一种基于神经网络的智能反射表面反射相位配置方法与流程

1.本发明涉及一种基于神经网络的智能反射表面相位配置方法，属于无线通信的技术领域。


背景技术：

2.近期，随着新型人工电磁材料的进步，智能反射表面作为一种很有前途的低成本的解决方案被提出，通过对无线通信系统的传播环境进行改造，使得收发机之间的传播环境可控，从而实现信号传输的优化。
3.智能发射表面是由大量无源元件组成的平面阵列，通过智能控制器，其中每个元件都能独立于入射电磁波产生可控的相位偏移、幅度衰减等效应，通过在智能反射表面上调节所有元件的相移，反射信号可以相干地添加到所需的接收器上，以提高接收信号的功率，或者以负面增益的形式添加到非预期接收器上，以避免干扰并增强私密性。如今比较通用的方案是将智能反射表面和通信系统相互连接，由通信系统控制各反射元件的相位偏移，使得接收信号的功率得到增强。此时，除了原有的发送端直接到达接收端的信道之外，还产生了信号从发射端到达智能反射表面和从智能反射表面反射到达接收端的两个信道。如今的大部分文献和资料都考虑在已知这三个信道的精确的瞬时信道状态信息情况下来计算和优化各反射元件的反射系数。而事实上，智能反射表面不具备接收和分析信号的功能，难以各个信道的瞬时信道状态信息作出精准估计，所以难以在实际系统中得到应用。


技术实现要素：

4.本发明考虑到智能反射表面的实际应用场景和现有技术的不足，提供一种利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法，它可以使用神经网络模型，采用实时获取的瞬时信道状态信息和信号的功率增益对神经网络进行训练，在接收数据的过程中，实时调节智能反射表面的相位调配，起到优化接收信号质量的作用。
5.本发明具体采用以下技术方案解决上述技术问题：
6.其上行数据传输包括以下步骤：
7.步骤1、由用户端向基站端发送数据帧，其中用户端具有n个天线，基站端具有m个天线，每个数据帧包含l个时隙，其中前l
p
个时隙为导频信号，剩余(l
‑
l
p
)个时隙为数据信号，数据帧的部分功率经过具有k个反射单元的智能反射表面反射，到达基站端。
8.步骤2、基站端接收当前数据帧中的导频部分，利用l
p
个导频时隙，获得信道状态信息矩阵h
t
∈c
m
×
n
，t＝1，2，...，t为当前数据帧的序号，c表示复数域。同时，基站测量导频信号功率，测量结果记为p
r
。
9.步骤3、在基站端，对于第t个数据帧，将h
t
,h
t
‑1,θ
(t
‑
1,n)
，θ
(t
‑
2,n)
作为已训练好的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ
(t,n)
，b＝1，2，...，k，n为当前反射单元的序号。
10.步骤4、基站控制，按照预测的相位配置调节智能反射表面相位配置，用于此数据
帧中数据部分的增强接收。
11.步骤5、基站接收第t个数据帧的数据部分，进行信号检测，并测量数据信号功率，测量结果记为p
c
，计算功率增益其中g(x)是关于x的单调增函数。
12.步骤6、基站将信道状态信息h
t
,h
t
‑1和接收导频时智能反射表面的反射相位配置θ
(t
‑
1,n)
，θ
(t
‑
2,n)
作为输入端，得到的预测结果θ
(t,n)
作为输出端，创建新的样本，记为m
t
。
13.步骤7、基站根据新的样本m
t
，构造新的样本集r
t
。对所有构造的样本m
k
，k＝1，2，...，t，按概率进行w次抽取，构造一个样本数量为w的样本集，第k个样本被抽取到的概率可以为
[0014][0015]
其中τ(t
‑
k)为衰减函数，是关于(t
‑
k)的单调减函数。
[0016]
步骤8、基站使用构造的样本集r
t
对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中f(x)是关于x的单调减函数，并保存训练完成的神经网络。
[0017]
步骤9、当接收下一个数据帧时，重复步骤1～8。
[0018]
其下行数据传输包括以下步骤：
[0019]
步骤1、由基站端向用户端发送数据帧，其中基站端具有n个天线，用户端具有m个天线，每个数据帧包含l个时隙，其中前l
p
个时隙为导频信号，剩余(l
‑
l
p
)个时隙为数据信号，数据帧的部分功率经过具有k个反射单元的智能反射表面反射，到达用户端。
[0020]
步骤2、用户端接收当前数据帧中的导频部分，利用l
p
个导频时隙，获得信道状态信息矩阵h
t
∈c
m
×
n
