可重构智能表面辅助通信系统时变级联信道估计

针对可重构智能表面(RIS)辅助通信系统时变级联信道的估计中需解决的级联信道稀疏表示、时变信道参数跟踪和信号重构等关键问题,提出了一种结合Khatri-Rao积的分层贝叶斯卡尔曼滤波(KR-HBKF)算法。该算法首先利用信道的稀疏特性,通过Khatri-Rao积和克罗内克积变换得到RIS级联信道的稀疏表示,将RIS级联信道估计问题转化为低维度的稀疏信号恢复问题。然后,根据RIS级联信道的状态演化模型,在HBKF算法的预测模型中引入了时间相关性参数,应用改进的HBKF解决时变信道参数跟踪和信号重构问题,完成时变级联信道的估计。KR-HBKF算法综合利用了信道的稀疏性和时间相关性,能以较小的导频开销获得更好的估计精度。仿真结果表明,与传统压缩感知算法相比,所提算法具有约5 dB的估计性能提升,且在不同的时变信道条件下具有更好的鲁棒性。

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit,DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error,LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 dB。

一种自适应稀疏度的混合场信道估计算法

针对6G超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output,XL-MIMO)系统信道特性变化造成现有的近场和远场信道估计方案不能准确估计XL-MIMO混合场信道的问题,同时考虑到实际系统中稀疏度难以获取,提出了一种基于分段弱正交匹配追踪的混合场信道估计(Hybrid-field Stagewise Weak Orthogonal Matching Pursuit,HF-SWOMP)算法。该算法利用XL-MIMO混合场中近场和远场区域不同的信道特性,分别对近场和远场信道分量进行估计,从而得到混合场信道。仿真结果表明,所提XL-MIMO混合场信道估计算法性能相对于仅考虑近场和远场信道估计方案分别提高了约3.5 dB和3 dB,更符合实际信道场景。

基于注意力机制引导深度残差网络的RIS辅助通信信道估计

用可重构智能表面(Reconfigurable Intelligent Surface, RIS)增强无线覆盖和信道容量是未来通信网络的候选方案之一。为估计RIS辅助的多用户(Multi User, MU)通信系统上行链路的信道状态信息,提出一种基于注意力机制的深度残差网络,构建了包含稀疏块、特征增强块、注意力引导块和重构块的网络结构,隐式地学习残差噪声,利用注意力机制加强对特定信道噪声特征的提取。仿真结果表明,该方法的估计精度略低于线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)估计,在高信噪比时比常规深度残差去噪网络的估计精度更高。

OTFS系统SBL-Turbo压缩感知信道估计算法

针对正交时频空调制(OTFS)系统由多普勒频移引起的信道估计准确度下降的问题,本文提出了一种联合无线信道在时延-多普勒域稀疏特性的SBL-Turbo压缩感知信道估计算法。首先,对时延-多普勒域稀疏信道建模,使其服从以噪声功率为条件的高斯先验分布,利用稀疏贝叶斯学习模块估计得到稀疏信道的均值与方差,并结合期望最大化算法更新高斯先验模型中的参数。其次,引入了LMMSE(线性最小均方误差)估计器模块,该模块对稀疏信道的后验分布进行再估计,提高估计的准确度。通过对每个模块估计得到的信道后验分布进行数据处理,使得模块的输入值与输出值解耦,进而减少模块间的错误传播。最后,两个模块采用Turbo结构迭代估计信道的后验分布,得到信道状态信息。实验结果表明,相较于其他估计方法,该算法能够显著提高信道估计的精度,并且改善系统的误码率性能,能够有效地解决OTFS系统中由多普勒频移引起的信道估计问题。

基于AAT模型的毫米波大规模MIMO系统信道估计

针对毫米波大规模多输入多输出信道具有时间相关性、系统易受噪声因素影响导致信道估计精度低的问题,提出了一种基于改进的时序卷积神经网络信道估计方法。该方法将仿真获得的信道矩阵以二维图像数据方式输入系统;利用时间相关性进行特征融合,构建集中注意力机制网络,增强系统模型对信道深层特征的提取能力;将AAN嵌入时序卷积神经网络中进行训练;系统输出去噪后的二维图像,即信道估计矩阵。仿真结果表明,所提信道估计方法在性能和复杂度方面优于传统的信道估计方法,并且当测试场景发生改变时依旧具有鲁棒性。

