背景技术
目前,毫米波通信是未来的5G/B5G乃至6G无线通信网络中的关键赋能技术之一。理论上通过开发利用毫米波频段上存在的超大带宽,本发明精心设计的无线通信***是很有可能达到更高的***吞吐率的。但是在目前的实际部署中,这个优势还没有被完全发挥出来,主要是由于以下二者的限制:信号覆盖范围和能量消耗问题。具体来说,高穿透损耗和高指向性的波束(缺乏散射路径)会使得毫米波信号容易受到阻塞。而且,目前毫米波基站的大规模部署也会导致无线通信***的能量消耗过高。针对以上问题的一个可能的解决方案是,利用RIS构建出一个智能无线电环境(Smart Radio Environments,SRE)。部署在无线通信***中的合适位置之后,RIS可以1)通过灵活地反射无线电磁信号来避免通信链路中阻塞事件的出现;2)回收无线通信环境中已有的电磁波而不会产生新的电磁信号。即RIS能用于解决毫米波通信***中频繁发生的阻塞/遮挡问题的一项关键技术,并能够在视距路径(Line of Sight,LOS)不可用的情况下确保通信质量。因此最近出现的带有低成本无源器件的RIS这一概念被认为是B5G/6G无线通信***中一个很有潜力的范例,因为它具有动态调整电磁波在环境中的传播方式的能力,而几乎不带来额外的能量消耗。
尽管具有以上这些在实际应用中的潜力,但RIS辅助的无线通信***从根本上来说还存在着两个基本问题亟待解决,它们都是围绕如何合理地设计RIS上各单元的反射系数使其有利于***性能的提升而展开的。第一个问题在于准确获取***全局的信道状态信息(Channel State Information,CSI),这是智能反射的基础。第二是采用何种多变量优化的策略来调整每个元素的反射系数,从而使智能超表面完成辅助波束赋形的特定功能。由于在未来基于大规模MIMO***的B5G/6G无线通信***中,收发机两端的天线数量急剧增加,因此高维信道的准确的CSI是比较难获取的。尤其当RIS参与到通信过程中时,其表面上大规模布设的反射单元所额外引入的高维级联通道将使得准确估计出全局的CSI并将其反馈到另一侧的收发机变得更加困难(当信道互易性存在时)。因此,通过传统的信道估计算法直接估计出全局的高维级联信道可能是不现实的。目前有些研究者尝试用矩阵分解的办法来将基站(Base Station,BS)与RIS、RIS与用户设备(User Equipment,UE)之间的级联信道解耦合,但此时信道系数的先验分布需要预先获取;还有研究者假设BS和RIS之间的信道是已知的,然后在此基础上估计RIS-UE的部分信道。然而,由于RIS无源特性的影响,上述这些方法不能将级联信道的两个子部分很好地解耦合。一个明显的表现是,估计RIS-UE信道时,显式的高维BS-RIS信道矩阵仍将以较高的计算复杂性参与运算,例如矩阵分解和求逆等。本发明注意到尽管以上方法不会显着增加RIS的能耗,但由于高维的BS-RIS信道矩阵始终参与运算,因此它将仍然给收发机带来巨大的计算负担。特别是当收发机上都配备有多天线时,这个计算负担将变得尤为沉重。
鉴于这一难题,有一些研究人员最近提出可以让RIS具备感知环境中电磁波的能力并承担一些计算任务。这样一来RIS就可以根据自身估计出的CSI实时调整其单元的反射系数,而不用再从收发机处获取。这样的RIS配置被称为半无源RIS,由此可以很好地解耦上述级联通道。这样就减少了相应通信***中总体的信道估计开销,并且将不再受到传统RIS本身无源特性的限制。从而问题就转化成了如何找到更具成本效益的RIS设计来进行信道估计。目前在半无源RIS的研究中初步出现了一些探索性的工作,如在RIS上放置一些传感器,结合深度学习(Deep Learning,DL)等信号处理的方法来在RIS处估计信道。然而,稀疏放置的传感器处的CSI并不能很好地代表整个RIS上的CSI,而深度学习类的算法计算开销大,且可解释性和泛化能力还有待商榷。
通过上述分析,现有技术存在的问题及缺陷为:
(1)在目前的实际部署中,现有的毫米波无线通信***存在信号覆盖范围和能量消耗问题。具体来说,高穿透损耗和高指向性的波束(缺乏散射路径)会使得毫米波信号容易受到阻塞,从而导致其覆盖范围受限。而且,目前毫米波基站的大规模部署也会导致无线通信***的总体能量消耗过高。
(2)现有RIS辅助的无线通信***,特别是基于大规模MIMO***的B5G/6G无线通信***中,收发机上的天线数量急剧增加,难以准确获取***全局的信道状态信息CSI;且RIS又引入了高维的反射信道,因此沿用传统的信道估计算法直接估计出全局的高维级联信道可能是不现实的。
(3)由于RIS无源特性的影响,现有方法不能将级联信道的两个子部分很好地解耦合。估计RIS-UE信道时,显式的高维BS-RIS信道矩阵仍将以较高的计算复杂性参与运算;由于高维的BS-RIS信道矩阵始终参与运算,它将仍然给信号处理模块带来巨大的计算负担。