，t＝1，2，...，t为当前数据帧的序号，c表示复数域。同时，用户测量导频信号功率，测量结果记为p
t
。
[0021]
步骤3、用户接收第t个数据帧的数据部分，进行信号检测，并向基站端发送一个数据帧，将导频信号功率p
t
和信道状态信息矩阵h
t
发送给基站端。
[0022]
步骤4、在基站端，对于第t个数据帧，将h
t
,h
t
‑1,θ
(t,n)
，θ
(t
‑
1,n)
作为已训练好的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ
(t 1,n)
，n＝1，2，...，k，n为当前反射单元的序号。计算功率增益其中g(x)是关于x的单调增函数。
[0023]
步骤5、基站控制，按照预测的相位配置调节智能反射表面相位配置，用于此数据帧中数据部分的增强接收。
[0024]
步骤6、基站将信道状态信息h
t
,h
t
‑1和接收导频时智能反射表面的反射相位配置θ
(t,n)
，θ
(t
‑
1,n)
作为输入端，得到的预测结果θ
(t 1,n)
作为输出端，创建新的样本，记为m
t
。
[0025]
步骤7、基站根据新的样本m
t
，构造新的样本集r
t
。对所有构造的样本m
k
，k＝1，2，...，t，按概率进行w次抽取，构造一个样本数量为w的样本集，第k个样本被抽取到的概率可以为
[0026][0027]
其中τ(t
‑
k)为衰减函数，是关于(t
‑
k)的单调减函数。
[0028]
步骤8、基站使用构造的样本集r
t
对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中f(x)是关于x的单调减函数，并保存训练完成的神经网络。
[0029]
步骤9、当接收下一个数据帧时，重复步骤1～8。
[0030]
本发明采用上述技术方案，能产生如下技术效果：
[0031]
本发明提供了一种利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法，它可以使用神经网络模型，采用实时获取的瞬时信道状态信息和信号的功率增益对神经网络进行训练，在接收数据的过程中，实时调节智能反射表面的相位调配，起到优化接收信号质量的作用。相比于现有方法，具有以下优点：
[0032]
(1)反射相位配置仅需要已知发射机到接收机的信道信息，而不需要已知从发射机到智能反射表面的入射和经过智能反射表面反射到接收机的信道的信息，因而减小了待估计的变量个数。
[0033]
(2)在智能反射表面相位的配置中，神经网络模型的选取是可以改变的，更优的神经网络模型能使接收信号的质量有更有效的提高，可以根据实际工程的需要在模型的复杂性和效果间做出选择，也为这一配置方法提供了提升的空间。
[0034]
(3)实时更新的神经网络参数能使预测的优化配置更好地适配于当前的场景，使智能反射表面在信道信息不断变化的场景中获得更好的优化效果。
[0035]
(4)在反射相位配置的方案中，可以实现信息传输性能优于随机配置相位的方法下的信息传输性能。
附图说明
[0036]
图1是本发明利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法的流程图。
[0037]
图2是本发明利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法更新神经网络样本集的流程图。
[0038]
图3是本发明实施例1中反射功率指标随迭代次数i的变化曲线示意图。
[0039]
图4是本发明实施例2中反射功率指标随迭代次数i的变化曲线示意图。
具体实施方式
[0040]
下面结合说明书附图对本发明的实施方式进行描述。
[0041]
本发明所适用的场景为：智能反射表面辅助无线通信系统，上行和下行通信场景，包含一个发送端，一个接收端，以及一块或多块智能反射表面模块；发送端配置n根天线，接收端配置m根天线，所有智能反射表面模块一共含有总数为k的反射单元，所有智能反射表面模块都通过链路与接收端相连并由接收端对每个反射单元n的反射系数相位θ
n
，n＝1，2，...，k进行控制。发送端向接收端发送数据，经过的所有路径的瞬时信道冲激响记为h∈c
m
×
n
，发射信号经历两条路径到达接收端：一个是直接到达路径，瞬时信道冲激响应记为h
d
∈c，这里的c表示复数域；另一个是经过智能反射表面单元反射后到达接收端，瞬时信道冲激响应记为h
r
∈c，它包含三部分的级联：发送端到每个反射单元的信道冲激响应h
in
∈c
k
