可重构智能反射面辅助太赫兹通信系统鲁棒波束赋形算法

太赫兹通信作为6G的关键技术之一,被认为是能够解决频谱资源短缺、提升系统容量的有效手段。然而,由于路径损耗极高和分子的吸收作用,太赫兹容易被障碍物阻挡导致通信中断。为了解决该问题,该文将可重构智能反射面(RIS)引入到太赫兹通信系统中,且考虑信道不确定性对传输稳定性的影响,基于用户服务质量约束、基站发射功率约束及RIS离散相移约束,建立多用户能效最大化波束赋形模型。利用丁克尔巴赫、连续凸近似、S-程序、半正定松弛、相位映射和块坐标下降将原非凸优化问题转化为凸优化问题进行求解。仿真结果表明,与传统非鲁棒波束赋形对比,所提算法能效提升了15.4%,中断概率减小了15.48%。

可重构智能反射面辅助的车联网资源分配算法研究

面对车辆通信对通信质量和频谱效率的更高要求,提出了一种可重构智能反射面(RIS)辅助的车联网资源分配算法。联合考虑RIS反射系数矩阵、功率分配和频谱共享方案,在确保V2V链路的可靠性条件下,建立一个V2I链路总容量最大化问题。由于该问题是一个变量之间高度耦合的非凸优化问题,难以直接求解。因此,在引入解析表达式近似V2V链路的中断概率后,利用块坐标下降(BCD)法将此问题分解为3个子问题,并通过引入辅助变量、逐次凸逼近(SCA)、匈牙利算法等对子问题进行求解,进而得到问题的近似次优解。仿真结果表明,所提算法具有良好的收敛性能,并能够有效地提高V2I链路总容量。

新型可重构分布式天线与反射面:性能分析与原型验证

可重构分布式天线与反射面(Reconfigurable Distributed Antenna and Reflecting Surface, RDARS)作为一种新型的无线通信架构,可以为无线通信系统带来显著的性能增益。基于智能超表面(Reconfigurable Intelligent Surface, RIS)可改变电磁特性,重构了无线传播环境,为系统引入“反射增益”的设计思想,将此设计理念融入分布式天线系统(Distributed Antenna System, DAS),提出了为DAS的射频远端单元(Remote Radio Unit, RRU)赋予反射功能的新型RDARS架构。利用控制电路,RDARS中的每个单元可灵活切换“反射态”与“连接态”。低功耗的“反射态”单元反射信号为无线网络引入“反射增益”,“连接态”单元发射或接收信号获得“分布式增益”。基站与RDARS的联合设计可适配不同的通信需求,实现性能与功耗之间的平衡并显著提升系统性能。通过理论分析、仿真与原型验证,结果验证了RDARS能显著提升系统性能,在未来6G无线通信系统中具有巨大应用前景。

可重构智能反射面辅助认知无线电多天线安全传输方法

考虑一个可重构智能反射面(RIS)辅助的频谱共享认知无线电(CR)多输入多输出(MIMO)安全通信系统。在存在窃听者的情况下,配备有多根天线的次级发送机与次级用户进行通信。首先,利用统计信道状态信息,得到了系统遍历安全速率的确定性等价表达式。然后,在满足总发送功率约束和干扰功率约束的条件下,提出一种结合泰勒级数展开法和拉格朗日乘子法的交替优化算法,联合优化了发送协方差矩阵和RIS相移矩阵。最后,仿真结果验证了所提算法的有效性。

面向6G移动通信的可重构智能反射表面技术研究综述

伴随移动通信技术的迅猛发展,复杂多变环境和高能耗将是当前以及未来移动通信面临的主要问题,低能耗、高效通信环境自适应调整将是移动通信技术发展的必经之路。可重构智能反射表面(Reconfigurable intelligent surface,RIS)技术的发展,为移动通信提供了低能耗、通信环境自适应可重构服务,满足了复杂通信场景下多样化设备服务需求。本文首先对RIS技术从原理、特点、优势等方面进行了概述;然后针对RIS具体的应用场景,对RIS技术优势进行总结;最后在现有工作基础上,总结了RIS技术可能面临的技术挑战,并进一步论述与展望RIS技术的发展方向。RIS技术将会进一步推动移动通信技术的变革,助力移动通信技术面向未来复杂、智能化场景应用需求。

