IRS信道估计方法、装置、设备和存储介质
文献发布时间:2024-04-18 19:53:33
技术领域
本发明涉及无线通信技术领域,尤其涉及一种IRS信道估计方法、装置、设备和存储介质。
背景技术
随着未来网络系统(比如6G)技术的探索和发展,智能反射表面(intelligentreflecting surface,IRS)在毫米波(millimeter wave,mmWave)通信中有了更多的应用,IRS可以将信号传给与基站(base station,BS)直接信道被阻塞的用户,而且其被动传输的特性使其在实际运用中更好实现和维护。
通信过程中信道估计(channel estimation,CE)起着关键的作用,其提供的信道状态信息(channel state information,CSI)会在预编码(precoding)和波束形成(beamforming)中运用到。现在有许多压缩感知(compressed sensing,CS)算法例如稀疏贝叶斯学习(sparse Bayesian learning,SBL)算法,可以实现高精确度的信道估计。但传统的SBL算法计算复杂度极高。
发明内容
针对现有技术存在的问题,本发明提供一种IRS信道估计方法、装置、设备和存储介质。
第一方面,本发明提供一种IRS信道估计方法,包括:
获取接收信号向量和感知矩阵;
使用基于列表的正交匹配追踪OMP算法,在每次迭代中均从所述感知矩阵中选取n组支持列,直至迭代终止,确定最后一次迭代中选取的n组支持列,以及最后一次迭代中选取的n组支持列所分别对应的残差;n为大于或等于1的整数;
基于所述最后一次迭代中选取的n组支持列和所述最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量;基于所述接收信号向量和所述最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数;
基于所述先验向量和所述残余系数,确定初始超参数,并基于所述初始超参数和稀疏贝叶斯学习SBL算法,进行IRS信道估计。
可选地,所述在每次迭代中均从所述感知矩阵中选取n组支持列,包括:
在第一次迭代中,从所述感知矩阵中选取n个对应残差最小的支持列;
在第一次迭代之后的任意一次迭代中,确定所述任意一次迭代的前一次迭代中选取的n组支持列,针对任意一组支持列,从所述感知矩阵中确定对应残差最小的n个支持列,基于所确定的对应残差最小的n个支持列将所述任意一组支持列分支为n组支持列,得到n*n组支持列,然后在所述n*n组支持列中再选取对应残差最小的n组支持列。
可选地,所述从所述感知矩阵中确定对应残差最小的n个支持列,基于所确定的对应残差最小的n个支持列将所述任意一组支持列分支为n组支持列,包括:
根据所述感知矩阵中除所述任意一组支持列以外的其他每个支持列分别对应于所述任意一组支持列的残差,从所述其他每个支持列中确定对应残差最小的n个支持列;
将所述n个支持列中的每个支持列分别与所述任意一组支持列作并集,得到所述任意一组支持列所分支出的n组支持列。
可选地,所述基于所述最后一次迭代中选取的n组支持列和所述最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量,包括:
基于所述最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定先验向量;
其中,所述第一向量是基于所述最后一次迭代中选取的n组支持列所分别对应的残差确定的。
可选地,所述基于所述最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定先验向量,包括:
基于所述最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定初始先验向量;
将所述初始先验向量确定为所述先验向量;或者,对所述初始先验向量进行结构检查,得到所述先验向量。
可选地,所述对所述初始先验向量进行结构检查,得到所述先验向量,包括:
确定级联信道稀疏性矩阵中满足第一条件的所有元素的行列索引集合;
