基于改进DnCNN的RIS辅助毫米波系统信道估计.pdf

“RIS辅助的通感一体化”专题1基于改进DnCNN的RIS辅助毫米波系统信道估计吴颖，刘紫燕*（贵州大学大数据与信息工程学院，贵州贵阳550 0 2 5）【摘要】RIS是第六代移动通信系统中潜在的候选技术之一。然而，由于无源的RIS缺乏信号处理能力，这给RIS辅助毫米波大规模MIMO系统的信道估计带来了挑战。为了获得更精确的信道状态信息，将信道估计转化为图像去噪问题，提出改进的DnCNN来完成信道估计任务。具体地，采用LMMSE对信道进行粗估计。融合注意力机制网络和噪声水平估计子网络对DnCNN进行改进，以提高网络对噪声的提取性能和自适应性能，实现从信道的粗估计中得到高精度信道估计值。仿真实验表明，所提算法在低信噪比下具有较好的估计性能。【关键词】信道估计；RIS；去噪卷积神经网络；mmWave；注意力机制doi:10.3969/j.issn.1006-1010.20231129-0001中图分类号：TN92文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 4-0 0 8 6-0 8引用格式：吴颗,刘紫燕。基于改进DnCNN的RIS辅助毫米波系统信道估计.移动通信，2 0 2 4,48(4):8 6-93.WU Ying,LIU Ziyan.Channel Estimation for RIS-assisted Millimeter Wave System Based on Improved DnCNNJJ.Mobile Communications,2024,48(4):86-93.OSID:扫描二维码与作者交流Channel Estimation for RIS-assisted Millimeter Wave System Based on DnCNNWUYing,LIU Ziyan(College of Big Data and Information Engineering,Guizhou University,Guiyang 550025,China)AbstractKeywords0引言近年来，可重构智能表面（RIS,ReconfigurableIntelligentSurface）的提出在无线通信领域得到较大的关注，其能够增强无线通信系统频谱和能量效率，被认为是第六代移动通信的关键技术之一。RIS是由许多低成本无源反射元件组成的平坦表面，每个元件可以独立地对输入信号施加所需的幅度或相位变化2-1。RIS辅助收稿日期：2 0 2 3-11-2 9*基金项目：贵州省联合资金资助项目“基于深度学习的行人重识别关键技术研究”（黔科合LH字2 0 17 7 2 2 6 号）*通信作者86移动通信2024年4月第4期Reconfigurable intelligent surface(RIS)is one of the potential candidate technologies for sixth-generation wirelesscommunication system.However,due to the passive nature of RIs lacking signal processing capability,it poseschallenges to channel estimation in RIS-assisted millimeter wave(mmWave)multiple-input multiple-output(MIMO)systems.To obtain more accurate channel state information,the channel estimation is transformed into an imagedenoising problem,and an improved denoising convolutional neural network(DnCNN)is proposed to complete thechannel estimation task.Specifically,the linear minimum mean squared error(LMMSE)method is used to estimatethe channel coarsely.The DnCNN is improved by fusing the attention mechanism network and noise level estimationsub-network to enhance the networks performance on noise extraction and its adaptive performance to noise and toachieve high-precision channel estimation from the coarse one.Simulation experiments