智能反射面鲁棒波束成形方法及系统转让专利
申请号 : CN202011434672.5
文献号 : CN112422162B
文献日 : 2021-08-10
发明人 : 陈希雨 , 邓永昌 , 林嘉烨 , 谭源正 , 龚世民
申请人 : 中山大学
摘要 :
权利要求 :
1.智能反射面鲁棒波束成形方法,所述方法应用的系统包括具有多根发射天线的基站、具有多个反射元件的智能反射面及单天线的接收器,其特征在于,包括:基于不确定性信道的估计误差建立所述信道的不确定性模型;其中,所述不确定性信道包括第一信道和第二信道,所述第一信道为从基站到智能反射面的信道,所述第二信道为从基站经智能反射面到接收器的信道;
根据所述不确定性模型构建智能反射面的功率预算约束和接收器的信噪比约束,根据所述功率预算约束和信噪比约束构建不确定性信道的波束成形优化模型;
根据迭代算法求解所述波束成形优化模型,联合优化基站的主动波束成形和智能反射面的反射系数来最小化基站的发射功率;
所述不确定性模型具体包括:第一信道的不确定集 和第二信道的不确定集 ,, ;其
中,H为第一信道,Hf为第二信道, 为H的平均信道估计,Δh表示H的误差估计, 表示矩阵的迹, 为误差估计Δh的功率极限, 为Hf的平均信道估计,Δf表示Hf的误差估计,为误差估计Δf的功率极限;
所述智能反射面的功率预算约束为:;
其中,η为智能反射面的功率收集系数,为反射元件的反射系数, 为基站的主动波束H
成形, 为基站到第n个反射元件的信道矢量的转置,H 为第一信道的信道矩阵的转置,μ为单个反射元件的功耗,N为智能反射面中反射元件的数量,1≤n≤N;
所述接收器的信噪比约束具体为:其中,g为从基站到接收器的直接信道,θ为反射元件的相移向量, 为常数, 表示信道最坏状态下接收器的信噪比要求;
所述波束成形优化模型具体为: ;
;
;
;
其中, 为基站的发射功率, 为相移向量 中的第n个元素。
2.根据权利要求1所述的智能反射面鲁棒波束成形方法,其特征在于,根据迭代算法求解所述波束成形优化模型之前还包括:将所述功率预算约束和信噪比约束进行凸重构转化为线性矩阵不等式,将所述波束成形优化模型转化为半正定规划模型。
3.根据权利要求1所述的智能反射面鲁棒波束成形方法,其特征在于,所述根据迭代算法求解所述波束成形优化模型具体包括:当主动波束成形矩阵的迹的变化量大于预设值时,将主动波束成形和相移的优化分解为两个子问题,选取相移来最大化智能反射面辅助下的信道增益,利用反射系数求解不确定性信道的波束成形优化模型,解得主动波束成形矩阵的迹,更新所述主动波束成形矩阵,计算反射系数的最大值,根据所述最大值更新反射系数,重复上述过程直至主动波束成形矩阵的迹的变化量小于预设值。
4.智能反射面鲁棒波束成形系统,其特征在于,包括:不确定性模型构建模块,用于基于不确定性信道的估计误差建立所述信道的不确定性模型;其中,所述不确定性信道包括第一信道和第二信道,所述第一信道为从基站到智能反射面的信道,所述第二信道为从基站经智能反射面到接收器的信道;
波束成形优化模型构建模块,用于根据所述不确定性模型构建智能反射面的功率预算约束和接收器的信噪比约束,根据所述功率预算约束和信噪比约束构建不确定性信道的波束成形优化模型;
波束成形优化模型求解模块,用于根据迭代算法求解所述波束成形优化模型,联合优化基站的主动波束成形和智能反射面的反射系数来最小化基站的发射功率;
所述不确定性模型具体包括:第一信道的不确定集 和第二信道的不确定集 ,, ;
其中,H为第一信道,Hf为第二信道, 为H的平均信道估计,Δh表示H的误差估计,表示矩阵的迹, 为误差估计Δh的功率极限, 为Hf的平均信道估计,Δf表示Hf的误差估计, 为误差估计Δf的功率极限;
所述智能反射面的功率预算约束为:;
其中,η为智能反射面的功率收集系数,为反射元件的反射系数, 为基站的主动波束H
成形, 为基站到第n个反射元件的信道矢量的转置,H为第一信道的信道矩阵的转置,μ为单个反射元件的功耗,N为智能反射面中反射元件的数量,1≤n≤N;
所述接收器的信噪比约束具体为:其中,g为从基站到接收器的直接信道,θ为反射元件的相移向量, 为常数, 表示信道最坏状态下接收器的信噪比要求;
所述波束成形优化模型具体为:;
;
;
;
其中, 为基站的发射功率, 为相移向量 中的第n个元素。
5.根据权利要求4所述的智能反射面鲁棒波束成形系统,其特征在于,还包括:波束成形优化模型转化模块,用于将所述功率预算约束和信噪比约束进行凸重构转化为线性矩阵不等式,将所述波束成形优化模型转化为半正定规划模型。