基于所述行列索引集合,确定第一索引集合;
将所述初始先验向量中对应于所述第一索引集合的元素替换为第一数值,所述初始先验向量中的其他元素保持不变,得到所述先验向量;
其中,所述级联信道稀疏性矩阵中满足第一条件的元素是指所述元素的取值小于第二数值,所述第二数值是基于用于结构检查的结构系数、所述级联信道稀疏性矩阵、网络结构索引集、IRS接收路径数和IRS发射路径数确定的;
所述第一数值是基于所述级联信道稀疏性矩阵、网络结构索引集、IRS接收路径数、IRS发射路径数和IRS处的字典矩阵中转向向量的个数确定的。
可选地,所述基于所述接收信号向量和所述最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数,包括:
基于所述接收信号向量的L2范数与所述最后一次迭代中选取的n组支持列所分别对应的残差中的最小值之间比值,得到残余系数。
可选地,所述基于所述先验向量和所述残余系数,确定初始超参数,包括:
对于所述先验向量中取值为0的元素位置,确定初始超参数中对应位置的元素取值为0;
对于所述先验向量中取值大于0的元素位置,基于所述取值大于0的元素位置上元素的取值、所述残余系数、所述先验向量中的最小正元素以及所述先验向量中的最大元素,确定初始超参数中对应位置的元素取值。
第二方面,本发明还提供一种IRS信道估计装置,包括:
获取模块,用于获取接收信号向量和感知矩阵;
第一确定模块,用于使用基于列表的OMP算法,在每次迭代中均从所述感知矩阵中选取n组支持列,直至迭代终止,确定最后一次迭代中选取的n组支持列,以及最后一次迭代中选取的n组支持列所分别对应的残差;n为大于或等于1的整数;
第二确定模块,用于基于所述最后一次迭代中选取的n组支持列和所述最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量;基于所述接收信号向量和所述最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数;
第三确定模块,用于基于所述先验向量和所述残余系数,确定初始超参数,并基于所述初始超参数和SBL算法,进行IRS信道估计。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述第一方面所述的IRS信道估计方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述第一方面所述的IRS信道估计方法。
本发明提供的IRS信道估计方法、装置、设备和存储介质,通过基于列表的OMP算法从感知矩阵中选取n组支持列,进而得到先验向量和残余系数,然后由先验向量和残余系数得到初始超参数,将该初始超参数作为SBL算法中的初始超参数,通过SBL算法进行信道估计,为SBL算法提供了有效的先验,降低了SBL算法的计算复杂度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的IRS信道估计方法的流程示意图;
图2是本发明提供的IRS信道估计方法的仿真结果示意图;
图3是本发明提供的IRS信道估计装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
广泛使用的正交匹配追踪(orthogonal matching pursuit,OMP)算法在许多情况下估计的精确度都无法到达使用的需求,然而精确度较高的SBL算法复杂度极高并且在低信噪比(signal-to-noise ratio,SNR)时性能不能够保证,此外其噪声的学习也不够精确。在这些问题中,最主要需要解决的是SBL算法的时间复杂度过高问题,现有技术中曾提出多种方法试图解决这个问题。例如给出拉普拉斯先验,从而提高精度和效率;考虑准静态和时间选择信道下毫米波多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的块稀疏性,以提高CE性能;在先验中运用支持知识等。然而,这些方法仍然具有较高的复杂性,不能应用于利用IRS辅助中所表现出的独特信道结构的mmWave MIMO系统。
