智能反射面信道状态估计方法、相位调整方法、系统

摘要

本申请实施例提供了一种智能反射面信道状态估计方法、相位调整方法、系统，属于无线通讯技术领域。信道状态估计方法包括：控制预设智能反射面的反射系数为预设反射系数；获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；根据所述初步信号功率预测模型的模型参数确定信道状态信息。相位调整方法利用接收信号功率提取智能反射面信道状态信息，然后基于该信道状态信息设计智能反射面波束赋形。本申请实施例能够实现信道状态估计，进而实现对智能反射面的波束赋形。

权利要求

1.一种智能反射面信道状态估计方法，其特征在于，所述方法包括：控制预设智能反射面的反射系数为预设反射系数；

获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；

根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

根据所述初步信号功率预测模型的模型参数确定信道状态信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型，包括：根据所述预设反射系数和所述接收信号功率构建数据对；

根据所述数据对构建训练数据集；其中，所述训练数据集包括第一反射系数和第一信号功率；

根据所述原始信号功率预测模型对所述第一反射系数进行信号功率预测，得到第一预测信号功率；

根据所述第一预测信号功率、所述第一信号功率对所述原始信号功率预测模型进行参数调整，得到初步信号功率预测模型；

获取当前参数调整轮次；

若所述当前参数调整轮次小于预设轮次，根据所述初步信号功率预测模型更新所述原始信号功率预测模型，并再次执行所述根据所述原始信号功率预测模型对所述第一反射系数进行信号功率预测。

3.根据权利要求2所述的方法，其特征在于，所述根据所述数据对构建训练数据集，包括：获取所述数据对的当前构建数量；

若所述当前构建数量小于预设构建数量，再次执行所述控制预设智能反射面的反射系数为预设反射系数；

若所述当前构建数量等于所述预设构建数量，根据预设构建比例、所述数据对构建所述训练数据集。

4.根据权利要求2所述的方法，其特征在于，所述根据所述初步信号功率预测模型的模型参数确定信道状态信息，包括：根据所述数据对构建验证数据集；其中，所述验证数据集包括第二反射系数和第二信号功率；

根据所述初步信号功率预测模型对所述第二反射系数进行信号功率预测，得到第二预测信号功率；

根据所述第二预测信号功率、所述第二信号功率计算预测误差；

将所述预测误差进行数值比较，将数值最小的所述预测误差对应的初步信号功率预测模型作为目标信号功率预测模型；

根据所述目标信号功率预测模型的模型参数确定所述信道状态信息。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述预设终端根据所述下行信号生成接收信号功率的方法包括：确定与所述访问接入点的第一信道数据，并确定与所述智能反射面的第二信道数据；

根据所述第一信道数据、所述第二信道数据得到等效信道数据；

根据所述等效信道数据、所述下行信号、所述预设反射系数生成所述接收信号功率。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述智能反射面包括反射单元，在所述获取预设终端根据下行信号生成接收信号功率之前，所述方法还包括：从预设相移集合中获取初始相移；

根据所述初始相移对所述反射单元进行相位调整。

7.一种智能反射面相位调整方法，其特征在于，所述智能反射面包括反射单元，所述方法包括：根据信道状态信息计算所述反射单元的相移向量；其中，所述信道状态信息根据如权利要求1至6任一项所述的方法得到；

根据所述相移向量、初始相移集合进行投影操作，得到所述反射单元的离散相移；

根据所述离散相移对所述反射单元进行相位调整。

8.一种智能反射面信道状态估计系统，其特征在于，所述系统包括：访问接入点，所述访问接入点用于发送下行信号；

智能反射面，所述智能反射面用于对所述下行信号进行反射操作；

预设终端，所述预设终端用于根据所述下行信号生成接收信号功率；

控制中心，所述控制中心用于执行如权利要求1至6任一项所述的方法。

9.一种智能反射面信道状态估计装置，其特征在于，所述装置包括：控制模块，用于控制预设智能反射面的反射系数为预设反射系数；

接收信号功率获取模块，用于获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；

模型训练模块，用于根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

信道状态信息确定模块，用于根据所述初步信号功率预测模型的模型参数确定信道状态信息。

10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的方法，或实现权利要求7所述的方法。

11.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法，或实现权利要求7所述的方法。

说明书

智能反射面信道状态估计方法、相位调整方法、系统

技术领域

[0001] 本申请涉及无线通讯技术领域，尤其涉及一种智能反射面信道状态估计方法、相位调整方法、系统。

背景技术

[0002] 目前，通过智能反射面（Intelligent Reflecting Surface，IRS）能够调控信道传播环境、降低信道损耗，并扩大通信范围。合理配置智能反射面中各反射单元的反射系数能够提高智能反射面调控信号传播环境的能力。相关技术中，包括基于导频信号训练的波束赋形方法，该方法根据基站接收到的上行导频复信号实现信道状态信息的估计，进而根据信道状态信息优化智能反射面各反射单元的反射系数。但是，该方法需要改变现有通信协议制定的帧结构。因此，如何提供一种信道状态估计方法，以降低改变通信协议的可能，成了亟待解决的技术问题。

