基于稀疏度自适应的RIS辅助无线通信系统信道估计.pdf

“RIS辅助的通感一体化”专题1基于稀疏度自适应的RIS辅助无线通信系统信道估计张馨宇12，杜江12，胡斐1-2（1.成都信息工程大学通信工程学院，四川成都6 10 0 0 0；2.气象信息与信号处理四川省高校重点实验室，四川成都6 10 0 0 0）【摘要】对于RIS辅助的无线通信系统中信道估计算法的研究，提出了DS-SAMP算法，与已有的DS-OMP算法相比，DS-SAMP算法应用毫米波信道在角度域的双结构稀疏性，采用SAMP算法进行信号恢复，通过设置合理的步长和阈值使得在运行过程中不需要稀疏度等先验条件，扩宽算法的应用范围。仿真结果显示，DS-SAMP算法能在稀疏度未知的条件下将信号稳定恢复，完成相应信道估计，有显著优势。【关键词】RIS；信道估计；SAMP；双结构稀疏doi:10.3969/j.issn.1006-1010.20231227-0003中图分类号：TN929.5文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 4-0 10 0-0 5引用格式：张馨宇,杜江,胡斐.基于稀疏度自适应的RIS辅助无线通信系统信道估计.移动通信,2 0 2 4,48(4)：10 0-10 4.ZHANG Xinyu,DU Jiang,HU Fei.Channel Estimation of RIS-assisted Wireless Communication System Based on Sparsity AdaptiveJJ.Mobile Communications,2024,48(4):100-104.Channel Estimation of RIS-assisted Wireless Communication System Based2.Meteorological Information and Signal Processing Key Laboratory of Sichuan Education Institutes,Chengdu 610000,China)AbstractFor the research on channel estimation algorithms for reconfigurable intelligent surface(RIS)-assisted wirelesscommunication system,double structured sparse adaptive matching pursuit(DS-SAMP)algorithm is proposed.Compared with the existing DS-OMP algorithm,DS-SAMP algorithm leverages the dual structure sparsity inthe angular domain of millimeter wave channels,where the SAMP algorithm is used for signal recovery.Bysetting reasonable step size and threshold value,the prior conditions such as sparsity are not required in therunning process,and the application scope of the algorithm is expanded.The simulation results show that theDS-SAMP algorithm can steadily recover the signal and complete the corresponding channel estimation underthe condition of unknown sparsity,demonstrating significant advantages of the proposed algorithm.Keywords RIS;channel estimation;SAMP;double-structured sparsityOSID:on Sparsity AdaptiveZHANG Xinyu*,DU Jiang,HU Fei-(1.Chengdu University of Information Technology,Chengdu 610000,China;扫描二维码与作者交流0引言近年来，随着通信技术的不断发展，第五代移动通信技术已经在我国基本实现全覆盖，给增强型移动宽带（e M BB）、海量机器通信（mMTC）、超高可靠低时延通信（URLLC）三大5G应用场景提供了技术支持。而在实际的应用中，高复杂度、高能耗、高硬件开销以及毫米波绕射能力差的问题仍巫需解决。