[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

说明书

本发明公开了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，该方法针对智能反射表面辅助的无线通信系统，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；(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；(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。相对于传统的信道估计方法，本发明能够在同等信道估计精度前提下显著降低导频的开销，并且本发明在线计算复杂度较低，利于工程实现。

技术领域

本发明涉及智能反射表面辅助通信系统，尤其是一种基于深度学习的，IRS反射图样和信道估计的联合设计方法。

背景技术

对于智能反射表面通信，传统的信道估计方法是最小二乘(LS)和线性最小化均方误差(LMMSE)算法。然而，为了获得较高的信道估计精度，传统方法需要较多的导频开销。

近年来，深度学习方法在通信领域得到了广泛的应用。它可以离线训练神经网络，然后将训练好的神经网络用于在线部署。与传统方法相比，基于深度学习的方法具有低计算复杂度、鲁棒性强等优点。

现有基于深度学习的智能反射表面通信信道估计方法一方面将LS或者LMMSE信道估计值作为神经网络输入，从而需要较大的导频开销；另一方面，现有方法未对信道估计阶段的智能反射表面反射图样进行设计，造成性能损失。

发明内容

针对上述现有技术存在的缺陷，本发明的目的是提供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，以实现在信道估计时只需要少量的导频开销获得较高的估计精度。

为实现上述目的，本发明采用如下技术方案：

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，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；

(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；

(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。

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。

所述步骤(2)中，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，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。

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。