[发明专利]基于深度复数网络的智能反射面系统的反射系数估计方法

权利要求书

1.一种基于深度复数网络的智能反射面系统的反射系数估计方法，其特征在于，所述深度复数网络应用于智能反射面系统中，单天线用户的情况下，通过将仿真生成的信道参数和反射系数标签分别作为输入和输出训练深度复数网络，此网络可在已知信道参数的基础上输出反射系数的取值；

所述反射系数估计方法包括：

采用Y_B表示基站接收的信号，X_B表示基站发送的信号，采用Y_U表示用户接收的信号，X_U表示用户发送的信号，基站基于用户发送的导频序列来得到信道参数：

Y_B＝(H_LBΦH_UL+H_UB)X_U(I)

Y_U＝(H_LUΦH_BL+H_BU)X_B(II)

X_U^*X_U＝I(III)

Y_BX_U^*＝(H_LBΦH_UL+H_UB)(IV)

其中H_LB和H_BL是基站和智能反射面之间的信道参数，H_LU和H_UL是智能反射面和用户之间的信道参数，H_UB和H_BU是基站和用户之间的信道参数，H_LB和H_BL、H_LU和H_UL、H_UB和H_BU之间皆是转置的关系，I表示单位矩阵，Φ为反射系数对角矩阵；当接收信号能量最大时，Φ为最优化反射系数；

通过用户接收信号可得：

Y_U＝(H_LUΦH_BL+H_BU)X_B(V)

其中，是Φ的对角元素，N为智能反射面反射单元数；

考虑到所有信道都是准静态平坦衰落的；

PL_LU＝-20.4*log₁₀dLU-30(VIII)

PL_BL＝-20.4*log₁₀dBL-30(IX)

PL_BU＝-20.4*log₁₀dBU-30(X)

其中PL_LU、PL_BL和PL_BU分别为智能反射面与用户、基站与智能反射面、基站与用户之间的路径损耗，dLU、dBL和dBU分别为智能反射面与用户、基站与智能反射面，基站与用户之间的距离，其中dBL为固定值，ρ_LU、ρ_BL和ρ_BU分别为智能反射面与用户、基站与智能反射面、基站与用户之间的信道的相移，其满足复高斯分布，η_i、ω_i和θ_ij为相移对应的角度，M为基站天线数，N为反射单元数；

接着，基于生成的H_LU，H_BU和H_BL和公式(II)可得到反射系数标签；随后利用生成的信道参数和求解得到反射系数标签来训练深度复数网络；

H＝(H_LU*H_BL+H_BU)(XVII)

其中H作为深度复数网络的输入，作为深度复数网络的输出。

2.如权利要求1所述的一种基于深度复数网络的智能反射面系统的反射系数估计方法，其特征在于，基站通过接受用户发送的信号和导频信息得到信道参数，将信道参数作为输入带入训练好的网络，得到最优反射系数，基于此系数通过控制器来设置智能反射面的反射单元，使用户接收到的基站信号的能量最大。