在一个IRS辅助的MIMO系统中(其中,含N
其中,L
其中,
其中,
在信道估计期间,传输T个导频块(pilot block)。对于第t个导频块(t=1,2,3,…,T),IRS具有反射向量Ψ
其中,W
其中,
在(a)中,公式3中的级联信道被代入以及
其中,
其中使用了克罗内克积的混合积性质
y=Qλ+n(9)
其中
SBL算法旨在找到最有可能的级联信道,其概率被定义为公式11:
/>
其中,
本发明采用一种基于贝叶斯框架的超参数优化列表正交匹配追踪辅助的稀疏贝叶斯学习算法(orthogonal matching pursuit list-sparse Bayesian learning,OMPL-SBL)算法。该算法包括两个阶段:生成考虑网格稀疏性信道性质的先验阶段的OMPL阶段和估计信道的SBL阶段。
图1为本发明提供的IRS信道估计方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤100、获取接收信号向量和感知矩阵。
具体地,接收信号向量可以表示IRS信道估计期间传输的所有导频块对应的接收信号组成的向量;感知矩阵可以是IRS信道估计期间基于前文所述Q矩阵的定义式
一种实施方式中,接收信号向量和感知矩阵之间的关系可以采用如下公式表示:
y=Qλ+n
其中,y表示接收信号向量,Q表示感知矩阵,λ表示需要求解的向量(又称为稀疏向量),n表示噪声向量。
步骤101、使用基于列表的正交匹配追踪OMP算法,在每次迭代中均从感知矩阵中选取n组支持列,直至迭代终止,确定最后一次迭代中选取的n组支持列,以及最后一次迭代中选取的n组支持列所分别对应的残差;n为大于或等于1的整数。
具体地,在使用基于列表的OMP算法(即OMPL算法)时,共进行k
与传统的OMP算法在每次迭代中只选取1组支持列不同,OMPL算法在每次迭代中可以从感知矩阵中选取n组支持列(即传统的OMP算法是OMPL算法在n=1时的特例)。其中n的取值可以根据不同的系统需求进行调整,在估计精度和计算复杂度之间进行权衡。比如,n的取值越大,估计精度就越高。
OMPL算法迭代终止的条件可以为:迭代次数达到最大迭代次数,或者,某一次迭代结果中的n组支持列所分别对应残差中的最小值小于残差阈值。
在迭代终止后,确定最后一次迭代中选取的n组支持列,以及最后一次迭代中选取的n组支持列所分别对应的残差。
步骤102、基于最后一次迭代中选取的n组支持列和最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量;基于接收信号向量和最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数。
具体地,在确定最后一次迭代中选取的n组支持列,以及最后一次迭代中选取的n组支持列所分别对应的残差后,可以通过对最后一次迭代中选取的n组支持列和最后一次迭代中选取的n组支持列所分别对应的残差进行相应运算,得到先验向量;以及对接收信号向量和最后一次迭代中选取的n组支持列所分别对应的残差进行相应运算,得到残余系数。先验向量和残余系数可以用于后续的信道估计步骤。
步骤103、基于先验向量和残余系数,确定初始超参数,并基于初始超参数和稀疏贝叶斯学习SBL算法,进行IRS信道估计。
具体地,在确定先验向量和残余系数后,对其进行相应运算,可以确定初始超参数,该初始超参数可以作为现有的SBL算法中的初始超参数,然后通过SBL算法进行IRS信道估计。
本发明提供的IRS信道估计方法,通过OMPL算法从感知矩阵中选取n组支持列,进而得到先验向量和残余系数,然后由先验向量和残余系数得到初始超参数,将该初始超参数作为SBL算法中的初始超参数,通过SBL算法进行信道估计,为SBL算法提供了有效的先验,降低了SBL算法的计算复杂度。
可选地,在每次迭代中均从感知矩阵中选取n组支持列,包括:
在第一次迭代中,从感知矩阵中选取n个对应残差最小的支持列;