demonstrate that the proposedalgorithm exhibits a good estimation performance at low signal-to-noise ratios.channel estimation;RIS;denoising convolutional neural network;mmWave;attention mechanism的毫米波大规模多输入多输出（MIMO,Multiple-InputMultiple-Output）系统可调整通信的无线传播环境，当用户设备（UE，U s e r Eq u i p m e n t）与基站（BS，Ba s eStation）之间的直接通信受阻时，RIS智能地配置信号的传输路径，保证了发送者和接收者之间的有效通信4-5。此外，由于只反射电磁波无需专用的射频链路，采用RIS辅助的无线通信系统具有可扩展和低能耗等性能0 。事实上，准确的信道状态信息（CSI,Channel StateInformation）对于RIS实现上述功能以及UE与BS之间的高效通信至关重要。然而，由于级联信道的高维特性，提高信道估计精度和降低导频开销变得困难。因此，许多研究者提出了多种信道估计方法。考虑级联信道在虚第48 卷总第52 4期吴颖，刘紫燕：基于改进DnCNN的RIS辅助毫米波系统信道估计拟角域的双结构稀疏性，文献 7 提出了一种基于双结构正交匹配追踪（DS-OMP,Double-Structured OrthogonalMatchingPursuit）的级联信道估计方法，降低了导频开销。然而，使用OMP算法来完成信道估计任务精度较差。文献 8 提出了一种基于深度压缩感知（DCS,DeepCompressed Sensing）和U-Net 的信道估计算法。文献 9 提出了一种基于多任务学习的信道估计方法，其中直接信道和级联信道的估计由两个顶层独立并行，底层共享权值和参数的网络完成。但上述两种算法都没有直接考虑噪声影响。文献 10 中，为了从含噪导频观测矩阵中恢复信道矩阵，作者提出了一种基于数据驱动的深度残差学习的信道估计框架。该框架利用卷积神经网络（CNN,ConvolutionalNeuralNetwork）来提高信道估计精度。文献 11利用信道的双时间尺度特性，提出了一种三阶段联合信道分解和预测框架。在第一阶段，估计了BS端特定的全双工天线和RIS之间的信道。在第二和第三阶段，作者设计了一个神经网络框架来同时执行信道分解和预测。但是，其在计算复杂度和估计精度之间没有得到较好的平衡。文献 12 提出了一种基于天线域和时域信道外推的信道估计器，其利用递归神经网络和神经常微分方程构造时域外推网络，利用前馈神经网络构建天线域外推网络。然而，文献 12 的估计精度受到采样率的限制，当采样率较低时，算法的估计精度较低。与最小二乘（LS,LeastSquares）13和最小均方误差（M M SE,M i n i mu m M e a n Sq u a r e Er r o r）14等传统信道估计方法相比，基于压缩感知 15和深度学习的信道估计方案具有更好的性能。近年来，深度学习技术在解决通信系统中信号检测【16、预编码17、资源分配【18 等问题上展现出较好的性能，为通信系统的研究提供了新的方向。在RIS辅助毫米波大规模MIMO通信系统中，RIS带来的预期性能增益依赖于准确的CSI，这使得对系统信道进行估计变得更加重要。而基于导频的信道估计本质上是去噪问题，利用深度学习来解决信道估计问题时，信道矩阵被视为二维图像 2 0。考虑到图像去噪与信道估计之间的相似性，本文将信道估计转化为图像去噪问题。在基于深度学习的图像去噪算法中，去噪卷积神经网络（DnCNN,Denoising Convolutional Neural Network）具有结构简单、收敛速度快、去噪性能好等优点被广泛使用。因此，本文以DnCNN为基础构建信道估计网络，融合注意力机制模块和噪声水平估计子网络改进DnCNN，提高网络的估计精度及收敛速度。本文的主要贡献可以概括如下：（1）采用线性最小均方误差（LMMSE，Li n e a rMinimumMeanSquared Error）对信道进行粗估计，将信道估计转化为图像去噪问题，充分考虑系统受噪声的影响。（2）引人注意力机制模块，利用注意机制能够从大量信息中提取有用信息的优势，提高网络的去噪效率，以获得高精度的信道矩阵估计值。（3）采用全卷积网络（FCN,FullConvolutionalNetwork）构建噪声水平估计子网络，加快去噪网络的收敛速度。文中使用的主要符号及其含义汇总于表1：表1符号及其含义列表符号含义MBS的天线数NRIS反射元件的数量K用户数G/hkRIS到BS的信道矩阵、第k个用户到RIS的信道矩阵a/p/e路径增益、方位角、仰角RIS反射系数矢量、RIS反射系数矩阵BI子顿数量、子顿时隙数a/d载波波长、天线间距1系统模型1.1通道模型考虑在时分双工（TDD，T i m e-D i v i s i o n D u p l e x）模式下，由BS、RI S和K个用户组成的RIS辅助的上行毫米波大规模MIMO通信系统，如图1所示。