一种智能反射面辅助的MIMO通信系统的信道估计方法技术方案

本发明专利技术提供一种智能反射面辅助的MIMO通信系统的信道估计方法，将深度学习技术应用于智能反射面的信道估计，同时引入以接收信号作为条件信息的条件生成对抗网络，通过减少神经网络训练过程中的信息损失以有效提高信道估计精度和改善鲁棒性性能；分别在生成器和判别器采用U

【技术实现步骤摘要】
一种智能反射面辅助的MIMO通信系统的信道估计方法


[0001]本专利技术涉及一种信道估计方法，尤其适用于智能反射面辅助的MIMO通信
使用的一种智能反射面辅助的MIMO通信系统的信道估计方法。

技术介绍

[0002]近年来，毫米波通信因能满足高速率需求而成为5G乃至未来通信系统的一种有前途的技术，而大规模MIMO通信系统则能减少毫米波传输的高传播损耗。然而，由于在有限的物理空间里密集放置天线，毫米波大规模MIMO系统即使利用混合波束赋形技术也依然导致高能耗和硬件复杂度。为此，最近智能反射面被广泛用于无线通信，因其能支持未来无线通信高能效和低成本的高速率通信。一般而言，智能反射面包含大量低成本的无源反射元件，并能根据动态的无线环境来配置这些元件以提供高的波束赋形增益。在智能反射面辅助的无线通信系统实现可靠的波束赋形，获取准确的信道状态信息显得尤为重要。
[0003]然而，智能反射面在提供低成本的高波束赋形增益的同时，它也为信道估计带来了严峻挑战。智能反射面辅助的通信系统的难点主要有两点：1.智能反射面的大量元件导致了信道估计的高复杂度；2.每一个元件是无源的因而不具有处理信号的能力。为了解决信道估计的问题，不少传统的信道估计方法被提出来降低复杂度和减少导频开销。但是，这些方法在复杂的信道模型中不是复杂度高就是不能实现令人满意的性能。另外，现有的基于深度学习的信道估计方法虽然改善了信道估计性能并实现了较好的鲁棒性，但是由于损失函数固定单一导致信道估计性能仍然不足。为进一步改善信道估计性能，基于深度学习的信道估计方法仍需深入研究。

