CN114124264A - 基于智能反射面时变反射相位的无人机信道模型建立方法 - Google Patents

基于智能反射面时变反射相位的无人机信道模型建立方法 Download PDF

Info

Publication number
CN114124264A
CN114124264A CN202111419297.1A CN202111419297A CN114124264A CN 114124264 A CN114124264 A CN 114124264A CN 202111419297 A CN202111419297 A CN 202111419297A CN 114124264 A CN114124264 A CN 114124264A
Authority
CN
China
Prior art keywords
time
intelligent
aerial vehicle
unmanned aerial
varying
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.)
Granted
Application number
CN202111419297.1A
Other languages
English (en)
Other versions
CN114124264B (zh
Inventor
曹晨骏
练柱先
王亚军
解志斌
苏胤杰
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111419297.1A priority Critical patent/CN114124264B/zh
Publication of CN114124264A publication Critical patent/CN114124264A/zh
Application granted granted Critical
Publication of CN114124264B publication Critical patent/CN114124264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Aerials With Secondary Devices (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于智能反射面时变反射相位的无人机信道模型建立方法，首先，建立基于智能反射面时变反射相位的无人机信道模型；其次，根据无人机信道模型，考虑到是否应用智能反射面IRS与是否含有直射信号的情况，得到各个分量的复信道增益；再次，根据接收信号的功率最大化原则设计优化问题，并对优化问题进行简化；然后，根据LoS分量与NLoS分量的强弱，求出智能反射面IRS的最优时变反射相位；最后求解基于智能反射面时变反射相位的无人机信道模型的空时相关性函数，通过相关性分析来确定智能反射面IRS对无人机信道特性的影响。本发明可以为下一代移动通信***关键技术的探索提供帮助和支持。

