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
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:
-
K: 用户数
-
M: 基站天线数 (假定用户为单天线)
-
L: 智能反射面反射元件数
-
U1,...,Uk, 用户
1,…用户
k
-
F:
L×M, 基站到反射面的信道
-
hkH:
1×L, 反射面到
k用户的信道
-
Vo=diag(v0):
L×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
由于
hkHdiag(v)=vTdiag(hkH), 我们真正要估计的信道信息其实就是:
Gk=diag(hkH)F∈CL×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
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
B个正交序列,基站接收到的信号可表示为下式:
Yb=k=1∑KFHdiag(vb)hkskH+Ub=(a)k=1∑KGkHvbskH+Ub
其中
Ub为噪声,
sk为
k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=0 for
1≤k1,k2≤K and
k1=k2,因此有:
y~b,k≜PT1Ybsk=GkHvb+ub,k
将多个用户的写到一起:
Y~k=GkHV+U~k
其中,
V=[v1,v2,⋯,vB],
Y~k=[y~1,k,y~2,k,⋯,y~B,k],
B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
其中,
V†=VH(VVH)−1。 这个解可以通过求导置为0得到。 而要使得
(VVH)−1有值,
V必须满足为列数>行数,这样才能满秩求逆。 因此,
B>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
L较大时,开销显然非常高昂。
信道的稀疏表示