发明内容

[0003] 本申请实施例的主要目的在于提出一种智能反射面信道状态估计方法、相位调整方法、系统，旨在实现信道状态估计及相位调整。

[0004] 为实现上述目的，本申请实施例的第一方面提出了一种智能反射面信道状态估计方法，所述方法包括：

[0005] 控制预设智能反射面的反射系数为预设反射系数；

[0006] 获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；

[0007] 根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

[0008] 根据所述初步信号功率预测模型的模型参数确定信道状态信息。

[0009] 在一些实施例，所述根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型，包括：

[0010] 根据所述预设反射系数和所述接收信号功率构建数据对；

[0011] 根据所述数据对构建训练数据集；其中，所述训练数据集包括第一反射系数和第一信号功率；

[0012] 根据所述原始信号功率预测模型对所述第一反射系数进行信号功率预测，得到第一预测信号功率；

[0013] 根据所述第一预测信号功率、所述第一信号功率对所述原始信号功率预测模型进行参数调整，得到初步信号功率预测模型；

[0014] 获取当前参数调整轮次；

[0015] 若所述当前参数调整轮次小于预设轮次，根据所述初步信号功率预测模型更新所述原始信号功率预测模型，并再次执行所述根据所述原始信号功率预测模型对所述第一反射系数进行信号功率预测。

[0016] 在一些实施例，所述根据所述数据对构建训练数据集，包括：

[0017] 获取所述数据对的当前构建数量；

[0018] 若所述当前构建数量小于预设构建数量，再次执行所述控制预设智能反射面的反射系数为预设反射系数；

[0019] 若所述当前构建数量等于所述预设构建数量，根据预设构建比例、所述数据对构建所述训练数据集。

[0020] 在一些实施例，所述根据所述初步信号功率预测模型的模型参数确定信道状态信息，包括：

[0021] 根据所述数据对构建验证数据集；其中，所述验证数据集包括第二反射系数和第二信号功率；

[0022] 根据所述初步信号功率预测模型对所述第二反射系数进行信号功率预测，得到第二预测信号功率；

[0023] 根据所述第二预测信号功率、所述第二信号功率计算预测误差；

[0024] 将所述预测误差进行数值比较，将数值最小的所述预测误差对应的初步信号功率预测模型作为目标信号功率预测模型；

[0025] 根据所述目标信号功率预测模型的模型参数确定所述信道状态信息。

[0026] 在一些实施例，所述预设终端根据所述下行信号生成接收信号功率的方法包括：

[0027] 确定与所述访问接入点的第一信道数据，并确定与所述智能反射面的第二信道数据；

[0028] 根据所述第一信道数据、所述第二信道数据得到等效信道数据；

[0029] 根据所述等效信道数据、所述下行信号、所述预设反射系数生成所述接收信号功率。

[0030] 在一些实施例，所述智能反射面包括反射单元，在所述获取预设终端根据下行信号生成接收信号功率之前，所述方法还包括：

[0031] 从预设相移集合中获取初始相移；

[0032] 根据所述初始相移对所述反射单元进行相位调整。

[0033] 为实现上述目的，本申请实施例的第二方面提出了一种智能反射面相位调整方法，所述方法包括：

[0034] 根据信道状态信息计算反射单元的相移向量；其中，所述信道状态信息根据第一方面所述的方法得到。

[0035] 根据所述相移向量、所述初始相移集合进行投影操作，得到所述反射单元的离散相移；

[0036] 根据所述离散相移对所述反射单元进行相位调整。

[0037] 为实现上述目的，本申请实施例的第三方面提出了一种智能反射面信道状态估计系统，所述系统包括：

[0038] 访问接入点，所述访问接入点用于发送下行信号；

[0039] 智能反射面，所述智能反射面用于对所述下行信号进行反射操作；

[0040] 预设终端，所述预设终端用于根据所述下行信号生成接收信号功率；

[0041] 控制中心，所述控制中心用于执行如第一方面所述的方法。

[0042] 为实现上述目的，本申请实施例的第四方面提出了一种智能反射面信道状态估计装置，所述装置包括：

[0043] 控制模块，用于控制预设智能反射面的反射系数为预设反射系数；

[0044] 接收信号功率获取模块，用于获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；

[0045] 模型训练模块，用于根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

[0046] 信道状态信息确定模块，用于根据所述初步信号功率预测模型的模型参数确定信道状态信息。

[0047] 为实现上述目的，本申请实施例的第五方面提出了一种电子设备，所述电子设备包括存储器和处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法或第二方面所述的方法。

