可重构智能表面通信系统的渐进信道估计方法

　　摘要：针对现有可重构智能表面(reconfigurableintelligentsurface,RIS)的信道估计方法中反射系数为随机配置而导致接收端信噪比较低的问题，提出了一种配置特定反射系数的渐进式信道估计方法。该方法利用非完整信道状态信息(channelstateinformation,CSI)计算出当前时刻下的最优反射系数，然后将该最优反射系数与随机反射系数按照加权系数生成混合反射系数。在下一时刻RIS配置该混合反射系数，接收端使用松弛最小均方误差(relaxedminimummean-square-error,RMMSE)信道估计方法来更新非完整信道状态信息。仿真结果表明，提出的方法不仅能获得准确的信道估计结果，也能在估计过程中不断增大接收端信噪比，并减小导频开销，从而提高RIS辅助无线通信系统的频谱效率。

　　关键词：可重构智能表面;信道估计;混合反射系数;松弛最小均方误差;信噪比

　　0引言

　　近年来，随着无线通信技术的快速发展，以可重构智能表面(reconfigurableintelligentsurface,RIS)为代表的人工电磁材料作为极具前途的辅助技术被引入无线通信系统中[1-3]。RIS是由大量无源反射单元所组成的平面阵列，从微观上看，可以人为地控制每个反射单元的反射系数(包括相位和幅度)，使其对入射的电磁波独立施加可控影响;从宏观上看，可以协同控制所有反射单元，来改变反射波束的数量、方向、散射程度等。因此，RIS能够实现对无线通信系统传播环境的改造，使得收发机之间的等效传输信道在一定程度上可控，从而提高通信系统的性能，实现信号的优化传输[4-7]。

　　通信技术论文范例： 海上无线通信技术现状与挑战

　　当RIS被部署在无线通信系统中时，需要设计合适的反射系数，才能获取到最佳的性能增益。RIS最优反射系数的计算与信道状态信息(channelstateinformation,CSI)相关，因而一般是在完成信道估计后才配置最优反射系数。然而，对RIS进行信道估计面临比传统信道估计更大的挑战：RIS在进行信号反射时，其功能上属于被动无源器件，不具备信号接收、采样功能，仅能从收发端进行低维信号采样，并据此估计高维CSI。当RIS的反射单元数目较多时，待估计信道矩阵的维度较大，信道估计所需开销和计算复杂度很高。

　　近段时间以来，已有多种和RIS信道估计相关的技术路线被提出，比较有代表性的技术路线包括：①从硬件功能着手，改变RIS的被动反射特性。文献[8,9]中从硬件结构方面对RIS做了改进，即RIS中除了包含被动反射单元外，还包含由射频链路控制的主动反射单元。这些反射单元可以对到达信号进行接收采样，因此RIS端可以独立完成信道估计过程。该方案的主要缺陷是增加了RIS的硬件成本，且并未从根本上减小待估计矩阵的维度。②针对反射系数配置依赖于级联信道(cascadedchannel)的事实，对级联信道进行估计，从而减小待估计参数个数。

　　文献[10]研究了RIS辅助的大规模多输入多输出(multiple-inputmultiple-output，MIMO)系统的信道特性，提出了一种三阶段的信道估计协议，并指出大规模MIMO能够帮助减小待估计参数的数目，但其下界仍然不小于反射单元数目。文献[11]指出在设计不同导频对应的反射系数时，反射系数矩阵应该满秩，因而一般采用随机反射系数的配置方法。该文献进一步提出了一种特定反射系数配置方法使得信道估计的均方误差最小化，但在估计过程中所使用的导频数目仍然大于反射单元数目。③针对毫米波频段波束域信道模型，采用稀疏信号检测技术来估计波束角度和增益参数。文献[10,11]均提出了基于压缩感知的信道估计方法，先后求解出信道中的角度和路径增益。

　　然而该类方法只适用于稀疏性信道模型，不适用于低频频段等非稀疏信道的通信场景，且其中求解稀疏问题时涉及到克罗内克积运算，需要极大的计算量来获得精确的估计值。综上所述，现有的RIS信道估计方法仍然普遍存在导频开销大等问题，造成大量时间用于发送导频和信道估计而使得系统频谱效率下降。其根本原因在于当RIS的反射系数处于随机配置状态时，接收端功率较小、信噪比较低且不稳定，无法尽早开始发送数据。如果能在信道估计过程中令RIS配置特定的优选反射系数，即可稳定和逐步增大接收信号功率，进而使得接收端能实时监测信号功率，并通知发射端尽早开始数据传输，减小导频开销。

　　基于以上分析，本文提出一种将信道估计过程与反射系数配置相结合的传输方法。该方法的核心思想是在初始时刻为RIS配置随机反射系数，发射端发送导频，接收端通过松弛最小均方误差(relaxedminimummean-square-error,RMMSE)方法来估计出级联信道，并利用估计所得的非完整信道状态信息来计算下一时刻的最优反射系数，并对RIS配置由最优反射系数和随机反射系数组成的混合反射系数。接下来重复信道估计与混合反射系数配置的步骤。

　　随着发送导频数目的增加，信道估计的结果越来越接近于真实信道，计算所得的最优反射系数也越来越接近于完整信道状态信息下的最优反射系数，接收信号功率也会稳定、渐进增加，接收端可持续监测信噪比是否达到预定门限，若达到则通知发射端尽早开始数据传输，减小导频开销。Matlab仿真结果表明，相对于RIS配置随机反射系数的算法，本文提出的混合反射系数配置算法能够获得更为准确的级联信道估计值，且在信道估计过程中，接收端的信噪比能够稳定持续增大，通信系统的频谱效率等性能有了较大的提升。

