![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于改进DnCNN的RIS辅助毫米波系统信道估计.pdf
《基于改进DnCNN的RIS辅助毫米波系统信道估计.pdf》由会员分享,可在线阅读,更多相关《基于改进DnCNN的RIS辅助毫米波系统信道估计.pdf(8页珍藏版)》请在咨信网上搜索。
1、“RIS辅助的通感一体化”专题1基于改进DnCNN的RIS辅助毫米波系统信道估计吴颖,刘紫燕*(贵州大学大数据与信息工程学院,贵州贵阳550 0 2 5)【摘要】RIS是第六代移动通信系统中潜在的候选技术之一。然而,由于无源的RIS缺乏信号处理能力,这给RIS辅助毫米波大规模MIMO系统的信道估计带来了挑战。为了获得更精确的信道状态信息,将信道估计转化为图像去噪问题,提出改进的DnCNN来完成信道估计任务。具体地,采用LMMSE对信道进行粗估计。融合注意力机制网络和噪声水平估计子网络对DnCNN进行改进,以提高网络对噪声的提取性能和自适应性能,实现从信道的粗估计中得到高精度信道估计值。仿真实验
2、表明,所提算法在低信噪比下具有较好的估计性能。【关键词】信道估计;RIS;去噪卷积神经网络;mmWave;注意力机制doi:10.3969/j.issn.1006-1010.20231129-0001中图分类号:TN92文献标志码:A文章编号:10 0 6-10 10(2 0 2 4)0 4-0 0 8 6-0 8引用格式:吴颗,刘紫燕。基于改进DnCNN的RIS辅助毫米波系统信道估计.移动通信,2 0 2 4,48(4):8 6-93.WU Ying,LIU Ziyan.Channel Estimation for RIS-assisted Millimeter Wave System Ba
3、sed on Improved DnCNNJJ.Mobile Communications,2024,48(4):86-93.OSID:扫描二维码与作者交流Channel Estimation for RIS-assisted Millimeter Wave System Based on DnCNNWUYing,LIU Ziyan(College of Big Data and Information Engineering,Guizhou University,Guiyang 550025,China)AbstractKeywords0引言近年来,可重构智能表面(RIS,Reconfigu
4、rableIntelligentSurface)的提出在无线通信领域得到较大的关注,其能够增强无线通信系统频谱和能量效率,被认为是第六代移动通信的关键技术之一。RIS是由许多低成本无源反射元件组成的平坦表面,每个元件可以独立地对输入信号施加所需的幅度或相位变化2-1。RIS辅助收稿日期:2 0 2 3-11-2 9*基金项目:贵州省联合资金资助项目“基于深度学习的行人重识别关键技术研究”(黔科合LH字2 0 17 7 2 2 6 号)*通信作者86移动通信2024年4月第4期Reconfigurable intelligent surface(RIS)is one of the potenti
5、al candidate technologies for sixth-generation wirelesscommunication system.However,due to the passive nature of RIs lacking signal processing capability,it poseschallenges to channel estimation in RIS-assisted millimeter wave(mmWave)multiple-input multiple-output(MIMO)systems.To obtain more accurat
6、e channel state information,the channel estimation is transformed into an imagedenoising problem,and an improved denoising convolutional neural network(DnCNN)is proposed to complete thechannel estimation task.Specifically,the linear minimum mean squared error(LMMSE)method is used to estimatethe chan