说明书 :
智能反射面鲁棒波束成形方法及系统
技术领域
背景技术
加的能耗仍然亟待解决。因此,研究如何为无线网络找到创新、节能且经济高效的解决方案
意义重大。5G物理层技术通常能够适应空间和时间变化的无线环境,但信号传播本质上是
随机的,在很大程度上是不可控制的。基于上述原因,智能反射平面(IRS)被认为是一种很
有前途的新技术。
的不确定性,对性能提出了很高的要求。由于问题结构的非凸性,目前主流的基于交替优化
(AO)框架的解决方案效果不佳。
的被动特性,这需要涉及IRS的信道检测和信号处理功能,这变得非常具有挑战性。随着IRS
散射元素的尺寸变大,AO方法的计算复杂度可能会显著增加,这使得相关技术在动态环境
中难以实施。
发明内容
信道为从基站经智能反射面到接收器的信道;
正定规划模型。
误差估计,δf为误差估计Δf的功率极限。
波束成形, 为基站到第n个(1≤n≤N)反射元件的信道矢量的转置,H为第一信道的信道
矩阵的转置,μ为单个反射元件的功耗,N为智能反射面中反射元件的数量。
取相移来最大化智能反射面辅助下的信道增益,利用反射系数求解不确定性信道的波束成
形优化模型,解得主动波束成形矩阵的迹,更新所述主动波束成形矩阵,计算反射系数的最
大值,根据所述最大值更新反射系数,重复上述过程直至主动波束成形矩阵的迹的变化量
小于预设值。
能反射面的信道,所述第二信道为从基站经智能反射面到接收器的信道;
的波束成形优化模型;
误差估计,δf为误差估计Δf的功率极限。
基于不确定性信道的估计误差建立所述信道的不确定性模型;其中,所述不确定性信道包
括第一信道和第二信道,所述第一信道为从基站到智能反射面的信道,所述第二信道为从
基站经智能反射面到接收器的信道;根据所述不确定性模型构建智能反射面的功率预算约
束和接收器的信噪比约束,根据所述功率预算约束和信噪比约束构建不确定性信道的波束
成形优化模型;根据迭代算法求解所述波束成形优化模型,联合优化基站的主动波束成形
和智能反射面的反射系数来最小化基站的发射功率。
噪比要求和智能反射面最坏情况下的功率预算约束,提出了一种新的启发式方案来分解不
确定性场景下IRS的相移和AP的主动波束成形,然后重新制定一个鲁棒的对应模型,对其进
行联合优化;优化分解的启发式算法对最坏状态约束进行凸重构,将其转化为半定矩阵不
等式并进行迭代求解,可以有效地优化AP的发射波束成形和IRS反射系数的大小,使多输入
单输出(MISO)系统中的AP发射功率最小化。
附图说明
具体实施方式
容更加透彻全面。
体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相
关的所列项目的任意的和所有的组合。
面临的通信质量及环境不确定性影响、时延和能耗功耗问题依然是其发展和全面应用的阻
碍。
网络传输革命性技术,它可以提高无线通信的能量和频谱效率。IRS由大量物理尺寸等于信
号波长的无源反射元件组成,这些元件相互连接并由嵌入式IRS控制器进行控制,通过对所
有反射元件的复反射系数进行联合控制(即被动波束成形),能够增强接收端的信号强度。
IRS的被动波束成形技术以及收发器的传输控制技术联合优化可以进一步提高网络性能。
目前,IRS已经应用于各种场景中,其在无线通信中扮演着不同的角色,例如环境反射器、信
号发送器以及接收器,可以用于增强无线功率传输、移动边缘计算和车辆通信。IRS旨在通
过无源波束成形实现信道容量和能量效率的最大化或发射功率的最小化,在增强物理层安
全性方面也有较强的应用价值。
个更实际的案例上,同时考虑IRS‑接收器信道以及AP‑IRS信道,考虑到接收器的最不确定
情况和IRS的最坏情况下的功率预算约束。
器,包括:
二信道为从基站经智能反射面到接收器的信道;
为接收器,AP‑IRS之间信道H与IRS‑接收器之间信道f具有不确定性,AP‑IRS之间采用主动
波束成形的方式进行通信,IRS‑接收器之间采用被动反向散射的方式进行通信,AP‑接收器
之间采用主动波束成形的方式进行通信。
元件的数量远远大于AP天线的数量,IRS控制器能够根据信道条件动态调整各反射单元的
相移和幅值。相移和幅值的联合控制,即被动波束成形,提供了按需塑造物理信道的能力。
本实施例中,用 来分别表示AP‑接收器,AP‑IRS和IRS‑接
收器的复信道。
表示IRS的被动波束成形,其中diag(a)表
示对角矩阵,对角向量由a给出。
