CN114866126B - 智能反射面辅助毫米波***的低开销信道估计方法 - Google Patents

智能反射面辅助毫米波***的低开销信道估计方法 Download PDF

Info

Publication number
CN114866126B
CN114866126B CN202210305840.3A CN202210305840A CN114866126B CN 114866126 B CN114866126 B CN 114866126B CN 202210305840 A CN202210305840 A CN 202210305840A CN 114866126 B CN114866126 B CN 114866126B
Authority
CN
China
Prior art keywords
channel estimation
intelligent
millimeter wave
user
optimal
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.)
Active
Application number
CN202210305840.3A
Other languages
English (en)
Other versions
CN114866126A (zh
Inventor
鲜啸啸
高晖
曹若菡
何元
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210305840.3A priority Critical patent/CN114866126B/zh
Publication of CN114866126A publication Critical patent/CN114866126A/zh
Application granted granted Critical
Publication of CN114866126B publication Critical patent/CN114866126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/145—Passive relay systems
    • 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
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出一种智能反射面辅助毫米波***的低开销信道估计方法。建立智能反射面辅助的毫米波通信链路时，最小化链路建立和信道估计***开销是关键挑战之一。对于智能反射面辅助的毫米波通信***，传统的波束训练方法如穷举搜索、层搜索以及复杂化的网络结构，引入了大量训练开销。为此本发明提出一种智能反射面辅助毫米波***的低开销信道估计方法，首先利用带外信息(例如位置信息、低频信道信息)辅助建立毫米波通信链路以降低开销，实现快速波束选择；其次将基站‑智能反射面‑用户级联信道估计转化为稀疏信号恢复问题，利用第一步获取的粗略角度域信息基于运动觉知的动态压缩感知算法进行信道估计，显著降低了***训练开销。