透射反射双功能RIS辅助的SWIPT系统研究

研究了一种透射反射双功能可重构智能表面(Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface,STAR-RIS)辅助的无线携能通信(Simultaneous Wireless Information and Power Transfer,SWIPT)系统。部署STAR-RIS以辅助从多天线接入点(Access Point,AP)到多个单天线信息解码接收器(Information Decoding Receiver,IDR)和能量收集接收器(Energy Harvesting Receiver,EHR)的信息或功率传输。目标是通过联合优化其发射预编码矩阵及STAR-RIS的反射和透射系数矩阵,在IDR可实现通信速率和EHRs的能量收集量约束下,使AP的发射功率最小化。然而,这个优化问题是非凸的,变量之间有着复杂的耦合。为了解决这一问题,采用交替优化算法解耦耦合的变量,对发射预编码矩阵及STAR-RIS的反射和透射系数矩阵可以分别使用半正定松弛(Semidefinite Relaxation,SDR)算法和基于惩罚的算法进行优化。仿真结果表明,STAR-RIS系统方案可以获得比传统的仅反射或仅透射RIS更好的性能。

车联网环境下可重构智能反射面辅助无线信道估计算法

针对上行链路车联网环境下可重构智能反射面(RIS)辅助多用户的信道估计问题,提出了一种基于位置信息辅助的压缩感知信道估计算法。首先,基于通信设备位置信息,搭建单RIS辅助单用户通信模型,根据波束出发角(AOD)与到达角(AOA)的逻辑关系推导了最优相移矩阵,然后根据获得的相移矩阵,基于压缩感知理论构建了感知矩阵并进行信道估计,最后扩展到多用户场景下迭代求解。基于车联网技术获得的位置信息求解最优RIS相移矩阵,减少了信道额外的训练开销,进一步降低了信道估计的复杂度。仿真结果表明,所提算法具有较高的信道估计性能。

基于空中可重构智能表面的低轨卫星高通量通信

卫星通信凭借其全球覆盖、抗干扰能力强和稳定的通信质量,在通信领域展现出广阔的应用前景。针对新一代通信技术对于高速率、低时延和覆盖增强的需求,提出了一种低轨卫星、无人机和可重构智能表面协作的空天地一体化网络框架。从高通量卫星通信的角度出发,制订了一个通信容量最大化方案。该方案基于最大化-最小化算法和深度确定性策略梯度算法联合优化反射相移和无人机轨迹。仿真结果表明,所提方案能够显著提升通信容量。

可重构智能表面通信系统的离散相位误差分析

针对可重构智能表面(RIS)实际部署中理想连续相位难实现,造成的性能下降问题,提出一种包含离散相位误差的RIS辅助通信系统。基于三维统计型信道模型,推导该系统遍历容量的近似值表达式。对比理想连续相位的系统后,推导不同相位量化水平的容量损失。仿真验证了遍历容量近似值与蒙特卡罗仿真值能够匹配,同时表明使用一定精度(本文是3至4比特)的相位离散化方案足以逼近连续相位系统的遍历容量。这为RIS的低硬件成本和复杂度的实际应用提供了理论支撑。

RIS辅助卫星物联网中基于压缩感知的SCMA信号重构

卫星物联网是未来6G网络重要组成部分,在地面部署可重构智能反射面(Reconfigurable Intelligence Surface,RIS)则能进一步增强天地之间信号的传输能力;然而海量设备的接入和检测,以及RIS的引入带来的较高复杂度,给系统设计与实现带来挑战。针对卫星物联网设备和业务稀疏特性,本文提出了一种基于压缩感知的信号重构算法,旨在提高系统的接入用户数和检测成功率,同时降低检测的复杂度。首先,介绍了RIS辅助的卫星物联网系统架构,构建了天地信道模型和星上接收信号模型。然后考虑到卫星物联网地面终端的稀疏性和业务的稀疏性,结合稀疏码分多址(Sparse Code Multiple Access,SCMA)和压缩感知的信号处理方法,通过合理设计SCMA中的稀疏码字,将多用户检测转化为压缩感知理论中的信号重构。最后提出了一种演进的近似消息传播算法(Evolved Approximate Message-Passing,EAMP)来实现压缩感知中的信号重构。仿真结果表明,RIS辅助的SCMA系统与功率域的非正交多址接入技术相比可以提高系统的吞吐量性能,同时EAMP算法相比传统的SIC算法具有更高的正确检测概率和更低的算法复杂度。

多智能反射面辅助毫米波级联信道估计方法

针对多智能反射面(IRS)辅助的毫米波通信系统中存在信道耦合复杂、信道规模大、多跳级联信道估计导频开销大以及估计困难的问题,基于压缩感知理论提出一种高效的级联信道估计方法。首先,基于毫米波信道固有的稀疏特性,利用Katri-Rao和Kronecker乘积的性质,找到大规模多跳级联信道的稀疏表示方式;然后,将大规模级联信道估计问题转化为多个稀疏信号的恢复问题;最后,使用改进OMP算法恢复大规模级联信道。仿真结果表明,所提方法可以极大地减少多跳级联信道估计导频开销,并且可以准确地估计多跳级联信道的状态信息。