×
n
，
每个反射单元附加的相位偏移θ
n
，n＝1,2,...,n，反射单元反射信号到达接收天线所经历的信道冲激响应h
out
∈c
m
×
k
，因此，h
r
＝h
out
θh
in
，其中θ∈c
k
×
k
是由构成的对角矩阵。
[0042]
在通信过程中，接收端在任意时隙接收到的信号可以表示为：
[0043]
y＝hx z＝(h
d
h
r
)x z＝(h
d
h
out
θh
in
)x z
[0044]
其中，y∈c,x∈c,z∈c分别是接收信号、发送信号和噪声信号。h
d
，h
out
，h
in
由物理传播信道决定，无法调节，但是智能反射表面辅助无线通信系统能主动调节θ从而改变合成的等效信道h
r
∈c，不同的θ将导致不同质量的接收信号。因此，系统设计的关键在于接收端如何根据接收信号以及信道状态信息，动态地调整反射单元的反射相位θ
n
，n＝1,2,...,n，使得接收信号的平均功率达到最大值。现有的文献都是假设信道状态信息h
in
∈c
k
×
n
和h
out
∈c
m
×
k
已知，而在实际应用中是难以得到这两个信道状态信息，只能得到发射端到接收端的信道状态信息h∈c
m
×
n
，如果采用基于h
in
∈c
k
×
n
和h
out
∈c
m
×
k
已知的方式来进行反射相位的配置，难以运用到实际应用中。齐次，由于反射路径的信道状态信息h
in
∈c
k
×
n
和h
out
∈c
m
×
k
隐藏在发射端到接收端的信道状态信息h∈c
m
×
n
中，利用现有的神经网络难以训练出一个可以适用于所有信道场景的模型。
[0045]
针对这个问题，本发明提出利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法，考虑到智能反射表面的应用场景是室内，信道状态信息的变化在较长时间内变化较小，可以通过得到信道状态信息h∈c
m
×
n
和接收数据的功率，实时地调整神经网络的样本集，不断训练神经网络并完成对智能反射表面相位配置的优化，在获得更好的神经网络模型参数的同时，使得接收信号功率不断得到优化。
[0046]
具体地，如图1所示，一种利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法，其上行数据传输包括以下步骤：
[0047]
步骤1、由用户端向基站端发送数据帧，其中用户端具有n个天线，基站端具有m个天线，每个数据帧包含l个时隙，其中前l
p
个时隙为导频信号，剩余(l
‑
l
p
)个时隙为数据信号，数据帧的部分功率经过具有k个反射单元的智能反射表面反射，到达基站端。
[0048]
步骤2、基站端接收当前数据帧中的导频部分，利用l
p
个导频时隙，获得信道状态信息矩阵h
t
∈c
m
×
n
，t＝1，2，...，t为当前数据帧的序号，c表示复数域。同时，基站测量导频信号功率，测量结果记为p
r
。
[0049]
步骤3、在基站端，对于第t个数据帧，将h
t
,h
t
‑1,θ
(t
‑
1,n)
，θ
(t
‑
2,n)
作为已训练好的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ
(t,n)
，n＝1，2，...，k，n为当前反射单元的序号。
[0050]
步骤4、基站控制，按照预测的相位配置调节智能反射表面相位配置，用于此数据帧中数据部分的增强接收。
[0051]
步骤5、基站接收第t个数据帧的数据部分，进行信号检测，并测量数据信号功率，测量结果记为p
c
，计算功率增益其中g(x)是关于x的单调增函数。
[0052]
步骤6、基站将信道状态信息h
t
,h
t
‑1和接收导频时智能反射表面的反射相位配置θ
(t
‑
1,n)
，θ
(t
‑
2,n)
作为输入端，得到的预测结果θ
(t,n)
作为输出端，创建新的样本，记为m
t
。
[0053]
步骤7、基站根据新的样本m
t
，构造新的样本集r
t
。对所有构造的样本m
k
，k＝1，
2，...，t，按概率进行w次抽取，构造一个样本数量为w的样本集，第k个样本被抽取到的概率可以为
[0054][0055]
其中τ(t
‑
k)为衰减函数，是关于(t
‑
k)的单调减函数。
[0056]
步骤8、基站使用构造的样本集r
t
对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中f(x)是关于x的单调减函数，并保存训练完成的神经网络。
[0057]
步骤9、当接收下一个数据帧时，重复步骤1～8。