Description

基于智能反射面时变反射相位的无人机信道模型建立方法
技术领域
本发明涉及无线通信技术，具体地涉及一种基于智能反射面时变反射相位的无人机信道模型建立方法。
背景技术
随着第五代通信技术商用的全面部署，物联网技术的迅速发展，功耗急剧扩大必然会成为未来的一个难题。那么如何实现高速率低功耗数据传输将成为未来网络发展的关键。得益于相关新兴技术的高速发展，具有低功耗、低复杂度、低成本特点的智能反射面技术将很好应对这个难题。无人机(Unmanned Aerial Vehicle，UAV)中继通信***是以UAV作为移动中继的通信***，借助其高机动性，具有传输距离远、部署方便、机动灵活、覆盖范围广泛、***架构迅速和经济效益高等优点，UAV实现高速无线通信将在未来的通信***中发挥重要的作用。
在传统移动通信中，发送端和接收端之间的信号传输环境是不可控制的，由此产生的不利于通信质量的问题也难以解决。但是在***中加入智能反射面后，发送和接收机之间的传输环境可以通过调整智能反射面的反射相位来改变，因此传输质量也会得到提高。而为了设计智能反射面辅助的无人机多输入多输出通信***，一个可以准确描述通信特性的信道模型是必不可少的。本发明针对此带有智能发射面的通信***的关键点——反射相位进行了新的设计，其是基于最优化接收信号功率这一原则的。
综上所述，基于智能反射面时变反射相位的无人机信道模型建立方法正处在初始阶段，智能反射面IRS对无人机UAV信道的统计特性还有待探索，因此，一种精确的基于智能反射面时变反射相位的无人机信道模型非常必要。
发明内容
发明目的：本发明的目的是提供一种精确的基于智能反射面时变反射相位的无人机信道模型建立方法，该模型的建立可以为今后的***性能分析以及预编码算法设计提供依据。
技术方案：本发明的基于智能反射面时变反射相位的无人机信道模型建立方法，包括以下步骤：
S1、根据无人机UAV、智能反射面IRS和接收端三者之间的位置关系，建立基于智能反射面时变反射相位的无人机信道模型；
该模型采用底面半径长为R的三维圆柱体来模拟接收端Rx周围的散射体，N1个散射体
Figure BDA0003376281890000021
布置在该三维圆柱体的表面上；采用底面焦距为2f0的三维椭圆-圆柱体来模拟智能反射面IRS和接收端附近的散射体，智能反射面IRS和接收端Rx设置在该三维椭圆-圆柱体底面的焦点上，N2个散射体
Figure BDA0003376281890000022
被布置在三维椭圆-圆柱体的表面上；无人机UAV上设置有NU个均匀线型天线阵列，接收端Rx上设置有NR个均匀线型天线阵列，智能反射面IRS上设置有M行N列的均匀平面天线阵列；
S2、根据步骤S1建立的无人机信道模型，考虑到是否应用智能反射面IRS与是否含有直射信号的情况，得到各个分量的复信道增益；
智能反射面IRS配置在小区边缘的楼层表面，当智能反射面IRS和接收端Rx之间的距离较远时，智能反射面IRS和接收端Rx之间的信道主要为Rayleigh衰落信道；则无人机信道模型的复信道增益包括LoS分量、NLoS分量和经过智能反射面IRS的反射分量；
S3、根据接收信号的功率最大化原则设计优化问题，并对优化问题进行简化；
S4、对简化后的优化问题分两种情况考虑；情况1：LoS分量强于NLoS分量；情况2：NLoS分量强于LoS分量；分别求出情况1和情况2的最优智能反射面IRS的时变反射相位；
S5、通过步骤S4中得到的最优智能反射面IRS的时变反射相位，根据相关函数的定义，对步骤S2得到的各个分量的复信道增益与它的复共轭进行统计平均，求解基于智能反射面时变反射相位的无人机信道模型的空时相关性函数，并进一步求取LoS分量、NLoS分量和IRS分量的空时相关函数，通过相关性分析来确定智能反射面IRS对无人机信道特性的影响；
进一步的，步骤S2中得到的复信道增益，其表示如下：
Figure BDA0003376281890000023
其中，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益，t表示时间变量，
Figure BDA0003376281890000024
表示无人机UAV天线单元p和接收端天线单元q之间LoS分量的复信道增益，
Figure BDA0003376281890000031
表示无人机UAV天线单元p和接收端天线单元q之间NLoS分量的复信道增益，
Figure BDA0003376281890000032
表示无人机UAV天线单元p和接收端天线单元q之间经IRS分量的复信道增益，计算公式为：
Figure BDA0003376281890000033
Figure BDA0003376281890000034
Figure BDA0003376281890000035
其中，Gu和Gr分别是无人机UAV和接收端的增益，
Figure BDA0003376281890000036
是无人机UAV到接收端RX的路径损失，K是莱斯因子，λ是载波波长，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，fLoS(t)表示LoS分量的多普勒频移；
Figure BDA0003376281890000037
表示无人机UAV天线单元p和散射体
Figure BDA0003376281890000038
之间的时变距离，
Figure BDA0003376281890000039
表示散射体
Figure BDA00033762818900000310
和接收端天线单元q之间的时变距离，fNLoS(t)表示NLoS分量的多普勒频移，G是智能反射面IRS的增益，
Figure BDA00033762818900000311
是链路UAV-IRS-RX的路径损失，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，ξmnq(t)表示(m,n)-th智能反射单元和用户端天线单元q之间的时变距离，
Figure BDA00033762818900000312
表示(m,n)-th智能反射单元和散射体
Figure BDA00033762818900000313
之间的时变距离，
Figure BDA00033762818900000314
表示散射体
Figure BDA00033762818900000315
和接收端天线单元q的时变距离，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移。
进一步的，步骤S3中优化问题表示如下：
Figure BDA00033762818900000316
其中，t表示时间变量，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，
Figure BDA00033762818900000317
表示统计均值计算，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益。
进一步的，考虑比较集中的接收信号功率，优化问题简化公式如下：
Figure BDA0003376281890000041
其中，
Figure BDA0003376281890000042
表示统计均值运算，t表示时间变量，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，
Figure BDA0003376281890000043
和
Figure BDA0003376281890000044
分别表示LoS分量、IRS分量、NLoS分量的脉冲幅度，cos(·)表示余弦函数，
Figure BDA0003376281890000045
表示无人机UAV天线单元p和接收端天线单元q之间直射分量的时变相位，
Figure BDA0003376281890000046
表示无人机UAV天线单元p和接收端天线单元q之间的多径分量经(m,n)-th智能反射单元后的时变相位，
Figure BDA0003376281890000047
表示无人机UAV天线单元p和接收端天线单元q之间的散射分量的时变相位；
其中，
Figure BDA0003376281890000048
Figure BDA0003376281890000049
Figure BDA00033762818900000410