　　1系统模型

　　本文考虑上行链路的单输入多输出(single-inputmultiple-output，SIMO)系统模型，RIS被部署来辅助一个单天线用户到基站的数据传输。

　　2信道估计方法

　　2.1方法流程介绍由于用户与基站之间的直达信道可以在关闭RIS的状态下利用传统信道估计方法快速获得，因此本文提出的估计方法中只对RIS信道进行估计。

　　3仿真与数值结果分析

　　本节采用数值仿真的方法来评估提出的信道估计算法给RIS辅助通信系统所带来的性能提升。在仿真场景中，基站端配置16根天线，天线间距设置为半波长。RIS含有1616个反射单元，反射单元间距设置为半波长。信道模型中，视距分量的角度参数,,均从0,2的范围内独立随机生成，信道莱斯因子设置为12KK13.2dB。用户发送的导频信号为服从均值为0，方差为1的复高斯分布的随机数，修正公式中的正值步长设置为=1。根据文献[10]中的结论，传统信道估计方法至少需要个时隙来获取信道估计结果，因此仿真中涉及的总时隙数设置为TN256。

　　3.1估计信道矩阵的秩

　　为了验证3.1节中的配置局部最优反射系数会导致估计信道秩亏这一结论，仿真中分别在有噪声和无噪声的场景下对RIS配置局部最优反射系数来进行信道估计，并将其与有噪声场景下RIS配置随机反射系数的估计方法相比较。

　　当信道估计过程中使用随机反射系数配置时，估计信道的秩随着发送导频数目增加而增大，增大到16时不再发生变化。当信道环境为无噪声的理想情况时，如果一直使用局部最优反射系数的配置，则信道估计结果始终保持不变，其秩恒为1。但实际的信道环境中总是存在噪声，由于噪声的随机性，即便RIS配置相同的反射系数，对应的接收信号亦不同。此时估计信道矩阵的秩虽然仍会增大，但并非持续性的过程，而是如红色曲线所示的间断性过程。所以为了避免估计信道秩亏，在估计过程中不能为RIS配置局部最优反射系数，而要配置3.2节中的混合反射系数。

　　当=0.3时，瞬时接收功率已呈现出稳定增加的趋势，但由于混合反射系数中随机反射系数所占的权重更大，其增长幅度较小;当取值为0.50.70.9 时，瞬时接收功率已经有了更为稳定的增长幅度。特别地，当=0.7时，混合反射系数中局部最优反射系数的权重略高于随机反射系数的权重，不仅可以保证信道估计结果的准确度，也能让瞬时接收功率以较大幅度增长，其在=100之前的时刻即可开始发送数据，在信道估计过程中可以减小更多的导频开销。

　　混合配置算法能使接收功率单调增长，而随机配置算法及文献[10]的算法的接收功率却处于波动状态。其次，接收端可以根据不同的功率阈值来确定开始传输数据的时刻，提前传输数据在一定程度上减小了导频开销，这是本文算法的优势之一。同时也可以看出，归一化权重的取值至关重要，因此下一小节将着重分析的变化对算法性能的影响。

　　3.2归一化权重值对性能的影响

　　局部最优反射系数及归一化权重的配置会影响信道估计结果，而估计结果又会影响下一时刻局部最优反射系数的计算，同时估计结果本身还受到信噪比等参数的影响，因此要从理论分析中获取最优归一化权重值是较为困难的。本节中选取反射单元个数以及信噪比两个参数，从仿真实验来分析它们对最优归一化权重值的影响。

　　4结论

　　基于RIS辅助的通信系统，本文提出了一种与反射系数配置相结合的渐进式信道估计方法。在信道估计过程中，利用非完整信道信息来计算该条件下的最优反射系数，并为RIS配置由最优反射系数和随机反射系数组成的混合反射系数，再更新非完整信道信息。随着发送导频数目的增加，信道估计结果越来越接近于真实信道，接收信号功率也逐步增加。仿真结果表明，混合反射系数中最优反射系数的归一化权重对算法的性能至关重要，当取值较小时，信道估计结果准确度较高;当取值较大时，可使发射端尽早开始传输数据。在实际系统中应用时，应将取值为0.7，使估计结果与接收功率处于一个平衡的状态，让算法发挥出更优的性能。

　　参考文献

　　[1]MARCODR,ZAPPONEA,DEBBAHM,etal.Smartradioenvironmentsempoweredbyreconfigurableintelligentsurfaces:howitworks,stateofresearch,andtheroadahead[J].IEEEJournalonSelectedAreasinCommunications,2020,38,(11):2450-2525.

　　[2]WUQQ,ZHANGR.Towardssmartandreconfigurableenvironment:intelligentreflectingsurfaceaidedwirelessnetwork[J].IEEECommunicationsMagazine,2020,58(1):106-112.

　　[3]LIANGYC,LONGRZ,ZHANGQQ,etal.Largeintelligentsurface/antennas(LISA):makingreflectiveradiossmart[EB/OL]. https://arxiv.org/abs/1906.06578.

　　[4]BASARE,MARCODR,JULIENDR,etal.Wirelesscommunicationsthroughreconfigurableintelligentsurfaces[J].IEEEAccess,2019,7:116753-116773.

　　[5]HUS,RUSEKF,EDFORSO.BeyondmassiveMIMO:thepotentialofdatatransmissionwithlargeintelligentsurfaces[J].IEEETrans.onSignalProcessing,2018,66(10):2746-2758.

　　作者：党建1,3，李业伟1，朱永东2，郭荣斌2，张在琛1,3,*，吴亮1,3