技术实现思路

[0004]专利技术目的：针对上述技术的不足之处，提供一种有效提高信道估计精度，将接收消息作为条件信息，进行对抗式的网络训练，设计新的目标损失函数，具有较好鲁棒性的反射面辅助的MIMO通信系统的信道估计方法。
[0005]技术方案：为实现上述技术目的，本专利技术的一种智能反射面辅助的MIMO通信系统的信道估计方法，其步骤如下：
[0006]步骤1：分别生成从基站到第k个用户、从基站到智能反射面和从智能反射面到第k个用户的等效基带信道h
D，k
、G和h
R，k
，并获得级联信道H
k
的样本，同时，生成对应的接收信号y
k
的样本；
[0007]步骤2：为条件生成对抗网络conditional GAN构建级联信道估计的输入输出对{Y
k
，H
k
}，接收信号矩阵级联信道M表示基站中天线的数量，N表示反射元件的数量；
[0008]步骤3：在以接收信号为conditional GAN的条件信息的基础上，设计训练conditional GAN中的生成器G和判别器D的目标损失函数；
[0009]步骤4：将每个接收信号矩阵和级联信道的实部和虚部送入条件生成对抗网络
conditional GAN，第k个用户的接收信号矩阵的实部和虚部分别表示为Re{Y
k
}和Im{Y
k
}，第k个用户的级联信道的实部和虚部分别表示为Re{H
k
}和Im{H
k
}；
[0010]步骤5：利用目标损失函数在训练过程中更新生成器G和判别器D的参数，同时训练一个网络时必须固定另一个网络的参数；
[0011]步骤6：利用级联信道和接收信号矩阵对抗地训练条件生成对抗网络conditional GAN，训练好conditional GAN后再将新的级联信道和接收信号矩阵送入该网络，从而训练好的conditional GAN输出估计的级联信道
[0012]进一步的，所述智能反射面辅助的MIMO通信系统为：基站通过基带预编码器发送K个数据符号发射的下行信号表示为其中p
k
表示分配给第k个用户的发射功率，因此，第k个用户接收到的信号表示为
[0013][0014]其中，表示对角线反射系数矩阵，β
n
∈[0，1]和θ
n
∈[0，2π)分别表示第n个反射元素的反射幅度和相移；
[0015]在每个信道相干时间内发射相互正交的一个导频信号且P≤M；第k个用户和基站之间的级联信道矩阵可表示为其中Θ
k
＝diag{h
R，k
}，H
k
ψ＝GΨh
R，k
，其中Ψ＝diag{ψ}，因此，第k个用户接收到的信号表示为
[0016][0017]其中，表示接收信号，表示导频信号矩阵，为服从高斯分布的第k个用户的噪声向量；
[0018]当发送P＝M个导频信号时，通过回程链路一次只打开一个智能反射面的元素，第n帧的反射波束赋形向量可表示为ψ
n
＝[0，
…
，0，ψ
n
，0，
…
，0]T
，那么，第k个用户的接收信号表示为
[0019][0020]其中，和表示1
×
P行向量，h
k，n
为级联信道矩阵H
k
的第n列，即h
k，n
＝H
k
ψ
n
；
[0021]因此，第k个用户的估计级联信道矩阵可构造为第k个用户的接收信号矩阵Y
k
可表示为
[0022]进一步的，训练生成器G的目标损失函数表示为：
[0023][0024]训练判别器D的新目标损失函数表示为：
[0025][0026]其中，Υ
G
为生成器G的参数集，Υ
G
为判别器D的参数集，z表示服从先验分布p
z
的噪声向量，p
data
表示包含真实信道样本的目标分布，G(z)表示生成器G；生成器G和判别器D的输出分别变为G(z，Y
k
)和D(H
k
，Y
k
)；η表示损失函数的权重；在训练过程中，生成器G学习生成更为现实逼真的信道样本G(z)以搅乱判别器D的正确判断，而判别器D旨在判别真实信道和生成器G生成的信道样本；同时，生成器G和判别器D的参数集分别由公式(4)和(5)的损失函数更新，更新这两个神经网络中的一个网络的参数时，另一个的网络的参数是被固定的。
[0027]进一步的，步骤5中条件生成对抗网络conditional GAN的训练步骤包括：
[0028]步骤5.1：更新生成器G；
[0029]步骤5.2：对小批量的级联信道样本采样；
[0030]步骤5.3：获取作为条件信息的小批量的接收信号矩阵；
[0031]步骤5.4：对小批量的噪声向量采样；
[0032]步骤5.5：提升目标损失函数的随机梯度以更新生成器G的参数；
[0033]步骤5.6：更新判别器D；
[0034]步骤5.7：对小批量的级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能反射面辅助的MIMO通信系统的信道估计方法，其特征在于，具体步骤如下：步骤1：分别生成从基站到第k个用户、从基站到智能反射面和从智能反射面到第k个用户的等效基带信道h
D，k
、G和h
R，k
，并获得级联信道H
k
的样本，同时，生成对应的接收信号y
k
的样本；步骤2：为条件生成对抗网络conditional GAN构建级联信道估计的输入输出对{Y
k
，H
k
}，接收信号矩阵级联信道M表示基站中天线的数量，N表示反射元件的数量；步骤3：在以接收信号为conditional GAN的条件信息的基础上，设计训练conditional GAN中的生成器G和判别器D的目标损失函数；步骤4：将每个接收信号矩阵和级联信道的实部和虚部送入条件生成对抗网络conditional GAN，第k个用户的接收信号矩阵的实部和虚部分别表示为Re{Y
k
}和Im{Y
k
}，第k个用户的级联信道的实部和虚部分别表示为Re{H
k
}和Im{H
k
}；步骤5：利用目标损失函数在训练过程中更新生成器G和判别器D的参数，同时训练一个网络时必须固定另一个网络的参数；步骤6：利用级联信道和接收信号矩阵对抗地训练条件生成对抗网络conditional GAN，训练好conditional GAN后再将新的级联信道和接收信号矩阵送入该网络，从而训练好的conditional GAN输出估计的级联信道2.根据权利要求1所述的一种智能反射面辅助的MIMO通信系统的信道估计方法，其特征在于，所述智能反射面辅助的MIMO通信系统为：基站通过基带预编码器发送K个数据符号发射的下行信号表示为其中p
k
表示分配给第k个用户的发射功率，因此，第k个用户接收到的信号表示为其中，其中，表示对角线反射系数矩阵，β
n
∈[0，1]和θ
n
∈[0，2π)分别表示第n个反射元素的反射幅度和相移；在每个信道相干时间内发射相互正交的一个导频信号且P≤M；第k个用户和基站之间的级联信道矩阵可表示为其中Θ
k
＝diag{h
R，k
}，H
k
ψ＝GΨh
R，k
，其中Ψ＝diag{ψ}，因此，第k个用户接收到的信号表示为其中，表示接收信号，表示导频信号矩阵，为服从高斯分布的第k个用户的噪声向量；当发送P＝M个导频信号时，通过回程链路一次只打开一个智能反射面的元素，第n帧的反射波束赋形向量可表示为ψ
n
＝[0，
…
，0，ψ
n
，0，
…
，0]
T
，那么，第k个用户的接收信号表示为其中，和表示1
×
P行向量，h
k，n
为级联信道矩阵H
k
的第n列，即h
k，n
＝H
k
ψ
n
...

【专利技术属性】
技术研发人员：张华，叶铭，卞宝银，王俊波，黄鑫，杨鸿珍，赵豫京，
申请(专利权)人：国网电力科学研究院有限公司国网浙江省电力有限公司，
类型：发明
国别省市：