(4)现有半无源RIS配置中,稀疏放置的传感器处的CSI并不能很好地代表整个RIS上的CSI,而深度学习类的算法计算开销过大,且可解释性和泛化能力还有待商榷。
解决以上问题及缺陷的难度为:理论上RIS能够通过其表面上布设的大量低成本无源反射单元动态地改变无线通信环境中电磁波信号的传播,以提高***的整体通信性能。但这是在全局的CSI已知的情形下才能够达到的较为理想的效果,而完全无源的RIS将会给CSI的获取带来巨大的挑战,且继续沿用传统的信道估计算法会给***带来沉重的计算负担。
解决以上问题及缺陷的意义为:通过对RIS的软硬件架构进行联合设计,低复杂度的信道估计方案将得以实现,使得RIS动态调整环境中电磁波信号的成本大大降低,其辅助的通信***整体的性能有所提高(即能够以更少的能量传递更多的信息),RIS的引入能够真正起到辅助通信的作用。
发明内容
针对现有技术存在的问题,本发明提供了一种基于空间随机采样的智能超表面信道估计方法及***,尤其涉及一种用于半无源智能超表面(Reconfigurable IntelligentSurface,RIS)辅助的无线通信***中的信道估计方法及***,旨在解决RIS辅助的通信***中传统及现有的信道估计方法计算开销过大的问题。
本发明是这样实现的,一种基于空间随机采样的智能超表面信道估计方法,所述基于空间随机采样的智能超表面信道估计方法包括以下步骤:
步骤一,在传统智能超表面的硬件基础上动态地给少数反射单元赋予信号感知能力,实现空间随机采样;
步骤二,在信道估计阶段通过电子开关按照一定的策略来实时控制少量单元连接到较低成本的射频链路及后续的基带信号处理模块上;
步骤三,基带信号处理模块在获取不完整的低精度导频信号后,利用接收矩阵的低秩性,通过矩阵补全算法近似恢复出整个反射面板上所接收到的所有导频信号;
步骤四,以恢复出的所述接收导频信号为基础,利用无线通信信道在角度域和频域上的联合稀疏性,通过压缩感知类算法估计出向量化的、特定基底下的信道系数;
步骤五,通过简单的投影变换和数据重排得到原始的空域信道状态信息,智能超表面以所述空域信道状态信息为依据合理调整反射单元的反射系数,实现波束赋形及辅助通信。
进一步,所述基于空间随机采样的智能超表面信道估计方法,还包括:
在利用RIS提供额外的反射路径来辅助收发机之间进行通信的场景中:
(1)上行链路中,多天线UE按照一定顺序发射出能够满足后续算法需要的导频系列,经过无线环境中一些散射体的散射,到达RIS处;
(2)RIS上的中央控制器内部随机产生一组满足特定分布的伪随机数,长度等于RIS上反射单元的数目;若某一序号对应的值为1,则表示闭合该序号对应位置上的RIS单元后的电子开关,将其连接到超表面背后的低成本RF链路上,意为入射到此单元表面上的信号可以被RIS感知;保存当前时刻信号粗略的取值,用于后续的信道估计;反之若某一序号对应的值为0,则表示断开该序号对应位置上的RIS单元后的电子开关,此时对应的RIS单元只起到传统意义上的反射/散射入射信号的作用而不具备感知信号的能力;
(3)根据实际硬件电路的性能表现水平,按一定频率,即理想情况是能够达到符号级别,即每接收到一个导频符号就切换一次电子开关重复步骤(2),直至所设计的用于该通信阶段的导频序列全部接收完毕;
(4)由电磁波信号的稀疏性可知,完整的接收导频矩阵理论上具有低秩性,则利用低秩性通过矩阵补全算法将步骤(3)获取的残缺接收导频矩阵恢复完整;
(5)以步骤(4)中恢复出的RIS上完整的接收导频信号矩阵为基础,利用电磁波信号在空域和频域上的联合稀疏性,通过低复杂度的稀疏信号恢复算法,估计出在投影变换下向量形式的信道系数;最后将此信道系数做以上投影变换的逆变换,并按需要整理成矩阵形式的空域CSI,则RIS能够以此为基础合理调整其相移矩阵,从而达到波束赋形的效果。
进一步,所述基于空间随机采样的智能超表面信道估计方法,还包括:
所示RIS上只含有极少数目的RF链路和单比特量化的ADC,并在中央控制器的控制下通过电子开关随机地连接到等量的RIS单元上。半无源RIS辅助下的宽带无线通信***工作在时分复用TDD模式下,上行和下行链路占用相同的带宽,其中子载波个数为Nk,载波间隔为△f,BS、RIS、UE均为均匀平面阵列UPA,天线或反射单元的数目分别记作NB、M、NU。
UE的天线通常被配置成两列均匀线性阵列ULA,信道由N
cl个多径簇组成,而每个簇可由N
sp个子路径组成。对于子路径对(m,n),α
n,m,τ
n,m,
分别表示其强度、时延、水平(竖直)到达角、水平(竖直)离开角。不失一般性地,考虑将UPA放在YZ平面上,此时收发机处的阵列响应矢量为:
λ、D
h、D
v、N
h、N
v分别表示电磁波信号的波长,水平(垂直)方向的单元间距,水平(垂直)方向的单元数目。第k个子载波上的天线孔径域信道可以表示为:
则将所有Nk个子载波上的信道表示整合成以下的矩阵形式:
进一步,步骤四中,所述利用宽带信道在角度域和频域上的联合稀疏性,通过压缩感知类算法估计出向量化的、特定基底下的信道系数,包括:
(1)利用离散傅里叶变换DFT矩阵将其映射到角域:
其中,
表示克罗内克积;
是一个N维的DFT矩阵,反映了对应的天线阵列的几何特性,A[f
k]中只有一些少量的元素具有相对较高的幅值,其物理意义可以解释为不同离散角度对之间的复信道增益。
(2)变换矩阵本身将影响A[fk]的稀疏度和能量泄漏情况,采用标准的DFT矩阵作为投影基。为了在多径延迟方面同时利用宽带信道稀疏性,将A[fk]进一步投影如下:
(3)通过将天线孔径域信道投影为x=Svec(H)来完成信道稀疏化和向量化。显然经过这样的投影变换之后获得的信道系数要比之前稀疏得多。注意到在实际应用中,Nk也可以代表资源块RB或连续RB组,取决于探测参考信号频率结构的数目,将导致其实际数值要比子载波总数小得多。
进一步,所述基于空间随机采样的智能超表面信道估计方法,还包括:
考虑一个块衰落的信道,即该信道的信道系数对于一个连续符号块是保持不变的,单个导频块内的所有导频符号用于估计同一信道。以RIS与UE之间的信道为例,在上行链路中UE发射出的一个包含Np个导频符号的导频块被记作T,则理论上RIS处最多能够接收到的信号应为:
其中,
C=(BNt)*T;
运算符(·)*表示矩阵的共轭。采用广泛使用的ZC序列作为导频,重新将Z和X写成向量形式:
其中,ψ即为压缩感知问题中所谓的字典矩阵。这样一来本发明就将信道估计问题转化为了稀疏向量的恢复问题。考虑到RIS和大规模BS阵列上布设的单元数目众多,矩阵ψ将变得太大而无法存储在内存中和执行相关的运算。在后续的实际仿真中将ψ表示为隐式运算符,使得其分量可以通过快速傅立叶变换算法高效地计算出来。考虑的收发机均为UPA,即
因此并不能直接使用一维或二维的FFT。通过利用Kronecker积的性质来使用FFT算法。对于任意的向量v,有如下表达式:
其中,
这样一来,本发明就可以对相应的矩阵逐列执行二维FFT运算。
进一步,所述基于空间随机采样的智能超表面信道估计方法,还包括:
在一个导频信号块内进行随机采样,对应的物理实现是通过电子开关一次随机控制一定比例的RIS元素,可以在符号级别上控制开关。考虑到实际无线通信环境中随机采样和噪声的影响,RIS上实际可用的接收信号为:
YΩ=Ω⊙Q(Z+W);
其中,⊙表示哈达玛积,Q(·)表示量化函数,Ω则是采样矩阵,其数据组织形式是一组满足特定分布的伪随机数,其中元素的取值为0或1。而该采样矩阵对应的物理实现是,若某一序号对应的值为1,则表示闭合该序号对应位置上的RIS单元后的电子开关,将其连接到超表面背后的低成本RF链路上,意为入射到此单元表面上的信号可以被RIS感知。保存当前时刻信号粗略的取值,用于后续的信道估计。反之若某一序号对应的值为0,则表示断开该序号对应位置上的RIS单元后的电子开关,此时对应的RIS单元只起到传统意义上的反射/散射入射信号的作用而不具备感知信号的能力。因此以上的接收信号矩阵YΩ受到了空间随机采样的影响变得不是完整的,即部分元素缺失。然而由前文中的信道模型可推断出,受到有限散射环境的影响,信道的子路径数是相对较小的,因此有:
则接收信号矩阵的秩同样也是受限的:
rank(Z)≤rank(X)≤Npath;
因此,矩阵补全算法如奇异值截断方法,增广拉格朗日乘子法等就适合用来从少量的观测元素中恢复出采样前的原始矩阵。根据矩阵补全的基本理论,若要通过以上松弛低秩约束至核范数约束类的补全方法,来恢复任意一个维度为n×n,秩为r的矩阵;则至少需要观察到的采样元素数目为nrpolylogn,该矩阵就能被几乎确定地成功补全出来,运算复杂度约为O(n2r),则这些采样元素占原矩阵中所有元素的比例约为(rpolylogn)/n。若该矩阵并非方阵,则n取为其行数和列数中的最小值,RIS单元的总数根据实际通信的需要变得更大,而接收RF链的数量保持不变。
选择令RIS的中央控制器每次进行空间随机采样前产生一组满足伯努利分布的伪随机数,即每个单元都有同等的概率被采样到,所述概率即为本发明预设的采样率,其最大值为:RIS配备的RF链路数目/RIS单元总数;随后再以该组随机数为参考控制电子开关将RF链路连接到相应位置的RIS单元上。
进一步,所述基于空间随机采样的智能超表面信道估计方法,还包括:
采用广义近似消息传递方法,将向量估计问题转换为一系列常数估计问题,因此具有轻量级计算和快速收敛的优点。GAMP将AMP的输入、输出参数的分布扩展到了非线性测量模型,非常适用于单比特量化信号这样的非线性信号的重建。但是,***预设的信道稀疏率η会对该方法的恢复结果产生比较大的影响,其定义如下:对于一个向量
若有:
||x||0=|supp(x)|≤K;