同时，对于6 G全覆盖、全频谱、全应用、强安全的目标与愿景，越来越收稿日期：2 0 2 3-12-2 7100移动通信2024年4月第4期多的学者投人到对可重构智能表面（RIS，Re c o n f i g u r a b l eIntelligentSurface）技术的研究。和中继通信、反向散射通信等现有技术对比，可重构智能表面的主要特点和优势如下：一、构成RIS的近似无源的反射元器件 3仅被动反射信号，无需进行信号处理，避免了热噪声的引入，同时也大大降低了系统的能耗；二、成本低廉，易于部署。三、可工作于全双工模式，没有自干扰，适应于实际工程应用。因此RIS被公认为是6 G的关键技术 4。但是RIS的应用也存在一些挑战，由于RIS的元件都是无源器件，不能发射、接收或处理任何导频信号 5，因此对于如何对这样的第48 卷总第52 4期张馨宇，杜江，胡斐：基于稀疏度自适应的RIS辅助无线通信系统信道估计信道进行信道估计是一大难点。目前，已有学者在这一领域进行了大量研究。文献 6 的作者提出了一种新的基于三相导频的信道估计框架，用于RIS辅助上行多用户通信。文献 7 讨论了RIS集成到无线网络中的三个基本物理层挑战，即信道状态信息获取、被动信息传输和低复杂性鲁棒系统设计。文献 8 中提出了一种适用于RIS辅助无线通信系统的信道估计方案。L.Dai在文献 9 里提出了一种降维信道反馈方案，以减少信道反馈开销。Q.Wu等在文献 10 中研究了一种智能反射面（IRS）辅助雷达通信（a d c o m）系统，实现对通信用户的服务和对目标的跟踪。1系统模型假设一个通信系统由如图1所示的元素构成，其中基站处有M根天线，RIS处是有N个天线的均匀平面阵列。基站与K个单天线用户之间的视距链路ha受到树木等遮挡物的阻塞，因此通信只能通过基站和RIS之间的信道GeCMxN和RIS与用户之间的信道hECNx来进行。采用Saleh-Valenzuela信道建模模型，信道G和信道hrk可分别表示为：G=L台h=其中Lc表示BS和RIS之间的路径数量，、e（g）和（）分别是由路径损耗产生的在i路径上的复增益、BS处的方位角仰角和RIS处的方位角仰角。e（）分别表示由路径损耗导致的在12 路径上的复增益、RIS 的方位角和仰角。a(0,p)CNI和 b(0,p)CM分别为接收、发射阵列响应向量。RISG1.,2,MHhdBS图1通信系统模型假设RIS为一个N=N,N,的平面，则天线阵列响应a(0,g)为:-j2dsin(0)cos(0)a(0,0):C其中n和n分别为0 N-1和0 N-1的列向量，表示载波波长，d的值一般取d=2第k个用户与RIS和基站之间的级联信道可以表示为：H,=Gdiag(hr,)(4)通过虚拟角域分解，H，可以由字典酉矩阵表示为：H,=ARHA,H=ARHAr(5)在信号传输过程中采用正交导频传输策略 16，即2%二0，假设所有用户都在0 个时隙上传输信号，那么在第q(q=1,2)个时隙，级联信道上的接收信号y可以由以下式子表示：yk.a=H,e,s.a+wr.a所有导频符号在Q个时隙上完成传输后，得到大小为MQ测量矩阵为Y=k.,Jk.，假设导频信号SK=1，可得到：Y.=H,O+W其中，=,W,=w.,w.。在进行信道估计的算法中，设=(UO)和W,=(UW)分别为传感矩阵和噪声矩阵，则根据压缩感知相关理论结合式(3)可得：Y,-OH!+W(8)(1)通过这种方法，将级联信道的信道估计问题简化为利用压缩感知相关理论在角度域进行信号重构的问题。(2)2角域级联下信道稀疏性分析角域级联信道可以进一步表示为17：i.=MN根据式(9)可以推导出每一个完整的全反射路径(1,2)可以为信道矩阵H,提供一个非零元素，它的行指数和列指数分别由(e,9）和(e%+，0+）得到。除此之外，信道G对于所有用户都是公用的，所以信道矩阵(的非零行与用户序号无关，而不同的用户借助于RIS与BS传送信息时，会共用一部分RIS到用户的公共h路径。因此令L(L。L，Vk)代表(h)中的公共路径数，则对任意1,总是存在(0%-0%,0%-0%)被(),共有。即对任意一个非零行(=1,2,L)，()有L。个公共User非零列。这种角域级联信道的双结构稀疏性可以分别从行和列的角度总结如下：行结构稀疏：Q,=Q,=.=Q,=Q,其中Q，代表在角度域的级联信道中非零行的集合，其元-j2ndsin(0)素个数和行稀疏度L。相等。2,代表()的完全公共行(3)e元支撑集，其中元素个数等于Q2。(6)(7)(9)(10)移动通信2024年4月第4期101第48 卷“RIS辅助的通感一体化”专题1总第52 4期部分列结构稀疏：其中Q表示在角域级联信道中第1个非零行上的非零列的集合，其中的元素个数和列稀疏度Lk相等。Q2cm为角域级联信道(）第1个非零行上完全公共非零列支撑集，元素个数用L。表示，分析式子(9)可以得到，由RIS辅助的角域级联信道()同一非零行上不同用户拥有L。