Description

智能反射面辅助毫米波***的低开销信道估计方法
技术领域
本发明涉及一种智能反射面辅助毫米波***的低开销信道估计 方法，属于无线通信技术领域。
背景技术
毫米波(millimeter wave，mmWave)以其高带宽、低时延、大容 量的优势被认为是下一代无线通信的关键技术，是驱动5G生态、释 放5G潜能的核心使能技术。毫米波通信***的发展是产业界及学术 界广泛关注的焦点。然而，毫米波通信存在覆盖范围小、衰减快、易 受干扰等缺点，且基站(Base Station,BS)建设成本高、耗能高，难 以满足低成本、低能耗的未来网络建设原则。因此研究创新、高效、 节约频谱和资源的解决方案势在必行。智能反射面(Intelligent Reflecting Surface,IRS)作为新兴材料硬件技术，在非视距场景增强、 支持边缘用户、实现安全通信、高精度定位等方面均展现了优越性能， 是消除阻挡、衰落等不利信道因素、提升毫米波移动通信***性能的 有效解决方案。
然而在建立IRS-mmWave通信链路时，最小化链路建立和信道 估计***开销是关键挑战之一。一方面，毫米波场景下传统的波束训 练方法如穷举搜索和层搜索引入了巨大的训练开销，从而导致较大的 初始接入延迟和高功耗；其次，收发端多天线阵列以IRS的大量反射 元件使得网络结构复杂化的同时提高了***信道估计复杂度，同样导 致了较大的训练开销。研究表明，利用低频信号辅助、位置信息等带 外信息可以辅助毫米波***减少毫米波的波束对准开销，提供快速的 毫米波波束对准，是在复杂通信网格以及移动性增强场景中释放毫米 波通信潜力的关键。此外，利用波束搜索获取的角度域信息辅助的信 道估计是近年来降低信道估计导频开销的有效方案。基于IRS- mmWave场景的信道稀疏性和波束选择获取的角度域信息，将级联信 道估计转化为稀疏信号恢复问题，采用压缩感知算法进行信道估计， 进一步降低信道估计训练开销。
因此本发明提出利用带外信息辅助IRS-mmWave***波束选择 与信道估计方法，在波束选择和信道估计两个阶段降低了***训练开 销，显著提高了***性能，为快速信息传输建立了良好基础。
发明内容
有鉴于此，本发明的目的是提供一种带外信息辅助IRS-mmWave ***快速波束选择与信道估计方法，用于下述场景：包括基站、用户 与智能反射面的下行通信***，基站和用户均配置多根天线。此时， 由于基站天线数目较多，同时IRS引入导致网络结构复杂化，在波束 训练及信道估计阶段引入了大量训练开销。因此，本专利提出下列方 法，该方法具体包括下列两个操作步骤：
①波束选择阶段：带外信息辅助快速波束选择。
在此阶段，将基站、IRS以用户历史位置信息和历史最优波束方 向作为先验信息；将大量用户历史位置信息样本集合为训练数据集， 根据不同的角度域分辨率对其标签化。然后在数据集上基于支持向量 机(support vector machines,SVM)方法进行模型训练，SVM是机器 学习方法中首选的多类分类算法，它擅长处理线性不可分割的样本数 据集，可以避免过度拟合。此外SVM还具有低复杂度、小样本等优 势，在复杂网络场景下有着巨大应用潜力。最后基于训练模型以较低 的复杂度为给定位置用户选择最佳的模拟波束，避免了频繁的波束测 量及反馈操作，从而实现IRS-mmWave***快速波束选择并快速建 立链路。
②信道估计阶段：基于角度域信息的压缩感知信道估计
将波束选择阶段获取的粗略角度域信息作为后续信道估计的先 验信息，在利用训练模型预测最优波束对的同时输出次优方向上的角 度域信息以及接收端信号响应，作为压缩感知算法测量矩阵。由于 IRS-mmWave***信道稀疏性较为明显，采用压缩感知算法，块正交 匹配追踪(Block Orthogonal Matching Pursuit,BOMP)的信道估计算 法进行BS-IRS-UE级联信道估计。BOMP算法相较于常见的OMP算 法能够较大程度的降低其计算量，进一步降低了训练开销。
本发明是一种面向IRS-mmWave***的带外信息辅助快速波束 选择与信道估计方法，其优点在于：以较低的复杂度为给定位置用户 选择最佳的模拟波束，避免了频繁的波束测量及反馈操作，从而实现IRS-mmWave***快速波束选择并快速建立链路；此外利用先验角度 域信息结合压缩感知算法，降低了训练开销，同时相比最小二乘方案 提高了信道估计精度，是实现高速可靠通信的关键。
本发明方法的创新关键是：针对IRS-mmWave***提出了一种 带外信息辅助IRS-mmWave通信快速波束选择与信道估计方法，显 著降低了训练开销。
附图说明
图1是本发明应用场景：IRS-mmWave通信***。
图2是本发明所提出的面向IRS-mmWave***的带外信息辅 助快速波束选择与信道估计方法的流程图。
图3是本发明实施例中，所提波束选择方法在不同信噪比下基于 预测最优角度和实际最佳角度的接收端最大速率对比图。
图4是本发明实施例中，所提信道估计方法与基于正交匹配追踪 的信道估计NMSE对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对 本发明作进一步的详细描述。
参见图1，首先介绍本发明方法的应用场景：考虑由单个BS、 IRS及用户组成的mmWave下行***。基站、用户均配备了半波长间 隔均匀线性阵列(ULA)，采用全连接的模拟天线结构，天线数量分 别为NB、NM。IRS可视为一个平面阵列，包括NI个无源反射阵子， 其振幅和相位可通过IRS控制器动态调整，IRS控制器通过无线链路 与基站连接。***采用具有K个子载波和采样空间Ts的OFDM***。
参见图2，介绍本发明方法的操作步骤：
(1)波束选择阶段：带外信息辅助快速波束选择。具体操作步 骤如下：