成立,其中supp(x)表示向量x的支撑集,则其稀疏率定义为η=K/N。
利用期望最大化算法来更新相关参数,其中就包括了在每一次的步骤M中更新信道稀疏率。假设其中每一个元素都满足以下的高斯混合分布:
其中,δ(·)为迪利克雷函数。分别将ω
l、θ
l、φ
l记作第l个GM元素的权重、均值、方差。又由于噪声和信号是相互独立的,假设噪声是满足均值为0、方差为
的独立同分布的高斯白噪声:
以上所有的关于信号和噪声分布的相关参数在原始的GAMP算法中被认为是先验已知的,而在EM-GAMP算法中需要以迭代的方式估计出来,将其一并表示为参数向量
在q的基础上,基于GAMP的算法用下式来逼近真实的边缘概率分布p(z
m|y;q):
其中,
是ψ的第m行元素,
和
分别为z
m的均值和方差,它们会随着迭代的过程而更新,直到收敛。由于此处的GAMP***输出
(即由矩阵补全恢复出的接收信号)是经过单比特ADC量化后的,则有:
类似的,采用下式来逼近真实的边缘概率分布p(xn|y;q):
其中,
和
分别是x
n的均值和方差,且有以下更为详细的逼近:
其中,ζ
n是归一化因子,参数
γ
n,l、ν
n,l都取决于
q的具体取值。应用GAMP算法之后,利用EM算法更新q和
中的参数,并重复GAMP迭代直到收敛。而
的最终迭代结果即作为所提算法信道估计的结果,EM更新参数所需的所有变量取值已由GAMP算法的每一步迭代结果得到,这将使整个EM-GAMP算法的计算效率更高。受到快速算法的影响,该过程的运算复杂度为O(MN
UN
klog(MN
UN
k))。
本发明的另一目的在于提供一种应用所述的基于空间随机采样的智能超表面信道估计方法的基于空间随机采样的智能超表面信道估计***,所述基于空间随机采样的智能超表面信道估计***包括:
空间随机采样模块,用于在传统智能超表面的硬件基础上动态地给少数反射单元赋予信号感知能力,实现空间随机采样;
单元连接模块,用于在信道估计阶段通过电子开关按照一定的策略来实时控制少量单元连接到较低成本的射频链路及后续的基带信号处理模块上;
导频信号恢复模块,用于基带信号处理模块在获取不完整的低精度导频信号后,利用接收矩阵的低秩性,通过矩阵补全算法近似恢复出整个反射面板上所接收到的所有导频信号;
信道系数估计模块,用于以恢复出的所述接收导频信号为基础,利用宽带信道在角度域和频域上的联合稀疏性,通过压缩感知类算法估计出向量化的、特定基底下的信道系数;
波束赋形模块,用于通过简单的投影变换和数据重排得到原始的空域信道状态信息,智能超表面以所述信息为依据合理调整反射单元的反射系数,实现波束赋形及辅助通信。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的基于空间随机采样的智能超表面信道估计方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于空间随机采样的智能超表面信道估计方法。
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:本发明提供的基于空间随机采样的智能超表面信道估计方法,在传统智能超表面的硬件基础上动态地给少数反射单元赋予信号感知能力,以达到空间随机采样的目的,即可以在信道估计阶段通过电子开关按照一定的策略来实时控制少量单元连接到较低成本的射频链路及后续的基带信号处理模块上;基带信号处理模块在获取了不完整的低精度导频信号后,首先利用接收矩阵的低秩性,通过矩阵补全算法近似恢复出整个反射面板上所接收到的所有导频信号;再以该恢复出的接收导频信号为基础,利用宽带信道在角度域和频域上的联合稀疏性,通过压缩感知类算法估计出向量化的、特定基底下的信道系数;最后通过简单的投影变换和数据重排就可以得到原始的空域信道状态信息,而智能超表面则能够以此为依据来合理调整其反射单元的反射系数,从而达到波束赋形并辅助通信的目的。与现有技术相比,本发明所提信道估计方案的优势在于,通过对宽带电磁波信号相关性质的充分发掘,以较低的RIS硬件成本极大地减轻了整个***用于信道估计阶段的计算开销,特别是其中信道稀疏化和合理运用的快速算法使得信道估计更加高效、精确,尤其适用于RIS辅助的大规模天线***。
本发明为大规模RIS辅助的宽带MIMO通信***提出了一种新颖的信道估计方案。通过利用宽带信道在空域和频域上的联合稀疏性及其带来的接收信号矩阵低秩性,本发明提出了半无源RIS辅助***中的一种高效的信道估计算法,能够在较低的RIS硬件成本支持下快速实现。特别地,本发明提出将EM-GAMP这一高效的非线性压缩感知算法与信道稀疏化操作结合了起来,进一步减轻了信道估计的负担。仿真结果表明,在大多数情况下,所提方案的性能表现明显优于其他方案,且需要的先验信息更少,硬件成本更低。与激活全部RIS单元并利用传统方法(如单比特LS、SPL1、QIHT等)估计信道系数的架构相比,本发明所提方案仅采用激活了极少比例的RIS单元就可以获得更准确的信道估计结果,最多处可获得6dB以上的性能增益。
