基于深度学习的IRS反射图样和信道估计的联合设计方法

本发明涉及智能反射表面辅助通信系统，尤其是一种基于深度学习的，irs反射图样和信道估计的联合设计方法。
背景技术：
：对于智能反射表面通信，传统的信道估计方法是最小二乘(ls)和线性最小化均方误差(lmmse)算法。然而，为了获得较高的信道估计精度，传统方法需要较多的导频开销。近年来，深度学习方法在通信领域得到了广泛的应用。它可以离线训练神经网络，然后将训练好的神经网络用于在线部署。与传统方法相比，基于深度学习的方法具有低计算复杂度、鲁棒性强等优点。现有基于深度学习的智能反射表面通信信道估计方法一方面将ls或者lmmse信道估计值作为神经网络输入，从而需要较大的导频开销；另一方面，现有方法未对信道估计阶段的智能反射表面反射图样进行设计，造成性能损失。技术实现要素：针对上述现有技术存在的缺陷，本发明的目的是提供一种基于深度学习的irs反射图样和信道估计联合设计方法，以实现在信道估计时只需要少量的导频开销获得较高的估计精度。为实现上述目的，本发明采用如下技术方案：一种基于深度学习的irs反射图样和信道估计联合设计方法，包括如下步骤：(1)生成训练非线性神经网络所需要的训练数据集；(2)搭建非线性神经网络，利用步骤(1)生成的训练数据集联合训练所述非线性神经网络，得到智能反射表面反射图样和信道估计；(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置；(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。所述步骤(1)中，训练数据集为一组真实组合信道fk和接收端噪声矩阵n，其中，表示用户k的真实组合信道，表示基站与用户k之间的直达链路信道，为基站与用户k之间的反射链路级联信道，其中g为基站与智能反射表面之间的信道矩阵，为智能反射表面与用户k之间的信道向量，diag(·)表示取输入向量元素作为对角元的对角阵。所述步骤(2)中，非线性神经网络的输入为真实组合信道fk和接收端噪声矩阵n，输出为智能反射表面通信系统的组合信道估计值所述步骤(2)中，非线性神经网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成，用于反射图样设计的单层线性子网络的输出为基站解相关后的导频接收信号，用于反射图样设计的单层线性子网络的输出作为用于信道估计设计的多层非线性子网络的输入。所述步骤(2)中，采用如下训练目标和约束条件非线性神经网络：训练目标为：最小化约束条件为：|vi|＝1,i＝1,2,…,m其中，ε[·]为求期望，k表示用户的个数，为fk的估计值，||·||为向量的二范数，vi是第i个智能反射表面单元的相移，|·|为复数的模，m为智能反射表面反射单元的数量。有益效果：与现有技术相比，本发明具有如下优点：1、本发明针对智能反射表面辅助下的通信系统，通过利用深度学习方法联合训练irs反射图样与信道估计，最小化信道估计的归一化均方误差。2、相对于现有智能反射表面通信的信道估计方法，本发明仅需少量的导频开销即可获得较高的估计精度。3、本发明在线计算复杂度较低，利于工程实现。附图说明图1是本发明的方法流程图。图2是网络结构图。图3是仿真实验结果图。具体实施方式下面结合附图及实施例对本发明进行详细说明。本发明的典型应用场景为智能反射表面辅助下的一个多天线基站与多个单天线用户之间的通信，目标为最小化归一化均方误差。如图1所示，本发明的一种基于深度学习的irs反射图样和信道估计联合设计方法，包括如下步骤：(1)生成训练非线性神经网络所需要的训练数据集；其中，训练数据集为一组真实组合信道fk和接收端噪声矩阵n，其中，表示用户k的真实组合信道，表示基站与用户k之间的直达链路信道，为基站与用户k之间的反射链路级联信道，其中g为基站与智能反射表面之间的信道矩阵，为智能反射表面与用户k之间的信道向量，diag(·)表示取输入向量元素作为对角元的对角阵。(2)搭建非线性神经网络，利用步骤(1)生成的训练数据集联合训练非线性神经网络，得到智能反射表面反射图样和信道估计；其中，训练目标和约束条件分别描述为：训练目标为：最小化约束条件为：|vi|＝1,i＝1,2,…,m其中，ε[·]为求期望，k表示用户的个数，为fk的估计值，||·||为向量的二范数，vi是第i个智能反射表面单元的相移，|·|为复数的模，m为智能反射表面反射单元的数量。其中，基站接收导频和神经网络结构的设计方案为：首先将总导频时隙l分为τ个子帧，每个子帧中有l0＝k个符号(即：l＝τl0)，并且所有用户的导频序列被设计为彼此正交。基站利用用户导频间的正交性对接收到的导频进行解相关得到yk(t)＝fkq(t)+n(t)，其中yk(t)为解相关后第t个子帧中用户k的信号分量，为用户k的真实组合信道矩阵，q(t)＝[1,v(t)t]t，(·)t表示转置，n(t)表示第t个子帧的噪声分量。考虑到共有τ个子帧，则有yk＝fkq+n，其中yk＝[yk(1),…yk(τ)]，q＝[q(1),…,q(τ)]，n＝[n(1),…,n(τ)]。最后，神经网络的输入为真实组合信道fk和接收端噪声矩阵n，输出为智能反射表面通信系统的组合信道估计值网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成，前一个子网络的输出(即后一个子网络的输入)为基站解相关后的导频接收信号。(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置；(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。为了验证本发明的技术效果，进行了仿真实验，多层非线性子网络部分使用两层1500个神经元的神经网络作为隐藏层，并使用relu激活函数。仿真实验环境考虑一个二维坐标系，其中基站位于(0m,0m)位置上，智能反射表面(irs)位于(150m,0m)位置上，有三个用户均匀分布在以(150m,30m)为中心的，半径为10m的圆形区域内。仿真实验所涉及的参数如下表所示：表1仿真实验参数表参数取值基站天线数4智能反射表面单元数100用户天线数1用户数3上行链路和下行链路发射功率15dbm上行链路的噪声功率-100dbm下行链路的噪声功率-85dbm莱斯因子10直达链路信道的路径损耗32.6+36.7lg(d)反射链路级联信道的路径损耗22+22lg(d)基站位置(0m,0m)智能反射表面位置(150m,0m)用户中心位置(150m,30m)用户分布圆形区域半径10m训练集数量10000测试集数量1000为了进一步说明本发明的效果，本发明还对现有技术的两个对比方案进行了仿真。其中传统方法中的信道估计方法使用的是最小线性均方误差(lmmse)方法。图3为仿真实验的对比结果，其中横坐标为导频长度，纵坐标为归一化均方误差(nmse)。仿真结果表明：本发明提出的基于深度学习的智能反射表面反射图样和信道估计联合设计方法仅需要少量导频即可达到较小的归一化均方误差。以上仅是本发明的优选实施方式，应当指出：对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12