[发明专利]多RIS辅助通信系统中基于端到端学习的联合波束成形方法

说明书

多RIS辅助通信系统中基于端到端学习的联合波束成形方法，涉及信息与通信技术领域，是为了提升通信系统的误码率性能，本发明提出了一种基于端到端学习的联合波束成形方法，其中实际考虑了单反射和双反射链路，误码率的最小化问题是通过联合设计有源和无源波束形成来制定的。为了解决由此产生的非凸问题，我们引入了一种新方法，将所提出的多RIS辅助通信系统视为端到端优化任务。具体而言，同时优化调制、预编码、无源波束形成、组合和解调过程以避免局部最优。仿真结果表明，与传统的交替优化算法相比，本申请的基于端到端学习的系统实现了有竞争力的性能增益。此外，在反射元件总数相同的情况下，验证了多个RIS相对于单个RIS辅助系统的性能增强。

技术领域

本发明涉及信息与通信技术领域，具体涉及通信网络中的一种通信场景下基于端到端学习的联合波束成形方法。

背景技术

通信是一个拥有丰富专家知识的领域，涉及如何对不同类型的信道进行建模补偿各种硬件缺陷，以及设计最佳信号和检测方案以确保可靠的传输资料。因此，通信是一个复杂而成熟的工程领域，其中有许多不同的研究领域，所有这些领域都在关注在物理层上的性能改进方向。而基于机器学习或深度学习的方法为通信系统的优化提供切实的新好处。因为用严格的数学模型来表征现实世界的图像或语言是难以实现的。但如今可以使用深度学习算法直接实现，这些算法可以学习完成超出人类准确度水平的任务。然而，在通信系统中我们需要设计传输信号，以支持针对各种信道和系统模型进行符号检测的直接分析算法。因此，只要此类模型充分捕捉真实效果，深度学习可以在物理层通信的优化上产生显着效果。

复杂的无线系统可以分为多个更简单的独立模块，例如源编码器、信道编码器、调制器、解调器、信道解码器和解码器。基于这种模块化设计范式，整个通信系统的全局优化可以通过每个模块的单独优化来近似。然而，每个模块的优化并不意味着整个系统的全局优化。因此，这种经典的设计范式成为限制无线通信系统全局最优性能的瓶颈。

最近，智能超表面(Reconfigurable Intelligence Surface,RIS)作为一种不断发展的无线技术已经成为赋能智能通信系统最有前途的候选者之一。RIS由低成本无源元件组成，可以像信号传播环境中的散射体一样反射和入射信号。每个RIS反射元件可以通过软件定义的方式控制，使反射信号产生理想的多径效应，如信号聚焦和干扰消除，控制无线电环境以提高无线通信性能。特别是，将多输入多输出系统和RIS结合起来可以产生非常积极的效果，例如通过附加路径减轻传播阻塞，以及减少收发器中实现目标性能所需的天线数量。为了利用RIS辅助通信的这些优势，在RIS辅助通信系统中实现高增益的联合波束成形至关重要。RIS辅助通信信道由两个子信道组成：基站和用户之间的直接信道和由RIS生成的间接信道。基站和用户之间的端到端信道可以在链路端以传统方式优化。然而，由于传统优化算法的条件限制，将RIS和主动波束成形交替优化会造成性能损失。

发明内容

本发明是为了降低现有波束成形方法的性能损失，以及为了提升通信系统的误码率性能，

从而提供一种多RIS辅助通信系统中基于端到端学习的联合波束成形方法。

本发明的具体方案如下：

步骤一、采用深度神经网络(DNN)来表示基站处的调制和预编码，以及用户处的解调和解码，原始比特流b通过网络映射得到x，经过信道传输后被还原为步骤一中度神经网络模型的技术细节可以描述为：

考虑一组输入比特流b∈{0,1}^k。在基站处，编码器将b映射到复基带信号由N₁个天线传输。然后，将信道定义为输出y服从条件概率分布P(y|x)的统计系统。解码器将接收信号恢复为接收比特流传输信号是从传输比特流b＝[b₁,b₂,...,b_k]∈{0,1}^k中产生，经过调制和预编码后，可以表示为

x＝ps,   (1)