一种基于统计信道状态信息的可重构智能表面配置方法

1.本发明属于无线通信的技术领域，具体涉及一种基于统计信道状态信息的可重构智能表面配置方法。
技术背景
2.随着材料技术的发展，一种低成本、主动改变电磁传播环境的可重构智能表面应运而生。将可重构智能表面安置于无线信号的收发端之间，可以实现无线信道的动态调整，提高无线通信系统的性能。
3.可重构智能表面由众多结构相同、功能类似的单元组成，每个单元含有电气特性可变的电路器件，如二极管、压变电容等
[1-5]
。通过控制器，可以独立地控制这些单元，改变可重构智能表面对于入射电磁波的反射系数，产生方向可控的反射电磁波。电磁波方向也体现在电磁波的相位上，当目标位置的反射电磁波同相时，目标位置的接收功率增加；当目标位置的反射电磁波反相时，目标位置的接收功率降低。为了配置可重构智能表面，需要估计无线信道的信道状态信息。由于可重构智能表面不具备信道估计的能力，基站或用户估计与可重构智能表面有关的无线信道所需的时间开销与可重构智能表面单元数量成正比
[6-8]
。频繁地估计这些无线信道的瞬时信道状态信息会占用大量系统资源，并且降低无线通信系统的性能
[9,10]
。相较于瞬时信道状态信息，统计信道状态信息的变化频率较慢，适合用于配置可重构智能表面。


技术实现要素：

[0004]
本发明提出一种有效地提升用户的下行接收速率的辅助下行通信的可重构智能表面配置方法。
[0005]
本发明提供的辅助下行通信的可重构智能表面的配置方法，是基于统计信道状态信息的，涵盖统计信道状态信息估计、用户调度、可重构智能表面配置等内容，可有效地提升被调度用户中最低的平均下行传输速率。
[0006]
本发明适用于如图1所示的系统模型。其中，基站具有nb个天线，服务k个单天线用户。基站采用时分双工模式区分信号的上下行，利用上下行信道的互易性，通过上行信道的信道状态信息直接计算下行信道的信道状态信息。可重构智能表面位于基站与用户之间，具有nr个可重构智能表面单元。可重构智能表面是一个矩形平面，可分为μ轴和v轴，沿可重构智能表面μ轴的单元数量为n
r,μ
，沿可重构智能表面v轴的单元数量为n
r,v
，满足nr＝n
r,μnr,v
。
[0007]
本发明主要关注无线信道的直达径。在下行信道中，基站至可重构智能表面的直达径为达径为其中a
b,r
的模为nb，a
r,b
的模为nr。基站和可重构智能表面的位置是固定的，基站可以提前获知直达径a
b,r
和a
r,b
。可重构智能表面至第k个用户的直达径为其中a
r,k
的模为nr。将可重构智能表面划分成μ
轴和v轴，直达径其中其中a
r,k,μ
的模为n
r,μ
，a
r,k,v
的模为n
r,v
，为矩阵的kronecker积。
[0008]
本发明使用基于二叉树的分层码本的码字来近似直达径a
r,k,μ
和a
r,k,v
。基站具有深度为l
μ
的分层码本，该码本的第l
μ
层、第n
μ
个码字为其中l
μ
∈{0,1,
…
,l
μ
}，基站还具有深度为lv的分层码本，该码本的第lv层、第nv个码字为其中lv∈{0,1,
…
,lv}，
[0009]
本发明提供的辅助下行通信的可重构智能表面的配置方法，在可重构智能表面辅助无线通信场景下，借助时分双工时上下行信道的互易性，在上行过程中利用改进的变分后验匹配法、参数估计法获取统计信道状态信息的估计值，在下行过程中利用统计信道状态的估计值、优化算法获得可重构智能表面配置，提升用户的下行接收速率；具体研究案例表明本发明方法可以有效提升最低用户的平均接收速率。
[0010]
本发明提供的辅助下行通信的可重构智能表面的配置方法，具体步骤如下：
[0011]
步骤1：基站对用户进行编号，编号k∈{1,2,
…
,k}，其中k为用户数量。基站采用时分的方式依次调度用户进行上行通信。初始用户编号为k
←
1。
[0012]
步骤2：用户k持续地发射上行导频。基站接收经过可重构智能表面的上行导频，根据上行导频改变可重构智能表面的配置，估计统计信道状态信息χk、κk和其中为复数，nr为可重构智能表面单元数量，a
r,k
的模为nr。
[0013]
步骤3：用户编号k递增。若k《k，重复步骤2、步骤3。
[0014]
步骤4：基站对用户进行分组。分组数量为j，分组为j∈1,2,
…
,j，分组中的用户数为kj，分组中的用户编号为k,k∈{1,2,
…
,kj}。对于分组中任意两个用户p和q，满足其中h为共轭对称运算符。
[0015]
步骤5：基站计算针对用户分组中的可重构智能表面配置其中j∈{1,2,
…
,j}。
[0016]
步骤6：基站采用时分的方式依次与不同分组中的用户进行下行通信。初始用户分组编号为j
←
1。
[0017]
步骤7：基站将可重构智能表面配置为φj,并与用户分组中的用户进行下行通信。
[0018]
步骤8：用户分组编号j递增。如果统计信道状态信息χk、kk和a
r,k
