[发明专利]一种基于神经网络的智能反射表面反射相位配置方法

权利要求书

1.一种基于神经网络的智能反射表面反射相位配置方法，其特征在于，其上行数据传输包括以下步骤：

步骤1、由发送端向接收端发送数据帧，其中发送端具有N个天线，接收端具有M个天线，每个数据帧包含L个时隙，其中前L_p个时隙为导频信号，剩余L-L_p个时隙为数据信号，数据帧的部分功率经过具有K个反射单元的智能反射表面反射，到达接收端；

步骤2、接收当前数据帧中的导频部分，利用接收到的L_p个导频时隙，获得信道状态信息矩阵H_t∈C^M×N,t＝1,2,...，t为当前数据帧的序号，C表示复数域，同时，接收端测量导频信号功率，测量结果记为P_r；

步骤3、在接收端，对于第t个数据帧，将H_t、H_t-1、θ_(t-1,n)、θ_(t-2,n)作为初始的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ_(t,n)，n＝1，2,...,K，n为当前反射单元的序号；

步骤4、基站按照预测的相位配置调节智能反射表面相位配置，用于此数据帧中数据部分的增强接收；

步骤5、接收端接收第t个数据帧的数据部分，进行信号检测，并测量数据信号功率，测量结果记为P_c，计算功率增益其中G(x)是关于x的单调增函数；

步骤6、接收端将信道状态信息H_t，H_t-1和接收导频时智能反射表面的反射相位配置θ_(t-1,n)，θ_(t-2,n)作为输入端，得到的预测结果θ_(t,n)作为输出端，创建新的样本，记为M_t；

步骤7、接收端根据新构造的样本M_t，构造新的样本集R_t；对所有构造的样本M_t，t＝1，2，...，按概率进行W次抽取，构造一个样本数量为W的样本集；

步骤8、接收端使用构造的样本集R_t对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中F(x)是关于x的单调减函数，并保存训练完成的神经网络用于下一个数据帧中反射相位的预测；

步骤9、当接收下一个数据帧时，重复步骤1～8。

2.根据权利要求1所述的一种基于神经网络的智能反射表面反射相位配置方法，其特征在于：第k个样本被抽取到的概率为

其中τ(T-k)为衰减函数，是关于(T-k)的单调减函数，G_k是对应样本的功率增益。

3.根据权利要求1所述的一种基于神经网络的智能反射表面反射相位配置方法，其特征在于：步骤3中，所述初始的神经网络为经过预训练或使用随机参数的神经网络；神经网络模型采用BP或CNN神经网络模型来进行训练。

4.根据权利要求1所述的一种基于神经网络的智能反射表面反射相位配置方法，其特征在于：所述智能反射表面由若干个密集排布的基本反射单元构成，每个基本反射单元都能够对入射电磁波产生独立、可控的幅度衰减、相位偏移、频率偏移；所述智能反射表面与基站相连并接受基站的控制，通过调节各基本反射单元的相位偏移，使接收信号的功率达到最大值。

5.根据权利要求1所述的一种基于神经网络的智能反射表面反射相位配置方法，其特征在于：步骤8中，单调减函数F(x)需要保证信号功率增益越小时，神经网络的最大迭代次数越大，设置为