STAR-RIS辅助的NOMA系统物理层安全性能优化

针对实际通信场景中非理想信道状态信息以及非理想串行干扰删除等非理想因素的强耦合特性使可同时反射和透射的可重构智能超表面(STAR-RIS)辅助的非正交多址接入(NOMA)传输系统安全性能无法准确衡量的问题,提出了基于惩罚对偶分解(PDD)和块坐标下降(BCD)的融合算法,联合优化基站的波束成形矢量和STAR-RIS相移系数,实现系统最低安全传输速率的最大化。结果表明,所提融合算法相比BCD算法可以明显增加最低安全传输速率,性能至少提升10%。

STAR-RIS辅助通信感知一体化系统联合波束成形设计

提出同时将透射和反射可重构智能表面(Simultaneously transmitting and reflecting reconfigurable intelligent surfaces,STAR-RIS)与通信感知一体化(Integrated sensing and communication,ISAC)系统结合,以实现全空间的通信与感知。同时在STAR-RIS上应用一种低成本的传感器实现了在STAR-RIS上进行目标感知,解决了雷达感知的严重路径损耗问题。基于此,本文研究了STAR-RIS辅助位于STAR-RIS两侧的多用户多输入单输出(Multi-usermulti-input single-output,MU-MISO)以及一个位于STAR-RIS透射侧的目标的ISAC系统,旨在联合优化STAR-RIS的被动波束成形矩阵和ISAC基站处的主动波束成形矩阵,以最大化用户的通信和速率,同时满足目标感知的最低信噪比要求。为了解决优化过程中的非凸问题,提出了一种基于分式规划的块坐标上升算法,将优化变量分为几个块变量交替优化。在迭代优化后续波束成形问题上,应用了连续凸逼近和半正定松弛算法。与传统的可重构智能表面相比,仿真结果验证了在ISAC系统中部署STAR-RIS的优点。同时将所提的基于分式规划的算法与基于加权最小均方误差的算法进行了对比并验证了所提算法在提高通信和速率上的优势和有效性。

基于STARS的安全认知无线电联合波束成形优化算法

基于可重构智能表面(RIS,reconfigurable intelligent surface)的安全认知无线电(SCR,secure cognitive radio)系统均假设次用户(SU,secondary user)和主用户(PU,primary user)在基站(BS,base station)的同一侧,仅能够实现通信区域的部分覆盖,限制了RIS部署的灵活性和有效性。为了解决上述问题,提出了一种新的基于同时透射和反射表面(STARS,simultaneously transmitting and reflecting surface)的SCR系统。在该系统中,STARS能够实现通信区域的全覆盖,利用透射波束成形向量提高SU的接收信号强度,同时利用反射波束成形向量降低SU对PU的干扰,为SCR系统的设计提供了新的优化自由度(DoF,degree of freedom)。考虑SU保密率约束、PU干扰功率约束(IPC,interference power constraint)和STARS透射/反射参数约束,从降低系统总功耗角度出发,以最小化BS发射功率为目标,构建BS主动波束成形向量和STARS透射/反射波束成形向量联合优化问题。这一最小化问题是变量耦合非凸问题,很难直接求解,提出了基于凸差松弛(DCR,difference-of-convex relaxation)方法和顺序秩一约束松弛(SROCR,sequential rank-one constraint relaxation)方法的交替优化(AO,alternating optimization)算法,联合设计BS主动波束成形向量和STARS透射/反射波束成形向量。仿真结果表明,所提算法具有良好的收敛性能,能够有效降低SU对PU的干扰,且与传统RIS、随机相位、最大比传输(MRT,maximum-ratio transmission)和等能量分裂(Equal ES,equal energy splitting)方案相比,BS发射功率分别降低了8.3%、15.4%、5.9%和5.3%。

基于压缩感知的STAR-RIS辅助毫米波系统信道估计

一种可同时透射和反射的可重构智能表面(simultaneously transmitting and reflecting reconfigurable intelligent surface,STAR-RIS)可以同时辅助位于其两侧用户的无线通信。针对STAR-RIS辅助下的双用户毫米波通信系统的上行链路信道估计问题进行了研究,并对两用户在角度域的联合稀疏特性进行了探究。基于级联信道的联合稀疏特性和压缩感知理论,将级联信道估计问题转化为稀疏信号恢复问题,并提出了一种位置判决正交匹配追踪(position-judgment orthogonal matching pursuit,PJ-OMP)算法以减少导频开销。仿真结果显示,与传统的正交匹配追踪(orthogonal matching pursuit,OMP)算法相比,所提出的算法能够减少信道估计的导频开销,即使在某一侧用户所分配的能量较少时也能够准确地估计信道。