发生变化，重复步骤1至步骤8；如果j≥j，重复步骤6至步骤8；其余情况重复步骤7、步骤8。
[0019]
进一步地：
[0020]
所述步骤2中估计用户k的统计信道状态信息χk、κk和a
r,k
的步骤具体包括：
[0021]
步骤2.1：基站使用深度为l
μ
和lv的两个分层码本，分别对应a
r,k,μ
和a
r,k,v
。
[0022]
步骤2.2：基站获取用户k的位置先验。以μ轴为例，基站根据位置先验从分层码本
中挑选满足的先验概率大于0.99的(l
μ
,n
μ
)，记为同理，基站根据位置先验从分层码本中挑选满足的先验概率大于0.99的(lv,nv)，记为
[0023]
步骤2.3：基站设置观测时间t
←
0，设置中间变量τ
←
1、中间变量s
←
1。
[0024]
步骤2.4：基站递增观测时间t。
[0025]
步骤2.5：基站根据和计算可重构智能表面的配置，即为其中
⊙
为按位相乘运算符，*为共轭运算符，为可重构智能表面接收来自基站的信号时的下行信道矢量。
[0026]
步骤2.6：用户k发射上行导频其中t
ul
为导频长度，上行导频x的模等于p
ul
t
ul
，p
ul
为单个上行导频符号的功率。
[0027]
步骤2.7：基站接收信号为其中nb为基站天线数量。使用xh右乘y，使用左乘y，得到其中h为共轭转置运算符，为基站接收来自可重构智能表面的信号时的上行信道矢量。
[0028]
步骤2.8：基站使用观测{y
τ
,y
τ 1
,
…
,y
t
}和可重构智能表面配置{φ
τ
,φ
τ 1
,
…
,φ
t
}，利用改进的变分分层后验匹配法
[11]
，计算和
[0029]
步骤2.9：如果连续3个观测时间和保持不变，进入步骤2.10；否则，重复执行步骤2.4至步骤2.9。
[0030]
步骤2.10：重复执行5次步骤2.4至步骤2.7。
[0031]
步骤2.11：基站根据和估计统计信道状态信息
[0032]
步骤2.12：基站根据观测{y1,y2,
…
,y
t
}和可重构智能表面配置{φ1,φ2,
…
,φ
t
}，计算中间变量和其中
[0033][0034][0035]
再估计统计信道状态信息χk和κk，分别为
[0036][0037]
[0038]
其中，nb是基站天线数量，nr是可重构智能表面单元数量，是上行基站接收噪声功率，p
dl,k
是下行基站发射功率，是下行用户k接收噪声功率。
[0039]
所述步骤2.8中基站采用的改进的变分分层后验匹配法的步骤具体包括：
[0040]
步骤2.8.1：如果s＝1，跳转至步骤2.8.2；如果s＝2，跳转至步骤2.8.5。
[0041]
步骤2.8.2：使用观测{y
τ
,y
τ 1
,
…
,y
t
}和可重构智能表面配置{φ
τ
,φ
τ 1
,
…
,φ
t
}，利用变分推断法，计算满足的后验概率根据后验概率计算分层码本中每个码字的后验概率其中
[0042]
步骤2.8.3：
[0043]
步骤2.8.4：如果连续3个观测时间保持不变，s
←
2，τ
←
t 1，跳出步骤2.8。
[0044]
步骤2.8.5：使用观测{y
τ
,y
τ 1
,
…
,y
t
}和可重构智能表面配置{φ
τ
,φ
τ 1
,
…
,φ
t
}，利用变分推断法，计算满足的后验概率根据后验概率计算分层码本中每个码字的后验概率其中
[0045]
步骤2.8.6：
[0046]
所述步骤5中，计算针对用户分组中的可重构智能表面配置φj的步骤具体包括：
[0047]
步骤5.1：初始化迭代编号i＝0、中间变量中间变量中间变量γ
(0)
＝0，其中是实数，kj是用户分组的用户数量。修正参数其中nb是基站天线数量，ψ是digamma函数。由于n
b-kj 1∈{1,2,
…
,nb}，的取值是有限的，可以预先获得。
[0048]
步骤5.2：迭代编号i递增。
[0049]
步骤5.3：计算中间变量
[0050]
步骤5.4：引入辅助变量γ。中间变量α(i)为以下凸优化问题的解：
[0051][0052][0053]
[0054][0055]
该优化问题可以转换成二阶锥问题，使用内点法即可求得中间变量α(i)。
[0056]
步骤5.5：计算中间变量
[0057]
步骤5.6：如果|γ
(i)-γ
(i-1)
|≥∈，重复步骤5.2至步骤5.6，其中∈为迭代误差。
[0058]
步骤5.7：可重构智能表面配置φj为其中
⊙
为按位相乘运算符，*为共轭运算符，a
r,b
为可重构智能表面接收基站信号的下行信道矢量，
[0059][0060]
round为四舍五入取整运算符，的第1至第n1元素为a
r,1
的第1至第n1元素，的第n1 1至第n1 n2元素为a
r，2
的第n1 1至第n1 n2元素
……
的第至第nr元素为的第至第nr元素。
附图说明
[0061]
图1：可重构智能表面辅助的无线通信系统示例。
[0062]
图2：用户坐标为(x,2,0)m时统计信道状态信息的归一化均方误差。
