[發明專利]一種智能反射面通信系統中信道估計和信道鑒別方法

有效

• 申請號: 202011314490.4
• 申請日: 2020-11-21
• 公開（公告）號: CN112532547B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 鄭曉峰;曹若菡;陸月明;高暉
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04L25/02
• 分類號: H04L25/02
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅文群

1.一種智能反射面場景中的信道估計和信道鑒別方法，其特征在于該方法包括以下步驟：

(1)設定通信系統中有一個基站，該基站有M個天線，一個用戶，該用戶有一個天線，以及一個具有兩個智能反射元素的智能反射面，基站接收到的混合信號包括：用戶發送的信號、用戶發送的信號經過第一智能發射元素反射出的信號以及用戶發送的信號經過第二智能反射元素反射出的信號，基站接收混合信號的過程包括以下步驟：

(1-1)在用戶發送信號的第t個時刻，基站接收到的混合信號為：

其中，1≤t≤T，T為用戶向基站發送數據信號的長度，d為用戶到基站處的信道，g₁和g₂分別為用戶到智能反射面的兩個智能反射元素的信道，g₁和h₁和h₂分別為兩個智能反射元素到基站處的信道，h₁和a為用戶發送的數據信號，w為高斯噪聲列向量，高斯噪聲列向量中的每一個元素都服從高斯分布其中σ²代表高斯噪聲的功率，φ₁(t)和φ₂(t)為兩個智能反射元素在第t個時刻的反射相位，用戶發送的數據信號傳播到智能反射面時，兩個智能反射元素根據Pr{φ_j(t)＝0}＝p_j和Pr{φ_j(t)＝π}＝1-p_j的概率改變信號的相位，同時將信號反射至基站，j＝1，2，Pr{·}表示概率；

(1-2)根據步驟(1-1)，用戶發送的數據信號在第t個時刻經過兩個智能反射元素反射出的信號b₁(t)和b₂(t)分別為：

(1-3)對步驟(1-1)基站接收的混合信號改寫為如下矩陣形式：

y(t)＝[d,h₁g₁,h₂g₂][a(t),b₁(t),b₂(t)]^T+w，

其中，上標T為矩陣轉置；

(1-4)令Y＝[y(1),y(2),…,y(T)],C＝[d,h₁g₁,h₂g₂],S＝[a,b₁,b₂]^T，則在所有時刻1≤t≤T，基站接收混合信號的矩陣表達式為：

Y＝CS+W，

其中，W為高斯噪聲矩陣，上標T為矩陣轉置，h₁g₁和h₂g₂分別表示用戶經過第一智能反射元素到基站的級聯信道和用戶經過第二智能反射元素到基站的級聯信道；

(2)對步驟(1)的混合信號進行單路信號的提取，包括以下步驟：

(2-1)采用信號分離方法，在步驟(1-4)的混合矩陣信號的兩邊乘上一個歸一化的分離向量u：

uY＝uCS+uW；

(2-2)建立一個求解分離向量u的優化函數：

滿足||u||₂＝1，

其中，為優化求解出的分離向量，為從輸入混合信號中提取符號點的算子，為求解輸入信號凸點周長的計算符號，采用牛頓梯度下降算法，求解上述優化函數，得到分離向量u，進而得到第一路提取信號

(3)利用混合信號的幾何性質及降噪算子對步驟(2)的提取信號進行信道估計，包括以下步驟：

(3-1)用表示與步驟(2)提取信號s相對應的信道，按照接收信號矩陣的每一行估計信道向量中對應的元素，定義[·]_m表示輸入矩陣或者向量的第m行，m＝1,…,M，對步驟(1)中基站接收的混合信號矩陣Y＝CS+W進行改寫如下：

[Y]_m＝[R]_m+[c]_ms，

其中，M表示基站天線的個數，R為從全部混合信號矩陣減去本步驟所估信道c與步驟(2)提取信號s的乘積；

(3-2)利用步驟(2-2)的從輸入混合信號中提取符號點的算子建立一個估計信道的優化函數，對步驟(2-2)的第一路提取信號s進行信道估計：

其中，為第一路提取信號s所對應信道中第m個估計出的信道元素，c′為第一路提取信號s所對應信道中第m個待估計信道元素，為第一路提取信號s所對應信道中第m個待估計信道元素可能出現的集合；

(3-3)根據步驟(3-1)中改寫后的基站接收混合信號矩陣，得到混合信號矩陣第m行的符號點表達式為：

其中，[Y]_m為混合信號的矩陣的第m行，為s的符號點，為[R]_m的符號點，[R]_m從全部混合信號矩陣減去本步驟所估信道c與步驟(2)提取信號s的乘積的第m行；