a.将用户历史位置信息和历史最优波束方向作为先验信息， 生成用户位置训练样本T＝{(x1,y1),(x2,y2),...,(xN,yN)}
b.设定角度域分辨率K，将初始数据集标签化{1,2,...,K}，并将 数据集划分为训练集
Figure BDA0003565122560000051
和测试集/>
Figure BDA0003565122560000052
c.基于网格搜索获取SVM超平面最优超参数，用于控制寻 找间隔最大的超平面和保证数据点偏差量最小之间的权重；
d.基于最优超参数在训练集上进行模型训练，并在测试集验 证有效性
e.基于d训练的模型和当前用户位置，选择最佳IRS-UE链 路波束对{w*,Φ*}
f.基于(5)训练的模型，计算K个次优方向波束对。
g.输出用户当前位置对应最优波束对，以及K个次优方向波 束对及对应的接收端响应。
(2)信道估计阶段：基于角度域信息的压缩感知信道估计。
a.输入波束选择阶段获取的粗略的角度域信息，以及对应接 收端响应
b.输入字典矩阵分辨率以及阈值δ
c.基于角度域信息生成自适应网格，包括字典矩阵和感知矩 阵，然后利用匹配追踪算法估计级联CSI。
d.定义块大小，将感知矩阵分块。
e.基于块匹配追踪算法进行信道估计。在每次迭代过程中按 块匹配，选择感知矩阵中与残差最相关的列，并更新列序 号集。然后通过最小二乘求解与选择的AOA和AOD对相关的路径复增益并更新残差。当算法到达最大迭代次数 或估计精度达到阈值，得到角度域信道，并进一步得到等 效级联信道。
f.输出BS-IRS-UE信道估计结果。
为了展示本发明方法的实用性能，申请人进行了多次仿真试验， 仿真***场景为图1所示的应用场景，仿真试验的结果如图3和图4 所示，所提IRS反射系数优化后***最大可达速率及信道估计算法 有效性进行了仿真验证及对比。
图3所示的仿真实验以接收端最大可达速率为衡量指标，对波束 训练阶段的模型有效性进行了验证。
图4所示的仿真实验以归一化均方误差(NMSE)为衡量指标， 其中NMSE计算定义为
Figure BDA0003565122560000061
基于 Nt＝16,Nr＝16,NIRS＝64***设置进行了仿真试验，并给出了本发明实 施例所提的信道估计方法与基于最小二乘法估计的仿真对比。由图4 可以看出，采用本发明方法在高信噪比区域相比基于最小二乘算法估 计具有显著的性能增益。
以上所述仅为本发明的较佳实例而已，并不用以限制本发明。因 此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替 换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.智能反射面辅助毫米波***的低开销信道估计方法，用于下述场景：包括基站、用户与智能反射面的下行通信***，基站和用户均配置多根天线；该方法具体包括下列两个操作步骤：
(1)波束选择阶段：由用户历史位置信息和历史波束最优方向组成数据集，基于监督学习方法进行波束角度域预测模型训练；利用运动传感器实时获取用户位置信息，基于所训练模型进行最优波束对预测，从而实现智能反射面辅助毫米波的快速波束选择；同时，计算K个次优方向波束对及对应的接收端响应，用于后续压缩感知信道估计；
(2)信道估计阶段：利用(1)获取的基站-智能反射面-用户链路粗略角度域信息，基于该场景信道多维且稀疏的特征进将级联信道估计问题转化为稀疏恢复问题，通过运动觉知的块匹配动态压缩感知方法进行信道估计。
2.根据权利要求1所述的低开销信道估计方法，其特征在于：
所述波束选择阶段的具体步骤如下：
(1)由用户历史位置信息和历史波束最优方向组成数据集；
(2)设定角度域分辨率K，将初始数据集标签化，并将数据集划分为训练集和测试集；
(3)基于网格搜索获取支持向量机(support vector machines,SVM)超平面最优超参数；
(4)基于最优超参数在训练集上进行模型训练，并在测试集验证有效性；
(5)基于(4)训练的模型和当前用户位置，选择最佳智能反射面-用户链路波束对；
(6)基于(4)训练的模型，计算智能反射面-用户链路上的K个次优方向波束对；
(7)输出用户当前位置对应最优波束对，以及K个次优方向波束对及对应的接收端响应。
3.根据权利要求1所述的低开销信道估计方法，其特征在于：
所述信道估计阶段的具体步骤如下：
(1)输入波束选择阶段获取的角度域信息，以及对应接收端响应序列；
(2)输入误差控制阈值δ、最大迭代次数L、块大小b及字典矩阵分辨率，并基于字典矩阵分辨率生成字典矩阵；
(3)基于波束选择阶段获得的粗略角度域信息生成感知矩阵
Figure QLYQS_1
角度域信息包括最优波束对以及K个次优方向波束对；
(4)初始化残差r0，序列集，当前块范围，迭代次数；
(5)将感知矩阵
Figure QLYQS_2
分块，选择感知矩阵中与残差最相关的块，并更新序列集；
(6)通过最小二乘求解与当前块最相关的路径复增益，并更新残差；
(7)重复(5)～(6)直至达到最大迭代次数或估计精度达到阈值，输出基站-智能反射面-用户信道估计结果。
CN202210305840.3A 2022-03-25 2022-03-25 智能反射面辅助毫米波***的低开销信道估计方法 Active CN114866126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210305840.3A CN114866126B (zh) 2022-03-25 2022-03-25 智能反射面辅助毫米波***的低开销信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210305840.3A CN114866126B (zh) 2022-03-25 2022-03-25 智能反射面辅助毫米波***的低开销信道估计方法