[0058]
其下行数据传输包括以下步骤：
[0059]
步骤1、由基站端向用户端发送数据帧，其中基站端具有n个天线，用户端具有m个天线，每个数据帧包含l个时隙，其中前l
p
个时隙为导频信号，剩余(l
‑
l
p
)个时隙为数据信号，数据帧的部分功率经过具有k个反射单元的智能反射表面反射，到达用户端。
[0060]
步骤2、用户端接收当前数据帧中的导频部分，利用l
p
个导频时隙，获得信道状态信息矩阵h
t
∈c
m
×
n
，t＝1，2，...，t为当前数据帧的序号，c表示复数域。同时，用户测量导频信号功率，测量结果记为p
t
。
[0061]
步骤3、用户接收第t个数据帧的数据部分，进行信号检测，并向基站端发送一个数据帧，将导频信号功率p
t
和信道状态信息矩阵h
t
发送给基站端。
[0062]
步骤4、在基站端，对于第t个数据帧，将h
t
,h
t
‑1,θ
(t,n)
，θ
(t
‑
1,n)
作为已训练好的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ
(t 1,n)
，n＝1，2，...，k，n为当前反射单元的序号。计算功率增益其中g(x)是关于x的单调增函数。
[0063]
步骤5、基站控制，按照预测的相位配置调节智能反射表面相位配置，用于此数据帧中数据部分的增强接收。
[0064]
步骤6、基站将信道状态信息h
t
,h
t
‑1和接收导频时智能反射表面的反射相位配置θ
(t,n)
，θ
(t
‑
1,n)
作为输入端，得到的预测结果θ
(t 1,n)
作为输出端，创建新的样本，记为m
t
。
[0065]
步骤7、基站根据新的样本m
t
，构造新的样本集r
t
。对所有构造的样本m
k
，k＝1，2，...，t，按概率进行w次抽取，构造一个样本数量为w的样本集，第k个样本被抽取到的概率可以为
[0066][0067]
其中τ(t
‑
k)为衰减函数，是关于(t
‑
k)的单调减函数。
[0068]
步骤8、基站使用构造的样本集r
t
对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中f(x)是关于x的单调减函数，并保存训练完成的神经网络。
[0069]
步骤9、当接收下一个数据帧时，重复步骤1～8。
[0070]
由此，本发明通过仅使用接收端得到的信道状态信息，通过不断更新神经网络的样本集，从而进行神经网络参数的不断优化，调节反射元件反射系数的配置，达到增强信号
功率的目的。
[0071]
为了验证本发明方法能够快速更新反射系数配置，现列举下述两个实施例进行验证说明。
[0072]
实施例1：
[0073]
本实施例给出了如何实现本发明所述的利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法。在本实施例中，采用上行数据传输场景，智能反射表面的单元数量k＝64,在空间中呈有规律的分布，发射端的天线为1个，接收端的天线为3个，h
d
，h
out
，h
in
是瑞利分布的信道，假设在每一个数据帧中信道状态信息h∈c
m
×
n
不发生改变，每发射一帧后信道状态信息h
d
，h
out
，h
in
发生微小的改变，发射的信号功率保持不变，发射能量有50％经直达径到达，50％经智能反射表面反射到达。每一帧中包含32个时隙，其中前8个时隙发射导频信号，剩余24个时隙发射数据信号，一共发射10帧信号。
[0074]
神经网络本身经过预训练，初始的相位配置的反射功率高于随机配置相位时的反射功率，在接收到新的导频信号后，使用已有的神经网络参数训练得到预测的优化相位配置，然后根据接收端获得的功率增益g
t
，更新神经网络模型样本集，并对神经网络进行进一步训练，更新数据集的具体操作如下：
[0075]
s1：计算接收端获得的功率增益系数g
t
，其中g
t
为p
c
为第t个导频中，接收到导频信号并更新相位配置后接收到数据部分的功率，p
r
为第t个数据帧中导频信号的接收功率，g(x)是关于x的单调增函数。
[0076]
s2：对于接收到的第t个导频，构造样本m
t
，将发射第t个和第t
‑
1个导频时的信道状态信息矩阵h
t
∈c
m
×
n
，h
t
‑1∈c
m
×
n
和发射第t个和第t
‑
1个导频时接收导频时智能反射表面的相位配置组成样本m
t
的输入部分，将通过已训练好的神经网络模型计算得到的相位配置组成样本m
t
的输出部分，构成训练神经网络的样本m
t
。
[0077]