[0048] 为实现上述目的，本申请实施例的第六方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法或第二方面所述的方法。

[0049] 本申请提出的智能反射面信道状态估计方法、相位调整方法、系统，其通过预设反射系数、预设终端生成的接收信号功率对原始信号功率预测模型进行模型训练，得到初步信号功率预测模型。根据初步信号功率预测模型的模型参数得到信道状态信息，进而能够根据信道状态信息优化设计智能反射面的反射系数。由此可知，本申请实施例能够根据接收信号功率得到信道状态信息，在一定程度上避免了改变移动通信、Wi‑Fi等系统帧结构的情况。并且，相较于相关技术中盲波束赋形算法需使用接收信号功率统计特征的方法，本申请实施例通过初始信号功率预测模型确定信道状态信息的方法能够减少接收信号功率样本的数量。

附图说明

[0050] 图1是本申请实施例提供的智能反射面信道状态估计方法的流程图；

[0051] 图2是本申请实施例提供的智能反射面信道状态估计系统的示意图；

[0052] 图3是本申请实施例提供的智能反射面信道状态估计方法的一实施例流程图；

[0053] 图4是本申请实施例预设终端生成接收信号功率的流程图；

[0054] 图5是图1中的步骤S103的流程图；

[0055] 图6是图5中的步骤S502的流程图；

[0056] 图7是图1中的步骤S104的流程图；

[0057] 图8是本申请实施例提供的智能反射面相位调整方法的流程图；

[0058] 图9是本申请实施例方法与现有盲波束赋形方法所获得的平均接收信噪比对比图（L=2）；

[0059] 图10是本申请实施例方法与现有盲波束赋形方法所获得的平均接收信噪比对比图（L=4）；

[0060] 图11是本申请实施例提供的智能反射面信道状态估计装置的结构示意图；

[0061] 图12是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

[0062] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

[0063] 需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

[0064] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

[0065] 为实现泛在互联、多维感知、全域覆盖等应用，第六代（6G）移动通信系统需要支撑太比特/秒（Tbps）量级的峰值传输速度，同时需要满足每立方米内数以百计设备的连接需求。虽然通过增大通信系统中的阵列天线规模以及射频链路的数量可以提升通信容量，但是这些方案存在能耗大、硬件实现成本高以及信号处理复杂等瓶颈问题，并且无法从根本上改善无线传输环境。为支持超高传输速率与连接密度，6G系统需采用成本低廉且可重构无线环境的传输技术。智能反射面（Intelligent Reflecting Surface，IRS）技术能够突破传统无线信道不可控的瓶颈，提供智能可重构的无线传输环境，无需复杂的编译码和射频处理操作即可实现覆盖增强和能效提升。智能反射面包括大量低成本的无源器件（通常被称为反射单元）组成。智能反射面的控制器可通过软件对反射单元进行编程和配置，在三维空间中实现对信号传播方向的调控。智能反射面具有成本低、能耗低、可编程、易部署等优点，在移动通信、Wi‑Fi等系统已经展现出良好的应用潜力。可以理解的是，智能反射面还可以称为重构智能表面（Reconfigurable Intelligent Surface）、智能超表面（Intelligent Metasurface）等。

[0066] 合理配置反射单元的反射系数对于充分发挥智能反射面灵活调控信号传播环境的能力尤为重要。相关技术中，智能反射面波束赋形方式主要包括如下两类：

[0067] 第一类，基于导频训练的波束赋形方法，该类方法包括如下三种方式：第一种方式，首先由用户终端向基站发送一段收发双方均已知的导频信号。同时，基站向智能反射面发送控制信号，以调节各反射单元的相移。基站根据接收到的上行导频复信号完成信道估计，进而优化智能反射面波束赋形。第二种方式，基于机器学习的信道估计算法可以拟合接收导频信号与信道状态信息间的映射，获得相比传统智能反射面信道估计算法更高的信道估计精度。第三种方式，基站可运用深度学习等工具建立从接收导频复信号到智能反射面最优反射图样的映射，无需信道估计即可获得智能反射面的最优反射图样。

[0068] 第二类，基于用户终端接收信号功率的盲波束赋形方法。此类方法根据用户终端接收信号功率的统计特征优化各反射单元的反射系数。其中，统计特征包括均值、方差、标准差等。在现有移动通信、Wi‑Fi系统中，用户终端通常具备测量接收信号功率的能力。因此，基于接收信号功率的波束赋形算法无需改变现有的通信协议，可有效降低智能反射面部署成本。在此类算法中，访问接入点（Access Point, AP）发送下行信号并随机变换智能反射面的反射图样。控制中心根据用户终端提供的接收信号功率样本均值或最大值优化智能反射面的反射图样。例如，基于条件样本均值（Conditional Sample Mean，CSM）的盲波束赋形算法分别对各反射单元计算不同离散相移下的用户终端接收信号功率样本均值，选取功率均值最大的相移作为此反射单元移相器的最优相移。随机最大化波束赋形方法是另一种基于接收信号功率的波束赋形方法。此方法选择接收功率最大的样本所对应的反射图样进行智能反射面波束赋形。

