确定有源天线元件的最优位置。
在部署阶段，
Figure RE-FDA00028922202300000511
一旦在信道估计阶段得到部分信道
Figure RE-FDA00028922202300000512
和
Figure RE-FDA00028922202300000513
直接在码本
Figure RE-FDA00028922202300000520
中确定最优波束形成向量θ，以辅助
Figure RE-FDA00028922202300000514
和
Figure RE-FDA00028922202300000515
在随后的数据传输阶段进行通信。
7.一种稀疏天线激活可重构智能表面辅助通信方法，其特征在于，在稀疏天线下通过概率抽样策略最终找到最优波束成形向量，包括以下步骤：
在RIS辅助通信***中，对于单发单收以及N×N的平面阵列，构建RIS辅助通信***模型；
在离线阶段主动天线选择网络中，利用概率抽样策略，选择天线位置，进行空间子采样，得到采样信道；
在波束搜索网络离线阶段中，通过得到的局部信道训练找到对应的最优波束成形向量；
在离线训练阶段末，利用可用的全通道数据对{H，G}和每个定义的码本
Figure RE-FDA0002892220230000067
得到对应的标签P；从训练好的有源天线选择网络中获得最优的激活模式，确定有源天线元件的最优位置；
在部署阶段，
Figure RE-FDA0002892220230000061
一旦在信道估计阶段得到部分信道
Figure RE-FDA0002892220230000062
和
Figure RE-FDA0002892220230000063
就直接在码本
Figure RE-FDA0002892220230000064
中确定最优波束形成向量θ，以辅助
Figure RE-FDA0002892220230000065
和
Figure RE-FDA0002892220230000066
在随后的数据传输阶段进行通信。
8.一种如权利要求1～6任意一项所述的优化稀疏天线激活可重构智能表面辅助通信方法的在移动通信***中多阻挡场景信号处理中的应用。
CN202011265942.4A 2020-11-13 2020-11-13 一种优化稀疏天线激活可重构智能表面辅助通信方法 Withdrawn CN112564752A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011265942.4A CN112564752A (zh) 2020-11-13 2020-11-13 一种优化稀疏天线激活可重构智能表面辅助通信方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011265942.4A CN112564752A (zh) 2020-11-13 2020-11-13 一种优化稀疏天线激活可重构智能表面辅助通信方法

Publications (1)

Publication Number Publication Date
CN112564752A true CN112564752A (zh) 2021-03-26

Family

ID=75042153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011265942.4A Withdrawn CN112564752A (zh) 2020-11-13 2020-11-13 一种优化稀疏天线激活可重构智能表面辅助通信方法

Country Status (1)

Country Link
CN (1) CN112564752A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995989A (zh) * 2021-04-30 2021-06-18 电子科技大学 面向5g应用的基于大规模可重构智能表面安全传输方法
CN113315607A (zh) * 2021-04-15 2021-08-27 中山大学 一种基于harq辅助多ris***的通信方法
CN113890798A (zh) * 2021-10-18 2022-01-04 清华大学 Ris级联信道多用户联合的结构化稀疏估计方法及装置
US20220052764A1 (en) * 2020-08-14 2022-02-17 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
WO2022233323A1 (zh) * 2021-05-07 2022-11-10 维沃移动通信有限公司 智能表面设备的波束控制方法、装置及电子设备
CN115426007A (zh) * 2022-08-22 2022-12-02 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
WO2023000256A1 (zh) * 2021-07-22 2023-01-26 株式会社Ntt都科摩 可重构表面装置、基站和用户装置
CN115865575A (zh) * 2022-11-29 2023-03-28 东南大学 一种可重构智能表面辅助mimo***分离信道重建方法
WO2023070358A1 (en) * 2021-10-27 2023-05-04 Qualcomm Incorporated Reconfigurable intelligent surface (ris) selection and grouping for activation/deactivation
WO2023087819A1 (zh) * 2021-11-19 2023-05-25 中兴通讯股份有限公司 波束训练方法、第一节点、第二节点、通信***及介质
CN116318311A (zh) * 2023-05-15 2023-06-23 浙江香农通信科技有限公司 一种基于可重构智能表面反相位索引调制的传输方法
WO2023115439A1 (en) * 2021-12-23 2023-06-29 Lenovo (Beijing) Limited Controlling reconfigurable intelligent surface