在第一次迭代之后的任意一次迭代中,确定任意一次迭代的前一次迭代中选取的n组支持列,针对任意一组支持列,从感知矩阵中确定对应残差最小的n个支持列,基于所确定的对应残差最小的n个支持列将任意一组支持列分支为n组支持列,得到n*n组支持列,然后在n*n组支持列中再选取对应残差最小的n组支持列。
一种实施方式中,在第一次迭代中,首先计算感知矩阵的每个支持列对应的残差。
完成感知矩阵的每个支持列对应的残差计算后从中选取出n个对应残差最小的支持列作为第一次迭代的结果。
在第一次迭代之后的任意一次迭代中,可以确定任意一次迭代的前一次迭代中选取的n组支持列,针对任意一组支持列,从感知矩阵中确定对应残差最小的n个支持列。
例如,在第二次迭代中,可以针对第一次迭代中选出的n个支持列中的每一支持列,计算出该支持列之外的G-1个支持列对应的残差,然后从中选取n个对应残差最小的支持列。
基于所确定的对应残差最小的n个支持列,可以将任意一组支持列分支为n组支持列,得到n*n组支持列,然后在n*n组支持列中再选取对应残差最小的n组支持列。
对于某次迭代,可以通过以下方式计算任意一组支持列对应的残差:
其中,r
可选地,从感知矩阵中确定对应残差最小的n个支持列,基于所确定的对应残差最小的n个支持列将任意一组支持列分支为n组支持列,可以包括:
根据感知矩阵中除任意一组支持列以外的其他每个支持列分别对应于任意一组支持列的残差,从其他每个支持列中确定对应残差最小的n个支持列;
将n个支持列中的每个支持列分别与任意一组支持列作并集,得到任意一组支持列所分支出的n组支持列。
一种实施方式中,在第一次迭代之后的某一次迭代中,可以先确定该次迭代的前一次迭代中选取的n组支持列。对于该次迭代的前一次迭代中选取的n组支持列,针对其中某一组支持列,可以计算感知矩阵中除该组支持列以外的其他每个支持列分别对应于该组支持列的残差,然后从计算出的残差中确定对应残差最小的n个支持列。
将这n个支持列中的每个支持列分别与该组支持列作并集,就可以得到该组支持列所分支出的n组支持列。
例如,取G=20,n=4,在第三次迭代中,先确定第二次迭代选取的4组支持列。假设第二次迭代中选取的某一组支持列为感知矩阵的第1列和第2列,则可以分别计算感知矩阵的第3至第20列对应于该组支持列的残差,从中确定对应残差最小的4个支持列。假设确定的对应残差最小的4个支持列分别为感知矩阵的第5列、第7列、第9列和第11列,则可以将该组支持列分支为4组支持列,这4组支持列分别为:感知矩阵的第1列、第2列和第5列;感知矩阵的第1列、第2列和第7列;感知矩阵的第1列、第2列和第9列;感知矩阵的第1列、第2列和第11列。
以此类推,在第k次迭代中(k大于1),可以针对第k-1次迭代中选出的n组支持列中的每组支持列,计算出该组支持列包括的k-1个支持列之外的G-k+1个支持列对应的残差,然后从中选取n个对应残差最小的支持列,与第k-1次迭代中选出的n组支持列中的每组支持列作并集,将第k-1次迭代中选出的n组支持列中的每组支持列分支为n组支持列,每组支持列中包括k个支持列,一共得到n*n组支持列。比较这n*n组支持列中每组支持列对应的残差,选取对应残差最小的n组支持列。将所选取的对应残差最小的n组支持列,作为第k次迭代的结果。通过将前一次迭代中选取出的n组支持列中的每组支持列分支为n组支持列,使得OMPL算法最终选取出的n组支持列分别对应的残差尽可能小,从而使得所求得的解更接近实际值。
可选地,基于最后一次迭代中选取的n组支持列和最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量,包括:
基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定先验向量;
其中,第一向量是基于最后一次迭代中选取的n组支持列所分别对应的残差确定的。
具体地,在确定最后一次迭代中选取的n组支持列之后,可以确定最后一次迭代中选取的n组支持列对应的估计矩阵,并结合第一向量进一步确定先验向量,通过OMPL算法中最终选取的支持列组确定先验向量,使得所确定的先验向量更加准确。
一种实施方式中,可以通过以下公式确定每次迭代中选取的n组支持列对应的估计矩阵:
其中,M表示任意一次迭代中选取的n组支持列对应的估计矩阵,M(:,i)表示该次迭代中选取的n组支持列对应的估计矩阵的第i列,D
一种实施方式中,可以通过以下公式确定第一向量:
其中,K表示第一向量,1
可选地,基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定先验向量,包括:
基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定初始先验向量;
将初始先验向量确定为先验向量;或者,对初始先验向量进行结构检查,得到先验向量。
具体地,在确定最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量后,可以先基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量确定初始先验向量,通过对初始先验向量进行结构检查,确定先验向量,使得所确定的先验向量更加准确。
一种实施方式中,可以通过以下公式确定初始先验向量:
其中,
一种实施方式中,可以直接将初始先验向量确定为先验向量。
可选地,对初始先验向量进行结构检查,得到先验向量,可以包括:
确定级联信道稀疏性矩阵中满足第一条件的所有元素的行列索引集合;
基于行列索引集合,确定第一索引集合;
将初始先验向量中对应于第一索引集合的元素替换为第一数值,初始先验向量中的其他元素保持不变,得到先验向量;
其中,级联信道稀疏性矩阵中满足第一条件的元素是指元素的取值小于第二数值,第二数值是基于用于结构检查的结构系数、级联信道稀疏性矩阵、网络结构索引集、IRS接收路径数和IRS发射路径数确定的;
第一数值是基于级联信道稀疏性矩阵、网络结构索引集、IRS接收路径数、IRS发射路径数和IRS处的字典矩阵中转向向量的个数确定的。
一种实施方式中,可以根据级联信道稀疏性矩阵中所有取值小于第二数值的元素的行列索引,确定第一索引集合。对于第一索引集合中每一对行列索引,根据该行列索引确定初始先验向量中对应的元素,并将这些元素替换为第一数值,初始先验向量中的其他元素则保持不变,最终得到先验向量。通过将初始先验向量中对应于第一索引集合的元素替换为第一数值,初始先验向量中的其他元素保持不变,得到先验向量,使得最终得到先验向量更加贴近实际的IRS信道,提升了信道估计结果的准确性。
例如,可以通过以下公式对初始先验向量进行结构检查:
/>
其中
可选地,基于接收信号向量和最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数,包括:
基于接收信号向量的L2范数与最后一次迭代中选取的n组支持列所分别对应的残差中的最小值之间比值,得到残余系数。
具体地,在确定最后一次迭代中选取的n组支持列所分别对应的残差后,可以计算最后一次迭代中选取的n组支持列所分别对应的残差的L2范数,结合接收信号向量,进而得到残余系数,通过基于接收信号向量的L2范数与最后一次迭代中选取的n组支持列所分别对应的残差中的最小值之间比值,得到残余系数,使得残余系数的取值更加贴近实际的IRS信道,提升了信道估计结果的准确性。
一种实施方式中,可以通过以下公式得到残余系数:
α=||y||
其中,α表示残余系数,y表示接收信号向量,w表示最后一次迭代中选取的n组支持列所分别对应的残差构成的向量。
可选地,基于先验向量和残余系数,确定初始超参数,包括:
对于先验向量中取值为0的元素位置,确定初始超参数中对应位置的元素取值为0;
对于先验向量中取值大于0的元素位置,基于取值大于0的元素位置上元素的取值、残余系数、先验向量中的最小正元素以及先验向量中的最大元素,确定初始超参数中对应位置的元素取值。
具体地,先验向量中一个元素的取值为0时,初始超参数对应位置元素的取值也为0;先验向量一个元素的取值大于0时,可以基于该元素的取值、残余系数、先验向量中的最小正元素以及先验向量中的最大元素,确定初始超参数对应位置元素的取值,通过利用OMPL算法估计的先验确定SBL算法的初始超参数,降低了SBL算法的计算复杂度。
一种实施方式中,可以通过以下公式确定初始超参数:
其中e=1,2,…,G,