化。特别地,可以将从AP到接收器的等效信道重写,如式(1)所示:
2
轭转置, 表示均值为零,方差为σ的高斯噪声。在不失一般性的情况下,可
以将噪声的方差归一到单位1。因此,接收器处的信噪比(SNR)可以表示为:
2 2
量。通过调整反射系数ρ,一部分ρ的入射信号功率被反射到接收器,同时另一部分1‑ρ被送
入能量收集器。
率预算约束:
转置,H是H的共轭转置,IRS的功率消耗与反射元件的数量和相位分辨率有关。本实施例假
定所有相位变换的比特分辨率在一个函数上都是相同的,因此,IRS的功耗可以表达为N μ,
其中,μ表示IRS中单个反射元件的功耗。
影响。本实施例中,假设主动接收端在训练过程中能够准确地估计出从AP到接收器的直接
信道g。特别地,AP可以用固定的发射功率向接收器发送已知的导频信息,同时,IRS关闭其
反射元件,在接收端可以根据接收到的信号样本恢复信道g。然而,采用被动散射单元的IRS
由于无法与主动收发器进行常规的信息交换,因此IRS面临着准确的信道估计的挑战。
AP到IRS的信道误差估计。特别地,误差估计Δh的功率密度是有限的。因此,AP‑IRS的信道H
定义不确定集 可以定义如下:
接收器端通过监听来自AP和IRS反射信号的混合信号来进行。
f1,f2...fN组成向量f。
确定性模型,假定所有IRS反射元件都具有相同的反射系数ρ,这一简化能够把对反射系数ρ
和相位向量 的优化解耦,同时可以把IRS增强后的信道重写为
2 H 2
IRS的能量收集同样可被简化为η(1‑ρ)||Hw||。
虑一个接收端,通过对每个用户施加不同的信噪比要求,可以很容易地将其扩展到多用户
情况。
下的协同优化可以通过传统交替优化(AO)方式解决。在给定波束成形传输功率w后,(7b)‑
(7c)中对最坏情况的约束划定了反射系数ρ的上下界,这表明可以采用线性搜索方式来使ρ
优化。另一个困难来自于(7b)‑(7c)中的半无限约束,对于不确定集中的任何信道误差估计
都必须保持这种约束。在动态的网络环境中,这变得非常难以实时解决。
信道条件下,(7b)中IRS协助的信道ρHfθ与从AP到接收器之间的直接信道g对齐。
合,不一定能取得问题(7)的最优解,但这仍然表明IRS可以通过相位的调谐增强直接信道
g。因此,本实施例可以将w和θ分解为两个子问题的优化算法。显然,由于反射元件的规模很
大,(8)的相位解并不唯一。基于假设(1),本实施例可以选择θ来使IRS辅助信道的信道增益
最大化。这意味着使用二分法来搜索最大增益,即 和对应的相位向量
θ是可行的。考虑到(6)中的信道不确定性模型,特别地,可以将(8)中的Hf用其平均估计值
代替。
×N阶的单位矩阵,大小为MN,半正定矩阵P是ww的一级松弛,即
是线性的波束成形矩阵P。然而,由于ρ和P的二次耦合,(9)中产生的约束仍然是非凸
的。很显然,对于任何固定ρ,在(9)中的约束将成为一个线性矩阵不等式,其中凸的项包含P
和辅助变量t。
凸的。在固定ρ的情况下,不难验证约束(9),(10)将会变成线性矩阵不等式。因此,问题(12)
可以被半正定规划有效地解决。
质,再设计一个简单的迭代算法,以搜索(ρ,w)。
中的优化对象得到了更好的解wn,这一现象与前面的假设相矛盾。
H 2 2 H 2
和上限。因此,在最坏信道条件下,存在|(g+ρminHfθ)W|=γ1和η(1‑ρmax)||Hw||=Nμ。可
以设定ρm=(ρmin+ρmax)/2以确保(7b)‑(7c)中严格的不等性,这让问题完全转化为了第一种
情况,即可以将w调低以获取缩减后的发射功率。
成形w,可以通过(10)中约束定义的最大值更新ρ。
件考虑到信道估计误差,考虑了接收器的最不确定状态下的信噪比要求和IRS的最坏情况
下的功率预算约束,通过范数约束的不确定集合将AP‑IRS,IRS‑接收器建模为级联信道,保
证了鲁棒的波束成形;本实施例提出一种新的启发式方案来分解不确定性场景下IRS的相
移优化和AP的主动波束成形,利用优化分解的启发式算法对最坏状态约束进行凸重构,将
其转化为半定矩阵不等式;然后重新制定一个鲁棒的对应模型,利用有效的搜索算法来迭
代求解,联合优化主动波束成形和被动波束成形,使多输入单输出(MISO)系统中的AP发射
功率最小化,能更有效地最小化多输入单输出(MISO)系统中的AP发射功率。
松弛,进一步设计了一种迭代搜索算法,通过求解一组半正定规划,可以有效地优化AP的主
动波束成形和IRS反射系数的大小,使多输入单输出(MISO)系统中的AP发射功率最小化。