(3-4)從中所有任意選擇兩個不同的符號點相減(y-y′)，得到一個差值集合，該差值集合中包括信道中第m個元素與步驟(2)提取信號s符號點差值的乘積，即[c]_m(z-z′)，進而得到[c]_m的所有可能出現的信道元素的集合如下：

(3-5)遍歷步驟(3-4)中所有可能出現的信道元素的集合使得步驟(3-2)中優化函數凸點周長最短，此時與中對應信道元素即為完成的第m行信道元素的估計

(3-6)遍歷步驟(3-1)的混合信號矩陣的所有行，即m從1到M，估計得到所有行的信道元素，將所有信道元素按照列向量形式排列，得到估計出的信道向量c；

(3-7)從步驟(3-1)的混合信號矩陣減去步驟(3-6)估計的信道向量c乘以步驟(2-2)中提取的信號s；

(4)重復步驟(2)和(3)，直到提取出三路信號和估計出三路信道，此時完成所有的信號提取和所有的信道估計；

(5)利用似然概率算法，對步驟(4)的已完成的提取信號進行身份鑒別，進而完成已估計信道的信道鑒別，具體包括以下步驟：

(5-1)設定用戶發送的數據信號從二進制相移鍵控符號(-1，1)中隨機選擇，即設定基站知道兩個智能反射元素對用戶數據信號的相位保持概率，記第一智能反射元素的相位保持概率為p₁，第一智能反射元素的相位反轉概率為1-p₁，第二智能反射元素的相位保持概率為p₂，第二智能反射元素的相位反轉概率為1-p₂，得到兩個智能反射元素的反射狀態為：

(5-2)設定估計出的三路信號x，y和z分別對應步驟(1-3)中的用戶發送的信號a、用戶發送的信號經過第一智能發射元素反射出的信號b₁以及用戶發送的信號經過第二智能反射元素反射出的信號b₂，則在信號序列x中，信號符號為1的總個數為在信號序列y和z中的信號符號與x中信號符號為1相對應的個數分別為和在信號序列y和z中的信號符號與x中信號符號為-1相對應的個數分別為和

(5-3)在信號序列y和z中的信號符號同時與x中信號符號為1相對應的個數為同時為-1的個數為將以上兩項個數相加，得到在序列y和z中的對應位置相同的概率，即：

將1-p₁-p₂+2p₁p₂記為P₁，進而得到在序列y和z中，對應位置不相同的概率為1-P₁；

(5-4)根據概率論的有序排列理論，三路信號一共出現六組排列順序，不同排序對應的似然概率為：

(5-5)將上述步驟(5-4)的似然概率進行對數函數轉化，分別為：

(5-6)根據步驟(5-2)的設定條件，確定步驟(5-5)中的第一個似然概率為正確信號順序下的似然概率，分別計算步驟(5-5)中第一個式子與另外五個式子差值，分別記為LI₁，LI₂，LI₃，LI₄和LI₅，得到五個關于兩個智能反射元素的相位保持概率p₁和p₂的二元函數，再根據高等數學中求極值的方法確定該二元函數的取值，具體過程分別如下：

對LI₁分別求關于p₁和p₂一階導數：

當p₁＝p₂時，

對LI₁分別求關于p₁和p₂的二階導數及混合二階導數：

當p₁＝p₂時，所以當p₁＝p₂時，LI₁取得最小值0，其他取值情況，LI₁＞0；

對LI₂分別求關于p₁和p₂一階導數：

當時，

對LI₂分別求關于p₁和p₂的二階導數及混合二階導數：

當時，所以當時，LI₂取得最小值0，其他取值情況LI₂＞0；

對LI₃分別求關于p₁和p₂一階導數：

當和時，

對LI₃分別求關于p₁和p₂的二階導數及混合二階導數：

當時，LI₃取得最小值0，其他取值情況LI₃＞0；

對LI₄分別求關于p₁和p₂一階導數：

當時，

對LI₄分別求關于p₁和p₂的二階導數及混合二階導數：

當LI₄取得最小值0，當時，此時LI₄＞0；

對LI₅分別求關于p₁和p₂一階導數：

當時，

對LI₅分別求關于p₁和p₂的二階導數及混合二階導數：

當時，使得LI₅達到最小值0，如果LI₅0；

(5-7)根據步驟(5-6)的五個相減的似然函數，若兩個智能反射元素對用戶數據信號的相位保持概率p₁和p₂，同時滿足0p₁1，0p₂1，p₁≠p₂，則步驟(5-6)中五個相減的似然函數均大于0，即當估計出的三路信號x，y和z分別對應步驟(1-3)中的用戶發送的信號a，用戶發送的信號經過第一智能反射元素反射出的信號b₁和用戶發送的信號經過第二智能反射元素反射出的信號b₂時，似然概率最大，進而根據最大似然概率原則確定信號身份，又因為步驟(3)估計出的信道和步驟(2)提取的信號對應，進而實現信道鑒別，以上步驟實現智能反射面通信系統中信道估計和信道鑒別。