以下通过具体应用场景对本发明提供的方法进行举例说明。
本发明采用一种基于贝叶斯框架的超参数优化OMPL-SBL算法实现IRS信道估计。该算法包括两个阶段:生成考虑网格稀疏性信道性质的先验阶段的OMPL阶段和估计信道的SBL阶段。
算法1给出了OMPL阶段的全过程。设定的迭代最大次数k
算法1(OMPL阶段)具体包括以下步骤:
输入:y(接收信号向量),Q(感知矩阵)。
初始化:
1、r=y;
2、for k=1,2,…,k
3、if k=1 then
4、分支:用n个对应最小残差||r||
5、else
6、分支:计算残差r
7、合并:利用公式14更新
8、合并:
9、end if
10、所有用Θ
11、所有的M对应的残差构成w;
12、if min(w)≤r
13、break;
14、end if
15、end for
16、
17、对MK
18、α=||y||
输出:估计的先验
列表更新(步骤2-15):与传统的OMP算法在一次迭代中只选择一个列支持的贪婪算法不同,OMPL算法选择一个n列支持的列表(列支持(column support)是感知矩阵Q的一列,它对应于稀疏向量λ中的一个元素)。在OMPL阶段的列表更新可以作为迭代、重复的分支和合并更新列支持的索引(感知矩阵Q的列的索引)来执行。定义Θ
其中,集合
步骤7的合并操作中,公式13中n个分支出的结果可以被合并成一个新的列表,表示为公式14:
因为在
估计(步骤16-18):分支和合并的迭代在达到最大迭代次数k
其中,
将SBL阶段的先验定义为
其中
OMPL阶段的核心是通过首先扩展来迭代更新列支持索引的列表Θ
整体的OPML-SBL算法结构在算法2中给出,算法2具体包括以下步骤:
输入:y(接收信号向量),Q(感知矩阵)。
初始化:λ
1、使用算法1计算
2、用公式18初始化超参数
3、fork=1,2,…,k
4、对超参数
5、使用公式19运用SBL算法迭代更新
6、
7、break;
8、end if
9、end for
10、fori=1,2,…,Gdo
11、
12、
13、else
14、
15、end if
16、end for
17、用公式10估计
输出:估计的信道
步骤1使用了算法1中的估计结果,然后在步骤2中超参数先验
其中e=1,2,…,G,
其中Q
OMPL-SBL算法的计算复杂度和运行时比较如表1所示,仿真采用Apple M1芯片在macOS上运行,运行时评估所用的系统参数见表2。
表1:计算复杂度比较
/>
1、K是BP-ADMM中的平均迭代次数。
2、q和Q分别为OMPL-SBL的SBL-EM和SBL阶段的迭代次数,以及q<<Q。
3、
表1清楚地显示了上述算法的复杂度可以排序为OMP<OMPL-SBL<BP-ADMM<<SBL-EM。
由OMPL计算出的先验值在信道估计中起着关键作用。信息先验应该足够准确,使SBL算法能够很好地工作。值得注意的是,OMPL产生的信息先验并不一定能区分所有的零值项,而是将大多数零值项设置为零,并且小心地不错过非零元素。如果该值被设置为零,则在SBL阶段中其将会被删除。将大多数零值元素设置为零将显著加快SBL的收敛速度。
OMPL算法本身的性能不比OMP算法差,因为引入的列表保证了残差小于OMP算法,缓解了OMP贪婪选择支持的问题。此外,即使在低信噪比下,OMPL也能在支持选择方面取得相对令人满意的性能,使OMPL-SBL在低信噪比下保持稳定。
该算法的一个关键特点是,它几乎适用于所有SBL算法的。OMPL-SBL方法的一个重要的灵活性是,参数可以根据不同的要求进行调整。OMPL列表大小n和信道结构检查系数β涉及到估计精度和计算复杂度之间的权衡。
很明显,一个更大的OMPL列表大小n和信道结构检查系数β将导致SBL先验中更多的非零元素,即一个更大的g。因此,复杂度随着n和β的增加而增加。这里主要考虑关于n和β的估计性能。准确估计的前提条件是在OMPL阶段选择到所有的支持而没有遗漏。OMPL提供了一个具有支持选择的非贪婪估计,并且较大的n会得到更好的支持选择。原本缺失b个支持,经过信道结构检查后,缺失支持的误差P
值得注意的是,当固定值b时,P
