[发明专利]基于深度学习的IRS反射图样和信道估计的联合设计方法

权利要求书

1.一种基于深度学习的IRS反射图样和信道估计联合设计方法，其特征在于：包括如下步骤：

(1)生成训练非线性神经网络所需要的训练数据集；

所述步骤(1)中，训练数据集为一组真实组合信道F_k和接收端噪声矩阵N，其中，表示用户k的真实组合信道，表示基站与用户k之间的直达链路信道，为基站与用户k之间的反射链路级联信道，其中G为基站与智能反射表面之间的信道矩阵，为智能反射表面与用户k之间的信道向量，diag(·)表示取输入向量元素作为对角元的对角阵；

(2)搭建非线性神经网络，利用步骤(1)生成的训练数据集联合训练所述非线性神经网络，得到智能反射表面反射图样和信道估计；

所述非线性神经网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成，用于反射图样设计的单层线性子网络的输出为基站解相关后的导频接收信号，用于反射图样设计的单层线性子网络的输出作为用于信道估计设计的多层非线性子网络的输入；

非线性神经网络的输入为真实组合信道F_k和接收端噪声矩阵N，输出为智能反射表面通信系统的组合信道估计值

所述步骤(2)中，采用如下训练目标和约束条件非线性神经网络：

训练目标为：最小化

约束条件为：|v_i|＝1,i＝1,2,…,M

其中，Ε[·]为求期望，K表示用户的个数，为F_k的估计值，||·||为向量的二范数，v_i是第i个智能反射表面单元的相移，|·|为复数的模，M为智能反射表面反射单元的数量；

其中，基站接收导频和神经网络结构的设计方案为：首先将总导频时隙L分为τ个子帧，每个子帧中有L₀＝K个符号，即：L＝τL₀，并且所有用户的导频序列被设计为彼此正交；基站利用用户导频间的正交性对接收到的导频进行解相关得到y_k(t)＝F_kq(t)+n(t)，其中y_k(t)为解相关后第t个子帧中用户k的信号分量，为用户k的真实组合信道矩阵，q(t)＝[1,v(t)^T]^T，(·)^T表示转置，n(t)表示第t个子帧的噪声分量；考虑到共有τ个子帧，则有Y_k＝F_kQ+N，其中Y_k＝[y_k(1),…y_k(τ)]，Q＝[q(1),…,q(τ)]，N＝[n(1),…,n(τ)]；最后，神经网络的输入为真实组合信道F_k和接收端噪声矩阵N，输出为智能反射表面通信系统的组合信道估计值网络由用于反射图样设计的单层线性子网络和用于信道估计设计的多层非线性子网络组成，前一个子网络的输出(即后一个子网络的输入)为基站解相关后的导频接收信号；

(3)基站将步骤(3)训练得到的反射图样发送给智能反射表面并进行配置；

(4)基站采用步骤(3)训练得到的信道估计非线性神经网络进行在线信道估计。