本发明智能超表面不仅可以用来辅助无线通信,还可以用来辅助无线传能(充电),或者范围更小的无线携能通信(SWIPT);
本发明所述的反射相关的参数和操作,也可以改为透射,而并不影响该发明的适用性。
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。
针对现有技术存在的问题,本发明提供了一种基于空间随机采样的智能超表面信道估计方法及***,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于空间随机采样的智能超表面信道估计方法包括以下步骤:
S101,在传统智能超表面的硬件基础上动态地给少数反射单元赋予信号感知能力,实现空间随机采样;
S102,在信道估计阶段通过电子开关按照一定的策略来实时控制少量单元连接到较低成本的射频链路及后续的基带信号处理模块上;
S103,基带信号处理模块在获取不完整的低精度导频信号后,利用接收矩阵的低秩性,通过矩阵补全算法近似恢复出整个反射面板上所接收到的所有导频信号;
S104,以恢复出的所述接收导频信号为基础,通过压缩感知类算法估计信道状态信息;
S105,智能超表面以所述信道状态信息为依据合理调整反射单元的反射系数,实现反射方向的主动控制或波束赋形。
如图2所示,本发明实施例提供的基于空间随机采样的智能超表面信道估计***包括:
空间随机采样模块1,用于在传统智能超表面的硬件基础上动态地给少数反射单元赋予信号感知能力,实现空间随机采样;
单元连接模块2,用于在信道估计阶段通过电子开关按照一定的策略来实时控制少量单元连接到较低成本的射频链路及后续的基带信号处理模块上;
导频信号恢复模块3,用于基带信号处理模块在获取不完整的低精度导频信号后,利用接收矩阵的低秩性,通过矩阵补全算法近似恢复出整个反射面板上所接收到的所有导频信号;
信道系数估计模块4,用于以恢复出的所述接收导频信号为基础,利用宽带电磁波信道在角度域和频域上的联合稀疏性,通过压缩感知类算法估计出向量化的、特定基底下的信道系数;
波束赋形模块5,用于通过简单的投影变换和数据重排得到原始的空域信道状态信息,智能超表面以所述信息为依据合理调整反射单元的反射系数,实现波束赋形及辅助通信。
下面结合实施例对本发明作进一步描述。
实施例1
针对RIS辅助的通信***中传统及现有的信道估计方法计算开销过大的问题,本发明提出了一种可以进行低成本空间随机采样的半无源RIS结构,在此基础上提出的信道估计算法能够以较小的计算开销达到较高的信道估计精度。即本发明提供一种RIS软硬件联合设计的信道估计方法,主要包括:
考虑一个如图3所示的通信链路中LOS被阻断的情形(这在毫米波通信中很可能经常发生)下,利用RIS提供额外的反射路径来辅助收发机之间进行通信的场景中:
1)上行链路中,多天线UE按照一定顺序发射出能够满足后续算法需要的导频系列(包括但不限于特定长度的ZC序列、高斯序列、QPSK序列等以及它们的变形),经过无线环境中一些散射体的散射,到达RIS处。
2)如图4所示,RIS上的中央控制器内部随机产生一组满足特定分布的伪随机数,其长度等于RIS上反射单元的数目。若某一序号对应的值为1,则表示闭合该序号对应位置上的RIS单元后的电子开关,将其连接到超表面背后的低成本RF链路上,意为入射到此单元表面上的信号可以被RIS感知。保存当前时刻信号粗略的取值,用于后续的信道估计。反之若某一序号对应的值为0,则表示断开该序号对应位置上的RIS单元后的电子开关,此时对应的RIS单元只起到传统意义上的反射/散射入射信号的作用而不具备感知信号的能力。
3)根据实际硬件电路的性能表现水平,按一定频率(理想情况是能够达到符号级别,即每接收到一个导频符号就切换一次电子开关)重复步骤2),直至所设计的用于该通信阶段的导频序列全部接收完毕。
4)由电磁波信号的稀疏性可知,完整的接收导频矩阵理论上具有低秩性,则利用这一性质通过矩阵补全算法将步骤3)中获取的残缺接收导频矩阵恢复完整。
5)以步骤4)中恢复出的RIS上完整的接收导频信号矩阵为基础,利用电磁波信号在空域和频域上的联合稀疏性,通过低复杂度的稀疏信号恢复算法,估计出在投影变换下向量形式的信道系数。最后将此信道系数做以上投影变换的逆变换,并按需要整理成矩阵形式的空域CSI,则RIS能够以此为基础合理调整其相移矩阵,从而达到波束赋形的效果。
RIS空间随机采样的实现原理图如图5所示。
与现有技术相比,本发明所提信道估计方案的优势在于,通过对宽带电磁波信号相关性质的充分发掘,以较低的RIS硬件成本极大地减轻了整个***用于信道估计阶段的计算开销,特别是其中信道稀疏化和合理运用的快速算法使得信道估计更加高效、精确,尤其适用于RIS辅助的大规模天线***。