[0069] 其中，基于导频训练的智能反射面波束赋形方法需要改变现有通信协议制定的帧结构。由于智能反射面存在大量无源反射单元，在空间形成高维信道，准确估计这些高维信道需要耗费大量导频资源。运用深度神经网络建立从接收导频信号到最优反射图样的映射，需要大量导频信号作为训练样本。现有移动通信、Wi‑Fi等协议定义的导频信号长度不足，无法满足智能反射面信道估计与训练深度神经网络的需要。即为了获取大量训练样本，需要增加现有导频信号的长度。

[0070] 此外，现有基于接收信号功率的盲波束赋形算法无法获取信道状态信息，需要大量的接收信号功率样本才可准确提取接收信号功率的统计特征，进而获得较高的波束赋形增益。其次，当访问接入点与用户终端之间的直达路径受到严重遮挡时，基于条件样本均值的盲波束赋形算法获得的波束赋形增益较低。

[0071] 基于此，本申请实施例提供了一种智能反射面信道状态估计方法、相位调整方法、系统，旨在减少改变现有通信协议帧结构的基础上，实现信道状态估计，进而实现对智能反射面的波束赋形。

[0072] 本申请实施例提供的智能反射面信道状态估计方法、相位调整方法、系统，具体通过如下实施例进行说明，首先描述本申请实施例中的智能反射面信道状态估计方法。

[0073] 本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

[0074] 人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

[0075] 本申请实施例提供的智能反射面信道状态估计方法，涉及无线通讯领域。本申请实施例提供的智能反射面信道状态估计方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现信道状态估计方法的应用等，但并不局限于以上形式。

[0076] 本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

[0077] 图1是本申请实施例提供的智能反射面信道状态估计方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S104。

[0078] 步骤S101，控制预设智能反射面的反射系数为预设反射系数；

[0079] 步骤S102，获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；

[0080] 步骤S103，根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

[0081] 步骤S104，根据所述初步信号功率预测模型的模型参数确定信道状态信息。

[0082] 本申请实施例所示意的步骤S101至步骤S104，通过预设反射系数、预设终端生成的接收信号功率对原始信号功率预测模型进行模型训练，得到初步信号功率预测模型，从而根据初步信号功率预测模型的模型参数得到信道状态信息。由此可知，本申请实施例能够根据接收信号功率得到信道状态信息，在一定程度上避免了改变移动通信、Wi‑Fi等系统帧结构的情况。并且，相较于相关技术中盲波束赋形算法需使用接收信号统计特征的方法，本申请实施例通过初始信号功率预测模型确定信道状态信息的方法能够减少接收信号功率样本的数量。

[0083] 需要说明的是，本申请实施例提供的信道状态估计方法应用于信道状态估计系统中的控制中心。参照图2，信道状态估计系统包括访问接入点、智能反射面、预设终端（即用户终端）和控制中心。其中，控制中心、智能反射面、智能反射面的控制器均可独立部署，无需改变现有通信系统协议。访问接入点用于发送下行信号，用户终端通过与访问接入点的通信链路接收该下行信号。此外，该下行信号还会发送给智能反射面，智能反射面对该下行信号进行反射操作，用户终端还能够接收到经过反射操作的下行信号。也就是说，用户终端还能够根据访问接入点‑智能反射面通信链路、智能反射面‑用户终端通信链路接收下行信号。

[0084] 在一些实施例的步骤S101中，控制中心通过智能反射面控制器控制智能反射面的反射系数为预设反射系数。其中，预设反射系数为预先设置的反射系数，预设反射系数可以是任意可实施的数值。

[0085] 参照图3，在一些实施例中，智能反射面包括反射单元，在步骤S102之前，本申请实施例提供的信道状态估计方法还包括但不限于包括步骤S301至步骤S302。

[0086] 步骤S301，从预设相移集合中获取初始相移；

[0087] 步骤S302，根据初始相移对反射单元进行相位调整。

[0088] 在一些实施例的步骤S301至步骤S302中，预设相移集合包括智能反射面移相器可实现的相移的集合，例如预设相移集合可以是 。其中，变量 表示智能反射面移项器可实现的相移种类数量，变量 表示单位相移，即 。如当 时，预设相
移集合 。从预设相移集合中随机选择一个相移作为初始相移。控制
中心通过智能反射面控制器控制反射单元的相移为初始相移，从而实现对整个智能反射面相移的初步调整。例如，假设第 个反射单元的相移为 ， （即智能反射面包括64
个反射单元）。对每一个反射单元，控制中心都从预设相移集合中随机选择一个初始相移作为该反射单元移相器的相位。可以理解的是，反射单元的数量可以根据实际需要进行适应性调整，对此本申请实施例不作具体限定。

