智能反射面信道估计论文: Channel Estimation for Reconfigurable Intelligent Surface Aided Multi-User MIMO Systems

这篇博文是对arxiv文章: 《这篇博文是对magazine文章: 《Channel Estimation for Reconfigurable Intelligent Surface Aided Multi-User MIMO Systems》的读后感记录,原文可在arxiv查找到。

作者是 Jie Chen, Student Member, IEEE, Ying-Chang Liang, Fellow, IEEE, Hei Victor Cheng, Member, IEEE, and Wei Yu, Fellow, IEEE

文章简介

在上一篇博文中,magazine文章详细列举了智能反射面的多种用途。与此同时,许多基于智能反射面系统的波束成形设计已被广泛研究。 然而,这些研究往往基于完美信道信息的假设, 但实际中, 由于智能反射面本身并不能进行信号处理, 因此相比于传统通信系统,会导致对信道的估计非常艰难。 这篇文章便是提出了智能反射面系统的一种上行信道估计算法。 根据信道的稀疏性, 作者使用了压缩感知类的算法来做信道估计

文章贡献

  • 作者指出, 由于基站与反射面往往安置在相近高度,因此其间的散射非常少, 即信道径数很有限。 因此,智能反射面系统的信道有类似于毫米波信道的稀疏性。 但是,由于智能反射面的信道由两部分组成,因此他的稀疏性又有别于普通的毫米波信道, 作者称之为 row-column-block sparse。 这个后面后细说。
  • 基于这一特殊的稀疏性, 作者针对性地提出了一种压缩感知算法, 可以相比传统方法更好的恢复信道。
  • 由于变量之间的耦合,本文采用了一种交替迭代优化的算法(alternating optimizaiton),并且分析了其收敛性。

系统模型

在这里插入图片描述
如图,文章考虑的是一个基站通过智能反射面,服务于多个用户的场景。 以下是一些符号:

  • KK: 用户数
  • MM: 基站天线数 (假定用户为单天线)
  • LL: 智能反射面反射元件数
  • U1,...,UkU_1, ..., U_k, 用户11,…用户kk
  • F\mathbf{F}: L×ML \times M, 基站到反射面的信道
  • hkH\mathbf{h}^H_k: 1×L1 \times L, 反射面到kk用户的信道
  • Vo=diag(v0)\mathbf{V}_o = \mathbf{diag}(\mathbf{v}_0)L×LL \times L的对角阵, 表示反射面对入射信道的处理(幅度和相位的调整)。本文中认为只有相位的调整。
  • 整个信道可表示为: hkHVoF\mathbf{h}^H_k \mathbf{V}_o\mathbf{F}

由于hkHdiag(v)=vTdiag(hkH)\boldsymbol{h}_{k}^{H} \operatorname{diag}(\boldsymbol{v})=\boldsymbol{v}^{T} \operatorname{diag}\left(\boldsymbol{h}_{k}^{H}\right), 我们真正要估计的信道信息其实就是:
Gk=diag(hkH)FCL×MG_{k}=\operatorname{diag}\left(h_{k}^{H}\right) F \in \mathbb{C}^{L \times M}

这一点非常重要。 但必须指出的是,这是基于用户端是单天线的假设,如果多天线的话则不再成立

估计协议

在这里插入图片描述

文章提出了一种估计的协议。 首先, 在第一阶段, 智能反射面保持不变的反射因子, 用户传输BB个正交序列,基站接收到的信号可表示为下式:

Yb=k=1KFHdiag(vb)hkskH+Ub=(a)k=1KGkHvbskH+Ub\begin{aligned} \boldsymbol{Y}_{b} &=\sum_{k=1}^{K} \boldsymbol{F}^{H} \operatorname{diag}\left(\boldsymbol{v}_{b}\right) \boldsymbol{h}_{k} \boldsymbol{s}_{k}^{H}+\boldsymbol{U}_{b} \\ & \stackrel{(\mathrm{a})}{=} \sum_{k=1}^{K} \boldsymbol{G}_{k}^{H} \boldsymbol{v}_{b} \boldsymbol{s}_{k}^{H}+\boldsymbol{U}_{b} \end{aligned}

其中UbU_b为噪声, sks_kkk个用户发送的导频序列。

最小二乘(LS)估计

文章先用了传统的LS估计。 由于假设每个用户发送的是正交序列, 即:sk1Hsk2=0s_{k_{1}}^{H} s_{k_{2}}=0 for 1k1,k2K1 \leq k_{1}, k_{2} \leq K and k1k2k_{1} \neq k_{2},因此有:

y~b,k1PTYbsk=GkHvb+ub,k\tilde{\boldsymbol{y}}_{b, k} \triangleq \frac{1}{P T} \boldsymbol{Y}_{b} \boldsymbol{s}_{k}=\boldsymbol{G}_{k}^{H} \boldsymbol{v}_{b}+\boldsymbol{u}_{b, k}

将多个用户的写到一起:

Y~k=GkHV+U~k \tilde{\boldsymbol{Y}}_{k}=\boldsymbol{G}_{k}^{H} \boldsymbol{V}+\tilde{\boldsymbol{U}}_{k}

其中, V=[v1,v2,,vB]\boldsymbol{V}=\left[\boldsymbol{v}_{1}, \boldsymbol{v}_{2}, \cdots, \boldsymbol{v}_{B}\right]Y~k=[y~1,k,y~2,k,,y~B,k]\tilde{\boldsymbol{Y}}_{k} = \left[\tilde{\boldsymbol{y}}_{1, k}, \tilde{\boldsymbol{y}}_{2, k}, \cdots, \tilde{\boldsymbol{y}}_{B, k}\right], BB是发送的训练序列数量。

那么这个的最小二乘解就是

G^k=(Y~kV)H \hat{G}_{k}=\left(\tilde{\boldsymbol{Y}}_{k} \boldsymbol{V}^{\dagger}\right)^{H}
其中, V=VH(VVH)1\boldsymbol{V}^{\dagger}=\boldsymbol{V}^{H}\left(\boldsymbol{V} \boldsymbol{V}^{H}\right)^{-1}。 这个解可以通过求导置为0得到。 而要使得(VVH)1\left(\boldsymbol{V} \boldsymbol{V}^{H}\right)^{-1}有值,V\mathbf{V}必须满足为列数>行数,这样才能满秩求逆。 因此, B>LB > L, 即只有训练序列数大于智能反射面元件数时, 才能使用LS估计, 而这在LL较大时,开销显然非常高昂。

信道的稀疏表示

发布了47 篇原创文章 · 获赞 116 · 访问量 73万+

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览