Figure BDA00033762818900000411
Figure BDA00033762818900000412
Figure BDA00033762818900000413
其中，Gu表示无人机UAV增益，G表示智能反射面IRS的增益，Gr表示接收端天线增益，
Figure BDA00033762818900000414
表示无人机UAV到智能反射面IRS的路径损耗，
Figure BDA00033762818900000415
表示无人机UAV到接收端的路径损耗，K表示莱斯因子，λ表示载波波长，π表示圆周率，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，fLoS(t)是LoS分量的多普勒频移，
Figure BDA0003376281890000051
表示无人机UAV天线单元p和散射体
Figure BDA0003376281890000052
之间的时变距离，
Figure BDA0003376281890000053
表示散射体
Figure BDA0003376281890000054
和用户端天线单元q之间的时变距离，fNLoS(t)是NLoS分量的多普勒频移，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，
Figure BDA0003376281890000055
表示(m,n)-th智能反射单元和散射体
Figure BDA0003376281890000056
之间的时变距离，
Figure BDA0003376281890000057
表示散射体
Figure BDA0003376281890000058
和接收端天线单元q的时变距离，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移。
进一步的，对优化问题简化公式(3)进一步简化，具体为：
假定辅助变量为
Figure BDA0003376281890000059
和
Figure BDA00033762818900000510
并假定智能反射面IRS的时变反射相位为
Figure BDA00033762818900000511
(1)当LoS分量占主导时，NLoS分量的功率忽略，接收信号功率由LoS分量和智能反射面IRS反射分量所支配，因此，优化问题进一步简化为：
Figure BDA00033762818900000512
(2)当NLoS分量占主导时，LoS分量的功率忽略，接收信号功率由NLoS分量和智能反射面IRS反射分量所支配，因此，优化问题简化为：
Figure BDA00033762818900000513
当NLoS分量占主导地位时，由于智能反射面IRS和接收端RX周围的散射体是随机分布的，受这些散射体所影响的反射相位θmn(t)是随机变量，智能反射面IRS很难获取精确的反射相位；为了提高接收信号的功率，将研究智能反射面IRS的统计反射相位而不是精确的随机变量相位；因此构造一个与式(5)同解的式(6)，其表达形式如下：
Figure BDA00033762818900000514
进一步的，步骤S4中最优智能反射面IRS的时变反射相位的求解方法为：
当LoS分量强于NLoS分量时：
设定
Figure BDA0003376281890000061
其中，
Figure BDA0003376281890000062
表示智能反射面IRS的(m,n)位置反射单元和散射体
Figure BDA0003376281890000063
之间的时变距离，
Figure BDA0003376281890000064
表示散射体
Figure BDA0003376281890000065
和接收端天线单元q的时变距离，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移，则智能反射面IRS的最优时变反射相位为：
Figure BDA0003376281890000066
其中，
Figure BDA0003376281890000067
表示无人机UAV天线单元p和接收端天线单元q之间直射分量的时变相位，t表示时间变量，χA、χB均表示辅助变量，
Figure BDA0003376281890000068
表示(m,n)-th智能反射单元的最优时变反射相位；
当NLoS分量强于LoS分量时：
容易知道θmn(t)是随机变量，对于智能反射面IRS来说很难获得一个精确的反射相位，为了提高接收信号的反射功率，研究智能反射面IRS的统计反射相位；假设
Figure BDA0003376281890000069
得到智能反射面IRS的时变反射相位为：
Figure BDA00033762818900000610
其中，
Figure BDA00033762818900000611
表示无人机UAV天线单元p和接收端天线单元q之间的散射分量的时变相位；
进一步优化，得到智能反射面IRS的最优时变反射相位为：
Figure BDA00033762818900000612
其中，χC和χD表示辅助变量。
进一步的，步骤S5中基于智能反射面时变反射相位的无人机信道空时相关性函数，计算公式如下：
Figure BDA00033762818900000613
其中，ρpq,p′q′(t,dU,dR,τ)表示两个时变传输函数hpq(t)和hp′q′(t+τ)之间的标准化空时相关函数，t表示时间变量，dU表示无人机UAV天线单元之间的天线间距，dU＝(p′-p)δU，p′、p分别表示UAV端天线元件，dR表示接收端天线单元之间的天线间距，dR＝(q′-q)δR，q、q′分别表示用户端天线元件，τ表示传输时延，E[·]表示统计平均运算，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益，hp′q′(t+τ)表示无人机UAV天线单元p′和用户端天线单元q′之间的复信道增益，(·)*表示复共轭运算，|·|表示绝对值函数。
利用得到的基于智能反射面时变反射相位的无人机信道空时相关性函数，确定智能反射面IRS、智能反射单元数目和智能反射单元尺寸对无人机UAV信道统计特性的影响。
更进一步的，根据基于智能反射面时变反射相位的无人机信道空时相关性函数，进一步得到LoS分量的空时相关函数为：
Figure BDA0003376281890000071
其中，
Figure BDA0003376281890000072
是LoS分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，ξp′q′(t)表示无人机UAV天线单元p′和用户端天线单元q′之间的时变距离，fLoS(t)表示LoS分量的多普勒频移。
更进一步的，根据基于智能反射面时变反射相位的无人机信道空时相关性函数，进一步得到NLoS分量的空时相关函数为：
Figure BDA0003376281890000073
其中，
Figure BDA0003376281890000074
是NLoS分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，
Figure BDA0003376281890000075
表示无人机UAV天线单元p和散射体
Figure BDA0003376281890000081
之间的时变距离，
Figure BDA0003376281890000082
表示散射体
Figure BDA0003376281890000083
和接收端天线单元q之间的时变距离，
Figure BDA0003376281890000084
表示无人机UAV天线单元p′和散射体
Figure BDA0003376281890000085
之间的时变距离，
Figure BDA0003376281890000086
表示散射体
Figure BDA0003376281890000087
和用户端天线单元q′之间的时变距离，fNLoS(t)表示NLoS分量的多普勒频移。
更进一步的，根据基于智能反射面时变反射相位的无人机信道空时相关性函数，进一步得到IRS分量的空时相关函数为：
Figure BDA0003376281890000088
其中，
Figure BDA0003376281890000089