个公共非零列。3稀疏度自适应的RIS辅助无线通信系统信道估计文献 13中针对RIS辅助的无线通信系统，提出了DS-OMP算法，利用信道矩阵变换到角域之后的双结构稀疏性来进行信道估计，减少导频开销，使得RIS辅助的无线通信系统在进行信道估计时效率更高，但该算法依赖于行稀疏度LG、列稀疏度Lrk等先验条件，有一定限制，另外OMP算法得到的结果无法保证每一次结论均是全局最优解降低了该算法的实用性 8。本文在DS-OMP算法的基础上，提出 DS-SAMP(Double Structured-Sparse Adaptive MatchingPursuit）算法，在稀疏度未知的情况下进行信号的复原 19，同时结合了SP算法 2 0 当中的回溯思想，能够让每一阶段对于原子的选择更加准确。下面介绍整个算法的具体流程。算法1是整个算法运算过程的总流程。首先根据角域级联信道的行结构稀疏性应用算法2 进行公共行支撑集2，估计，其中,有Lc个非零行。然后，对于第1个非零行应用 DS-SAMP算法进行部分公共列支撑集(Q)20S=1)k=l的估计。最后，对于每个用户k的特定公共列支撑进行估计。算法1：基于DS-SAMP的级联信道估计输人：测量矩阵，传感矩阵初始化：估计的级联信道（）1阶段一：运行算法2 对公共非零行支撑集，进行估计，同时对行稀疏度L。进行估计；2.阶段二：运行算法3根据阶段一得到的2,和L进行对公共非零列支撑集（Q）20=1)k=l的估计；3.林根据估计的公共非零列支撑集Q完=非零列支撑集ocm2001=1)k=1的估计；4.for =1,2,Lc do5.for k=1,2,K do6.H1(,2,()=0(,2*)(,2,()7.end forend for8.H,=UMH,Un,k=1,2,.,K输出：估计的级联信道矩阵H，k 为任意值算法2 主要应用SAMP算法来得到公共非零行支撑(11)集和行稀疏度。SAMP算法同时参考了STOMP和SP算法的原理，相比于其他贪婪算法，SAMP算法最大的特点就是它能够在信号稀疏度未知的情况下精确地重建信号141，为了弥补这一条件的缺少，SAMP算法结合回溯的思想，在一个阶段内多次进行原子的回溯筛选，增加该阶段内原子选择的准确性，对比文献 13默认行稀疏度为已知条件，本文可以不用预先知道行稀疏度而使用值作为筛选条件，使得算法更具有广泛应用性。算法2：完全公共行支撑集估计输人：(）传感矩阵白；初始化：g=0mx，残差=y，阈值，步长D，支撑集2,=，支撑集大小L=D，送代次t=1；1.计算y选出数值大小排名前L项的所有角标，添加到集合，计算出候选集C,=g,UQ,;2.计算,以，挑选数值大小排名前L项的所有角标，添加到,，并求出残差r=y-0,%y;3.判断是否达到选代停止的条件-r-l，如果达到，则送代停止，输出r，如果未达到，进入步骤4；4.判断是否满足lr-ll，若满足，执行5，否则执行6；5.进入下一阶段，更新支撑集，的大小L=L+D，选代次数t=t+1;6.更新支撑集,=Q，残差r=r,t=t+1输出：估计的公共非零行支撑集，估计的行稀疏度L。完成算法2 后还需要借助于算法2 所得到的Q,应用相同步骤，结合SAMP算法完成对公共列支撑集 2)的估计，得到公共列支撑集后，再由以上步骤完成每个用户特定的Lr，k 一L个用户特定列支撑集信道估计。4仿真结果及分析本文仿真实验中设置BS处的天线数为M=64(M,=8，Mz=8)，RI S处的元件数量为N=256(N,=16，N,=16)，用户数量为K=16。RI S和基站之间的通道数为Lc=5，第kC完成对完全个用户到RIS的路径数设置为Lk=8。采用标准化均方误差值作为性能好坏的衡量标准。图2 仿真了在L=6情况下四种不同算法的NMSE值随导频数量变化的曲线，由图2 可知，随导频数量的增加，四种方案的性能都得到了显著提升，其中OracleLS算法为理论最优值 15，对比DS-OMP算法和本文的DS-SAMP算法可以得到，当导频数量达到48 时，本文算法才能达到与DS-OMP算法一致的效果，分析可知在未知稀疏度，导频数量小的情况下本文算法稍有劣势，但是当导频数量达到48 之后两102移动通信2024年4月第4期第48 卷总第52 4期张馨宇，杜江，胡斐：基于稀疏度自适应的RIS辅助无线通信系统信道估计移动通信个算法效果基本一致，而本文算法能够在未知稀疏度等先验条件下运行，相比于文献 13，有更广泛的应用范围，更具有普适性。而对比文献 12 中RSS-OMP算法，DS-SAMP算法一直有较好的表现，由此可见应用毫米波信道角域的双结构稀疏性确能提升性能。-5-1015-20-2532图3仿真了在L=6时，四种算法的NMSE值随SNR变化的曲线图，四种算法的变化趋势与图2 基本一致，当信噪比为-5 5dB这一区间时，本文算法对比DS-OMP仅有1dB左右劣势，而信噪比达2 0 dB时，本文算法略有0.7 5dB提升，分析为回溯步骤带来的性能提升，同时本文算法性能一直稳定优于文献中的RSS-OMP算法。