实施例2
本发明考虑一个大规模半无源RIS辅助下的宽带毫米波无线通信***,其中LOS链路由于毫米波的高方向性和穿透损耗被障碍物遮挡住。此时如若没有RIS辅助通信,该***将会发生阻塞事件。而若要RIS发挥出实时辅助通信的效果,本发明首先要设法获取全局的CSI。为了减少硬件成本和能量消耗,本发明设计的RIS上只含有极少数目的RF链路和单比特量化的ADC,它们会在中央控制器的控制下通过电子开关随机地连接到等量的RIS单元上。该***工作在时分复用(Time-Division Duplexing,TDD)模式下,上行和下行链路占用相同的带宽,其中子载波个数为N
k,载波间隔为△f。本发明设计的***中BS、RIS、UE均为均匀平面阵列(Uniform Planar Array,UPA),天线或反射单元的数目分别记作N
B、M、N
U。为了和实际情况保持一致,UE的天线通常被配置成两列均匀线性阵列(Uniform Linear Array,ULA)。考虑到BS-RIS和RIS-UE这两部分信道具有类似的物理特性,且由于BS和RIS的位置相对固定,该部分的信道特性变化得相对缓慢;不失一般性地,下文中将具体描述RIS-UE之间的信道估计问题及本发明提出的解决方案。该信道由N
cl个多径簇组成,而每个簇可由N
sp个子路径组成。对于子路径对(m,n),α
n,m,τ
n,m,
分别表示其强度、时延、水平(竖直)到达角、水平(竖直)离开角。不失一般性地,本发明考虑将UPA放在YZ平面上,此时收发机处的阵列响应矢量为:
λ、D
h、D
v、N
h、N
v分别表示电磁波信号的波长,水平(垂直)方向的单元间距,水平(垂直)方向的单元数目。第k个子载波上的天线孔径域信道可以表示为:
则将所有Nk个子载波上的信道表示整合成以下的矩阵形式:
本发明为了在更短的导频内达到更好的信道估计效果,并减轻信号采集和处理的运算负担,充分利用了宽带毫米波信道在发射角度域、接收角度域和频域上的联合稀疏性。为此,本发明首先利用离散傅里叶变换(Discrete Fourier Transform,DFT)矩阵将其映射到角域:
其中,
表示克罗内克积(Kronecker product)。
是一个N维的DFT矩阵,反映了对应的天线阵列的几何特性。这样一来A[f
k]中只有一些少量的元素具有相对较高的幅值,其物理意义可以解释为不同离散角度对之间的复信道增益。需要注意的是,变换矩阵本身将影响A[f
k]的稀疏度和能量泄漏情况。但是,考虑到后文提出的快速算法的实现以及RIS的计算能耗问题,本发明仍将采用标准的DFT矩阵作为投影基。此外,为了在多径延迟方面同时利用宽带毫米波信道稀疏性,本发明将A[f
k]进一步投影如下:
并通过将天线孔径域信道投影为x=Svec(H)来完成信道稀疏化和向量化。显然经过这样的投影变换之后获得的信道系数要比之前稀疏得多。注意到在实际应用中,Nk也可以代表资源块(Resource Block,RB)或连续RB组(取决于探测参考信号频率结构)的数目,这都将导致其实际数值要比子载波总数小得多,更有利于减轻信道估计的负担。
依据上述RIS硬件和信道模型的特点,本发明提出了一种有效的软硬件联合设计用于解决半无源RIS辅助***的信道估计问题。本发明考虑一个块衰落的信道,即该信道的信道系数对于一个连续符号块是保持不变的,单个导频块内的所有导频符号用于估计同一信道。以RIS与UE之间的信道为例,在上行链路中UE发射出的一个包含Np个导频符号的导频块被记作T,则理论上RIS处最多能够接收到的信号应为:
其中,
C=(BNt)*T (1.9)
运算符(·)*表示矩阵的共轭。本发明将采用广泛使用的ZC(Zadoff-Chu)序列作为导频,因其具有优良的自纠错性质和较低的峰均功率比,这将有利于本发明所提算法的快速收敛。下面本发明重新将Z和X写成向量形式:
其中,ψ即为压缩感知(Compressed Sensing,CS)问题中所谓的字典矩阵。这样一来本发明就将信道估计问题转化为了稀疏向量的恢复问题。考虑到RIS和大规模BS阵列上布设的单元数目众多,矩阵ψ将变得太大而无法存储在内存中和执行相关的运算。为了解决这个问题,本发明在后续的实际仿真中将ψ表示为隐式运算符,使得其分量可以通过快速傅立叶变换(Fast Fourier Transform,FFT)算法高效地计算出来。注意到本发明中考虑的收发机均为UPA,即
因此并不能直接使用一维或二维的FFT。但是,本发明仍然可以通过利用Kronecker积的性质来使用FFT算法。对于任意的向量v,本发明有如下表达式:
其中,
这样一来,本发明就可以对相应的矩阵逐列执行二维FFT运算。
