[发明专利]基于深度迭代智能超表面辅助通信的信道估计方法及装置

说明书

本发明提供了基于深度迭代智能超表面辅助通信的信道估计方法及装置，该方法通过建立前向信号传输模型，并根据级联信道稀疏性，将前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题，并通过引入随机预测策略，使深度迭代网络模型适应不同数量的导频信息，当用户发送不同数量的导频信息时，深度迭代网络模型仍能够根据接收端收到的信号进行信道估计，即用单一深度迭代模型处理不同维度的系数矩阵，提高了网络泛化能力，减少为不同数量导频信息引起的不同任务单独训练的次数，另外，把稀疏信号恢复问题分解的第一子问题、第二子问题以及第三子问题的优化融入深度迭代模型，动态调整深度迭代网络模型的网络参数，提高级联信道估计精度。

技术领域

本发明属于无线通信技术领域，具体涉及基于深度迭代智能超表面辅助通信的信道估计方法及装置。

背景技术

智能超表面(Reconfigurable intelligent surface，RIS)作为第六代(6thGenerationMobile Communication Technology，6G)移动通信系统的关键技术之一，具有较低的硬件成本和能量消耗，并且能够明显提高覆盖范围和容量，得到学术界的高度重视。

在RIS辅助的无线通信系统中，需要准确的信道状态信息(Channel StateInformation，CSI)来设计预编码矩阵和RIS反射系数，因此，在RIS辅助的无线通信系统中信道状态信息的估计非常重要，但是，RIS是一个由大量反射元件组成的均匀平面阵列，一般被部属在基站和用户之间，作为两者之间的纽带建立额外的链路，这导致信道估计过程不仅要估计直接链路的信道，还要考虑基站和RIS之间，以及RIS和用户之间的链路，所以用于RIS辅助的无线通信系统的信道估计具有一定难度。

目前已经存在的RIS辅助无线通信系统信道估计方案中，大多利用信道稀疏性将信道估计问题转化为稀疏信号恢复逆问题，主要包括传统信道估计算法和神经网络学习方法，对于传统信道估计方法而言，由于RIS元件不能发送、接收和处理信号，只能引起入射信号的相移，并将其被动的反射，无源的RIS通常由数百个元素组成，导致所要估计的信道维数比传统通信系统大得多，这将使得信道估计的导频开销急剧增加，所以传统信道估计的复杂度极大，且精度低，相比较而言，深度学习方法能够很好的解决传统方法中的计算复杂度和重构速度问题，但是目前已存在的深度神经网络都是将不同的系数矩阵作为不同的任务，为每个目标制定特定的模型，单独训练，这使得计算效率低下，网络泛化能力差。

发明内容

基于此，本发明实施例当中提供了一种基于深度迭代智能超表面辅助通信的信道估计方法及装置，旨在解决现有技术中，传统的信道估计方法计算效率低，网络泛化能力差，且无法快速准确获取级联信道的问题。

本发明实施例的第一方面提供了一种基于深度迭代智能超表面辅助通信的信道估计方法，所述方法包括：

建立前向信号传输模型，并根据级联信道稀疏性，将所述前向信号传输模型中的信道估计问题转换为稀疏信号恢复问题；

获取用户发送的不同数量的导频信息，并确定对应的初始系数矩阵，根据随机预测策略对所述初始系数矩阵进行预处理，得到目标系数矩阵，所述目标系数矩阵用于初始化深度迭代网络模型的输入信息；

建立所述深度迭代网络模型，将所述稀疏信号恢复问题分解为第一子问题、第二子问题以及第三子问题，并将所述第一子问题、所述第二子问题以及所述第三子问题的优化融入所述深度迭代网络模型中，通过迭代优化，更新所述深度迭代网络模型的网络参数，得到目标深度迭代网络模型，所述第一子问题、所述第二子问题以及所述第三子问题的优化的表达式分别为：

；

；