是经智能反射面IRS反射分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，M表示智能反射面IRS行反射单元的数目，N表示智能反射面IRS列反射单元的数目，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，
Figure BDA00033762818900000810
表示散射体
Figure BDA00033762818900000811
和接收端天线单元q之间的时变距离，ξp′mn(t)表示无人机UAV天线单元p′和(m,n)-th智能反射单元之间链路的时变传播距离，
Figure BDA00033762818900000812
表示散射体
Figure BDA00033762818900000813
和用户端天线单元q′之间链路的时变传播距离，fIRS(t)表示经智能反射面IRS反射的NLoS分量的多普勒频移。
有益效果：与现有技术相比，本发明具有以下优点：
(1)现有技术中，没有考虑到现实中无智能反射面直射分量的情况。但是在现实通信情况中，很有可能出现智能反射面出射的信号无法直接到达接收端的情况，而本发明补上了其中空缺。
(2)本发明的基于智能反射面时变反射相位的无人机信道模型，由LoS分量和NLoS分量的强弱分别研究并且设计了智能反射面的时变反射相位，更全面的描述了现实复杂的通信情况。由此所求出的最优化智能反射面反射相位会更加准确可信。
(3)当NLoS分量占主导地位时，由于智能反射面IRS和接收端RX周围的散射体是随机分布的，受这些散射体所影响的反射相位θmn(t)是随机变量，智能反射面IRS很难获取精确的反射相位。本发明研究了智能反射面IRS的统计反射相位而不是精确的随机变量相位，这将会使之后的数值模拟验证模型更加准确可信。
附图说明
图1为基于智能反射面时变反射相位的无人机信道模型示意图；
图2为智能反射面IRS不同反射相位下的绝对包络幅度比较图；
图3为信道是莱斯信道时智能反射面IRS不同反射单元数目下的绝对包络幅度比较图；
图4为信道是瑞丽信道时智能反射面IRS不同反射单元数目下的绝对包络幅度比较图；
图5为不同智能反射面IRS反射单元数目下无人机信道空间相关性函数的比较图；
图6为不同无人机运动速度下的基于智能反射面时变反射相位的无人机信道的时间相关性函的比较图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明采用智能反射面IRS控制无人机UAV信道的传播环境，根据LoS和NLoS分量的强弱，分别考虑了最优的接收信号功率，并得到了最优的智能反射面IRS反射相位，并采用了时变参数描述无人机信道的信道特性。并考虑了智能反射面IRS对无人机信道传播环境的改变能力，即智能反射面IRS反射单元的数目和反射单元尺寸对无人机信道统计特性(多普勒频移和多径衰落现象)的影响。还考虑了智能反射面IRS辅助的无人机信道，探索智能反射面IRS对无人机信道统计特性的影响，更好的为今后的***性能分析以及预编码算法设计提供依据。
本发明的基于智能反射面时变反射相位的无人机信道模型建立方法，包括智能反射面时变反射相位设计步骤：以接收信号功率最大化为目标设计优化问题，求解优化问题得到最优的时变反射相位；时变距离参数设计步骤：根据智能反射面辅助的几何模型得到无人机、接收端和智能反射面之间的时变距离参数和时变多普勒频移参数；信道统计特性分析步骤：根据智能反射面时变反射相位和时变距离参数分析基于智能反射面辅助的无人机信道模型的统计特性。在本发明中，采用了智能反射面的通信***可以明显提升信号的接收功率和降低接收信号的多径衰落现象，因此，该模型建立方法可以为6G通信***关键技术的探索提供有力的支撑。具体包括以下步骤：
S1、根据无人机UAV、智能反射面IRS和接收端三者之间的位置关系，建立基于智能反射面时变反射相位的无人机信道模型；
本发明采用三维椭圆-圆柱体模拟智能反射面IRS、无人机UAV和接收端周围的散射体。本发明的智能反射面采用均匀平面反射阵列单元，假定每行的反射单元数目为M，每列的反射单元数目为N，并假定智能反射面IRS配置在建筑物的表面。无人机UAV的高度明显高于地面建筑物的高度，无人机UAV和智能反射面IRS之间没有建筑物的遮挡，本发明假定无人机UAV和智能反射面IRS之间为直射链路。
本实施例的基于智能反射面时变反射相位的无人机信道模型如图1所示，本模型用了一个底面焦距为2f0的三维椭圆-圆柱体来模拟智能反射面和接收端附近的散射体，智能反射面和接收端Rx在该椭圆-圆柱体底面的焦点上。Rx周围的散射体用底面半径长为R的三维圆柱体来模拟，N1个散射体布置在该圆柱体的表面上，其中第n1个散射体表示为
Figure BDA0003376281890000101
位于在智能反射面和接收端Rx周围的N2个散射体被布置在椭圆柱体的表面上，其中第n2个散射体表示为
Figure BDA0003376281890000102
NU和NR个均匀线型天线阵列被布置在无人机UAV和接收端Rx上。M行N列的均匀平面天线阵列被布置在智能反射面IRS上。
S2、根据建立的无人机信道模型，考虑到是否应用智能反射面IRS与是否含有直射信号的情况，得到各个分量的复信道增益；
为了服务本小区内的所有用户，智能反射面IRS配置在小区边缘的楼层表面。当智能反射面IRS和接收机Rx之间的距离较远时，智能反射面IRS和接收机Rx之间的信道主要为Rayleigh衰落信道。因此，本发明模型信道的复信道增益包括LoS分量、NLoS分量和经过智能反射面IRS的反射分量。
本发明考虑了智能反射面IRS对信道传播环境的改变，提出了基于智能反射面时变反射相位的无人机信道模型，其信道的复增益表示如下：
Figure BDA0003376281890000103
其中，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益，t表示时间变量，
Figure BDA0003376281890000111
表示无人机UAV天线单元p和接收端天线单元q之间LoS分量的复信道增益，
Figure BDA0003376281890000112
表示无人机UAV天线单元p和接收端天线单元q之间NLoS分量的复信道增益，
Figure BDA0003376281890000113
表示无人机UAV天线单元p和接收端天线单元q之间经IRS分量的复信道增益，计算公式为：
计算公式为：
Figure BDA0003376281890000114
Figure BDA0003376281890000115
Figure BDA0003376281890000116
其中，Gu和Gr分别是无人机UAV和接收端的增益，
Figure BDA0003376281890000117
是无人机UAV到接收端RX的路径损失，ξpq(t)表示无人机UAV天线单元p和用户端天线单元q之间的时变距离，K是莱斯因子，λ是载波波长，π表示圆周率，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，fLoS(t)表示LoS分量的多普勒频移；
Figure BDA0003376281890000118
表示无人机UAV天线单元p和散射体
Figure BDA0003376281890000119
之间的时变距离，
Figure BDA00033762818900001110
表示散射体
Figure BDA00033762818900001111
和接收端天线单元q之间的时变距离，fNLoS(t)表示NLoS分量的多普勒频移；G是智能反射面IRS的增益，
Figure BDA00033762818900001112
是链路UAV-IRS-RX的路径损失，δM表示行反射单元相邻的天线间距，δN表示列反射单元相邻的天线间距，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，ξmnq(t)表示(m,n)-th智能反射单元和用户端天线单元q之间的时变距离，
Figure BDA00033762818900001113
表示(m,n)-th智能反射单元和散射体
Figure BDA0003376281890000121
之间的时变距离，ξnq(t)表示散射体
Figure BDA0003376281890000122
和接收端天线单元q的时变距离，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移。