由于为了降低硬件成本和能耗,本发明仅考虑在RIS上配备单比特量化的ADC和少量的RF接收链路,这将使得对应的信道估计问题更具挑战性。尽管如此,随后的仿真实验表明矩阵补全结合非线性的信号重建算法仍然是有效的。为了确保信号重建的准确性,本发明在一个导频信号块内进行随机采样。其对应的物理实现是通过电子开关一次随机控制一定比例的RIS元素。理想的情况是本发明可以在符号级别上控制开关。考虑到实际无线通信环境中随机采样和噪声(加性和量化噪声)的影响,RIS上实际可用的接收信号为:
YΩ=Ω⊙Q(Z+W) (1.12)
其中,⊙表示哈达玛积(Hadamard Product),Q(·)表示量化函数,Ω则是采样矩阵,其数据组织形式是一组满足特定分布的伪随机数,其中元素的取值为0或1。而该采样矩阵对应的物理实现是,若某一序号对应的值为1,则表示闭合该序号对应位置上的RIS单元后的电子开关,将其连接到超表面背后的低成本RF链路上,意为入射到此单元表面上的信号可以被RIS感知。保存当前时刻信号粗略的取值,用于后续的信道估计。反之若某一序号对应的值为0,则表示断开该序号对应位置上的RIS单元后的电子开关,此时对应的RIS单元只起到传统意义上的反射/散射入射信号的作用而不具备感知信号的能力。因此以上的接收信号矩阵YΩ受到了空间随机采样的影响变得不是完整的,即部分元素缺失。然而由前文中的信道模型可推断出,受到有限散射环境的影响,毫米波信道的子路径数是相对较小的,因此本发明有:
则接收信号矩阵的秩同样也是受限的:
rank(Z)≤rank(X)≤Npath (1.14)
因此,矩阵补全算法如奇异值截断方法(Singular Value Thresholding,SVT),增广拉格朗日乘子法(Augmented Lagrange Multipliers,ALM)等就适合用来从少量的观测元素中恢复出采样前的原始矩阵。本发明选择将这种半无源RIS硬件与矩阵补全方法结合起来的理由是,根据矩阵补全的基本理论,若要通过以上松弛低秩约束至核范数约束类的补全方法,来恢复任意一个维度为n×n,秩为r的矩阵;则至少需要观察到的采样元素数目为nrpolylogn,该矩阵就能被几乎确定地成功补全出来(运算复杂度约为O(n2r))。则这些采样元素占原矩阵中所有元素的比例约为(rpolylogn)/n。若该矩阵并非方阵,则n取为其行数和列数中的最小值。这样一来,一旦要恢复的矩阵的秩固定,则矩阵的尺寸越大,需要采样的数据比例就越低。这也符合本发明的预期,即RIS单元的总数根据实际通信的需要变得更大,而接收RF链的数量保持不变。此外,根据压缩采样理论,若想在同等的采样元素下达到最佳的矩阵补全效果,这些采样元素在原矩阵中的位置应该是尽可能随机的。为此,本发明选择令RIS的中央控制器每次进行空间随机采样前产生一组满足伯努利分布的伪随机数,即每个单元都有同等的概率被采样到(这个概率即为本发明预设的采样率,其最大值为:RIS配备的RF链路数目/RIS单元总数),随后再以该组随机数为参考控制电子开关将RF链路连接到相应位置的RIS单元上。
矩阵补全完成后,此时要解决的问题转化为:在已知混合字典矩阵ψ、经矩阵补全恢复出的完整接收信号向量
的条件下,如何恢复出稀疏信道向量x,这是一个含噪量化的压缩感知问题,常见的解决方法有广义近似消息传递(Generalized ApproximateMessage Passing,GAMP)、量化迭代硬门限(Quantized iterative hard thresholding,QIHT)、基追踪去噪(Basis Pursuit De-Noising,BPDN)以及一些凸松弛类的算法。本发明在此实施例中采用GAMP方法来展示,它将向量估计问题转换为一系列常数估计问题,因此具有轻量级计算和快速收敛的优点。GAMP将AMP的输入、输出参数的分布扩展到了非线性测量模型,非常适用于单比特量化信号这样的非线性信号的重建。但是,***预设的信道稀疏率η会对该方法的恢复结果产生比较大的影响,其定义如下:对于一个向量
若有:
||x||0=|supp(x)|≤K (1.15)
成立,其中supp(x)表示向量x的支撑集,则其稀疏率定义为η=K/N。
然而,在实际的通信***中,信道向量的稀疏率是先验未知的。鉴于此本发明选择利用期望最大化(Expectation Maximization,EM)算法来更新相关参数,其中就包括了在每一次的步骤M中更新信道稀疏率。更具体地,以下是本发明提出的结合上文中半无源RIS硬件设计的信道估计算法。
为了更好地拟合出向量化信道系数的真实分布,本发明假设其中每一个元素都满足以下的高斯混合(Gaussian Mixture)分布:
其中,δ(·)为迪利克雷函数。分别将ω
l、θ
l、φ
l记作第l个GM元素的权重、均值、方差。又由于噪声和信号是相互独立的,因此本发明假设噪声是满足均值为0、方差为
的独立同分布的高斯白噪声:
以上所有的关于信号和噪声分布的相关参数在原始的GAMP算法中被认为是先验已知的,而在EM-GAMP算法中需要以迭代的方式估计出来,这是更加符合实际的。为了方便叙述,本发明在此将其一并表示为参数向量