[0089] 在一些实施例的步骤S102中，访问接入点发送下行信号，预设终端根据下行信号计算得到接收信号功率，并发送给控制中心。

[0090] 参照图4，在一些实施例中，预设终端根据下行信号生成接收信号功率的方法包括但不限于包括步骤S401至步骤S403。

[0091] 步骤S401，确定与访问接入点的第一信道数据，并确定与智能反射面的第二信道数据；

[0092] 步骤S402，根据第一信道数据、第二信道数据得到等效信道数据；

[0093] 步骤S403，根据等效信道数据、下行信号、预设反射系数生成接收信号功率。

[0094] 在一些实施例的步骤S401中，参照图2，预设终端（即用户终端）可以通过“访问接入点‑用户终端通信链路”，以及“访问接入点‑智能反射面通信链路”、“智能反射面‑用户终端通信链路”两种方式获取访问接入点发送的下行信号。第一信道数据用于描述预设终端与访问接入点之间未经过智能反射面反射传播的信道，即第一信道数据用于描述“访问接入点‑用户终端通信链路”。假设第一信道数据 。第二信号数据用于描述预设终端与访问接入点之间经过智能反射面反射传播的信道，即第二信道数据用于描述“访问接入点‑智能反射面通信链路”和“智能反射面‑用户终端通信链路”。假设“访问接入点‑智能反射面通信链路”为 ，并假设“智能反射面‑用户终端通信链路”为 。

[0095] 在一些实施例的步骤S402中，如下式（1）所示，根据第一信道数据、第二信道数据对访问接入点与预设终端之间的信道进行等效集成，得到等效信道数据 。可以理解的是，第二信道数据（即 和 ）、等效信道数据 均为向量形式。

[0096]

[0097] 在一些实施例的步骤S403中，如下式（2）和（3）所示，根据等效信道数据、下行信号、预设反射系数生成接收信号功率 。

[0098] ......式（2）

[0099] ......式（3）

[0100] 其中， 表示预设反射系数， 表示预设访问接入点发送的下行信号， 表示预设终端能够接收到的下行信号。

[0101] 在一些实施例的步骤S103中，原始信号功率预测模型是用于进行信号功率预测的模型。将预设反射系数作为原始信号功率预测模型的输入数据，以使原始信号功率预测模型根据预设反射系数得到预测的信号功率。根据预测的信号功率、与预设发射系数对应的实际信号功率（即接收信号功率）、误差反向传播方法对原始信号预测模型进行模型训练，得到初步信号功率预测模型。可以理解的是，初步信号功率预测模型是每一轮训练得到的模型，也就是说，当迭代进行多次训练时，将得到多个初步信号功率预测模型。

[0102] 参照图5，在一些实施例中，步骤S103包括但不限于包括有步骤S501至步骤S506。

[0103] 步骤S501，根据预设反射系数和接收信号功率构建数据对；

[0104] 步骤S502，根据数据对构建训练数据集；其中，训练数据集包括第一反射系数和第一信号功率；

[0105] 步骤S503，根据原始信号功率预测模型对第一反射系数进行信号功率预测，得到第一预测信号功率；

[0106] 步骤S504，根据第一预测信号功率、第一信号功率对原始信号功率预测模型进行参数调整，得到初步信号功率预测模型；

[0107] 步骤S505，获取当前参数调整轮次；

[0108] 步骤S506，判断当前调整轮次是否小于预设轮次。

[0109] 在一些实施例的步骤S501中，控制中心将预设反射系数，和预设终端在该预设反射系数下计算得到的接收信号功率构建为一对数据对 。其中，表示预设反射系数，表示对应的接收信号功率。

[0110] 在一些实施例的步骤S502中，当对智能反射面的反射系数进行多轮调整（如500轮）时，可以得到多对数据对，多对数据对可以构建得到数据集 。
其中， 表示第m轮智能反射面的预设反射系数， 表示第m轮预设终端计算到的接收信
号功率。控制中心根据预设选取策略从数据集 中选取多对数据对，并根据选取出的多对数据对构建训练数据集。将训练数据集中每一对数据对的预设反射系数作为第一反射系
数，并将训练数据集中每一对数据对的接收信号功率作为第一信号功率。可以理解的是，预设选取策略可以是预设比例、预设数量等，对此本申请实施例不作具体限定。

