[发明专利]基于可重构智能表面辅助的极限学习机的信道估计方法

说明书

本发明公开了基于可重构智能表面辅助的极限学习机的信道估计方法，该估计方法包括：构建直接链路和反射链路分开的信道频域响应估计值；根据所得信道频域响应估计值，构建基于极限学习机网络的信道估计模型；离线训练所述信道估计模型；对所得离线训练后的信道估计模型进行在线运行，得到增强的信道估计模型；通过所述增强的信道估计模型得到信道估计值。本发明可提高信道估计精度，特别是在于非线性失真和CP不足条件下，相比于传统的方法，本发明的信道估计性能有极大改善。

技术领域

本发明涉及无线通信中的信道估计的技术领域。

背景技术

可重构智能表面(RIS,reconfigurable intelligent surface)已被公认为未来第六代(6G,sixth generation)移动通信的潜在技术，其在频谱效率(SE,spectrumefficiency)和能源效率(EE,energy efficiency)等方面具有广阔的前景，同时，RIS具有的反射系数可控的特性使其可用于操纵无线传播环境，进而用于大规模机器类型通信(mMTC,massive machine type communication)中的“智能城市”中，而随着RIS的部署，“智能城市”生态系统也变得更具可控性和适应性。

尽管RIS增强了无线通讯系统性能，例如SE和EE等，但在具体应用中，信道估计的准确性也起着关键作用；另一方面，在第四代(4G,fourth generation)和第五代(5G,fifthgeneration)移动通信中，已采用了正交频分复用(OFDM,orthogonal frequency divisionmultiplexing)来对抗多径干扰，因此，RIS辅助OFDM系统也引起了广泛关注。

但现有技术中RIS辅助无线通信的信道估计由于导频数量过大，复杂的级联通道和无源表面元素等，使得系统面临的开销巨大，应用能力不佳。

同时，对于RIS辅助的OFDM系统，现有技术中为了避免符号间干扰(ISI,inter-symbol interference)，大多数考虑了RIS辅助下的循环前缀(CP,cyclic prefix)长度比最大延迟扩展长的情况，然而，这种考虑是不切实际的，且在现有的RIS辅助OFDM系统中，RIS额外产生的无线路径很高程度上导致了CP不足，而在实际的RIS辅助OFDM系统中，传播环境随时间变化时其CP长度通常固定，因CP不包含其他额外信息，则CP越长，SE越低，因此，在RIS辅助的实际应用中，因需要在带宽效率和复杂性之间进行权衡，并且需要具有更好的灵活性，所以CP不足的情况更为常见。尽管部分现有技术考虑过没有CP的应用场景，但其需要过采样或接收机分集，增加了接收机的成本和复杂性，实际应用能力不佳。

除了CP不足的问题之外，在现有的RIS辅助OFDM系统中也存在硬件不完善的问题，其会导致严重的非线性失真和系统性能受限，而对于信道估计，非线性失真破坏了训练序列的正交性，严重降低了估计准确性。

发明内容

本发明的目的在于提供一种基于可重构智能表面(RIS)辅助的极限学习机(Extreme Learning Machine，ELM)的信道估计方法，与现有的信道估计方法相比，其考虑了由不完美硬件引起的非线性失真和CP不足的情况，借助ELM网络，有效提高了系统性能，增强了估计精度。

本发明的技术方案如下：

基于可重构智能表面辅助的极限学习机的信道估计方法，其包括以下步骤：

S1基于可重构智能表面，构建直接链路和反射链路分开的信道频域响应估计值作为信道估计模型的输入，其中，所述信道估计模型基于极限学习机网络构建；

S2根据所得信道频域响应估计值构建基于极限学习机网络的信道估计模型；

S3离线训练所述信道估计模型并保存模型及参数；

S4对所得离线训练后的信道估计模型进行在线运行，得到增强的信道估计值。