在q的基础上,本发明提出的基于GAMP的算法用下式来逼近真实的边缘概率分布p(z
m|y;q):
其中,
是ψ的第m行元素,
和
分别为z
m的均值和方差,它们会随着迭代的过程而更新,直到收敛。由于此处的GAMP***输出
(即由矩阵补全恢复出的接收信号)是经过单比特ADC量化后的,则有:
类似的,本发明用下式来逼近真实的边缘概率分布p(xn|y;q):
其中,
和
分别是x
n的均值和方差。结合式(1.16)和式(1.19),本发明有以下更为详细的逼近:
其中,ζ
n是归一化因子,参数
γ
n,l、ν
n,l都取决于
q的具体取值。应用GAMP算法之后,本发明将利用EM算法更新q和
中的参数,并重复GAMP迭代直到收敛。而
的最终迭代结果即作为所提算法信道估计的结果,下面将被用于验证所提算法的有效性。需要注意的是,EM更新参数所需的所有变量取值已由GAMP算法的每一步迭代结果得到,这将使整个EM-GAMP算法的计算效率更高。受到上文中所提快速算法的影响,该过程的运算复杂度约为O(MN
UN
klog(MN
UN
k))。
仿真实验中考虑单小区上行链路中UE-RIS部分的信道估计问题。该***工作在28GHz毫米波频段,总带宽约为200MHz。如在实际***中一样,采用正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)调制,并且子载波间隔为60kHz。整个带宽被划分为64个子带,每个子带由4个连续的RB组成。对于每个子带来说频域中的导频密度都是为1。信道模型中含有4个多径簇,每个簇由5条子路径组成,其方位角和仰角的角度扩展均为7.5°,以上参数根据均是根据实际测量结果进行设置的。
发射端(UE)是一个标准的2×8UPA天线阵列,接收端(半无源RIS)配备了大小为32×32的无源反射单元和一小部分(8%)带有单比特量化ADC的RF链路。并且,本发明将提出的软硬件联合设计的信道估计方案的性能与几种传统算法进行了对比,而这些传统算法假定所有RIS单元都可以接收信号。采用归一化均方误差(Normalized Mean Square Error,NMSE))作为性能指标:
尽管没有信道稀疏度的先验知识,本发明在接收信号矩阵被ALM算法补全之后,采用EM-GAMP算法与信道稀疏化的操作结合的方法自适应地估计出全局的CSI,并且同一时刻只有8%的RIS单元被连接到RF链上来接收导频信号。其他被用来作为对比的信道估计方法如下:
1.QIHT,信道稀疏度先验已知,所有RIS单元都可以接收信号;
2.SPL1,信道稀疏度先验已知,所有RIS单元都可以接收信号;
3.1-bit LS,无需信道稀疏度,所有RIS单元都可以接收信号;
考虑到硬件成本,上述所有接收信号均由1位ADC进行量化。发射导频是由循环ZC序列组成的OFDM符号。并且由于训练导频的长度在实际应用中是有限的,本发明将图6和图7(仿真实验结果)中导频序列的长度分别设为16和32。从图6和图7中都可以看出,在大部分信噪比(Signal to Noise Ratio,SNR)情况下本发明所提方案的性能表现要明显优于其他方案,并且是在匮乏的RF链路和没有信道稀疏度的先验知识的条件下实现的。而在SNR较低时,本发明所提方案的性能也非常接近SPL1,但仍然优于QHIT和1-bit LS。这是由于过量的噪声会影响矩阵补全的准确性,导致EM-GAMP算法中的EM过程无法很好地估计出真实的信道稀疏率,而这和较大的噪声本身都会影响GAMP算法的信号重建精度。当导频的长度从16增加到32时,本发明发现基于EM-GAMP和SPL1方案的性能提升有限,这表明在本发明所提出RIS辅助通信***中较短的导频长度可能就足够了。
综上所述,本发明为大规模RIS辅助的宽带毫米波MIMO通信***提出了一种新颖的信道估计方案。通过利用宽带毫米波信道在空域和频域上的联合稀疏性及其带来的接收信号矩阵低秩性,本发明提出了半无源RIS辅助***中的一种高效的信道估计算法,能够在较低的RIS硬件成本支持下快速实现。特别地,本发明提出将EM-GAMP这一高效的非线性压缩感知算法与针对毫米波的信道稀疏化操作结合了起来,进一步减轻了信道估计的负担。仿真结果表明,在大多数情况下,所提方案的性能表现明显优于其他方案,且需要的先验信息更少,硬件成本更低。与使用完全激活的RIS单元的传统方法(SPL1、QHIT和1-bit LS)相比,本发明所提方案仅采用激活极少比例的RIS单元就可以获得更准确的信道估计结果。
表1仿真参数设置
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
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。