[0111] 参照图6，在一些实施例中，步骤S502包括但不限于包括步骤S601至步骤S603。

[0112] 步骤S601，获取数据对的当前构建数量；

[0113] 步骤S602，将当前构建数量与预设构建数量进行比较；

[0114] 步骤S603，若当前构建数量等于预设构建数量，根据预设构建比例、数据对构建训练数据集。

[0115] 在一些实施例的步骤S601至步骤S602中，预设构建数量是预先设置的所需构建的数据对总数量，如预设构建数量可以为500。对当前构建的数据对进行统计，得到当前构建数量。将当前构建数量与预设构建数量进行比较。

[0116] 在一些实施例的步骤S603中，若当前构建数量等于预设构建数量，表明已达到构建总数量要求。假设预设选取策略为预设构建比例（如9:1），则从所有已构建好的数据对中选取9/10的数据对构建训练数据集。可以理解的是，预设构建比例用于描述训练数据集与验证数据集所包括的数据对比例。若当前构建数量小于预设构建数量，表明还未达到构建总数量要求。此时再次执行步骤S101，以对智能反射面的反射系数进行更新，并获取在反射系数更新情况下预设终端得到的接收信号功率，从而构建得到新的数据对。

[0117] 在一些实施例的步骤S503中，根据训练数据集对原始信号功率预测模型进行模型训练。具体地，将训练数据集中的第一反射系数作为原始信号功率预测模型的输入数据，根据原始信号功率预测模型对第一反射系数进行信号功率预测，得到第一预测信号功率。

[0118] 在一些实施例的步骤S504中，根据预设的损失函数对第一预测信号功率、第一信号功率进行预测损失计算，基于计算得到的预测损失对原始信号功率预测模型进行参数调整，得到初步信号功率预测模型。具体地，根据如下式（4）计算得到预测损失 。

[0119] ......式（4）

[0120] 其中， 表示训练数据集包括的数据对的数量， 表示第一预测信号功率。

[0121] 在一些实施例的步骤S505至步骤S506中，预设轮次是预先设置的用于表示原始信号功率预测模型需训练的总轮次，如可以设置为100轮。获取当前参数调整轮次，并将当前参数调整轮次与预设轮次进行比较。若当前参数调整轮次小于预设训练，表明需继续对原始信号功率预测模型进行训练。此时，将根据步骤S504得到的初步信号功率预测模型作为下一轮需迭代训练的模型，即根据步骤S504得到的初步信号功率预测模型的模型参数，对本轮进行训练的原始信号功率预测模型的模型参数进行更新，并再次执行步骤S503至步骤S505，直至当前参数调整轮次达到预设轮次。当当前参数调整轮次等于预设轮次时，表明已完成对原始信号功率预测模型的训练。

[0122] 在一些实施例的步骤S104中，根据预设筛选条件对多个初步信号功率预测模型进行筛选，根据筛选出的初步信号功率预测模型的模型参数计算得到信道状态信息（Channel State Information，CSI）。可以理解的是，预设筛选条件可以根据实际需要进行适应性设置，对此本申请实施例不作具体限定。

[0123] 参照图7，在一些实施例中，步骤S104包括但不限于包括步骤S701至步骤S705。

[0124] 步骤S701，根据数据对构建验证数据集；其中，验证数据集包括第二反射系数和第二信号功率；

[0125] 步骤S702，根据初步信号功率预测模型对第二反射系数进行信号功率预测，得到第二预测信号功率；

[0126] 步骤S703，根据第二预测信号功率、第二信号功率计算预测误差；

[0127] 步骤S704，将预测误差进行数值比较，将数值最小的预测误差对应的初步信号功率预测模型作为目标信号功率预测模型；

[0128] 步骤S705,根据目标信号功率预测模型的模型参数确定信道状态信息。

[0129] 在一些实施例的步骤S701中，类同于构建训练数据集的方法，根据多个数据对构建验证数据集。将验证数据集中每一对数据对中的预设反射系数作为第二反射系数，将验证数据集中每一对数据对中的接收信号功率作为第二信号功率。可以理解的是，当预设选取策略为预设构建比例（如9:1）时，从所有已构建好的数据对中选取1/10的数据对构建验证数据集。

[0130] 在一些实施例的步骤S702中，将第二反射系数作为每一轮训练得到的初步信号功率预测模型的输入数据，根据初步信号功率预测模型对第二反射系数进行信号功率预测，得到第二预测信号功率。

[0131] 在一些实施例的步骤S703中，根据第二预测信号功率、第二信号功率计算对应初步信号功率预测模型的预测误差。对每一轮训练得到的初步信号功率预测模型都进行步骤S702所示的操作，得到与预设轮次数量相同的预设误差。例如，当预设轮次为100轮时，将得到100个预设误差。