由此可见，本文所提DS-SAMP算法总结了DS-OMP算法的优势，同时对于DS-OMP算法需要稀疏度等先验条件进行改进，使得算法运行时能够自适应级联信道的稀疏度，扩大算法的适用范围，有显著优势。-5-10-15-20-25-30-35-40-45-50-55结束语RIS在增强信号覆盖范围、干扰消除、通感一体化方面有很大的应用潜力，但在通信系统中引人RIS之后信道估计的难度也有一定提升。本文在文献 13的基础上提出DS-SAMP算法，通过设置步长和合理的阈值对数据进行处理，使得稀疏度能够达到自适应，算法应用范围-Oracle LSRSS-OMP-DS-OMP-DS-SAMP4864导频数量图2NMSE值随导频数量变化曲线05SNR/dB图3NMSE值随SNR变化曲线更广。仿真结果表明，借助级联信道中双结构稀疏性能有效减少导频开销，本文算法对比DS-OMP算法性能在前期略微劣势，但是随着导频数量和SNR值的增加也表现出0.7 5到1dB的性能提升，结合本文算法不需要稀疏度等先验条件，因此认为本文所提出算法增加算法的普适性且性能有一定提升。参考文献：1 王江.浅谈5G通信技术应用场景及关键技术.计算机产品与流通,2 0 19(12):6 4.8096DS-SAMP1015112-Oracle LSRSS-OMPDS-OMP20251282 3 Renzo M D,Ntontin K,Song J,et al.Reconfigurable IntelligentSurfaces vs.Relaying:Differences,Similarities,and PerformanceComparisonJ.IEEE Open Journal of the Communications Society,2020(1):798-807.4Renzo M D,Zappone A,Debbah M,et al.Smart RadioEnvironments Empowered by Reconfigurable Intelligent Surfaces:How it Works,State of Research,and Road AheadJ.IEEE Journalon Selected Areas in Communications,2020,38(11):2450-2525.5 Wang J,Liang Y C,Yuan X,et al.Joint Beamforming andReconfigurable Intelligent Surface Design for Two-Way RelayNetworksJ.IEEE Access,2020,8:45913-45923.6Wang Z,Liu L,Cui S.Channel Estimation for Intelligent ReflectingSurface Assisted Multiuser Communications:Framework,Algorithms,and AnalysisJJ.IEEE Transactions on WirelessCommunications,2020,19(10):6607-6620.7Yuan X,Zhang Y J A,Shi Y,et al.Reconfigurable-Intelligent-Surface Empowered Wireless Communications:Challengesand OpportunitiesJ.IEEE Wireless Communications,2021,28(2):136-143.8 Mao Z,Peng M,Liu X.Channel estimation for reconfigurableintelligent surface assisted wireless communication systems inmobility scenariosJJ.China Communications,2021,18(3):29-38.9 Shen D,Dai L.Dimension Reduced Channel Feedbackfor Reconfigurable Intelligent Surface Aided WirelessCommunicationsJ.IEEE Transactions on Communications,2021,69(11):7748-7760.10 Hua M,Wu Q,He C,et al.Joint Active and Passive BeamformingDesign for IRS-Aided Radar-CommunicationJJ.IEEE Transactionson Wireless Communications,2023,22(4):2278-2294.1l