[发明专利]智能反射面辅助通信系统的信道估计方法、系统及产品

说明书

本发明涉及一种智能反射面辅助通信系统的信道估计方法、系统及产品。该方法包括：建立信道模型以及信号模型；获取发送端的已知导频信号；将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；根据所述信道模型建立信道估计卷积神经网络模型；将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。本发明能够提高通道数据的传输质量。

技术领域

本发明涉及通信领域，特别是涉及一种智能反射面辅助通信系统的信道估计方法、系统及产品。

背景技术

针对于5G高可靠、低时延、多连接、低能耗的性能指标，星地融合网络被认为是其中关键组成部分。尽管星地融合网络在吞吐量、覆盖范围和弹性方面具有潜在优势，但部署星地融合网络带来了新的挑战。星地融合网络中层间和层内通信产生、交换和管理大量数据和网络流量，并且其无线信道对环境敏感，严重影响通信质量。

无线传播环境一直被认为是不可控的。传统的性能优化方法只关注发射机和接收机的控制策略，现在研究人员期待一种通过传播路径的可控和灵活调整来提高通信效率的新方法。为了实现这一目标，可重构智能表面(Reconfigurable Intelligence Surface，RIS)被提出作为智能控制传输链路的有效方案。具体来说，RIS由大量的几乎被动、低成本和低能量反射元件组成，每个元件都可以巧妙地协调移相器，并将入射信号调整到预期接收用户的方向。同时，RIS可以制作成体积小、重量轻的产品，因此可以很容易地安装在建筑立面、天花板、移动的火车、灯杆、路标等。

RIS的这些优点促进了对各种RIS辅助网络的深入和实质性研究。特别是为了支持RIS辅助星地融合网络，设计了RIS辅助通信多种场景，如车辆通信、无人机通信、室内通信、导航通信、蜂窝通信、工厂通信和大规模物联网通信。

由于卫星和基站波束形成权向量的优化、RIS相移设计、UAV轨道约束等问题，导致RIS辅助的星地融合网络优化问题难以用传统方法解决。由于RIS结构限制了硬件的复杂性，传统的解决方案需要巨大的训练开销，且难以适应复杂的实际信道环境。

得益于强大的智能工具的发展，深度学习被广泛认为是解决复杂环境中动态调度问题的潜在解决方案。针对高动态通信环境，深度学习通过在原始输入数据中和所需输出之间构造非线性映射，学习信号特征更新参数，从而为通信系统提供更快的响应速度。

基于深度学习的发展潜力，近年来国内外研究学者对深度学习辅助无线通信系统的各种潜在应用场景例如信道估计、功率分配和波束成形等方面都进行了一系列探索。因此如何利用深度学习在智能反射面辅助星地融合网络中进行复杂信道估计，实现更加智能高效的通信系统具有重大理论和现实意义。而现有RIS辅助的星地通信数据较少，现有技术只能通过现有数据去拟合信道参数，且无法保证现有数据的真实性，时间长且效率低，实时性较差且可靠性低，无法确保高质量通道数据传输。

发明内容

本发明的目的是提供一种智能反射面辅助通信系统的信道估计方法、系统及产品，以解决通道数据传输质量低的问题。

为实现上述目的，本发明提供了如下方案：

一种智能反射面辅助通信系统的信道估计方法，包括：

建立信道模型以及信号模型；

获取发送端的已知导频信号；

将所述发送端的已知导频信号输入至所述信号模型，在接收端生成不同的接收信号；

根据所述信道模型建立信道估计卷积神经网络模型；

将所述已知导频信号以及所述接收信号输入至所述信道估计卷积神经网络模型中估计信道。

可选的，所述信道模型包括通信系统的等效信道以及卫星的任一根天线到用户的反射信道频域；