[0132] 在一些实施例的步骤S704中，将多个预设误差进行数值比较，将数值最小的预设误差对应的初步信号功率预测模型作为目标信号功率预测模型。

[0133] 在一些实施例的步骤S705中，假设目标信号功率预测模型的模型参数为 ，根据如下式（5）计算得到信道状态信息

[0134] ......式（5）

[0135] 其中， 和 均是65维列向量， 和 满足 ， 表示虚数单位。

[0136] 下面对本申请实施例提供的智能反射面相位调整方法进行说明。

[0137] 参照图8，在一些实施例中，本申请实施例提供的智能反射面相位调整方法包括但不限于包括步骤S801至步骤S807。

[0138] 步骤S801，控制预设智能反射面的反射系数为预设反射系数；

[0139] 步骤S802，获取预设终端根据下行信号生成接收信号功率；其中，所述下行信号是预设访问接入点发送的信号；

[0140] 步骤S803，根据所述预设反射系数、所述接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

[0141] 步骤S804，根据所述初步信号功率预测模型的模型参数确定信道状态信息；

[0142] 步骤S805，根据信道状态信息计算反射单元的相移向量；

[0143] 步骤S806，根据相移向量、初始相移集合进行投影操作，得到反射单元的离散相移；

[0144] 步骤S807，根据离散相移对反射单元进行相位调整。

[0145] 在一些实施例的步骤S801至步骤S804中，确定信道状态信息方法可参照步骤S101至步骤S104中的描述，对此本申请实施例不再赘述。也就是说，本申请实施例可以根据上述任一实施例所描述的方法确定信道状态信息。

[0146] 在一些实施例的步骤S805中，根据如下式（6）计算信道状态信息中各个元素的相移，得到最优的相移向量 。可以理解的是，模型参数包括网络权重，相移向量 表示由网络权重向量中各元素的相移组成的向量。

[0147] ......式（6）

[0148] 其中， 表示信道状态信息 中第 个元素， 。 表示取复数相位运算。 表示与 对应的相移， 的取值范围为 。

[0149] 在一些实施例的步骤S806中，根据如下式（7）将相移向量 中第2个至第65个元素投影到初始相移集合，得到离散相移 。

[0150] ......式（7）

[0151] 其中， 表示智能反射面中第n个反射单元的相移，n=1，...,64。可以理解的是，由式（1）的表示可知，在智能反射面包括64个反射单元的情况下，访问接入点与预设终端之间一共包括65个链路，其中，第1个链路是访问接入点‑预设终端的直达链路，第2个至第65个链路都是访问接入点‑反射单元‑预设终端的链路。因此，在步骤S806中，只需对第2个至第65个元素（即链路）对应的相移进行优化。

[0152] 在一些实施例的步骤S807中，控制中心通过智能反射面控制器将智能反射面中的每一个反射单元的相移调整为对应的离散相移，以使预设终端的接收信噪比最大化，从而实现对智能反射面的波束赋形。

[0153] 在一个具体的实施例中，为了证明本申请实施例的有效性，进行了蒙特卡洛仿真和性能对比试验。具体地，假设访问接入点的坐标为(50,‑200,20)、智能反射面的坐标为(‑2,‑1,0)、预设终端的坐标为(0,1,0)，坐标单位为米。智能反射面平行于y‑o‑z平面，智能反射面的64个反射单元构成正方形均匀面阵，沿y轴与z轴方向排列的相邻反射单元间距为半波长。步骤S301中变量 取值为2或4。访问接入点‑预设终端、访问接入点‑智能反射面、智能反射面‑预设终端的信道均为瑞利衰落信道。将访问接入点直达预设终端的信道记为
，其中，路径传播增益为 ， 表示访问接入点到预设终
端的直线距离， 表示服从复高斯分布 的随机变量。从访问接入点到智能反射面
的信道为 ，其中路径传播增益为 ， 表示访问接入点与
智能反射面间的直线距离， 表示服从复高斯分布 的N维随机向量。从智能反射
面到预设终端的信道为 ，其中路径传播增益为 ， 表示
智能反射面与预设终端的直线距离， 表示服从复高斯分布 的N维随机向量。

[0154] 在每次蒙特卡洛试验中，信道稳定不变。访问接入点发射下行信号的信号功率为30dBm，预设终端接收信号叠加了方差为‑90dBm的加性复高斯白噪声。控制中心根据如上述任一实施例所描述的方法对智能反射面进行波束赋形。而后，预设终端再次接收访问接入点发送的下行信号，并测量波束赋形后的接收信号功率。将1000次蒙特卡洛试验中完成智能反射面波束赋形后预设终端接收信噪比的平均值作为评估波束赋形算法性能的指标。

[0155] 性能对比试验的对比对象为基于条件样本均值的盲波束赋形方法，以及随机最大化波束赋形算法。基于条件样本均值的盲波束赋形方法与随机最大化波束赋形算法均采用根据预设终端生成的接收信号功率的样本进行波束赋形设计。其中，基于条件样本均值的盲波束赋形算法分别为每个反射单元计算在特定离散相移下的接收信号功率样本均值，选取功率均值最大的相移作为对应反射单元移相器的相移。随机最大化波束赋形算法选择接收功率最大的样本所对应的反射系数向量进行智能反射面波束赋形。