7、nel coarsely.The DnCNN is improved by fusing the attention mechanism network and noise level estimationsub-network to enhance the networks performance on noise extraction and its adaptive performance to noise and toachieve high-precision channel estimation from the coarse one.Simulation experiments
8、demonstrate that the proposedalgorithm exhibits a good estimation performance at low signal-to-noise ratios.channel estimation;RIS;denoising convolutional neural network;mmWave;attention mechanism的毫米波大规模多输入多输出(MIMO,Multiple-InputMultiple-Output)系统可调整通信的无线传播环境,当用户设备(UE,U s e r Eq u i p m e n t)与基站(BS
9、,Ba s eStation)之间的直接通信受阻时,RIS智能地配置信号的传输路径,保证了发送者和接收者之间的有效通信4-5。此外,由于只反射电磁波无需专用的射频链路,采用RIS辅助的无线通信系统具有可扩展和低能耗等性能0 。事实上,准确的信道状态信息(CSI,Channel StateInformation)对于RIS实现上述功能以及UE与BS之间的高效通信至关重要。然而,由于级联信道的高维特性,提高信道估计精度和降低导频开销变得困难。因此,许多研究者提出了多种信道估计方法。考虑级联信道在虚第48 卷总第52 4期吴颖,刘紫燕:基于改进DnCNN的RIS辅助毫米波系统信道估计拟角域的双结构稀
10、疏性,文献 7 提出了一种基于双结构正交匹配追踪(DS-OMP,Double-Structured OrthogonalMatchingPursuit)的级联信道估计方法,降低了导频开销。然而,使用OMP算法来完成信道估计任务精度较差。文献 8 提出了一种基于深度压缩感知(DCS,DeepCompressed Sensing)和U-Net 的信道估计算法。文献 9 提出了一种基于多任务学习的信道估计方法,其中直接信道和级联信道的估计由两个顶层独立并行,底层共享权值和参数的网络完成。但上述两种算法都没有直接考虑噪声影响。文献 10 中,为了从含噪导频观测矩阵中恢复信道矩阵,作者提出了一种基于数据
11、驱动的深度残差学习的信道估计框架。该框架利用卷积神经网络(CNN,ConvolutionalNeuralNetwork)来提高信道估计精度。文献 11利用信道的双时间尺度特性,提出了一种三阶段联合信道分解和预测框架。在第一阶段,估计了BS端特定的全双工天线和RIS之间的信道。在第二和第三阶段,作者设计了一个神经网络框架来同时执行信道分解和预测。但是,其在计算复杂度和估计精度之间没有得到较好的平衡。文献 12 提出了一种基于天线域和时域信道外推的信道估计器,其利用递归神经网络和神经常微分方程构造时域外推网络,利用前馈神经网络构建天线域外推网络。然而,文献 12 的估计精度受到采样率的限制,当采样
12、率较低时,算法的估计精度较低。与最小二乘(LS,LeastSquares)13和最小均方误差(M M SE,M i n i mu m M e a n Sq u a r e Er r o r)14等传统信道估计方法相比,基于压缩感知 15和深度学习的信道估计方案具有更好的性能。近年来,深度学习技术在解决通信系统中信号检测【16、预编码17、资源分配【18 等问题上展现出较好的性能,为通信系统的研究提供了新的方向。在RIS辅助毫米波大规模MIMO通信系统中,RIS带来的预期性能增益依赖于准确的CSI,这使得对系统信道进行估计变得更加重要。而基于导频的信道估计本质上是去噪问题,利用深度学习来解决信道