其中，
Figure BDA0003376281890000123
Figure BDA0003376281890000124
Figure BDA0003376281890000125
其中，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，vU表示无人机UAV速度向量，αUR表示无人机UAV天线单元相对于用户端的方位角，γU表示无人机UAV运动方向方位角，βUR表示无人机UAV天线单元相对于用户端的仰角，
Figure BDA0003376281890000126
表示无人机UAV运动方向仰角，vR表示用户端速度向量，γR表示用户端运动方向方位角。
S3、根据接收信号的功率最大化原则设计优化问题，并对优化问题进行简化；
优化问题表示如下：
Figure BDA0003376281890000127
其中，t表示时间变量，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，
Figure BDA0003376281890000128
表示统计均值计算，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益。
本发明进一步考虑了智能反射面IRS对无人机信道传播环境的影响，其中优化问题进一步表示如下：
Figure BDA0003376281890000131
其中，
Figure BDA0003376281890000132
表示统计均值运算，t表示时间变量，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，
Figure BDA0003376281890000133
和
Figure BDA0003376281890000134
分别表示LoS分量、IRS分量、NLoS分量的脉冲幅度，cos(·)表示余弦函数，
Figure BDA0003376281890000135
表示无人机UAV天线单元p和接收端天线单元q之间直射分量的时变相位，
Figure BDA0003376281890000136
表示无人机UAV天线单元p和接收端天线单元q之间的多径分量经(m,n)-th智能反射单元后的时变相位，
Figure BDA0003376281890000137
表示无人机UAV天线单元p和接收端天线单元q之间的散射分量的时变相位。
其中，
Figure BDA0003376281890000138
Figure BDA0003376281890000139
Figure BDA00033762818900001310
Figure BDA00033762818900001311
Figure BDA00033762818900001312
Figure BDA00033762818900001313
其中，Gu表示无人机UAV增益，G表示智能反射面IRS的增益，Gr表示接收端天线增益，
Figure BDA00033762818900001314
表示无人机UAV到智能反射面IRS的路径损耗，
Figure BDA00033762818900001315
表示无人机UAV到接收端的路径损耗，K表示莱斯因子，λ表示载波波长，π表示圆周率，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，fLoS(t)是LoS分量的多普勒频移，
Figure BDA00033762818900001316
表示无人机UAV天线单元p和散射体
Figure BDA00033762818900001317
之间的时变距离，
Figure BDA00033762818900001318
表示散射体
Figure BDA0003376281890000141
和用户端天线单元q之间的时变距离，fNLoS(t)是NLoS分量的多普勒频移，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，
Figure BDA0003376281890000142
表示(m,n)-th智能反射单元和散射体
Figure BDA0003376281890000143
之间的时变距离，
Figure BDA0003376281890000144
表示散射体
Figure BDA0003376281890000145
和接收端天线单元q的时变距离，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移，θmn(t)表示(m,n)-th智能反射单元的时变反射相位。
假定辅助变量为
Figure BDA0003376281890000146
和
Figure BDA0003376281890000147
假定智能反射面的时变反射相位为
Figure BDA0003376281890000148
优化问题进一步化简如下：
(1)当LoS分量强于NLoS分量时，LoS分量占主导，NLoS分量的功率可以忽略，接收信号功率主要由LoS分量和智能反射面IRS反射分量所支配，因此，优化问题可以简化为：
Figure BDA0003376281890000149
(2)当NLoS分量强于LoS分量时，NLoS分量占主导，LoS分量的功率可以忽略，接收信号功率主要由NLoS分量和智能反射面IRS反射分量所支配，因此，优化问题可以简化为：
Figure BDA00033762818900001410
当NLoS分量占主导地位时，由于智能反射面IRS和接收端RX周围的散射体是随机分布的，受这些散射体所影响的反射相位θmn(t)是随机变量，智能反射面IRS很难获取精确的反射相位；为了提高接收信号的功率，本发明将研究智能反射面IRS的统计反射相位而不是精确的随机变量相位；因此构造一个与式(5)同解的式(6)，其表达形式如下：
Figure BDA00033762818900001411
S4、为了最优化接收信号功率的同时减少多普勒频移，得出最优的智能反射面IRS反射相位；
对简化后的优化问题分两种情况考虑；情况1：LoS分量强于NLoS分量；情况2：NLoS分量强于LoS分量；分别求出情况1和情况2的最优智能反射面IRS的时变反射相位；
由于智能反射面IRS和接收端Rx之间为Rayleigh衰落信道，很难根据经智能反射面IRS的某一个反射分量设计精确的反射相位，因此，采用统计的信道信息设计智能反射面IRS的反射相位。
当LoS分量强于NLoS分量时：
设定
Figure BDA0003376281890000151
其中，
Figure BDA0003376281890000152
表示(m,n)-th智能反射单元和散射体
Figure BDA0003376281890000153
之间的时变距离，
Figure BDA0003376281890000154
表示散射体
Figure BDA0003376281890000155
和接收端天线单元q的时变距离，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移，则智能反射面IRS的最优时变反射相位为：
Figure BDA0003376281890000156
其中，
Figure BDA0003376281890000157
表示(m,n)-th智能反射单元的最优时变反射相位，
Figure BDA0003376281890000158
表示无人机UAV天线单元p和接收端天线单元q之间直射分量的时变相位，t表示时间变量，χA、χB均表示辅助变量，计算公式为：
Figure BDA0003376281890000159
Figure BDA00033762818900001510
其中，
Figure BDA00033762818900001511
表示散射体
Figure BDA00033762818900001512
方位角的概率密度函数，
Figure BDA00033762818900001513
表示散射体
Figure BDA00033762818900001514
的仰角的概率密度函数，
Figure BDA00033762818900001515
表示散射体
Figure BDA00033762818900001516
的方位角，
Figure BDA00033762818900001517
表示散射体
