[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

说明书

本发明涉及一种基于智能反射表面的ELM‑LS联合信道估计方法，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；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。本发明的联合信道估计方法，提升存在直连信道干扰情况下的IRS信道估计准确率。

技术领域

本发明属于通信技术领域，具体涉及一种基于智能反射表面的ELM-LS联合信道估计方法。

背景技术

智能反射表面IRS是由大量无源反射元件组成的，通过软件控制反射相位实现智能可编程无线传播环境的技术。通过智能控制器，每个元件都具有可重构的振幅和相移，能独立地反射入射信号，并通过适当调整相移以提高接收端信号功率。

智能反射表面技术的一个问题是信道估计，其中包含两个关键问题：由于IRS包含大量反射元件，它增加了要估计的链路数量；IRS本身是一个无源元件，因此只能通过从发射机探测信道，在接收机处估计信道，与传统的非IRS信道估计相比，更容易受到干扰。

极限学习机ELM是从单隐层前向神经网络发展而来的一种机器学习算法。ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络SLFNs，在保证学习精度的前提下比传统的学习算法速度更快。

发明内容

基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于智能反射表面的ELM-LS联合信道估计方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于智能反射表面的ELM-LS联合信道估计方法，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s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。

作为优选方案，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，y_t为实际接收信号，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；