13、估计问题时,信道矩阵被视为二维图像 2 0。考虑到图像去噪与信道估计之间的相似性,本文将信道估计转化为图像去噪问题。在基于深度学习的图像去噪算法中,去噪卷积神经网络(DnCNN,Denoising Convolutional Neural Network)具有结构简单、收敛速度快、去噪性能好等优点被广泛使用。因此,本文以DnCNN为基础构建信道估计网络,融合注意力机制模块和噪声水平估计子网络改进DnCNN,提高网络的估计精度及收敛速度。本文的主要贡献可以概括如下:(1)采用线性最小均方误差(LMMSE,Li n e a rMinimumMeanSquared Error)对信道进行粗估计,将信
14、道估计转化为图像去噪问题,充分考虑系统受噪声的影响。(2)引人注意力机制模块,利用注意机制能够从大量信息中提取有用信息的优势,提高网络的去噪效率,以获得高精度的信道矩阵估计值。(3)采用全卷积网络(FCN,FullConvolutionalNetwork)构建噪声水平估计子网络,加快去噪网络的收敛速度。文中使用的主要符号及其含义汇总于表1:表1符号及其含义列表符号含义MBS的天线数NRIS反射元件的数量K用户数G/hkRIS到BS的信道矩阵、第k个用户到RIS的信道矩阵a/p/e路径增益、方位角、仰角RIS反射系数矢量、RIS反射系数矩阵BI子顿数量、子顿时隙数a/d载波波长、天线间距1系统模
15、型1.1通道模型考虑在时分双工(TDD,T i m e-D i v i s i o n D u p l e x)模式下,由BS、RI S和K个用户组成的RIS辅助的上行毫米波大规模MIMO通信系统,如图1所示。RIS配备了N个被动反射元件,以保证BS和UE之间的有效通信。BS端部署M个均匀平面阵列天线,与K个单天线用户通信。通过改变RIS的反射矩阵系数,可以调整信号的幅度和相位。假设直接链路被障碍物遮挡,只考虑由UE到RIS再到BS组成的级联信道。在TDD系统中,上下行链路之间具有互易性,因此下行链路的CSI可以由上行链路的CSI得到。定义G和hk分别表示从RIS到BS和从第k个用户到RIS的
16、信道,其中GeCMx,h.C。U.:BSUk图1系统模型本文采用Saleh-Valenzuela信道模型,因此G被表示为:移动通信2024年4月第4期87RIShi第48 卷“RIS辅助的通感一体化”专题总第52 4期G=(1)LG=其中LG表示RIS与BS之间的路径数,是RIS与BS之间的第li条路径的增益。e()和e(o)分别表示RIS处的仰角(方位角)和BS处的仰角(方位角)。一般来说,RIS和BS的位置都是固定的,所以所有用户使用相同的G。类似地,RIS和第k个用户之间的信道h被表示为:设H,=Gdiag(h)eCMN表示从第k个UE到BS的级联信道。因此,式(5)被改写为:(6)经过
17、Q个时隙,BS端接收到的信号如式(7)所示:Y,=HV.st+N,(7)k=1VL其中L表示第k个用户到RIS的路径数。是第k个用户到RIS的第l,条路径的增益。(f)为RIS的仰角(方位角)。a(o,0)=CM表示天线归一化阵列导向向量。均匀平面阵列天线的导向向量由文献 7 给出:(3)其中n=0,.,N,-,,n,=0,.,N,-1。d 表示天线距离,入表示载波波长,一般情况下,天线间距设为波长的一半,即d=入/2。表示克罗内克积。图2 所示为信道估计协议和帧结构,信号数据流包含用于信道估计的导频数据和用于数据传输信息数据。导频数据流由B个子帧组成,每个子帧包含Q个时隙。信道估计B个子帧0
18、个时隙图2 信道估计结构因此,在第b个子顿的第q个时隙中,BS端接收到第k个用户发送的信号yb.。被表示为:Jha=GY,hasia+nha表示第b个子帧中RIS元件的反射系数矩阵,其在一个子顿内保持不变。另外,根据RIS的控制特性,反射矩阵Y,为对角矩阵,其中=2 ec。,表示第n个RIS元件的控制数据,其表达式为y,=,ei,包含幅度,和相位,两个可调参数。sh。是传输导频符号,mb是均值为零方差为8 的高斯噪声。1.2问题描述为了获得完美的CSI,需要估计级联信道。根据公式Gdiag(y,)h=Gdiag(h)Vb,式(4)可化简为:Jh,=Gdliag(h)w.sia+n.,88移动通
19、信2024年4月第4期(2)数据传输(4)(5)任意两个不同用户之间的导频是正交的,即当时,ss=0;当i=j,s s =1。在接收到所有用户的导频信号后,将式(7)乘以s得到第k个用户发送的信号。因此,式(7)被简化为:Zb.k=H,Vb+Xb.k其中 zo=Y,seCMl,xk=N,seCMx。经过 B个子顿后,BS端接收到的信号为:Zk=H.Y+Xk对于式(9),需要根据已知的导频接收信号Z.恢复得到未知的信道矩阵Hk。将导频接收信号和信道矩阵视为二维图像,基于深度学习的信道估计方法可以被描述为式(10)所示:H=5(Z;.)其中H为信道矩阵的估计值,Z为已知的导频接收信号,与是基于深度
