[发明专利]智能可重构表面辅助毫米波MIMO系统的信道估计方法

说明书

本发明提供了一种智能可重构表面辅助毫米波MIMO系统的信道估计方法，该信道估计方法基于RIS辅助的毫米波多输入多输出系统，包括：建立一个基于RIS辅助的毫米波多输入多输出系统模型，通过系统模型传输导频信号，并将基站BS接收到的信号作为数据样本生成训练样本；建立CGAN神经网络模型，根据训练样本对CGAN神经网络模型进行训练生成目标级联信道估计模型；对CGAN神经网络模型中的生成器和鉴别器进行优化；在生成器和鉴别器都优化好后，基站BS开始传输N个导频信号，将导频信号矩阵和基站BS接收到的信号矩阵作为目标级联信道估计模型的输入来对级联信道进行估计。本发明采用生成对抗网络在给定的生成的信道条件下，能够使得信道预测更真实、更准确。

技术领域

本发明涉及共生无线电技术领域，具体地，涉及一种基于生成对抗神经网络的智能可重构智能表面的毫米波MIMO系统的信道估计方法。

背景技术

大规模多输入多输出(massive multiple input multiple output，MIMO)是第五代(5G)无线网络的关键技术之一，可以极大地提高系统吞吐量和扩大蜂窝覆盖。然而，昂贵的硬件成本和高的功耗是当前大规模MIMO系统面临的两个尚未解决的挑战。为实现下一代移动网络更可持续、更可靠的通信，研究人员已经探索了替代技术。在这些新技术中，可重构智能表面(reconfigurable intelligent surface,RIS)辅助MIMO，又称无源全息MIMO表面被认为非常有希望实现类似甚至更高的阵列增益，与大规模MIMO相比，成本显著降低。RIS由大量可重构的反射元件组成，这些反射元件可以对入射信号产生可调节的独立相移，RIS能够建设性地组合反射信号，在接收端实现高水平的能量聚焦。由于反射元件的无源性和低成本特性，RIS需要非常低的能耗，很容易集成到现有的无线系统。

近年来，RIS辅助无线通信的设计引起了广泛的关注。例如，采用RIS控制传播环境，提高室内通信覆盖率。研究人员提出了在室外通信中配置RIS相移的各种方法，以优化不同的通信效用。值得注意的是，准确的信道状态信息(CSI)是优化RIS参数的关键。然而，上述所有工作都假定CSI是完美的，而没有考虑它的获取难度。事实上，RIS辅助无线系统中的信道估计比传统系统中的信道估计更具挑战性。这是因为无源RIS单元无法感知和估计信道信息。因此，将依赖接收机通过观测两个信道的噪声级联来估计发射机到RIS和RIS到接收机的信道。

为了解决RIS辅助通信系统中信道估计的挑战，近年来出现了一些开创性的工作。例如，有研究人员假设RIS元件是完全活跃的，并连接到一个信号处理单元来执行信道估计。类似地，要求部分RIS元素是有源的，这样就可以通过基于压缩感知的方法推断无源元素的通道。与有源RIS元件相比，纯无源RIS元素由于其极低的硬件和部署成本无疑更具有吸引力。在无源RIS辅助系统中，通过每次打开单个反射单元，信道估计可以转化为一系列传统的MIMO信道估计问题。然而，这种方法的训练开销与RIS的大小成比例，并且可能会非常大，因为RIS通常包含大量的反射单元。训练开销很大，相关研究人员开发了一种用于RIS辅助单用户MIMO系统的级联信道估计算法。具体来说，将级联信道估计问题表述为利用RIS的可编程特性和传播信道的低秩性，将稀疏矩阵分解和低秩矩阵补全结合起来。依次为用户估计级联信道。由于用户共享同一个RIS到接受机之间的信道，利用用户之间的信道相关性可以大大减少所需的训练开销。最新的工作中利用了发射机RIS接收机信道的稀疏性，并基于压缩感知对级联信道进行了估计。

生成对抗网络(GAN)是近几年研究的热点，由Goodfellow等人于2014年提出。GAN由一个生成器和一个判别器组成。生成器负责学习真实样本的分布，根据给定的噪声生成新的数据；判别器判断所接收的输入是真实样本还是生成器所生成的样本。在这种动态博弈训练过程中，生成器的目的是增大判别器犯错的概率，判别器的目的是将真实数据和生成数据分开。两者不断训练以提高自身的生成能力和判别能力，直至生成器和判别器之间达到了一个纳什平衡。GAN的目标函数旨在最小化p_g和p_data两个概率分布的JS散度，CGAN则是在GAN的基础上附加了标签条件，即为给的标签生成所需要的数据。