可重构智能超表面辅助的大规模机器类通信深度学习大规模MIMO信道估计

大规模机器类通信(mMTC)是第5代移动通信系统的重要应用场景之一,可实现每平方公里近百万级设备的连接。考虑到mMTC传播环境的复杂性,该文引入可重构智能超表面(RIS)进行上行免授权的传输,由此级联形成用户与RIS、RIS与基站(BS)之间的信道链路,从而有效控制无线信号传输的质量。在此基础上,建立Turbo译码消息传递思想下的降噪学习系统,通过大量的训练数据,以学习RIS辅助的级联信道状态信息,并对其进行估计。此外,该文对RIS辅助的mMTC信道估计结果进行了统计分析,以验证所提方案的准确性。数值仿真结果和理论分析结果表明,该文方法优于其他压缩感知类的方法。

IRS辅助MU-MISO系统中基于深度残差学习的信道估计

针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪性能。网络主体包含两个模块:拼接信息保留模块将每一层卷积输出相融合,防止信道特征丢失,有效提取信道噪声的主体特征;扩张卷积稀疏模块通过扩大感受野范围获得信道的重要结构和细节特征,恢复信道噪声的边缘细节特征。仿真结果表明,归一化均方误差约等于0.45时,所提方法在不明显增加复杂度情况下,相比于线性最小均方误差算法获得3.7 dB的信噪比增益,更为接近最小均方误差信道估计器的性能,表现出了更好的性能和可用性。

基于稀疏贝叶斯学习的GFDM系统联合迭代信道估计与符号检测

针对当前广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统时变信道估计精度低的问题,提出基于稀疏贝叶斯学习的GFDM系统联合信道估计与符号检测算法.具体地,采用无干扰导频插入的GFDM多重响应信号模型,在稀疏贝叶斯学习框架下,结合期望最大化算法(Expectation-Maximization,EM)和卡尔曼滤波与平滑算法实现块时变信道的最大似然估计;基于信道状态信息的估计值进行GFDM符号检测,并通过信道估计与符号检测的迭代处理逐步提高信道估计与符号检测的精度.仿真结果表明,所提算法能够获得接近完美信道状态信息条件下的误码率性能,且具有收敛速度快、对多普勒频移鲁棒性高等优点.

双IRS辅助大规模MIMO系统中基于双时间尺度的信道估计方案

在双智能反射面(IRS)辅助的大规模多入多出(MIMO)通信系统中,为获取信道状态信息(CSI)而进行的信道估计需要较大的导频开销。考虑到基站(BS)-IRS信道与IRS-IRS信道具有高维且准静态的特性,而IRS-用户(UE)信道具有低维且时变的特性,本文提出一种基于双时间尺度的信道估计方案。首先,对于准静态信道,由BS发送导频并基于坐标下降算法和最小二乘法分别估计BS-IRS信道和IRS-IRS信道。然后根据准静态信道的估计结果进一步基于最小二乘法估计IRS-UE信道。仿真结果表明,本文所提出的方案可以采用低于对比方案50%的导频开销来获取低于对比方案近10 dB的估计归一化均方误差(NMSE),实现用更少的导频开销获取更高的信道估计精度。

利用元学习算法的IRS-OTFS通信系统信道估计

针对高多普勒场景下智能反射表面(IRS)辅助多用户通信系统存在的信道估计传输开销大的问题,该文结合正交时频空间(OTFS)调制特点构造一种IRS-OTFS通信系统,充分发挥IRS和OTFS的性能优势,并在此基础上提出一种学习率自适应的模型无关元学习(MAML)算法。对IRS-OTFS多用户信道估计任务做离线训练,根据各任务的收敛速度自适应地调整学习率,防止训练失衡,并利用信道之间的相关性和MAML算法的少样本、泛化特性得到全局模型和适应性模型,快速学习新用户信道的传输特性,降低传输开销,提高信道估计准确性。理论分析和仿真结果表明,该算法在信道传输条件相同的情况下,将传输开销降低了大约50%,并相对于基准算法有4.8 dB左右的性能提升。