Figure BDA00033762818900001518
的仰角。
当NLoS分量强于LoS分量时：
容易知道θmn(t)是随机变量，对于智能反射面IRS来说很难获得一个精确的反射相位，为了提高接收信号的反射功率，研究智能反射面IRS的统计反射相位；假设
Figure BDA0003376281890000161
得到智能反射面IRS的时变反射相位为：
Figure BDA0003376281890000162
其中，
Figure BDA0003376281890000163
表示无人机UAV天线单元p和接收端天线单元q之间的散射分量的时变相位。
进一步优化，得到智能反射面IRS的最优时变反射相位为：
Figure BDA0003376281890000164
其中，χC和χD表示辅助变量，计算公式为：
Figure BDA0003376281890000165
Figure BDA0003376281890000166
其中，
Figure BDA0003376281890000167
表示(m,n)-th智能反射单元的最优时变反射相位，
Figure BDA0003376281890000168
表示散射体
Figure BDA0003376281890000169
方位角的概率密度函数，
Figure BDA00033762818900001610
表示散射体
Figure BDA00033762818900001611
的仰角的概率密度函数，
Figure BDA00033762818900001612
表示散射体
Figure BDA00033762818900001613
的方位角，
Figure BDA00033762818900001614
表示散射体
Figure BDA00033762818900001615
的仰角。
S5、通过步骤S4中得到的最优智能反射面IRS的时变反射相位，根据相关函数的定义，对步骤S2得到的各个分量的复信道增益与它的复共轭进行统计平均，求解基于智能反射面时变反射相位的无人机信道模型的空时相关性函数，并进一步求取LoS分量、NLoS分量和IRS分量的空时相关函数，通过相关性分析来确定智能反射面IRS对无人机信道特性的影响。具体的：
基于智能反射面时变反射相位的无人机信道空时相关性函数，计算公式如下：
Figure BDA00033762818900001616
其中，ρpq,p′q′(t,dU,dR,τ)表示两个时变传输函数hpq(t)和hp′q′(t+τ)之间的标准化空时相关函数，t表示时间变量，dU表示无人机UAV天线单元之间的天线间距，dU＝(p′-p)δU，p′、p分别表示UAV端天线元件，dR表示接收端天线单元之间的天线间距，dR＝(q′-q)δR，q、q′分别表示用户端天线元件，τ表示传输时延，E[·]表示统计平均运算，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益，hp′q′(t+τ)表示无人机UAV天线单元p′和用户端天线单元q′之间的复信道增益，(·)*表示复共轭运算，|·|表示绝对值函数。
LoS分量的空时相关函数为：
Figure BDA0003376281890000171
其中，
Figure BDA0003376281890000172
是LoS分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，ξp′q′(t)表示无人机UAV天线单元p′和用户端天线单元q′之间的时变距离，fLoS(t)表示LoS分量的多普勒频移。
NLoS分量的空时相关函数为：
Figure BDA0003376281890000173
其中，
Figure BDA0003376281890000174
是NLoS分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，
Figure BDA0003376281890000175
表示无人机UAV天线单元p和散射体
Figure BDA0003376281890000176
之间的时变距离，
Figure BDA0003376281890000177
表示散射体
Figure BDA0003376281890000178
和接收端天线单元q之间的时变距离，
Figure BDA0003376281890000179
表示无人机UAV天线单元p′和散射体
Figure BDA00033762818900001710
之间的时变距离，
Figure BDA00033762818900001711
表示散射体
Figure BDA00033762818900001712
和用户端天线单元q′之间的时变距离，fNLoS(t)表示NLoS分量的多普勒频移。
IRS分量的空时相关函数为：
Figure BDA0003376281890000181
其中，
Figure BDA0003376281890000182
是经智能反射面IRS反射分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，M表示智能反射面IRS行反射单元的数目，N表示智能反射面IRS列反射单元的数目，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，
Figure BDA0003376281890000183
表示散射体
Figure BDA0003376281890000184
和接收端天线单元q之间的时变距离，ξp′mn(t)表示无人机UAV天线单元p′和(m,n)-th智能反射单元之间链路的时变传播距离，
Figure BDA0003376281890000185
示散射体
Figure BDA0003376281890000186
和用户端天线单元q′之间链路的时变传播距离，fIRS(t)表示经智能反射面IRS反射的NLoS分量的多普勒频移。
最后利用得到的基于智能反射面时变反射相位的无人机信道空时相关性函数，确定智能反射面IRS、智能反射单元数目和智能反射单元尺寸对无人机UAV信道统计特性的影响。
图2为传统无人机信道模型和基于智能反射面时变反射相位的无人机信道模型在不同IRS反射相位下的绝对包络幅度比较图。在图2中，IRS反射单元的相位1的时变相位为：θmn(t)＝0；IRS反射单元的相位2的时变相位为：
Figure BDA0003376281890000187
IRS反射单元的相位3的时变相位为本发明提出的最优反射相位。从图2可以看出采用智能反射面IRS可以明显提高接收信号的绝对包络幅度，同时也可以看出通过调节智能反射面的时变相位可以加强接收信号的绝对包络幅度，从而验证了本发明模型可以有效的改变无人机和接收端之间的传播环境。
图3为信道是莱斯信道时智能反射面IRS不同反射单元数目下的绝对包络幅度比较图。图4为信道是瑞丽信道时智能反射面IRS不同反射单元数目下的绝对包络幅度比较图。从图3和图4可以看出在瑞丽和莱斯信道下增加智能反射单元数目可以明显加强接收信号的绝对包络幅度。同时式(11)和(17)得到的相位是正确的
图5为不同智能反射面IRS反射单元数目下无人机信道空间相关性函数的比较图；从图5可以看出基于智能反射面时变反射相位的无人机信道的空间相关性和智能反射单元数目有关。空间相关性随着δU增加而减少。空间相关性的初始值随着智能反射单元的增加而减小，同时，也显示了智能反射面IRS辅助的无人机信道模型存在空间的非平稳特性。
图6为不同无人机运动速度下的基于智能反射面时变反射相位的无人机信道的时间相关性函的比较图；从图6可以看出随着时延τ增加时间相关性逐渐减少。从图6可以看出采用了智能反射面IRS后，无人机信道的时间相关性函数得到了明显的加强。
综上，在该无人机信道模型中，无人机发送信号经智能反射面反射最后由用户端接收。其中智能反射面的反射相位是可以调节的。为了得到最优的接收信号功率，考虑到了可能无智能反射面直射分量的情况，由视距(Line of Sight,LoS)分量和非视距(Non Lineof Sight,LoS)分量的强弱分别研究并且设计了智能反射面的时变反射相位。数值结果表明了可以通过增加智能反射面反射单元数量大小可以增加接收信号的功率。空间相关性随着智能反射面反射单元的数量增加而降低。而时间相关性随着智能反射面反射单元的数量增加而增加。该模型建立方法可以为下一代移动通信***关键技术的探索提供帮助和支持。