BIOS辅助的无人机通信系统的联合优化

智能全表面作为可重构智能反射面的重要成员,因其能够同时服务于超表面两侧的用户设备而受到了越来越多的关注。为了解决城市场景中无人机与地面用户设备受到障碍物阻挡的问题,研究了一种基于双层智能全表面(BIOS)辅助的无人机通信系统的联合优化,目标是通过联合BIOS的两个相移设计和无人机飞行轨迹设计最大化所有用户的和速率。虽然由于其非凸性而难以求解最优解,但为了解决该问题,提出了有效的算法来获得高质量的次优解。仿真表明,BIOS相对于传统的智能反射面辅助无人机通信,用户设备的和速率显著提高。

STAR-RIS辅助多载波通信感知一体化系统的资源优化

针对频谱资源短缺和传统的智能反射面无法实现全空间覆盖的问题,研究了同时透射和反射的可重构智能表面(simultaneously transmitting and reflecting reconfigurable intelligent surface, STAR-RIS)辅助通信感知一体化系统。通过分配功率和子载波资源并优化STAR-RIS系数矩阵,使得在保证感知功能的前提下,最大化通信和速率。设计了一种交替优化算法,将多变量之间相互耦合的非凸问题解耦转化为3个凸的子问题。首先,松弛子载波选择变量后使用惩罚函数和逐次凸逼近算法;然后,直接求解功率分配变量的凸子问题;最后,使用半正定规划并把秩一约束改写为核范数与谱范数之差,将其作为惩罚函数,使用逐次凸逼近以优化STAR-RIS系数矩阵。仿真结果表明,与传统RIS相比,所提方案的性能取得了显著提升。

STAR-RIS辅助ISAC系统波束赋形优化方法

本文提出了将通信感知一体化(Integrated Sensing and Communication,ISAC)系统与同时透射和反射可重构智能表面(Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surfaces,STAR-RIS)相结合的系统模型,解决了传统可重构智能表面RIS不能实现全空间通信与感知的问题;同时考虑在STAR-RIS上安装低成本的专用传感器以实现ISAC系统在STAR-RIS上执行目标感知的一种新颖有源架构,解决了雷达感知的严重路径损耗问题.本文旨在联合优化ISAC基站处的波束赋形和STAR-RIS的无源波束赋形,以最大化通信用户的加权和速率(Weighted Sum Rate,WSR),同时保证感知性能的最低信噪比(signal-to-noise ratio,SNR).为了解决该复杂非凸优化问题,交替优化基站波束赋形及STAR-RIS无源波束赋形.针对所提的满足雷达感知SNR最低要求下最大化WSR问题,基站处波束赋形的优化子问题等价为加权最小均方误差(Weighted Minimum Mean Square Error,WMMSE)问题,STAR-RIS处无源波束赋形优化子问题等价为分式规划(Fractional Programming,FP)问题.进一步,分别将优化的非凸子问题转化为二次约束二次规划(Quadratic Constraint Quadratic Programming,QCQP),并使用半正定松弛(Semidefinite Relaxation,SDR)技术将它们分别转化为凸的半正定规划(Semidefinite Programming,SDP)子问题进行迭代求解.仿真结果验证了所采用新型STAR-RIS辅助ISAC方案的优点和所提算法在提高WSR性能上的有效性.

双STAR-RIS辅助下行NOMA系统中最大化和速率的方法

对于两个同时透射和反射的智能可重构表面(STAR-RIS)辅助的下行非正交多址接入(NOMA)系统,该文提出一种最大化和速率的方法。首先构建最大化和速率的优化问题,优化参数为STAR-RIS相移、功率分配和时间分配;然后用半正定规划法(SDP)优化双STAR-RIS相移;最后,用迭代的方法交替优化功率分配和时间分配,在每次迭代过程中分别用拉格朗日对偶分解法优化功率分配和函数极值法优化时间分配。仿真结果显示,双STAR-RIS辅助的NOMA系统的和速率高于单STAR-RIS辅助的NOMA系统。

一种基于超分辨率网络的RIS信道估计方法

为了在可重构智能反射面(Reconfigurable Intelligent Surface,RIS)辅助通信系统中精确估计信道,并解决信道估计开销过高的问题,提出了一种基于快速超分辨率卷积神经网络(Fast Super-Resolution Convolutional Neural Network,FSRCNN)的信道估计方案。在信道估计的初始阶段,选择关闭部分反射元件,并借助少量导频信号完成信道估计,将估计结果视为低精度与低分辨率(Low Resolution,LR)的图像,通过线性插值将其扩展为具有低精度的高分辨率(High Revolution,HR)图像。随后,利用FSRCNN提高估计结果的精度,并通过基于深度残差网络的噪声去除模型(CNN-based Deep Residual Network,CDRN)进一步提升信道估计的准确性。数值结果表明,相较于基准方案,所提的信道估计方案在保持低信道估计开销的同时,得到了更准确的信道估计结果。