RIS配备了N个被动反射元件，以保证BS和UE之间的有效通信。BS端部署M个均匀平面阵列天线，与K个单天线用户通信。通过改变RIS的反射矩阵系数，可以调整信号的幅度和相位。假设直接链路被障碍物遮挡，只考虑由UE到RIS再到BS组成的级联信道。在TDD系统中，上下行链路之间具有互易性，因此下行链路的CSI可以由上行链路的CSI得到。定义G和hk分别表示从RIS到BS和从第k个用户到RIS的信道，其中GeCMx，h.C。U.：BSUk图1系统模型本文采用Saleh-Valenzuela信道模型，因此G被表示为：移动通信2024年4月第4期87RIShi第48 卷“RIS辅助的通感一体化”专题总第52 4期G=(1)LG=其中LG表示RIS与BS之间的路径数，是RIS与BS之间的第li条路径的增益。e（）和e（o）分别表示RIS处的仰角（方位角）和BS处的仰角（方位角）。一般来说，RIS和BS的位置都是固定的，所以所有用户使用相同的G。类似地，RIS和第k个用户之间的信道h被表示为：设H,=Gdiag(h)eCMN表示从第k个UE到BS的级联信道。因此，式(5）被改写为：(6)经过Q个时隙，BS端接收到的信号如式(7)所示：Y,=HV.st+N,(7)k=1VL其中L表示第k个用户到RIS的路径数。是第k个用户到RIS的第l,条路径的增益。（f）为RIS的仰角（方位角）。a(o,0)=CM表示天线归一化阵列导向向量。均匀平面阵列天线的导向向量由文献 7 给出：(3)其中n=0,.,N,-,，n,=0,.,N,-1。d 表示天线距离,入表示载波波长，一般情况下，天线间距设为波长的一半，即d=入/2。表示克罗内克积。图2 所示为信道估计协议和帧结构，信号数据流包含用于信道估计的导频数据和用于数据传输信息数据。导频数据流由B个子帧组成，每个子帧包含Q个时隙。信道估计B个子帧0个时隙图2 信道估计结构因此，在第b个子顿的第q个时隙中，BS端接收到第k个用户发送的信号yb.。被表示为：Jha=GY,hasia+nha表示第b个子帧中RIS元件的反射系数矩阵，其在一个子顿内保持不变。另外，根据RIS的控制特性，反射矩阵Y,为对角矩阵，其中=2 ec。,表示第n个RIS元件的控制数据，其表达式为y,=,ei，包含幅度，和相位，两个可调参数。sh。是传输导频符号，mb是均值为零方差为8 的高斯噪声。1.2问题描述为了获得完美的CSI，需要估计级联信道。根据公式Gdiag(y,)h=Gdiag(h)Vb，式(4)可化简为:Jh,=Gdliag(h)w.sia+n.,88移动通信2024年4月第4期(2)数据传输(4)(5)任意两个不同用户之间的导频是正交的，即当时，ss=0；当i=j，s s =1。在接收到所有用户的导频信号后，将式(7)乘以s得到第k个用户发送的信号。因此，式(7)被简化为：Zb.k=H,Vb+Xb.k其中 zo=Y,seCMl,xk=N,seCMx。经过 B个子顿后,BS端接收到的信号为：Zk=H.Y+Xk对于式(9)，需要根据已知的导频接收信号Z.恢复得到未知的信道矩阵Hk。将导频接收信号和信道矩阵视为二维图像，基于深度学习的信道估计方法可以被描述为式(10)所示：H=5(Z;.)其中H为信道矩阵的估计值，Z为已知的导频接收信号，与是基于深度学习的信道估计模型，是模型参数。而在计算机视觉领域，基于深度学习的图像去噪可以被描述为式(11):g=s(f:0.)其中8 为干净图像的预测值，f表示含噪图像，是基于深度学习的图像去噪模型，Q2是模型参数。对比式(10)和式(11)，其基本形式一致，即可以采用基于深度学习的去噪网络得到信道估计矩阵。2基于改进DnCNN的信道估计2.1 LMMSE预估计器将信道估计视为图像去噪问题，利用基于深度学习的图像去噪网络可以恢复出信道矩阵。若直接将导频接收信号Z作为网络输入，网络输出作为恢复出的信道矩阵Hk，网络的输人输出大小不一致。因此，本文提出的信道估计方案中采用传统算法获取信道矩阵的粗估计值H，作为网络的输人。在传统的信道估计算法中，LS算法忽略了噪声的影响，MMSE算法只适用于高信噪比（SNR,Signal-Noise Ratio）场景 2 1，并且其需要获得信道的先验概率密度函数，计算过程较为复杂 9。然而，与LS和MMSE不同的是，LMMSE算法是对MMSE算法的进一步优化，在低信噪比环境下能获得较好的估计精度。因此，将LMMSE(8)(9)(10)(11)第48 卷总第52 4期吴颖，刘紫燕：基于改进DnCNN的RIS辅助毫米波系统信道估计算法作为信道矩阵预估计器来获取信道的粗估计值。LMMSE算法将实际信道矩阵H,与信道估计矩阵H之间的均方误差（MSE，M e a n Sq u a r e d Er r o r）作为代价函数，通过最小化均方误差得到信道矩阵 2。H,与H之间的MSE如式(12)所示：MSE=E(H,-,)(H,-H,)假设H,=AZ，A 为权重矩阵，代价函数J被表示为式(13)所示：J=E(H-AZ,)(H,-AZ)=E(H,-ZA)(H,-AZ.)