Hu C,Dai L,Mir T,et al.Super-resolution channel estimation for103Wu Q,Zhang R.Beamforming Optimization for WirelessNetwork Aided by Intelligent Reflecting Surface With DiscretePhase ShiftsJ.IEEE Transactions on Communications,2020,68(3):1838-1851.2024年4月第4期第48 卷“RIS辅助的通感一体化”专题总第52 4期mmWave massive MIMO with hybrid precodingJJ.IEEE Trans.作者简介Veh.Technol.,2018,67(9):8954-8958.12 Chen J,Liang Y-C,Victor Cheng H,et al.Channel estimationfor reconfigurable intelligent surface aided multi-user MIMOsystems.arXiv:1912.03619,2019.13 Wei X,Shen D,Dai L,et al.Channel Estimation for RIS AssistedWireless CommunicationsPart II:An Improved Solution Basedon Double-Structured SparsityJJ.IEEE Communications Letters,2021,25(5):1403-1407.14 王平，阮怀林，樊甫华，基于改进SAMP算法的UWB多径信道估计.电子信息对抗技术，2 0 13,2 8(6):2 3-2 8.15Wang P,Fang J,Duan H,et al.Compressed Channel Estimation forIntelligent Reflecting Surface-Assisted Millimeter Wave SystemsJ.IEEE Signal Processing Letters,2020,27:905-909.16 Guo S,Ye J,Zhang P,et al.Differential Reflecting Modulation forReconfigurable Intelligent Surface-Based CommunicationsJ.IEEECommunications Letters,2020,25(3):907-910.17Gao Z,Dai L,Wang Z,et al.Spatially Common Sparsity BasedAdaptive Channel Estimation and Feedback for FDD MassiveMIMOJJ.IEEE Transactions on Signal Processing,2015,63(23):6169-6183.18 Cao Y,Lv T,Ni W.Intelligent Reflecting Surface Aided Multi-UsermmWave Communications for Coverage EnhancementCJ/2020IEEE 31st Annual International Symposium on Personal,Indoor andMobile Radio Communications.London,UK:IEEE,2020.19 Do T T,Gan L,Nguyen N,et al.Sparsity adaptive matching pursuitalgorithm for practical compressed sensingCJ/2008 42nd AsilomarConference on Signals,Systems and Computers,Pacific Grove.CA,USA,2008:581-587.20 Dai O M W.Subspace Pursuit for Compressive Sensing SignalReconstructionJ.IEEE Transactions on Information Theory,2009,55(5):2230-2249.张馨宇：硕士毕业于成都信息工程大学电子信息专业，主要研究方向为RIS辅助的无线通信系统中信道估计算法。