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019195327A1 (en) * 2018-04-05 2019-10-10 Google Llc Smart-device-based radar system performing angular estimation using machine learning
CN110830097A (zh) * 2019-11-05 2020-02-21 西南交通大学 一种基于反射面的主被动互惠共生传输通信***
CN111181618A (zh) * 2020-01-03 2020-05-19 东南大学 一种基于深度强化学习的智能反射表面相位优化方法
CN111865387A (zh) * 2020-08-04 2020-10-30 同济大学 智能反射面辅助无线通信***的波束成形设计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019195327A1 (en) * 2018-04-05 2019-10-10 Google Llc Smart-device-based radar system performing angular estimation using machine learning
CN110830097A (zh) * 2019-11-05 2020-02-21 西南交通大学 一种基于反射面的主被动互惠共生传输通信***
CN111181618A (zh) * 2020-01-03 2020-05-19 东南大学 一种基于深度强化学习的智能反射表面相位优化方法
CN111865387A (zh) * 2020-08-04 2020-10-30 同济大学 智能反射面辅助无线通信***的波束成形设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUNBO ZHANG等，: "Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication", 《HTTPS://ARXIV.ORG/ABS/2009.01607》 *
YINDI YANG等，: "Deep Learning Based Antenna Selection for Channel Extrapolation in FDD Massive MIMO", 《 2020 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11848709B2 (en) * 2020-08-14 2023-12-19 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
US20220052764A1 (en) * 2020-08-14 2022-02-17 Huawei Technologies Co., Ltd. Media-based reconfigurable intelligent surface-assisted modulation
CN113315607A (zh) * 2021-04-15 2021-08-27 中山大学 一种基于harq辅助多ris***的通信方法
CN113315607B (zh) * 2021-04-15 2022-06-17 中山大学 一种基于harq辅助多ris***的通信方法
CN112995989A (zh) * 2021-04-30 2021-06-18 电子科技大学 面向5g应用的基于大规模可重构智能表面安全传输方法
CN112995989B (zh) * 2021-04-30 2021-08-06 电子科技大学 面向5g应用的基于大规模可重构智能表面安全传输方法
WO2022233323A1 (zh) * 2021-05-07 2022-11-10 维沃移动通信有限公司 智能表面设备的波束控制方法、装置及电子设备
WO2023000256A1 (zh) * 2021-07-22 2023-01-26 株式会社Ntt都科摩 可重构表面装置、基站和用户装置
CN113890798B (zh) * 2021-10-18 2022-12-27 清华大学 Ris级联信道多用户联合的结构化稀疏估计方法及装置
CN113890798A (zh) * 2021-10-18 2022-01-04 清华大学 Ris级联信道多用户联合的结构化稀疏估计方法及装置
WO2023070358A1 (en) * 2021-10-27 2023-05-04 Qualcomm Incorporated Reconfigurable intelligent surface (ris) selection and grouping for activation/deactivation
WO2023087819A1 (zh) * 2021-11-19 2023-05-25 中兴通讯股份有限公司 波束训练方法、第一节点、第二节点、通信***及介质
WO2023115439A1 (en) * 2021-12-23 2023-06-29 Lenovo (Beijing) Limited Controlling reconfigurable intelligent surface
CN115426007A (zh) * 2022-08-22 2022-12-02 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
CN115426007B (zh) * 2022-08-22 2023-09-01 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
CN115865575A (zh) * 2022-11-29 2023-03-28 东南大学 一种可重构智能表面辅助mimo***分离信道重建方法
CN116318311A (zh) * 2023-05-15 2023-06-23 浙江香农通信科技有限公司 一种基于可重构智能表面反相位索引调制的传输方法
CN116318311B (zh) * 2023-05-15 2023-08-22 浙江香农通信科技有限公司 一种基于可重构智能表面反相位索引调制的传输方法

Similar Documents

Publication Publication Date Title
CN112564752A (zh) 一种优化稀疏天线激活可重构智能表面辅助通信方法
Taha et al. Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation
Zhang et al. Reinforcement learning of beam codebooks in millimeter wave and terahertz MIMO systems
US11728571B2 (en) Large intelligent surfaces with sparse channel sensors
CN111092641B (zh) 基于毫米波mimo***深度学习的混合预编码设计方法
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN101808341B (zh) 无线网络中用于波束精化的布置
Yang et al. Machine learning enabling analog beam selection for concurrent transmissions in millimeter-wave V2V communications
CN110113088B (zh) 一种分离型数模混合天线***波达角智能化估计方法
CN114745232B (zh) 智能可重构表面辅助毫米波mimo***的信道估计方法
CN114285702B (zh) 一种用于毫米波irs协作***的稀疏级联信道估计方法
CN115021779B (zh) Ris辅助的mimo***的离散相移设计方法和装置
CN114844545A (zh) 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法
Liu et al. Predictive beamforming for integrated sensing and communication in vehicular networks: A deep learning approach
Wang et al. Jointly learned symbol detection and signal reflection in RIS-aided multi-user MIMO systems
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
Omondi et al. Towards artificial intelligence-aided mimo detection for 6g communication systems: a review of current trends, challenges and future directions
Wang et al. Intelligent beam training with deep convolutional neural network in mmwave communications
WO2023287769A2 (en) Reinforcement learning of beam codebooks for millimeter wave and terahertz mimo systems
CN115361258A (zh) 一种大规模mimo稀疏信道估计方法及相关设备
CN101321008A (zh) 下行波束赋形发射方法及装置
Hao et al. Adaptive anti-jamming beamforming based on the preprocessing deep reinforcement learning for downlink navigation communication
KR102546184B1 (ko) 멀티태스크 학습 기반의 보안 통신 시스템 및 방법
CN117858258A (zh) 一种无线通信***的感知与波束赋形设计方法
CN115622596B (zh) 一种基于多任务学习的快速波束对齐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210326