s3：对所有构造的样本m
k
，k＝1，2，...，t，按概率进行w次抽取，构造一个样本数量为w的样本集，第k个样本被抽取到的概率可以为
[0078][0079]
其中τ(t
‑
k)为衰减函数，是关于(t
‑
k)的单调减函数。
[0080]
s4：使用此构造的样本集根据选择的神经网络模型对已有的神经网络模型参数进行进一步训练，其每次的最大迭代次数为其中f(x)是关于x的单调减函数。
[0081]
通过更新数据集，在发射信号和接收的过程中，神经网络的参数不断进行优化和调整。记录下每一帧中接收到的导频的平均功率指标j
t
＝|h
d
|2 |h
out
θ
t
h
in
|2，与随机产生反射相位得到的平均功率指标作比较，并绘制的得到图3。根据图3所示，使用本发明提供的反射系数配置方法后，由于神经网络模型经过预训练，接收端所获得的平均反射功率在接收信号的初期迅速增长，在第5帧后趋于稳定，并保持着较好的接收功率，通过本发明的反射系数配置方法得到的反射功率，是随机配置相位时的平均反射功率的1.4倍左右，说明了本发明的有效性。
[0082]
实施例2：
[0083]
本实施例给出了如何实现本发明所述的利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法。在本实施例中，采用上行数据传输场景，智能反射表面的单元数量k＝64,在空间中呈有规律的分布，发射端的天线为1个，接收端的天线为3个，h
d
，h
out
，h
in
是瑞利分布的信道，假设在每一个数据帧中信道状态信息h∈c
m
×
n
不发生改变，每发射一帧后信道状态信息h
d
，h
out
，h
in
发生微小的改变，发射的信号功率保持不变，发射能量有50％经直达径到达，50％经智能反射表面反射到达。每一帧中包含32个时隙，其中前8个时隙发射导频信号，剩余24个时隙发射数据信号，一共发射10帧信号。
[0084]
神经网络未经过预训练，初始的相位配置的反射功率低于随机配置相位时的反射功率，在接收到新的导频信号后，使用已有的神经网络参数训练得到预测的优化相位配置，然后根据接收端获得的功率增益g
t
，更新神经网络模型样本集，并对神经网络进行进一步训练，更新数据集的具体操作如下：
[0085]
s1：计算接收端获得的功率增益系数g
t
，其中g
t
为p
c
为第t个导频中，接收到导频信号并更新相位配置后接收到数据部分的功率，p
r
为第t个数据帧中导频信号的接收功率,g(x)是关于x的单调增函数。
[0086]
s2：对于接收到的第t个导频，构造样本m
t
，将发射第t个和第t
‑
1个导频时的信道状态信息矩阵h
t
∈c
m
×
n
，h
t
‑1∈c
m
×
n
和发射第t个和第t
‑
1个导频时接收导频时智能反射表面的相位配置组成样本m
t
的输入部分，将通过已训练好的神经网络模型计算得到的相位配置组成样本m
t
的输出部分，构成训练神经网络的样本m
t
。
[0087]
s3：对所有构造的样本m
k
，k＝1，2，...，t，按概率进行w次抽取，构造一个样本数量为w的样本集，第k个样本被抽取到的概率可以为
[0088][0089]
其中τ(t
‑
k)为衰减函数，是关于(t
‑
k)的单调减函数。
[0090]
s4：使用此构造的样本集根据选择的神经网络模型对已有的神经网络模型参数进行进一步训练，其每次的最大迭代次数为其中f(x)是关于x的单调减函数。
[0091]
通过更新数据集，在发射信号和接收的过程中，神经网络的参数不断进行优化和调整。记录下每一帧中接收到的导频的平均功率指标j
t
＝|h
d
|2 |h
out
θ
t
h
in
|2，与随机产生反射系数得到的平均功率指标作比较，并绘制的得到图3。根据图3所示，使用本发明提供的反射系数配置方法后，尽管神经网络模型未经过预训练，接收端所获得的平均反射功率在接收信号的初期迅速增长，在第5帧后趋于稳定，并保持着较好的接收功率，通过本发明的反射系数配置方法得到的反射功率，是随机配置相位时的平均反射功率的1.1倍左右，说明了本发明的有效性。
[0092]
综上，本发明应用于信道状态信息变化较为缓慢的室内场景，可以在不需要得到从发射机到智能反射表面的入射和经过智能反射表面反射到接收机的信道的信息的情况下，通过不断优化神经网络模型参数，来快速预测优化的智能反射表面优化相位配置，使得
接收信号的功率得到优化。
[0093]
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。