=E(H,H-H,ZA-AZ,H-AZ,ZA)为了使代价函数J得到最小值，求出J关于A的偏导数并令其为零：(14)A=EH,Z,(Ez,Z)(15)由上述推导，利用LMMSE算法得到信道粗估计矩阵H，表达式如下：H,=Z.(rR.+Mo1.)yRn其中R=EHH为信道统计相关矩阵。信道粗估计矩阵i与真实信道矩阵H之间存在误差CLMMSE，记为：(17)为了进一步提高信道估计精度，将误差ELMMsE视为噪声X，LM M SE算法的估计结果H，作为信道的粗估计，将信道估计视为图像去噪问题。因此，信道估计模型被表示为式(18)：H,=H,+Xk其中信道的粗估计H，被视为含噪图像，真实信道矩阵Hk被视为干净图像。为了得到真实信道Hk，采用DnCNN网络，从粗估计值H，中提取并去除噪声，得到最终的(12)信道矩阵估计值。2.2 DnCNNDnCNN/23是图像去噪的经典网络之一，它由端到端卷积神经网络构成。其网络结构如图3所示，DnCNN的输(13)入是含噪图像，输出是与输人图像大小相同的残差图像，通过残差公式可得到干净的图像。DnCNN的第一层由卷积（Co n v,Co n v o l u t i o n）操作和ReLU激活函数组成。网络的中间层包含几个相同的层，由Conv、批量归一化（BN,BatchNormalization）和ReLU激活函数组成。最后，使用卷积层重建输出以确保其与输入大小匹配。当输人为含有高斯噪声的灰度图像时，DnCNN的网络深度为17。然而，利用DnCNN解决信道估计存在两个主要问题：（1)DnCNN只能处理实数，而信道估计需要处理复数；(16)（2）D n C NN中间层较多，这使得网络的计算量和参数量较大。为解决上述问题，本文对DnCNN进行改进，使其适用于信道估计，并能获得较好的估计性能。2.3改进的DnCNN信道估计网络如图4所示，所提信道估计方案包括两部分：LMMSE预估计器和改进的DnCNN信道估计器。其中，改进的DnCNN信道估计器包括由全卷积网络组成的噪声水平估计子网络和噪声提取网络两部分。(18)含噪图像残差图像图3DnCNN网络结构LMMSEZAUOOH噪声提取网络噪声水平估计子网络图4改进的DnCNN信道估计网络结构移动通信2024年4月第4期89第48 卷“RIS辅助的通感一体化”专题总第52 4期针对原DnCNN网络不能处理复数的问题，改进的DnCNN网络中将复数矩阵的实部和虚部分开，作为两通道图像处理，即网络的输入为Re(i)、Im()。此外，受文献 2 4的启发，引人噪声水平估计子网络对原DnCNN改进，以控制去噪与保留真实信道信息之间的平衡。噪声水平估计子网络的输出作为噪声提取网络的输人，使网络能够处理更复杂的噪声信息。如图5所示，噪声水平估计子网络是由五个Conv组成的全卷积网络，其输出是与输入大小相同的噪声水平图。在前四层中，使用32个大小为33的卷积核提取噪声特征，每个Conv之后部署一个ReLU激活函数。最后一个卷积层用以合成提取的噪声水平估计图并匹配输人大小。Re(i)、Im(i.)为噪声水平估计子网络的输人，是噪声水平估计子网络的输出，即噪声水平估计图。Re(H.)Im(,)在得到噪声水平估计后，将其与Re(H)、Im(H)作为噪声提取网络的输人。如图4所示，噪声提取网络以原DnCNN网络为基础，为了降低网络的计算复杂度，减小原DnCNN网络的深度，中间层仅采用三个卷积操作。且考虑到注意力机制能够实现从复杂背景信息中有效提取出噪声信息，改进的DnCNN网络融合了卷积注意力模块 2 5（CBAM,Convolutional Block AttentionModule），以提高网络的去噪性能。如图6 所示，CBAM由通道和空间两种注意力模块串联组成，特征图F通过通道和空间注意力模块得到F。通道注意力模块用于获取通道信息，利用特征之间的通道关系生成通道注意力图。空间注意力模块利用特征之间的空间关系，提取空间信息，生成空间注意力图。如图7 所示，噪声提取网络的第一层由Conv和ReLU激活函数组成，用以提取输人的浅层特征。第二层由三个Conv、BN和ReLU激活函数组成，用于提取深层特征。CBAM注意力模块被设置在浅层和深层特征提取之后，以增强网络的噪声特征提取性能。最后，采用卷积操作来重建输出。对于噪声提取网络的输出，为了得到最终的信道估计矩阵，利用残差学习 2 6 的思想。如式（19)所示，信道矩阵的最终估计值H,由输入粗估计H与提取噪声值X之间的残差得到。H,=,-X,2.4网络训练图5噪声水平估计子网络结构改进的DnCNN信道估计网络采用TensorFlow深度学习框架构建。在网络训练中，使用学习率为0.0 0 1的Adam优化器。通过仿真搭建本文所述的系统模型，获得网络训练的数据集。采用LMMSE算法对信道进行粗估计得到的，作为网络的输入。采用仿真系统模型中真实的信道系数矩阵H作为训练标签。定义式（2 0）所示的损失函数来更新信道估计网络参数。