从SBL阶段的角度来看,OMPL提供的先验应该满足一定的要求。直观地看,较大的n使OMPL不那么贪婪,而n=1回到了传统的OMP,它是贪婪的,因此对于支持选择不够可靠。当非零元素的数量先验g足够大和相应的有效传感矩阵满足一致随机投影集合(UniformRandom Projection ensemble,URP),SBL局部最小值的数量上限在一个没有噪声的理想的场景由公式21给出:
它随着g的增加而增加。因此,该方法的SBL局部最小值数的上界要小于传统的SBL算法。局部最小值数越小,收敛误差就越小。因此,如果在OMPL阶段没有遗漏任何支持,那么就可以提高性能。但是为了确保一个可靠的支持和Q
这里使用C++配合Armadillo线性代数库仿真性能。仿真中使用的系统参数如表2所示。在OMPL-SBL中选择合适的参数为n=16,β=0.5。
表2:仿真中的系统参数
OMP算法是一种广泛应用于IRS辅助的毫米波系统的低复杂度信道估计方案。由于OMPL-SBL算法的第二阶段是SBL,因此也将其与具有EM更新方式的SBL算法进行了比较。SBL被证明等价于迭代重加权L1最小化算法。因此,还比较了一种常用的基于L1最小化的算法基追踪(Basis Pursuit,BP)利用交替方向乘子法(Alternating Direction Method ofMultipliers,ADMM)求解器。信道估计性能用归一化均方误差(normalized mean squarederror,NMSE)来衡量,表示为
图2为本发明提供的IRS信道估计方法的仿真结果示意图,如图所示,图2(a)比较了OMPL-SBL算法与传统的SBL、BP-ADMM和OMP方法在NMSE与SNR关系方面的差异。OMPL列表大小为n=16的OMPL算法的性能比传统的SBL算法在高信噪比(大于10dB)下有约10dB性能增益,也接近于Oracle LS对应的Cramér-Rao界。而OMP、BP-ADMM和SBL-EM则不能达到较高的估计精度。
NMSE性能与导频开销数
图2(c)中,还评估了对16-QAM调制信号采用MMSE MIMO检测器的误码率(BitError Ratio,BER)性能。结果表明,本发明提出的OMPL-SBL算法可以实现接近Oracle LS的完美信道信息(CSI)的低误码率。
仿真结果还表明,该方法在SBL阶段的收敛速度要快得多,总共大约有8~16次迭代。相比之下,传统的SBL算法由于总迭代次数更大,每次迭代的计算时间更长,所以收敛的时间更长。
本发明提供的OMPL-SBL算法主要特点总结如下:
1、扩展贪心算法OMP,考虑了IRS辅助信道中特有的网格稀疏(grid sparsity)结构,为SBL提供了有效的先验。
2、该算法比基于L1最小化的算法和贝叶斯算法具有更高的精度,与传统的SBL算法相比,计算复杂度显著降低(降低了95%以上)。
3、OMPL-SBL中的参数可以根据不同的系统需求进行调整,在估计精度和计算复杂度之间进行权衡。
下面对本发明提供的IRS信道估计装置进行描述,下文描述的IRS信道估计装置与上文描述的IRS信道估计方法可相互对应参照。
图3为本发明提供的IRS信道估计装置的结构示意图,如图3所示,该装置包括:
获取模块300,用于获取接收信号向量和感知矩阵;
第一确定模块301,用于使用基于列表的正交匹配追踪OMP算法,在每次迭代中均从感知矩阵中选取n组支持列,直至迭代终止,确定最后一次迭代中选取的n组支持列,以及最后一次迭代中选取的n组支持列所分别对应的残差;n为大于或等于1的整数;
第二确定模块302,用于基于最后一次迭代中选取的n组支持列和最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量;基于接收信号向量和最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数;
第三确定模块303,用于基于先验向量和残余系数,确定初始超参数,并基于初始超参数和稀疏贝叶斯学习SBL算法,进行IRS信道估计。
可选地,在每次迭代中均从感知矩阵中选取n组支持列,包括:
在第一次迭代中,从感知矩阵中选取n个对应残差最小的支持列;
在第一次迭代之后的任意一次迭代中,确定任意一次迭代的前一次迭代中选取的n组支持列,针对任意一组支持列,从感知矩阵中确定对应残差最小的n个支持列,基于所确定的对应残差最小的n个支持列将任意一组支持列分支为n组支持列,得到n*n组支持列,然后在n*n组支持列中再选取对应残差最小的n组支持列。
可选地,从感知矩阵中确定对应残差最小的n个支持列,基于所确定的对应残差最小的n个支持列将任意一组支持列分支为n组支持列,包括:
根据感知矩阵中除任意一组支持列以外的其他每个支持列分别对应于任意一组支持列的残差,从其他每个支持列中确定对应残差最小的n个支持列;
将n个支持列中的每个支持列分别与任意一组支持列作并集,得到任意一组支持列所分支出的n组支持列。
可选地,基于最后一次迭代中选取的n组支持列和最后一次迭代中选取的n组支持列所分别对应的残差,得到先验向量,包括:
基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定先验向量;
其中,第一向量是基于最后一次迭代中选取的n组支持列所分别对应的残差确定的。
可选地,基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定先验向量,包括:
基于最后一次迭代中选取的n组支持列对应的估计矩阵与第一向量,确定初始先验向量;
将初始先验向量确定为先验向量;或者,对初始先验向量进行结构检查,得到先验向量。
可选地,对初始先验向量进行结构检查,得到先验向量,包括:
确定级联信道稀疏性矩阵中满足第一条件的所有元素的行列索引集合;
基于行列索引集合,确定第一索引集合;
将初始先验向量中对应于第一索引集合的元素替换为第一数值,初始先验向量中的其他元素保持不变,得到先验向量;
其中,级联信道稀疏性矩阵中满足第一条件的元素是指元素的取值小于第二数值,第二数值是基于用于结构检查的结构系数、级联信道稀疏性矩阵、网络结构索引集、IRS接收路径数和IRS发射路径数确定的;
第一数值是基于级联信道稀疏性矩阵、网络结构索引集、IRS接收路径数、IRS发射路径数和IRS处的字典矩阵中转向向量的个数确定的。可选地,基于接收信号向量和最后一次迭代中选取的n组支持列所分别对应的残差,得到残余系数,包括:
基于接收信号向量的L2范数与最后一次迭代中选取的n组支持列所分别对应的残差中的最小值之间比值,得到残余系数。
可选地,基于先验向量和残余系数,确定初始超参数,包括:
对于先验向量中取值为0的元素位置,确定初始超参数中对应位置的元素取值为0;
对于先验向量中取值大于0的元素位置,基于取值大于0的元素位置上元素的取值、残余系数、先验向量阵中的最小正元素以及先验向量中的最大元素,确定初始超参数中对应位置的元素取值。
在此需要说明的是,本发明提供的上述装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4为本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各实施例提供的任一所述IRS信道估计方法。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是,本发明提供的电子设备,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的任一所述IRS信道估计方法。
在此需要说明的是,本发明提供的非暂态计算机可读存储介质,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 信道估计方法及装置、计算机可读存储介质、终端
- FDD系统下行信道估计方法及基站、可读存储介质及设备
- 无线通信信道的估计方法/系统、计算机存储介质及设备
- 网络信道的切换方法、装置、设备和存储介质
- 控制信道处理方法、装置、系统、相关设备及存储介质
- 下行控制信道的信道估计方法、装置、设备及存储介质
- 信道估计方法、信道估计装置和计算机可读存储介质