[0063]
图3：用户坐标为(23,y,0)m时统计信道状态信息的归一化均方误差。
[0064]
图4：可重构智能表面配置对系统性能的影响。
具体实施方式
[0065]
下面通过具体实施案例进一步描述本发明。
[0066]
在实施例中，基站、可重构智能表面和用户位于三维空间中。基站天线中心坐标为(0,0,6)m，基站天线阵列为均匀线阵且平行于y轴，基站天线数量nb＝16。用户数量k＝3，用户天线坐标分别为(21,1,0)m、(22,2,0)m和(23,3,0)m，用户天线数量均为1。可重构智能表面中心坐标为(20,5,3)m，单元阵列为均匀平面阵且平行于xoz平面，单元数量为nr＝400，其中n
r，μ
＝20，n
r，v
＝20。此外，下行参数上行参数分层码本为amcf-zci
[12]
，分层码本深度l
μ
＝6、lv＝6，用户位置先验在弧度域上服从方差为0.01弧度的截断的高斯分布，基站观测集合{y1,y2,
…
,y
t
}的最大次数为55。
[0067]
在实施例中，对基站、可重构智能表面和用户之间的信道作适当假设。无线信号的载波波长为λ＝10.7mm，基站天线间距、可重构智能表面单元间距均为半波长。基站至可重
构智能表面的下行信道为h服从莱斯分布，即：
[0068][0069]
其中，莱斯因子为kh＝30，多径分量的元素服从相互独立的零均值单位方差复高斯分布，路径增益为路损因子为α
b,r
＝2.1，基站与可重构智能表面的距离为d
b,r
，基站对于可重构智能表面的俯仰角为可重构智能表面至第k个用户的下行信道为可重构智能表面部署在用户周围，此时可以忽略h
r，k
的多径成分，即其中路径增益为路损因子为α
r,k
＝2.0，可重构智能表面与第k个用户的距离为d
r,k
，第k个用户对于可重构智能表面的俯仰角为基站至第k个用户的下行信道为h
b,k
服从瑞利分布，即其中多径分量的元素服从相互独立的零均值单位方差复高斯分布，路径增益为路损因子为α
b,k
＝4.0，基站与第k个用户的距离为d
b,k
。
[0070]
具体实施例的仿真软件包括python 3.8.12、numpy 1.21.2和scipy 1.7.1。
[0071]
图2和图3给出了不同用户坐标下统计信道状态信息的归一化均方误差(normalized mean square error，nmse)，其中图2的用户坐标为(x,2,0)m,x∈[20,25]，图3的用户坐标为(23,y,0)m,y∈[-2.5,2.5]。归一化均方误差定义为：
[0072][0073][0074][0075]
其中，统计信道状态信息的真实值为和统计信道状态信息的估计值为χk、κk和a
r,k
。由图2和图3可知，统计信道状态信息的归一化均方误差均在0.1以下，估计值的准确程度较高。
[0076]
图4给出了不同可重构智能表面配置对系统性能的影响，其中系统性能指标定义为
[0077][0078]
其中j＝j＝1，即3个用户分在同一组。该性能指标表征用户分组中最低的下行用户平均接收速率。当基于统计信道状态信息估计值χk、kk和a
r,k
确定可重构智能表面配置φjwireless communications,2021,28(2):136-43.
[0089]
[10]kundu n k,mckay m r.large intelligent surfaces with channel estimation overhead:achievable rate and optimal configuration[j].ieee wireless communications letters,2021,10(5):986-990.
[0090]
[11]akdim n,manch
ó
n c n,benjillali m,et al.variational hierarchical posterior matching for mmwave wireless channels online learning；proceedings of the 2020 ieee 21st international workshop on signal processing advances in wireless communications(spawc),atlanta,georgia,usa,f 26-29 may 2020,2020[c].ieee.
[0091]
[12]qi c,chen k,dobre o a,et al.hierarchical codebook-based multiuser beamtraining for millimeter wave massive mimo[j].ieee transactions on wirelesscommunications,2020,19(12):8142-8152。