智能反射面辅助的OFDM系统稀疏信道估计研究

针对智能反射面(IRS)辅助的宽带正交频分复用(OFDM)系统的信道估计,当前大多数研究都是基于单符号全导频设置,且级联信道系数过多会导致导频开销较大。为此,提出了一种基于时域-角域块稀疏的两阶段信道估计方案。首先,通过分析信道在时域和角域上存在的共同稀疏特性,将级联信道矩阵转换为时域-角域上的块稀疏表示,并将信道估计问题转换为块稀疏矩阵恢复问题。其次,考虑传输导频限制和时域-角域块稀疏特性,提出了一种两阶段稀疏信道估计方案对级联信道进行稀疏恢复。仿真结果表明,相比另外三种基准方案,该方案可以使用较少的导频获得更优的信道估计性能,有效减少了导频开销,且估计准确度更高。

基于自监督学习的IRS辅助矿井通信系统信道估计方法

针对矿井复杂环境导致的多径衰落、非视距通信及真实标签获取困难的问题,提出一种基于自监督学习(SSL)的智能反射面(IRS)辅助矿井通信系统信道估计方法。根据井下Nakagami-g衰落信道模型和IRS信号传输模型搭建井下通信系统模型,通过IRS技术解决多径衰落和非视距通信问题。通过最小二乘(LS)算法进行初步信道估计,再采用SSL框架下的八度卷积(OCT)神经网络优化信道估计结果。OCT直接对高频分量和低频分量进行处理,能同时捕捉信道的粗糙特征和细微差别,提供全面的信道信息,从而更准确地估计信道状态;SSL算法使用接收信号及其带噪版本作为训练数据,通过未标注数据的内在结构提升IRS辅助信道估计的精度和效率,从而降低对人工标签的依赖。仿真结果表明:①引入IRS技术能有效降低信道估计误差。②OCT神经网络的损失值明显低于CNN,数据拟合效果更好;OCT神经网络计算效率高,可提高通信系统信道估计的整体性能;在计算资源有限的环境下,OCT神经网络可保持较低参数量和内存使用量。③SSL算法在所有信噪比条件下均能保持较低的归一化均方误差,验证了其在信道估计中的高效性和鲁棒性。④基于SSL的IRS辅助矿井通信系统信道估计方法在大规模网络中具有较好的扩展性和鲁棒性。

基于压缩感知的智能反射面信道估计

针对智能反射面(intelligent reflecting surface,IRS)辅助的通信系统中稀疏度未知信道的估计问题,提出了一种基于压缩感知的稀疏自适应信道估计算法。首先,研究了正交匹配追踪(orthogonal matching pursuit,OMP)算法下信道的残差l2范数与输入的信道稀疏度之间的关系,得出了OMP算法恢复稀疏度未知信道的迭代终止条件;然后,提出了一种二阶段稀疏自适应信道估计算法,在第一阶段估计信道稀疏度,在第二阶段增加或删减支撑集原子,最终使得恢复的信道向量误差最小。仿真结果表明,与经典的最小二乘法、已知稀疏度的OMP算法、稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法相比,提出的算法性能良好,鲁棒性强。

车联网V2I场景下基于GNN的SC-FDMA智能信道估计

随着车联网的迅猛发展,车对路基础设施(Vehicle to Infrastructure,V2I)通信对车联网的可靠性和时延提出了更高的要求,而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题,本文提出基于图神经网络(Graph Neural Network,GNN)的单载波频分多址(Single Carrier-Frequency Division Multiple Access,SC-FDMA)智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边,将图化后的数据送入GraphSAGE信道插值器(GraphSAGE Channel Interpolator,GCI)中,通过边更新、聚合操作、节点更新三大模块进行网络训练,同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道,使得网络具备可解释性.最后,系统仿真验证了在不同速度环境下算法的有效性和鲁棒性,较线性插值、样条插值以及全连接网络,本文所提GCI在低、中和高速移动环境下具有最优的误码率(Bit Error Rate,BER)和归一化均方误差(Normalized Mean Square Error,NMSE)性能,特别地,在200 km/h高速移动条件下GCI的优势更为明显.

