高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法

本发明涉及一种无线移动通信方法，具体地说是一种高速铁路去蜂窝大规模mimo系统的智能超表面相移方法。

背景技术：

1、随着智能铁路的发展，对高速铁路网络的数据传输速率也就提出了更高的要求。然而，高速铁路网络的频繁切换现象严重制约着数据传输速率性能。在此背景下，去蜂窝大规模多输入多输出(mimo)技术构建了以用户为中心的传输设计，使多个随机分布的接入点(ap)能够在没有小区边界的情况下联合地服务于网络中的所有用户。因此，将去蜂窝大规模mimo应用到高速铁路场景中，可以规避网络频繁切换的问题，增加高速铁路的网络覆盖，并提高数据传输速率。

2、而智能超表面(ris)由于具备调控无线电信号传播的能力，因此受到了工业界和学术界的广泛关注。ris是由许多低成本的无源元件所组成，通过调整每个元件的幅度和/或相位，塑造无线传播环境，从而能够提高无线信号的传输质量。

3、去蜂窝大规模mimo和智能超表面(ris)是两种提高高速铁路网络数据传输速率的技术。借鉴去蜂窝大规模mimo和ris的优势，一些学者将去蜂窝大规模mimo与ris集成到无线网络中。但这种集成工作目前还都只能应用在静态或低速的场合中。此外，当前大多ris相移设计方法依赖于假设的数学模型，但在真实的高速铁路场景中，无线电散射的快速变化，将导致真实场景与假设数学模型的严重失配，使得性能下降，并且其计算复杂度高，难以在真实的高速铁路环境中部署。因此，如何将ris技术应用于高速铁路去蜂窝大规模mimo，仍是一个未能加以有效解决的难题。

技术实现思路

1、本发明的目的就是提供一种高速铁路去蜂窝大规模mimo系统的智能超表面相移方法，以能够在较低的运行时间内获得更高的可达速率，从而有助于在动态的高速铁路网络中进行实时决策。

2、本发明的目的是这样实现的：

3、一种高速铁路去蜂窝大规模mimo系统的智能超表面相移方法，包括以下步骤：

4、s1、构建ris赋能的高速铁路去蜂窝大规模mimo网络；所述网络包括：部署在铁路轨道沿线的l个配备n根天线的接入点ap，部署在每趟运行列车顶部的单天线的车载移动中继mr，以及在每个车载移动中继mr旁部署的一个具有m个元素的智能超表面相移ris。

5、s2、从每个接入点ap到车载移动中继mr的等效信道为：

6、

7、其中，代表第l个接入点ap与车载移动中继mr之间的信道，代表ris与车载移动中继mr之间的信道，代表第l个接入点ap与ris之间的信道。

8、s3、ris的相移矩阵φ为：其中，θm∈[0,2π)表示第m个元素的相移。

9、s4、车载移动中继mr接收到的信号为：

10、

11、其中，表示噪声，x表示发送到车载移动中继mr的信号，并且满足e{|x|2}＝1，wl表示车载移动中继mr与第l个接入点ap的波束赋形向量，并且满足||wl||2≤pl,max；这里，pl,max表示第l个接入点ap的最大传输功率。

12、s5、车载移动中继mr处的信噪比为：

13、

14、s6、系统的可达速率为：

15、ra＝log2(1+γ)

16、s7、当相移矩阵φ固定时，采用最大比传输方法获得使车载移动中继mr可达速率最大化的最优波束赋形向量为：

17、

18、s8、将可达速率最大化的优化目的转化为：

19、

20、s.t.|θm|＝1,m＝1,…,m

21、s9、基于ppo的ris相移设计，包括以下子步骤：

22、s9-1基于ppo的ris相移设计方案的组成部分包括：

23、状态空间：当前ris赋能的高速铁路去蜂窝大规模mimo通信系统状态st为：

24、

25、其中，γ(t-1)表示上一时间t-1的信噪比。

26、动作空间：智能体根据观察到的状态选择调整ris相移的动作；定义的动作空间at为：

27、

28、其中，表示t时刻的ris相移。

29、奖励函数：以求取系统的最大化可达速率，奖励函数rt定义为：

30、

31、其中，表示t时刻ris赋能高速铁路去蜂窝大规模mimo系统的可达速率。

32、s9-2在ppo算法模型中包含有两个神经网络：actor网络和critic网络，并且，ppo算法是通过构造actor网络的损失函数j(θa)来提高决策能力：

33、

34、其中，表示actor网络更新前的参数，代表参数更新幅度，为优势函数，其表示为：

35、

36、其中，γ∈[0,1)表示折扣因子，表示critic网络更新前的参数。

37、s9-3 actor网络的损失函数j(θa)由以下函数取得：

38、

39、其中，ρt(θa)代表参数更新幅度，clip函数负责将ρt(θa)限制于置信区间(1-ε,1+ε)内。

40、s9-4在ppo算法模型中，θa通过下式更新：

41、

42、其中，αa表示学习速率，为在第b次转换序列中实现的jclip(θa)。

43、θc通过下式更新：

44、

45、其中，αb代表学习速率，并且vtar(sb)表示为：

46、

47、针对高速铁路网络的高度动态性，本发明提出了一种ris赋能的高速铁路去蜂窝大规模mimo网络架构，制定了ris相移优化策略；通过基于深度强化学习(drl)的方案，即基于近端策略优化(ppo)的ris相移设计方案，实现了高效的ris相移控制，从而实现了最大化的可达速率。

48、本发明通过构建ris赋能的高速铁路去蜂窝大规模mimo网络，计算每个接入点ap到车载移动中继mr的等效信道以及车载移动中继mr处的信噪比和系统的可达速率；当相移矩阵φ固定时，采用最大比传输方法获得使车载移动中继mr可达速率最大化的最优波束赋形向量；并基于ppo的ris相移设计方案，在ppo算法模型中包含有两个神经网络：actor网络和critic网络，且ppo算法是通过构造actor网络的损失函数j(θa)来提高决策能力。

49、本发明是一种适用于高速铁路去蜂窝大规模mimo场景的ris相移设计方法，可以以更低的运行时间实现高效的可达速率，实现高速铁路环境的实时决策，为高速铁路移动通信的发展提供强有力的支撑。

技术特征：

1.一种高速铁路去蜂窝大规模mimo系统的智能超表面相移方法，其特征是，包括以下步骤：

技术总结
本发明涉及一种高速铁路去蜂窝大规模MIMO系统的智能超表面相移方法，包括以下步骤：构建RIS赋能的高速铁路去蜂窝大规模MIMO网络；计算每个接入点AP到车载移动中继MR的等效信道以及车载移动中继MR处的信噪比和系统的可达速率；当相移矩阵固定时，采用最大比传输方法获得使车载移动中继MR可达速率最大化的最优波束赋形向量；并基于PPO的RIS相移设计方案，在PPO算法模型中包含有两个神经网络：Actor网络和Critic网络，且PPO算法是通过构造Actor网络的损失函数来提高决策能力。本发明可以更低的运行时间实现高效的可达速率，实现高速铁路环境的实时决策，为高速铁路移动通信的发展提供强有力的支撑。

技术研发人员：徐建鹏,徐奥烁,梁晓林,王蔚戎,刘帅奇
受保护的技术使用者：河北大学
技术研发日：
技术公布日：2024/1/15