(19)ConvMaxPoolAvgPool一Channel AttentionMLP通道注意力模块(MaxPool,AvgPollSpatial Attention空间注意力模块输入特征F输出特征FF图6CBAM模块结构AUIOIm(Im(X,)图7 噪声提取网络结构90移动通信2024年4月第4期第48 卷总第52 4期吴颖，刘紫燕：基于改进DnCNN的RIS辅助毫米波系统信道估计移动通信H-H其中，H分别表示网络的可训练参数和输出。3实实验结果与分析本节通过大量的实验评估所提信道估计方法的归一化均方误差（NMSE,Normalized Mean Square Error）性能。假设有N个被动RIS反射元件，这些反射元件的反射系数矩阵遵循离散傅里叶变换矩阵。信号接收端和发送端分别是含有M个天线的BS和K个单天线用户，其中M=32、N=16、B-17。3.1 消融实验本小节对所提出的信道估计网络进行消融实验，以展示每个模块的优势。网络的输人大小为(M、N、2)，epoch为140。如图8 所示，算法的NMSE性能随epoch的变化曲线，反映了算法的收敛性能和估计性能。以无CBAM和噪声水平估计子网络为基线，当只加人噪声水平估计子网时，NMSE的性能变化不大。然而，当加入CBAM时，算法NMSE性能提高了约2.1dB。该模块可以更好地提取噪声，提高网络的估计性能。从图8 可以看出，噪声水平估计子网络能够加快信道估计网络的收敛速度，在6 0 个epoch左右收敛。因此，当这两个模块同时使用时，可以获得最佳的信道估计性能。withoutCBAMandnoiselevel networkwithoutnoiselevelnetworkwithoutCBAMours10-110-23.2不同算法比较为了验证所提算法的有效性，研究了 LS2、M M SE 2、LMMSE2、D n CNN、Re s U-Ne t 和 CDRNil0 在不同信噪比下的NMSE性能。所有算法使用的数据均由本文所建立的系统模型生成。图9 为不同算法的NMSE曲线。结果表明，所提算法优于LS、M M SE、LM M SE、D n C NN、Re s U-Ne t 和CDRN。在低信噪比和高信噪比情况下，所提算法的估计性能分别比其他算法平均提高约3.5dB和1.3dB。-15(20)-20-25-30-35-40-45-5003.3不同BS天线数为了研究所提算法的鲁棒性，本小节分别在高信噪比和低信噪比环境下讨论了所提算法在不同BS天线数下的NMSE性能。此外，对比分析了LMMSE算法和CDRN算法。在实验中，RIS反射元件的数量保持不变，被设置为16。图10（a）和图10（b）分别给出了低信噪比（0 dB）和高信噪比（2 0 dB）下，NMSE性能随BS天线数的变化情况。在图10（a）中，对于传统算法LMMSE，NM SE随着BS天线数量的增加而略有增加。对于CDRN和本文所提算法，NMSE性能略有下降。图10（b）中，算法的NMSE变化情况和图10（a）中相似。总的来说，BS的天线数对算法的性能影响较小。3.4不同RIS反射元件数量本节进一步研究了LMMSE、CD RN和本文所提算法在不同RIS反射元件数量下的NMSE性能。BS端天线数量被设置为32，分析RIS反射元件数量分别为4、16 和64时算法的NMSE性能。图11（a）、11（b）、11（c）分别展示了N为4、16、6 4时三种算法的NMSE性能。020LSMMSELMMSEDnCNNCDRNResu_Netours510SNR(dB)图9不同算法的性能比较4060epoch图8消融实验15801002012014025在图11（a）、11（b）和11（c）中，本文所提的方法在估计精度上表现良好。为了更直观地进行比较，将图11（a）、11（b）和11（c）进行合并得到图11（d）。从图11（d）可以看出，在相同信噪比环境下，三种算法的估计性能随着RIS元件数的增加而提高。当RIS元件数较多时，CDRN算法的估计精度远低于本文所提算法。3.5计算复杂度本节讨论了CDRN、D n C NN、Re s U-Ne t 和本文所提算法的计算复杂度。如表2 所示，本文使用每个样本的训练时间来分析网络的复杂度，训练时间越长，网络的复杂度越高。其中，DnCNN和ResU-Net的复杂度高于912024年4月第4期第48 卷“RIS辅助的通感一体化”专题总第52 4期10-110-3LMMSECDRNoursLMMSECDRNours10-210-410-301010-210-52040Thenumberof BS antenna（a）低信噪比条件（SNR=OdB）下图10不同信噪比下随天线BS数变化的NMSE性能比较LMMSECDRNours6080100120010-110-2ESWN10-320（b）在高信噪比（SNR=20dB）下40Thenumberof BSantenna6080100120LMMSECDRNours10-310-410-410-210-310-410-510-610-792移动通信2024年4月第4期10-505（a）RI