基于均匀线性阵列的超大规模MIMO混合场信道估计算法

超大规模MIMO(extremely large-scale massive MIMO,XL-MIMO)是未来6G通信的关键技术之一。现有的XL-MIMO混合场信道模型大多对均匀线性阵列和单天线用户之间信道建模,且采用散射体最后一跳模型。若收发双端均配备线性阵列,现有的混合场信道估计方案将不再适用。为此,针对收发端均部署超大规模线性阵列的XL-MIMO场景,采用Saleh-Valenzuela模型进行信道建模,并提出了一种基于正交匹配追踪(OMP)的混合场信道估计算法。该算法首先利用角域变换矩阵对远场分量进行估计,然后通过极域变换矩阵估计近场分量。此外,引入克拉美罗-下界(CRLB)对所提算法进行评估。仿真结果表明,提出的混合场估计算法相较于仅考虑远场和近场的估计算法在信道估计性能上有约0.6 dB的提升。

基于改进图像超分辨卷积网络的矿井OFDM信道估计研究

针对煤矿井下环境恶劣,传统信道估计算法存在准确度低的问题,提出一种改进图像超分辨卷积网络(Super Resolution Convolutional Network,SRCNN)进行信道估计。在改进SRCNN模型中,将导频处的估计值作为输入,改进SRCNN模型取代了传统信道估计算法中的插值过程,降低了复杂度,并加入注意力机制ECA模块提高通道特征的学习,实现对煤矿井下环境更准确的信道估计。仿真结果表明:改进SRCNN模型的信道估计算法优于传统的信道估计算法,与SRCNN模型的信道估计相比,其估计精度提升了1个数量级。

低导频开销RIS辅助毫米波MIMO系统参数化信道估计方案

为了解决可重构智能超表面(RIS)辅助毫米波多输入多输出(MIMO)系统信道状态信息及时获取问题,提出了一种基于张量分解的信道估计方案。首先,通过使用少量无源反射单元和构建相移矩阵,设计了一种低导频开销的信道训练机制。然后,通过利用范德蒙德结构约束的张量典范平行因子分解,推导出一种非迭代的信道估计算法。理论分析表明,该方案的最小导频开销仅取决于反射链路子信道路径数乘积,且具有较低的计算复杂度。仿真结果进一步验证了所提方案相较于其他方法的优越性。

基于改进广义正交匹配追踪的低地球轨道卫星MIMO-OTFS系统的信道估计方法

针对基于多输入多输出(MIMO)技术和正交时频空间(OTFS)调制的低地球轨道卫星系统的复杂性带来的信道估计困难问题,提出一种基于改进广义正交匹配追踪(GOMP)的信道估计方法。根据单输入单输出(SISO)-OTFS系统的输入输出关系和低地球轨道卫星信道的传播特性,建立一种基于MIMO-OTFS的低地球轨道卫星信道模型,并将系统的信道估计问题转化为稀疏信号的恢复问题。考虑到传统的GOMP算法存在对稀疏度的过度依赖和对稀疏信号的重构精度差等问题,所提方法结合了分段弱正交匹配追踪(SWOMP)的弱选择思想和广义Jaccard系数的相似性准则,以快速准确地重建稀疏信号。仿真结果表明,当天线数为16且导频开销比为0.5时,与正交匹配追踪(OMP)算法相比,所提方法的归一化均方误差(NMSE)降低了约2.5 dB,误码率(BER)降低了约5 dB。

毫米波通信系统中可重构智能表面辅助多用户信道估计方案

为了解决可重构智能表面(Reconfigurable Intelligent Surface,RIS)辅助的多用户毫米波通信系统中级联信道的信道估计问题,提出了一种新的基于压缩感知(Compressive Sensing,CS)的两阶段级联信道估计方案,该方案在传统的压缩感知信道估计上引入级联信道双时间尺度性质和行列稀疏邻近结构,同时利用信道特性和双结构正交匹配追踪算法(Double-Structured Orthogonal Matching Pursuit,DS-OMP)在节约导频开销的同时也提高了信道估计的精度和性能。通过仿真分析各变量对所提方案归一化均方误差(Normalized Mean Square Error,NMSE)的影响,相较于传统基于压缩感知的信道估计算法,所提方案具有较好性能,同时有较小的导频开销。