Claims (10)

1.基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，包括以下步骤：
S1、根据无人机UAV、智能反射面IRS和接收端三者之间的位置关系，建立基于智能反射面时变反射相位的无人机信道模型；
该模型采用底面半径长为R的三维圆柱体来模拟接收端Rx周围的散射体，N1个散射体
Figure FDA0003376281880000011
布置在该三维圆柱体的表面上；采用底面焦距为2f0的三维椭圆-圆柱体来模拟智能反射面IRS和接收端附近的散射体，智能反射面IRS和接收端Rx设置在该三维椭圆-圆柱体底面的焦点上，N2个散射体
Figure FDA0003376281880000012
被布置在三维椭圆-圆柱体的表面上；无人机UAV上设置有NU个均匀线型天线阵列，接收端Rx上设置有NR个均匀线型天线阵列，智能反射面IRS上设置有M行N列的均匀平面天线阵列；
S2、根据步骤S1建立的无人机信道模型，考虑到是否应用智能反射面IRS与是否含有直射信号的情况，得到各个分量的复信道增益；
智能反射面IRS配置在小区边缘的楼层表面，当智能反射面IRS和接收端Rx之间的距离较远时，智能反射面IRS和接收端Rx之间的信道主要为Rayleigh衰落信道；则无人机信道模型的复信道增益包括LoS分量、NLoS分量和经过智能反射面IRS的反射分量；
S3、根据接收信号的功率最大化原则设计优化问题，并对优化问题进行简化；
S4、对简化后的优化问题分两种情况考虑；情况1：LoS分量强于NLoS分量；情况2：NLoS分量强于LoS分量；分别求出情况1和情况2的最优智能反射面IRS的时变反射相位；
S5、通过步骤S4中得到的最优智能反射面IRS的时变反射相位，根据相关函数的定义，对步骤S2得到的各个分量的复信道增益与它的复共轭进行统计平均，求解基于智能反射面时变反射相位的无人机信道模型的空时相关性函数，并进一步求取LoS分量、NLoS分量和IRS分量的空时相关函数，通过相关性分析来确定智能反射面IRS对无人机信道特性的影响。
2.根据权利要求1所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，步骤S2中得到的复信道增益，其表示如下：
Figure FDA0003376281880000021
其中，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益，t表示时间变量，
Figure FDA0003376281880000022
表示无人机UAV天线单元p和接收端天线单元q之间LoS分量的复信道增益，
Figure FDA0003376281880000023
表示无人机UAV天线单元p和接收端天线单元q之间NLoS分量的复信道增益，
Figure FDA0003376281880000024
表示无人机UAV天线单元p和接收端天线单元q之间经IRS分量的复信道增益，计算公式为：
Figure FDA0003376281880000025
Figure FDA0003376281880000026
Figure FDA0003376281880000027
其中，Gu和Gr分别是无人机UAV和接收端的增益，
Figure FDA0003376281880000028
是无人机UAV到接收端RX的路径损失，K是莱斯因子，λ是载波波长，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，fLoS(t)表示LoS分量的多普勒频移；
Figure FDA0003376281880000029
表示无人机UAV天线单元p和散射体
Figure FDA00033762818800000210
之间的时变距离，
Figure FDA00033762818800000211
表示散射体
Figure FDA00033762818800000212
和接收端天线单元q之间的时变距离，fNLoS(t)表示NLoS分量的多普勒频移，G是智能反射面IRS的增益，
Figure FDA00033762818800000213
是链路UAV-IRS-RX的路径损失，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，ξmnq(t)表示(m,n)-th智能反射单元和用户端天线单元q之间的时变距离，
Figure FDA00033762818800000214
表示(m,n)-th智能反射单元和散射体
Figure FDA00033762818800000215
之间的时变距离，
Figure FDA00033762818800000216
表示散射体
Figure FDA00033762818800000217
和接收端天线单元q的时变距离，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移。
3.根据权利要求1所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，步骤S3中优化问题表示如下：
Figure FDA0003376281880000031
其中，t表示时间变量，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，
Figure FDA0003376281880000032
表示统计均值计算，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益。
4.根据权利要求3所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，考虑比较集中的接收信号功率，优化问题简化公式如下：
Figure FDA0003376281880000033
其中，
Figure FDA0003376281880000034
表示统计均值运算，t表示时间变量，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，
Figure FDA0003376281880000035
和
Figure FDA0003376281880000036
分别表示LoS分量、IRS分量、NLoS分量的脉冲幅度，cos(·)表示余弦函数，
Figure FDA0003376281880000037
表示无人机UAV天线单元p和接收端天线单元q之间直射分量的时变相位，
Figure FDA0003376281880000038
表示无人机UAV天线单元p和接收端天线单元q之间的多径分量经(m,n)-th智能反射单元后的时变相位，
Figure FDA0003376281880000039
表示无人机UAV天线单元p和接收端天线单元q之间的散射分量的时变相位；
其中，
Figure FDA00033762818800000310
Figure FDA00033762818800000311
Figure FDA00033762818800000312
Figure FDA00033762818800000313
Figure FDA00033762818800000314
Figure FDA0003376281880000041
其中，Gu表示无人机UAV增益，G表示智能反射面IRS的增益，Gr表示接收端天线增益，
Figure FDA0003376281880000042
表示无人机UAV到智能反射面IRS的路径损耗，
Figure FDA0003376281880000043
表示无人机UAV到接收端的路径损耗，K表示莱斯因子，λ表示载波波长，π表示圆周率，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，fLoS(t)是LoS分量的多普勒频移，
Figure FDA0003376281880000044
表示无人机UAV天线单元p和散射体
Figure FDA0003376281880000045
之间的时变距离，
Figure FDA0003376281880000046
表示散射体
Figure FDA0003376281880000047
和用户端天线单元q之间的时变距离，fNLoS(t)是NLoS分量的多普勒频移，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，
Figure FDA0003376281880000048
表示(m,n)-th智能反射单元和散射体
Figure FDA0003376281880000049
之间的时变距离，
Figure FDA00033762818800000410
表示散射体
Figure FDA00033762818800000411
和接收端天线单元q的时变距离，θmn(t)表示(m,n)-th智能反射单元的时变反射相位，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移。
5.根据权利要求4所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，对优化问题简化公式(3)进一步简化，具体为：
假定辅助变量为
Figure FDA00033762818800000412
和
Figure FDA00033762818800000413
并假定智能反射面IRS的时变反射相位为
Figure FDA00033762818800000414
(1)当LoS分量占主导时，NLoS分量的功率忽略，接收信号功率由LoS分量和智能反射面IRS反射分量所支配，因此，优化问题进一步简化为：
Figure FDA00033762818800000415
(2)当NLoS分量占主导时，LoS分量的功率忽略，接收信号功率由NLoS分量和智能反射面IRS反射分量所支配，因此，优化问题简化为：
Figure FDA00033762818800000416
当NLoS分量占主导地位时，由于智能反射面IRS和接收端RX周围的散射体是随机分布的，受这些散射体所影响的反射相位θmn(t)是随机变量，智能反射面IRS很难获取精确的反射相位；为了提高接收信号的功率，将研究智能反射面IRS的统计反射相位而不是精确的随机变量相位；因此构造一个与式(5)同解的式(6)，其表达形式如下：
Figure FDA0003376281880000051
6.根据权利要求1所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，步骤S4中最优智能反射面IRS的时变反射相位的求解方法为：
当LoS分量强于NLoS分量时：
设定
Figure FDA0003376281880000052
其中，
Figure FDA0003376281880000053
表示智能反射面IRS的(m,n)位置反射单元和散射体
Figure FDA0003376281880000054
之间的时变距离，
Figure FDA0003376281880000055
表示散射体
Figure FDA0003376281880000056
和接收端天线单元q的时变距离，fIRS(t)是经智能反射面IRS反射的NLoS分量的多普勒频移，则智能反射面IRS的最优时变反射相位为：
Figure FDA0003376281880000057
其中，
Figure FDA0003376281880000058
表示无人机UAV天线单元p和接收端天线单元q之间直射分量的时变相位，t表示时间变量，χA、χB均表示辅助变量，
Figure FDA0003376281880000059
表示(m,n)-th智能反射单元的最优时变反射相位；
当NLoS分量强于LoS分量时：
容易知道θmn(t)是随机变量，对于智能反射面IRS来说很难获得一个精确的反射相位，为了提高接收信号的反射功率，研究智能反射面IRS的统计反射相位；假设
Figure FDA00033762818800000510
得到智能反射面IRS的时变反射相位为：
Figure FDA00033762818800000511
其中，
Figure FDA00033762818800000512
表示无人机UAV天线单元p和接收端天线单元q之间的散射分量的时变相位；
进一步优化，得到智能反射面IRS的最优时变反射相位为：
Figure FDA0003376281880000061
其中，χC和χD表示辅助变量。
7.根据权利要求1所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，步骤S5中基于智能反射面时变反射相位的无人机信道空时相关性函数，计算公式如下：
Figure FDA0003376281880000062
其中，ρpq,p′q′(t,dU,dR,τ)表示两个时变传输函数hpq(t)和hp′q′(t+τ)之间的标准化空时相关函数，t表示时间变量，dU表示无人机UAV天线单元之间的天线间距，dU＝(p′-p)δU，p′、p分别表示UAV端天线元件，dR表示接收端天线单元之间的天线间距，dR＝(q′-q)δR，q、q′分别表示用户端天线元件，τ表示传输时延，E[·]表示统计平均运算，hpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的复信道增益，hp′q′(t+τ)表示无人机UAV天线单元p′和用户端天线单元q′之间的复信道增益，(·)*表示复共轭运算，|·|表示绝对值函数。
利用得到的基于智能反射面时变反射相位的无人机信道空时相关性函数，确定智能反射面IRS、智能反射单元数目和智能反射单元尺寸对无人机UAV信道统计特性的影响。
8.根据权利要求7所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，根据基于智能反射面时变反射相位的无人机信道空时相关性函数，进一步得到LoS分量的空时相关函数为：
Figure FDA0003376281880000063
其中，
Figure FDA0003376281880000064
是LoS分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，ξpq(t)表示无人机UAV天线单元p和接收端天线单元q之间的时变距离，ξp′q′(t)表示无人机UAV天线单元p′和用户端天线单元q′之间的时变距离，fLoS(t)表示LoS分量的多普勒频移。
9.根据权利要求7所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，根据基于智能反射面时变反射相位的无人机信道空时相关性函数，进一步得到NLoS分量的空时相关函数为：
Figure FDA0003376281880000071
其中，
Figure FDA0003376281880000072
是NLoS分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，
Figure FDA0003376281880000073
表示无人机UAV天线单元p和散射体
Figure FDA0003376281880000074
之间的时变距离，
Figure FDA0003376281880000075
表示散射体
Figure FDA0003376281880000076
和接收端天线单元q之间的时变距离，
Figure FDA0003376281880000077
表示无人机UAV天线单元p′和散射体
Figure FDA0003376281880000078
之间的时变距离，
Figure FDA0003376281880000079
表示散射体
Figure FDA00033762818800000710
和用户端天线单元q′之间的时变距离，fNLoS(t)表示NLoS分量的多普勒频移。
10.根据权利要求7所述的基于智能反射面时变反射相位的无人机信道模型建立方法，其特征在于，根据基于智能反射面时变反射相位的无人机信道空时相关性函数，进一步得到IRS分量的空时相关函数为：
Figure FDA00033762818800000711
其中，
Figure FDA00033762818800000712
是经智能反射面IRS反射分量的空时相关函数，K表示莱斯因子，λ表示载波波长，π是圆周率，exp(·)表示指数函数，M表示智能反射面IRS行反射单元的数目，N表示智能反射面IRS列反射单元的数目，ξpmn(t)表示无人机UAV天线单元p和(m,n)-th智能反射单元之间的时变距离，
Figure FDA00033762818800000713
表示散射体
Figure FDA00033762818800000714
和接收端天线单元q之间的时变距离，ξp′mn(t)表示无人机UAV天线单元p′和(m,n)-th智能反射单元之间链路的时变传播距离，
Figure FDA00033762818800000715
表示散射体
Figure FDA00033762818800000716
和用户端天线单元q′之间链路的时变传播距离，fIRS(t)表示经智能反射面IRS反射的NLoS分量的多普勒频移。
CN202111419297.1A 2021-11-26 2021-11-26 基于智能反射面时变反射相位的无人机信道模型建立方法 Active CN114124264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111419297.1A CN114124264B (zh) 2021-11-26 2021-11-26 基于智能反射面时变反射相位的无人机信道模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111419297.1A CN114124264B (zh) 2021-11-26 2021-11-26 基于智能反射面时变反射相位的无人机信道模型建立方法