S元件数N=405(c）RI S元件数N=64图11不同RIS元件数量下随信噪比变化的NMSE性能比较10SNR(dB)1015SNR(dB)15202025LMMSECDRNours25010-110-210310-410-510-610-705(b）RI S元件数N=16LMMSE(N=4)CDRN(N=4)ours(N=4)LMMSE(N=16)CDRN(N=16)ours(N=16)LMMSE(N=64)CDRN(N=64)ours(N=64)510SNR(dB)1015SNR(dB)（d）总体比较1520202525第48 卷总第52 4期吴颖，刘紫燕：基于改进DnCNN的RIS辅助毫米波系统信道估计本文所提算法。虽然CDRN的复杂度低于本文所提算法，但本文所提算法能够实现更高的估计精度。表2不同算法的复杂度比较(M,N)CDRN(4,8)9ms(8,16)28ms(16,32)88ms(32,64)462 ms4结束语针对RIS辅助毫米波大规模MIMO系统，提出了一种结合传统算法和深度学习技术的信道估计方法，采用数据驱动的方法解决信道估计问题。本文使用LMMSE算法来获取信道矩阵的粗估计值，将信道估计视为图像去噪问题。此外，融合注意机制模块和噪声水平估计子网络对DnCNN进行改进，提高网络的噪声特征提取性能和收敛性能，以获得高精度的信道估计值。参考文献：1 Pan C,Ren H,Wang K,et al.Reconfigurable intelligent surfacesfor 6G systems:Principles,applications,and research directionsJ.IEEE Communications Magazine,2021,59(6):14-20.2Huang C,Zappone A,Alexandropoulos G C,et al.Reconfigurableintelligent surfaces for energy efficiency in wirelesscommunicationJj.IEEE Transactions on Wireless Communications,2019,18(8):4157-4170.3 Kishk M A,Alouini M S.Exploiting randomly located blockages forlarge-scale deployment of intelligent surfaces3.IEEE Journal onSelected Areas in Communications,2020,39(4):1043-1056.4Wei X,Shen D,Dai L.Channel estimation for RIS assisted wirelesscommunications-Part I:Fundamentals,solutions,and futureopportunitiesJ.IEEE Communications Leters,2021,25(5):1398-1402.5Dajer M,Ma Z,Piazzi L,et al.Reconfigurable intelligent surface:Design the channel-A new opportunity for future wireless networksJ.Digital Communications and Networks,2022,8(2):87-104.6Wu Q,Zhang R.Towards smart and reconfigurable environment:Intelligent reflecting surface aided wireless networkJ.IEEECommunications Magazine,2020,58(1):106-112.7Wei X,Shen D,Dai L.Channel estimation for RIS assisted wirelesscommunicationsPart II:An improved solution based on double-structured sparsityJ.IEEE Communications Letters,2021,25(5):1403-1407.8Xie W,Xiao J,Zhu P,et al.Deep compressed sensing-basedcascaded channel estimation for RIS-aided communicationsystemsJ.IEEE Wireless Communications Letters,2022,11(4):846-850.9Xie W,Xiao J,Zhu P,et al.Multi-task learning-based channelestimation for RIS assisted multi-user