2.如權利要求1所述的信道估計和信道鑒別方法，其特征在于其中利用特征函數性質從混合信號中提取符號點的降噪算子的方法，包括以下步驟：

(1)設定Vⁿ是無噪信號序列，Qⁿ是高斯白噪聲信號序列，Lⁿ是接收到的含有噪聲的混合信號序列，三者滿足Lⁿ＝Vⁿ+Qⁿ，n為序列長度，分別記為L,V,Q，并有L＝V+Q，分別用F_L,F_V,F_Q表示L,V,Q的分布函數，得到無噪信號，高斯白噪聲信號和含有噪聲的混合信號三者特征函數關系：

其中，Φ_F(f)表示對分布函數F取特征函數，f表示頻率向量，高斯噪聲序列Q的分布函數從相關教科書易得，為

(2)根據步驟(1)的特征函數關系，得到無噪信號序列V的分布函數F_V：

其中，Φ^-1(·)表示特征函數的逆運算，將滿足F_V(v)＞0的點v記為無噪序列V的離散符號點

(3)將步驟(1)中的特征函數轉化為下列優化函數：

其中，是待估計無噪信號序列V的特征函數；

(4)根據大數定律，利用接收到有噪信號序列L的量化經驗分布函數Π_L得到有噪序列L分布函數F_L，分布函數F_L的近似表達式如下：

其中，L_i為接收到含有噪聲的混合序列L中的第i個元素，和,分別表示取實部和虛部，1{·}表示指示函數，用于判斷區間，0≤n₁≤N-1，0≤n₂≤N-1，N為經驗分布函數的實部和虛部的量化維度，n₁和n₂分別表示實部和虛部中第n₁個和第n₂個量化區間，得到序列L中實部和虛部中最大的邊界d，則劃分實部和虛部小區間間隔為和表示每個小區間的取值范圍，

(5)根據步驟(4)的量化經驗分布函數Π_L，含有噪聲的混合序列L的特征函數近似表述為：

其中f＝[f_r,f_i]，f_r和f_i分別表示實部和虛部對應的頻率；

(6)將步驟(5)得到的特征函數頻域離散化，得到上述特征函數的頻域量化形式為：

其中，k₁,k₂＝1,…,N_f，N_f表示對頻域的整體采樣個數，為量化經驗分布函數∏_L的DFT形式；

(7)建立一個以頻域的整體采樣個數為矩陣維度的N_f×N_f矩陣L，接收到含有噪聲的混合序列L的特征函數的近似表達式，矩陣L中的第k₁行，第k₂列元素為：

同理，無噪信號序列V的特征函數也能被一個N_f×N_f的矩陣V表示，矩陣第k₁行，第k₂列的元素為：

其中∏_V是關于無噪信號序列V量化的經驗分布函數，和∏_L的得到形式相同，根據DFT的定義，步驟(6)中量化經驗分布函數Π_L的DFT形式進一步轉化為：

其中，[F]_i,j＝exp(-j2π(i-1)(j-1)/N_f)，i＝1,2,…,N，j＝1,2,…,N_f；

(8)利用步驟(7)通過進一步轉化的量化經驗分布函數Π_L的DFT形式，得到矩陣V如下：

V＝R_V⊙{F∏_VF^T}，

其中，R_V為用DFT求量化經驗分布函數Π_V的特征函數過程中的修正，k₁,k₂＝1,…,N_f，⊙代表點乘，根據和得到：

其中，R_Q為特征函數的頻域量化，將上式轉化為求解分布函數F_V優化函數：

其中,為優化出的關于無噪信號序列的分布函數；

(9)采用序列二次規劃算法(簡稱SQP,Sequential Quadratic Programming)求解上述步驟(8)的優化函數，得到優化出的分布函數根據局部極大值方法，找到分布函數的相關符號點，實現利用特征函數性質從接收到的含有噪聲的混合信號序列中提取符號點的降噪算子，并將降噪算子定義為