20、学习的信道估计模型,是模型参数。而在计算机视觉领域,基于深度学习的图像去噪可以被描述为式(11):g=s(f:0.)其中8 为干净图像的预测值,f表示含噪图像,是基于深度学习的图像去噪模型,Q2是模型参数。对比式(10)和式(11),其基本形式一致,即可以采用基于深度学习的去噪网络得到信道估计矩阵。2基于改进DnCNN的信道估计2.1 LMMSE预估计器将信道估计视为图像去噪问题,利用基于深度学习的图像去噪网络可以恢复出信道矩阵。若直接将导频接收信号Z作为网络输入,网络输出作为恢复出的信道矩阵Hk,网络的输人输出大小不一致。因此,本文提出的信道估计方案中采用传统算法获取信道矩阵的粗估计值H,作
21、为网络的输人。在传统的信道估计算法中,LS算法忽略了噪声的影响,MMSE算法只适用于高信噪比(SNR,Signal-Noise Ratio)场景 2 1,并且其需要获得信道的先验概率密度函数,计算过程较为复杂 9。然而,与LS和MMSE不同的是,LMMSE算法是对MMSE算法的进一步优化,在低信噪比环境下能获得较好的估计精度。因此,将LMMSE(8)(9)(10)(11)第48 卷总第52 4期吴颖,刘紫燕:基于改进DnCNN的RIS辅助毫米波系统信道估计算法作为信道矩阵预估计器来获取信道的粗估计值。LMMSE算法将实际信道矩阵H,与信道估计矩阵H之间的均方误差(MSE,M e a n Sq
22、u a r e d Er r o r)作为代价函数,通过最小化均方误差得到信道矩阵 2。H,与H之间的MSE如式(12)所示:MSE=E(H,-,)(H,-H,)假设H,=AZ,A 为权重矩阵,代价函数J被表示为式(13)所示:J=E(H-AZ,)(H,-AZ)=E(H,-ZA)(H,-AZ.)=E(H,H-H,ZA-AZ,H-AZ,ZA)为了使代价函数J得到最小值,求出J关于A的偏导数并令其为零:(14)A=EH,Z,(Ez,Z)(15)由上述推导,利用LMMSE算法得到信道粗估计矩阵H,表达式如下:H,=Z.(rR.+Mo1.)yRn其中R=EHH为信道统计相关矩阵。信道粗估计矩阵i与真实
23、信道矩阵H之间存在误差CLMMSE,记为:(17)为了进一步提高信道估计精度,将误差ELMMsE视为噪声X,LM M SE算法的估计结果H,作为信道的粗估计,将信道估计视为图像去噪问题。因此,信道估计模型被表示为式(18):H,=H,+Xk其中信道的粗估计H,被视为含噪图像,真实信道矩阵Hk被视为干净图像。为了得到真实信道Hk,采用DnCNN网络,从粗估计值H,中提取并去除噪声,得到最终的(12)信道矩阵估计值。2.2 DnCNNDnCNN/23是图像去噪的经典网络之一,它由端到端卷积神经网络构成。其网络结构如图3所示,DnCNN的输(13)入是含噪图像,输出是与输人图像大小相同的残差图像,通
24、过残差公式可得到干净的图像。DnCNN的第一层由卷积(Co n v,Co n v o l u t i o n)操作和ReLU激活函数组成。网络的中间层包含几个相同的层,由Conv、批量归一化(BN,BatchNormalization)和ReLU激活函数组成。最后,使用卷积层重建输出以确保其与输入大小匹配。当输人为含有高斯噪声的灰度图像时,DnCNN的网络深度为17。然而,利用DnCNN解决信道估计存在两个主要问题:(1)DnCNN只能处理实数,而信道估计需要处理复数;(16)(2)D n C NN中间层较多,这使得网络的计算量和参数量较大。为解决上述问题,本文对DnCNN进行改进,使其适用于
25、信道估计,并能获得较好的估计性能。2.3改进的DnCNN信道估计网络如图4所示,所提信道估计方案包括两部分:LMMSE预估计器和改进的DnCNN信道估计器。其中,改进的DnCNN信道估计器包括由全卷积网络组成的噪声水平估计子网络和噪声提取网络两部分。(18)含噪图像残差图像图3DnCNN网络结构LMMSEZAUOOH噪声提取网络噪声水平估计子网络图4改进的DnCNN信道估计网络结构移动通信2024年4月第4期89第48 卷“RIS辅助的通感一体化”专题总第52 4期针对原DnCNN网络不能处理复数的问题,改进的DnCNN网络中将复数矩阵的实部和虚部分开,作为两通道图像处理,即网络的输入为Re(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 DnCNN RIS 辅助 毫米波 系统 信道 估计
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。