Publications (2)

Publication Number Publication Date
CN114124264A true CN114124264A (zh) 2022-03-01
CN114124264B CN114124264B (zh) 2023-09-22

Family

ID=80369727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111419297.1A Active CN114124264B (zh) 2021-11-26 2021-11-26 基于智能反射面时变反射相位的无人机信道模型建立方法

Country Status (1)

Country Link
CN (1) CN114124264B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114785439A (zh) * 2022-03-30 2022-07-22 北京邮电大学 一种提高工业物联网终端时间同步精度的方法及装置
CN114938498A (zh) * 2022-03-29 2022-08-23 成都理工大学 智能反射面辅助的无人机使能的无线传感网数据收集方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120425A1 (zh) * 2019-12-17 2021-06-24 北京航空航天大学 一种毫米波全双工无人机通信中继传输方法
CN113162679A (zh) * 2021-04-01 2021-07-23 南京邮电大学 基于ddpg算法的irs辅助无人机通信联合优化方法
CN113489560A (zh) * 2021-05-12 2021-10-08 东南大学 一种无人机非平稳空地mimo信道的几何随机建模方法
WO2021207748A2 (en) * 2020-08-13 2021-10-14 Futurewei Technologies, Inc. Methods and apparatus for channel reconstruction in intelligent surface aided communications
CN113517921A (zh) * 2021-07-05 2021-10-19 河海大学 一种基于无人机的irs辅助低空无源空中中继控制方法
CN113645635A (zh) * 2021-08-12 2021-11-12 大连理工大学 智能反射面辅助的高能效无人机通信***的设计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120425A1 (zh) * 2019-12-17 2021-06-24 北京航空航天大学 一种毫米波全双工无人机通信中继传输方法
WO2021207748A2 (en) * 2020-08-13 2021-10-14 Futurewei Technologies, Inc. Methods and apparatus for channel reconstruction in intelligent surface aided communications
CN113162679A (zh) * 2021-04-01 2021-07-23 南京邮电大学 基于ddpg算法的irs辅助无人机通信联合优化方法
CN113489560A (zh) * 2021-05-12 2021-10-08 东南大学 一种无人机非平稳空地mimo信道的几何随机建模方法
CN113517921A (zh) * 2021-07-05 2021-10-19 河海大学 一种基于无人机的irs辅助低空无源空中中继控制方法
CN113645635A (zh) * 2021-08-12 2021-11-12 大连理工大学 智能反射面辅助的高能效无人机通信***的设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨婧文;陈小敏;仲伟志;朱秋明;陈兵;姚梦恬;: "无人机空中基站对地信道建模及功率覆盖预测", 数据采集与处理, no. 06 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114938498A (zh) * 2022-03-29 2022-08-23 成都理工大学 智能反射面辅助的无人机使能的无线传感网数据收集方法
CN114938498B (zh) * 2022-03-29 2023-10-27 成都理工大学 智能反射面辅助的无人机使能的无线传感网数据收集方法
CN114785439A (zh) * 2022-03-30 2022-07-22 北京邮电大学 一种提高工业物联网终端时间同步精度的方法及装置

Also Published As

Publication number Publication date
CN114124264B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Björnson et al. Massive MIMO is a reality—What is next?: Five promising research directions for antenna arrays
Yuan et al. Bayesian predictive beamforming for vehicular networks: A low-overhead joint radar-communication approach
Chen et al. Performance of joint sensing-communication cooperative sensing UAV network
CN103558594B (zh) 基于机载设备的相控阵波束合成方法
CN114124264A (zh) 基于智能反射面时变反射相位的无人机信道模型建立方法
CN114124263B (zh) 基于大规模智能反射单元的无人机信道模型建立方法
Jiang et al. Three-dimensional geometry-based stochastic channel modeling for intelligent reflecting surface-assisted UAV MIMO communications
Barneto et al. Multibeam design for joint communication and sensing in 5G new radio networks
CN114124266B (zh) 一种基于irs辅助无人机与无人船通信的信道建模方法
CN110620627B (zh) 一种车辆到车辆多天线***的非平稳信道建模方法及装置
CN114025425B (zh) 一种智能超表面辅助的无线通信与感知定位一体化方法
Yi et al. Beam training and tracking in mmwave communication: A survey
Xue et al. A survey of beam management for mmWave and THz communications towards 6G
CN108880647A (zh) 一种基于频率分集阵列天线的波束控制方法
Yu et al. Hybrid beamforming in mmwave massive MIMO for IoV with dual-functional radar communication
Blandino et al. Markov multi-beamtracking on 60 GHz mobile channel measurements
CN113949474A (zh) 基于智能反射面辅助的无人机几何模型建立方法
Susarla et al. Learning-based beam alignment for uplink mmwave uavs
Yang et al. Multi-domain cooperative SLAM: The enabler for integrated sensing and communications
Liu et al. Hybrid RIS-assisted MIMO dual-function radar-communication system
Moon et al. Coordinated Millimeter Wave Beam Selection Using Fingerprint for Cellular-Connected Unmanned Aerial Vehicle.
CN114499615B (zh) 一种太赫兹通信***中近远场统一的发射波束成形方法
Zheng et al. A deep learning-based mmWave beam selection framework by using lidar data
Chen et al. Multi‐beam receive scheme for millimetre wave wireless communication system
Yang et al. Integrated communication and localization in mmwave systems

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
GR01 Patent grant
GR01 Patent grant