[发明专利]一种基于智能反射表面的ELM-LS联合信道估计方法

权利要求书

1.一种基于智能反射表面的ELM-LS联合信道估计方法，其特征在于，应用于配备有M根天线的基站，一个单天线用户以及包含K个反射元件的IRS的系统，M和K为正整数，基站的发射信号x经过级联信道和直连信道到达接收端；所述联合信道估计方法包括以下步骤：

S1、将IRS的信道估计问题转化为估计θ问题；

S2、通过发射和接收导频训练极限学习机ELM，使得输出的误差最小；

S3、通过开关法判断直连信道质量；

S4、计算接收信号y的信噪比q；若q小于或等于阈值λ，则转至S5；若q大于阈值λ，则转至S6；

S5、选择ELM估计；

S6、选择LS估计；

所述步骤S1具体包括：

第t个时隙的数据传输模型如下：

y_t＝(h_d+G^Hdiag(φ_t)h)x_t+n_t

其中，发射信号|x_t|＝1，接收信号基站和用户之间的直连信道基站与IRS之间的信道IRS相移矩阵T表示转置，p_t,k∈[0,2π]和β_t,k∈[0,1]分别表示与IRS第k个无源元件有关的相移和振幅反射系数；假设IRS在工作时保持最大功率，即β_t,k＝1；IRS到用户的信道高斯白噪声

假设传输在信道相干时间内完成，即h_d、G和h是常数；

将级联信道表示为V＝G^Hdiag(h)＝[v₁...v_K]，由式(1)可得：

y_t＝(h_d+Vφ_t)x_t+n_t

在t＝1,...,T时间间隔内把上式矩阵化，令

X＝diag([x₁1_M,...,x_T1_M])

可得：

Y＝XΨθ+n

其中，X代表时间T内的发送数据，是T维对角矩阵与全1向量1_M的克罗内克积，T≥K+1；Ψ代表beamforming后的相移矩阵，是IRS相移矩阵Φ与单位矩阵I_M的克罗内克积，Φ表示如下：

将已知的发送数据矩阵X和相移矩阵Ψ记为Λ，得到IRS的信道估计模型Y＝Λθ+n，IRS的信道估计问题转化为估计θ问题，采用线性最小二乘法对θ估计：

所述步骤S2具体包括：

采用大小为导频长度的训练样本集：

其中，发射信号矩阵X作为隐层输入，接收信号矩阵Y作为隐层输出，ELM的输出s计算如下：

其中，I为ELM隐藏神经元的数目，G为ELM的激活函数，a_i，β_i，b_i分别代表第i个隐藏神经元输入、输出权重和偏差；

单隐层神经网络学习的目标是使得输出s的误差最小，表示为：

在ELM算法中，当输入权重a_i和单隐层偏置b_i被随机确定，单隐层的输出矩阵就被唯一确定；

训练单隐层神经网络可转化为求解一个线性系统，并且输出权重可被确定：

其中，代表矩阵的Moore-Penrose广义逆，证明求得的解的范数是最小的并且唯一；

在通过计算出连接到输出层的权重向量β，训练后的ELM网络可通过导频信号来估计信道CSI；

所述步骤S3具体包括：

通过关闭所有IRS上的反射元件来估计直连信道h_d，通过调整β_k实现IRS元件打开/关闭，即φ_k∈{0,1}，在t＝1时，φ_1.k＝0,k＝1,...,K，IRS相移矩阵Φ如下：

2.根据权利要求1所述的一种基于智能反射表面的ELM-LS联合信道估计方法，其特征在于，所述步骤S5中，选择ELM估计之后，向ELM输入发射机和接收机的导频信号，计算得到估计的CSI。

3.根据权利要求1所述的一种基于智能反射表面的ELM-LS联合信道估计方法，其特征在于，所述步骤S6中，选择LS估计之后，采用线性最小二乘法对θ估计。