Publications (2)

Publication Number Publication Date
CN114866126A CN114866126A (zh) 2022-08-05
CN114866126B true CN114866126B (zh) 2023-06-23

Family

ID=82629611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210305840.3A Active CN114866126B (zh) 2022-03-25 2022-03-25 智能反射面辅助毫米波***的低开销信道估计方法

Country Status (1)

Country Link
CN (1) CN114866126B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117319938B (zh) * 2023-09-07 2024-06-07 深圳大学 一种基于智能反射面辅助的毫米波位置跟踪***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245493A (zh) * 2020-01-10 2020-06-05 北京邮电大学 智能反射面辅助毫米波通信***的高效波束训练方法
CN112994765A (zh) * 2021-03-04 2021-06-18 电子科技大学 智能反射面辅助毫米波通信***的波束对准方法
CN113612508A (zh) * 2021-08-09 2021-11-05 郑州海威光电科技有限公司 基于机器学习的irs辅助毫米波通信波束成形设计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021207748A2 (en) * 2020-08-13 2021-10-14 Futurewei Technologies, Inc. Methods and apparatus for channel reconstruction in intelligent surface aided communications
CN112910807B (zh) * 2021-02-04 2022-03-29 华中科技大学 一种基于空间随机采样的智能超表面信道估计方法及***
CN113225276B (zh) * 2021-05-08 2022-05-20 东南大学 一种面向智能反射面辅助通信***的半盲信道估计方法
CN114095318B (zh) * 2021-10-28 2024-02-13 杭州电子科技大学 智能超表面辅助的混合构型毫米波通信***信道估计方法
CN114189408B (zh) * 2022-01-17 2023-01-13 电子科技大学 一种用于智能反射面辅助毫米波***的信道估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245493A (zh) * 2020-01-10 2020-06-05 北京邮电大学 智能反射面辅助毫米波通信***的高效波束训练方法
CN112994765A (zh) * 2021-03-04 2021-06-18 电子科技大学 智能反射面辅助毫米波通信***的波束对准方法
CN113612508A (zh) * 2021-08-09 2021-11-05 郑州海威光电科技有限公司 基于机器学习的irs辅助毫米波通信波束成形设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的上行传输过程毫米波通信波束选择方法;马文焱;戚晨皓;;合肥工业大学学报(自然科学版)(第12期);全篇 *

Also Published As

Publication number Publication date
CN114866126A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
Hu et al. Super-resolution channel estimation for mmWave massive MIMO with hybrid precoding
Alkhateeb et al. Deep learning coordinated beamforming for highly-mobile millimeter wave systems
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN105891771B (zh) 一种提高估计精度的基于连续分布的角度估计方法与设备
Lin et al. Deep learning-based antenna selection and CSI extrapolation in massive MIMO systems
CN110113088B (zh) 一种分离型数模混合天线***波达角智能化估计方法
Wang et al. Channel parameter estimation of mmWave MIMO system in urban traffic scene: A training channel-based method
Peng et al. Channel estimation for RIS-aided multi-user mmWave systems with uniform planar arrays
Huang et al. Deep learning for super-resolution DOA estimation in massive MIMO systems
CN114866126B (zh) 智能反射面辅助毫米波***的低开销信道估计方法
Qi et al. Off-grid compressive channel estimation for mm-wave massive MIMO with hybrid precoding
Shoukath Ali et al. Time domain channel estimation for time and frequency selective millimeter wave MIMO hybrid architectures: sparse Bayesian learning-based Kalman filter
Li et al. Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems
Wu et al. Compressed CSI feedback with learned measurement matrix for mmWave massive MIMO
Xu et al. DNN-aided codebook based beamforming for FDD millimeter-wave massive MIMO systems under multipath
Narengerile et al. Deep reinforcement learning-based beam training for spatially consistent millimeter wave channels
Zhang et al. Channel estimation for mmWave massive MIMO systems with mixed-ADC architecture
CN107426119B (zh) 毫米波通信的十字形信道估计方法、装置及***
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Lu et al. An adaptive channel estimation algorithm for millimeter wave cellular systems
Yadav et al. ResNet‐Enabled cGAN Model for Channel Estimation in Massive MIMO System
Rahman et al. Deep Learning Based One Bit-ADCs Efficient Channel Estimation Using Fewer Pilots Overhead for Massive MIMO System
Gao et al. FFDNet-based channel estimation for beamspace mmwave Massive MIMO systems
Liao et al. M-SAMP: A low-complexity modified SAMP algorithm for massive MIMO CSI feedback
Wang et al. New Environment Adaptation with Few Shots for OFDM Receiver and mmWave Beamforming

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