鲁棒的设计方案,通过共同优化AP的主动波束成形和IRS的无源波束成形策略来最小化AP
的发射功率。本实施例在充分考虑满足用户信噪比要求以及IRS功率预算约束的前提下最
小化天线接入点(AP)的发射功率。
反射面的信道,所述第二信道为从基站经智能反射面到接收器的信道;
的波束成形优化模型;
型。
(无源)特性导致问题极具挑战性。而本实施例将AP‑IRS,IRS‑接收器建立为级联信道模型,
考虑到了接收端的最不确定状态和IRS最坏情况下的功率预算约束。本实施例提出了一种
启发式方案来分解IRS的相移优化和AP的主动波束成形,基于最坏情况约束的半确定性松
弛,进一步设计了一种迭代算法,通过求解一组半正定规划可以有效地优化AP的主动波束
成形和IRS反射系数的大小。
过联合优化AP的主动波束成形和IRS的被动波束成形来最小化AP的发射功率。
过求解一组半正定规划,可以有效地优化AP的发射波束成形和IRS反射系数的大小。
多次。特别地,考虑一个有着2‑4个天线的AP和一个有着20‑100个反射元件的IRS。考虑一个
如图4所示的固定拓扑结构以验证我们设想的算法。其中的路径损失服从与图3等价的有着
损失指数的长距离传播模型。每米距离的路径损失为30dB。为了描述信道不确定下路径损
失的等级,定义了不确定因子如 分别对应不
确定的信道H和Hf。为简化考虑,在仿真中认为β=βh=βf,较大的β表征有较高方差的信道条
件,以及在信道估计中更高的误差。
示IRS的规模,c)表示接收器的SNR需求,d)表示AP的天线数量。对每次仿真配置,在随机产
生的信道条件下运行10次相同实验并记录在公平比较下的平均性能。在图5中展示了AP发
射功率的收敛和IRS在算法1中的反射系数数量级ρ。数量级ρ也被称为功率分割(PS)比例。
最坏情况下的接收器SNR需求和IRS的功率预算约束得到满足。随着算法迭代,AP的发射功
率明显降低,同时功率分割比例ρ增加,以将更多的无线电射频(RF)能量反射到接收器。通
过在AP端和IRS端交替地动态调整控制参数,AP可以在维持理想的服务供给水平的同时逐
渐地将其发射功率降低。可以看到图5中算法在20余次迭代后快速收敛,这验证了所设计的
算法的高效性。
的规模确定后,AP发射功率随着不确定性水平的上升而增加。由于AP需要增加其发射功率
以确保最坏情况下接收端的数据速率得到保证,这也可以被视为鲁棒性的代价。
个大尺寸的IRS可以提供更明显的性能增益。
同时提供相同的服务质量。另一方面,更大尺寸的IRS也意味着更多的能耗,这需要通过设
定更小的ρ值从AP信号的波束成形中收集更多的能量,如图6的右半部分所示。
而增加。然而,如图7的右半部分所示,功率分割比例ρ增加得更慢。IRS的功率分割比例可以
被协同地调高,以增强当用户SNR需求变得更加严苛时的信息传输。在图7中,我们研究了AP
天线数量和IRS尺寸对性能的影响。不确定性因子被固定为β=0.1。如图8的左半部分所示,
AP发射功率随着IRS的尺寸的增加而下降,这与图6中的结果一致。
IRS和多个的AP天线同时也会扩大在AP‑IRS‑接收器系统信道中的不确定性,因此鲁棒性的
代价也会更高。进一步而言,IRS的功率预算约束也限制了实际使用中可行的IRS规模。这些
现象都为非理想信道和能量条件下IRS的实际部署提供了理论支持。
者提供的服务质量相同。解决信道不确定性负面影响的另一种对策是使用较大尺寸的IRS,
而不是增加AP的发射功率。仿真结果验证了通过在无线网络中部署IRS来提高能源效率的
潜在意义。
署应用提供了理论研究基础。
仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以
结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论
的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或
通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目
的。
元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
或者说对现有技术做出贡献的部分或者该技术方案的全部或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。
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。