（上接第8 5页）9Xu K,Xia X,Li C,et al.Channel Feature Projection Clustering BasedJoint Channel and DoA Estimation for ISAC Massive MIMO OFDMSystemJ.IEEE Transactions on Vehicular Technology,2023.10Wei X,Dai L.Channel Estimation for Extremely Large-ScaleMassive MIMO:Far-Field,Near-Field,or Hybrid-Field?JJ.IEEECommunications Letters,2022,26(1):177-181.11丛嘉艺，李国宇，游昌盛，面向超大规模阵列的近场通信研究 信息通信技术与政策，2 0 2 3,49(9)：52-57.12 罗文宇，马怡乐，邵霞，等.基于大规模可重构智能表面的近远场混合信道模型.电子与信息学报，2 0 2 2,44(11):38 6 6-38 7 3.13 Selvan K T,Janaswamy R.Fraunhofer and Fresnel distances:Unifiedderivation for aperture antennasJ.IEEE Antennas Propag.Mag.,2017,59(4):12-15.14Liu Y,Xu J,Wang Z,et al.Near-field communications:What will bedifferent?Jj.2023,arXiv:2303.04003.15Yang Z,Xie L.Exact joint sparse frequency recovery via optimizationmethodsJ.IEEE Trans.Signal Process.,2016,64(19):5145-5157.16Jirhandeh M J,Hezaveh H,Kahaei M H.Super-Resolution DOAEstimation for Wideband Signals Using Non-Uniform Linear ArraysWith No Focusing Matrixj.IEEE Wireless Communications Letters,2022,11(3):641-644.17Landau H J,Pollak H O.Prolate spheroidal wave functions,Fourieranalysis and uncertaintyl:The dimension of the space of essentiallytime-and band-limited signalsJ.Bell Syst.Techn.J.,1962,41(4):1295-1336.18 Mahata K,Hyder M M.Frequency estimation from arbitrary timesamplesJJ.IEEE Trans.Signal Process.,2016,64(21):5634-5643.19Hezave H,Javadzadeh M,Kahaei M H.Sparse signal reconstructionusing blind super-resolution with arbitrary samplingJ.IEEE SignalProcess.Lett.,2020,27:615-619.20孙蕊蕊，韩瑜，金石，等.低复杂度超大规模MIMO无线传输设计研究.电信科学，2 0 2 3,39(9)：8 7-9 6.21Luo J,Dai B.Joint Line Search and ALS Channel Estimation forIntelligent Reflective Surface Assisted MIMO SystemC/2021 7thInternational Conference on Computer and Communications(ICCC).Chengdu,China,2021:1885-1889.22Cui M,Dai L.Channel estimation for extremely large-scale MIMO:Far-field or near-field?JJ.IEEE Trans.Commun.,2022,70(4):2663-2677.褚宏云：博士，现任西安邮电大学通信与信息工程学院讲师、研究生导师，主要研究方向为超大规模MIMO无线通信系统关键技术。作者简介李旭旭：西安邮电大学通信与信息工程学院在读硕士研究生，主要研究方向为通信感知一体化。杜江：博士后，现任成都信息工程大学硕士研究生导师，研究方向为新一代无线通信技术和通信集成电路芯片设计。潘雪：西安邮电大学通信与信息工程学院在读硕士研究生，主要研究方向为智能超表面信道估计。胡斐：成都信息工程大学在读硕士研究生，主要研究方向为无线通信。李莹华：博士，现任西安邮电大学通信与信息工程学院讲师，主要研究方向为计算机视觉及图像重建。104移动通信2024年4月第4期