[0156] 性能对比试验还测试了在最佳信道状态信息已知的情况下，采用步骤S802所示投影算法进行波束赋形，得到预设终端的平均接收信噪比，并将该平均接收信噪比作为离散波束赋形算法接收信噪比的上界。参照图9和图10，图9展示了当L=2时在不同波束赋形方法下，预设终端接收信噪比与数据集（包括训练数据集和验证数据集）中样本总数量的关系曲线。图10展示了当L=4时在不同波束赋形方法下，预设终端接收信噪比与训练数据集中样本数量M1的关系曲线。由图9和图10可以看出，在相同训练数据集样本数量的情况下，本申请实施例的波束赋形方法相较于其他两个方法预设终端能够获得更高的接收信噪比。此外，随着训练数据集样本数量的增加，采用本申请实施例的波束赋形方法得到的接收信噪比逼近离散波束赋形方法的性能上界。

[0157] 本申请实施例通过上述实施例的描述，具有如下有益效果：

[0158] （1）本申请实施例从预设终端的接收信号功率中提取信道状态信息的方法，无需改变现有移动通信、Wi‑Fi等系统的帧结构。信道状态估计方法通过训练一种单层神经网络（即初始信号功率预测模型）获得信道状态信息，网络权重数量与智能反射面反射单元数量呈线性关系。神经网络结构简单，且训练复杂度低。

[0159] （2）本申请实施例基于接收信号功率确定信道状态信息，进而根据信道状态信息对反射单元进行相位调整，实现对智能反射面波束赋形的方法，充分利用了预设终端的接收信号功率样本。相较于相关技术中的盲波束赋形算法，本申请实施例能够以更少的样本在预设终端获得更高的接收信噪比。

[0160] （3）本申请实施例中控制中心所执行的接收信号功率样本和智能反射面相位调整的操作可以由独立于现有通信系统的第三方设备完成，不改变现有的移动通信以及Wi‑Fi系统的通信链路。

[0161] 下面对本申请实施例提供的智能反射面信道状态估计系统进行说明。参照图2，本申请实施例提供的智能反射面信道状态估计系统包括：

[0162] 访问接入点，访问接入点用于发送下行信号；

[0163] 智能反射面，智能反射面用于对下行信号进行反射操作；

[0164] 预设终端，预设终端用于根据下行信号生成接收信号功率；

[0165] 控制中心，控制中心用于执行如上述任一实施例所描述的信道状态估计方法。

[0166] 该信道状态估计系统的具体实施方式与上述信道状态估计方法的具体实施例基本相同，在此不再赘述。

[0167] 请参阅图11，本申请实施例还提供一种智能反射面信道状态估计装置，可以实现上述智能反射面信道状态估计方法，该装置包括：

[0168] 控制模块1101，用于控制预设智能反射面的反射系数为预设反射系数；

[0169] 接收信号功率获取模块1102，用于获取预设终端根据下行信号生成接收信号功率；其中，下行信号是预设访问接入点发送的信号；

[0170] 模型训练模块1103，用于根据预设反射系数、接收信号功率对预设的原始信号功率预测模型进行模型训练，得到初步信号功率预测模型；

[0171] 信道状态信息确定模块1104，用于根据初步信号功率预测模型的模型参数确定信道状态信息。

[0172] 该信道状态估计装置的具体实施方式与上述信道状态估计方法的具体实施例基本相同，在此不再赘述。

[0173] 本申请实施例还提供了一种电子设备，电子设备包括括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述智能反射面信道状态估计方法或智能反射面相位调整方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

[0174] 参照图12，图12示意了另一实施例的电子设备的硬件结构，电子设备包括：

[0175] 处理器1201，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

[0176] 存储器1202，可以采用只读存储器（Read Only Memory，ROM）、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1202可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1202中，并由处理器1201来调用执行本申请实施例的智能反射面信道状态估计方法或智能反射面相位调整方法；

[0177] 输入/输出接口1203，用于实现信息输入及输出；

[0178] 通信接口1204，用于实现本设备与其他设备的通信交互，可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信；

[0179] 总线1205，在设备的各个组件（例如处理器1201、存储器1202、输入/输出接口1203和通信接口1204）之间传输信息；

[0180] 其中处理器1201、存储器1202、输入/输出接口1203和通信接口1204通过总线1205实现彼此之间在设备内部的通信连接。

[0181] 本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述信道状态估计方法或智能反射面相位调整方法。

[0182] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0183] 本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

[0184] 本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

[0185] 以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

[0186] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

[0187] 本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0188] 应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

[0189] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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。

[0190] 上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。

[0191] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单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。

[0192] 集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上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，包括多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)执行本申请各个实施例的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(Read‑Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

[0193] 以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。