communication systems.IEEE Communications Letters,2021,26(3):577-581.10 Liu C,Liu X,Ng D W K,et al.Deep residual learning forchannel estimation in intelligent reflecting surface-assistedmulti-user communicationsJ.IEEE Transactions on WirelessCommunications,2021,21(2):898-912.1l Xu W,An J,Xu Y,et al.Time-varying channel prediction forRIS-assisted MU-MISO networks via deep learningJJ.IEEETransactions on Cognitive Communications and Networking,2022,8(4):1802-1815.12 Xu M,Zhang S,Ma J,et al.Deep learning-based time-varyingchannel estimation for RIS assisted communicationJ.IEEECommunications Letters,2021,26(1):94-98.13 Ma J,Ping L.Data-aided channel estimation in large antenna systemsJ.DnCNNResU-Net42ms160ms510 ms3sours26ms101ms341ms5s1sIEEE Transactions on Signal Processing,2014,62(12):3111-3124.14 Chen X,Jiang M.Adaptive statistical Bayesian MMSE channelestimation for visible light communicationJJ.IEEE Transactions onSignal Processing,2016,65(5):1287-1299.15 Gao Z,Dai L,Wang Z,et al.Spatially common sparsity based adaptivechannel estimation and feedback for FDD massive MIMOJJ.IEEETransactions on Signal Processing,2015,63(23):6169-6183.16I Li W,Wang K,You L,et al.A new deep learning framework forHF signal detection in wideband spectrogramJ.IEEE SignalProcessing Letters,2022,29:1342-1346.17 Luo J,Fan J,Zhang J.MDL-AltMin:A hybrid precoding scheme formm Wave systems with deep learning and alternate optimization.IEEE Wireless Communications Letters,2022,11(9):1925-1929.18Gao Z,Eisen M,Ribeiro A.Resource allocation via model-free deeplearning in free space optical communicationsJJ.IEEE Transactionson Communications,2021,70(2):920-934.19 Liu X,Liu C,Li Y,et al.Deep residual learning-assisted channelestimation in ambient backscatter communicationsJ.IEEE WirelessCommunications Letters,2020,10(2):339-343.20 FRahman M H,Chowdhury M Z,Utama I B K Y,et al.Channelestimation for indoor massive MIMO visible light communicationwith deep residual convolutional blind denoising NetworkJ.IEEETransactions on Cognitive Communications and Networking,2023,9(3):683-694.21 Biguesh M,Gershman A B.Training-based MIMO channel estimation:a study of es