基于生成对抗网络的RIS辅助系统信道估计算法.pdf

：引用格式：柳子惠，康晓非，姚萌基于生成对抗网络的辅助系统信道估计算法无线电工程，（）：，（）：基于生成对抗网络的辅助系统信道估计算法柳子惠，康晓非，姚萌（西安科技大学 通信与信息工程学院，陕西 西安）摘要：针对可重构智能表面（，）辅助的通信系统中难以获取准确信道状态信息（，）的问题，提出一种基于条件生成对抗网络（，）的深度学习算法，用于实现可重构智能表面辅助单输入多输出（，）系统的上行信道估计。采用最小二乘（，）估计算法进行信道的粗估计，进一步设计将信道估计问题建模为低分辨图像到高分辨图像的恢复问题，通过设计网络结构和改进损失函数来提高信道估计的精度。仿真实验表明，相比传统的算法以及基于卷积的深度残差网络（，）估计算法，所提算法具有更高的估计精度，且可以适应更少导频数目和更复杂的应用场景。关键词：信道估计；深度学习；条件生成对抗网络；可重构智能表面中图分类号：文献标志码：开放科学（资源服务）标识码（）：文 章 编 号：（），（，）：（）（）（）（），（）（），：；收稿日期：基金项目：国家自然科学基金（）：（）引言当前，日益增长的通信需求和不断发展的终端产品对未来的通信技术提出了更高的要求，期望达到更高的传输速率、更广的覆盖范围、更好的连通性，以及强可靠性和低延迟性。尽管当前第五代移动通信系统在资源利用率以及传输速率上已经有了显著的提升，但如果想要实现上述目标，仍需要开发具有突破性的新技术。鉴于可编程超材料的迅速发展，研究人员发现可重构智能表面（，）拥有低成本、易于部署并且能改变通信环境等特点，因此将其用于改善下一代（）无线通信系统，是实现智能无线传输的关键技术之一。通常情况下，由大量的被动反射元件构成，可以通过设计反射系数来改变反射信号的强度和反射路径，以此重构良好的无线信信号与信息处理 年 无线电工程 第 卷 第 期 道环境，达到低功耗和高质量的通信指标。然而，智能反射面技术在给未来无线通信带来广阔发展前景的同时，也带来了新的挑战。由带来的良好性能增益依赖于准确的信道状态信息（，），因此，信道估计是辅助通信系统中的必要环节。考虑到是无源的、不配备任何射频链路，不能发射或处理任何导频信号，因此智能反射面到用户或基站（）的单独信道不可估计，通常对用户经智能反射面至基站（）的级联信道进行估计。在此场景下的信道估计主要面临个方面的挑战：一方面，智能反射面辅助下的级联信道不符合传统的瑞利衰落信道模型，在这种情况下，传统的最小均方误差估计器（，）并不适用，而现有应用的最小二乘（，）估计方法的性能与理想的最优估计器相比仍有较大的差距；另一方面，当智能反射面配备较多反射元件时，级联信道的高维度会增加信道估计的训练开销，并影响估计的精度。为克服智能反射面辅助信道估计所带来的挑战，已经有学者针对辅助无线通信系统级联信道估计问题提出了基于压缩感知（，）的估计方法，如行结构稀疏模式下的正交匹配追踪（，）算法和（）算法等。然而，这类算法的实现都需要以获取信道的稀疏度信息为前提，这些参数在实际应用场景下比较难准确获取，使得这类算法在实际系统中的应用受到极大限制。文献提出利用近似消息传递的通信协议来执行级联信道估计。然而，这些方案需要大量的迭代，引入非常长的延迟和大的信令开销来获得，因为估计是在非常大维度的信道上进行的，对此，文献提出了多普勒频移调整来估计级联信道。除此之外，文献提出了双辅助通信系统和相应的双反射级联信道估计方法。然而，这种方法由于无源元件无法有效地感知和估计，因此估计的计算复杂度太大。在提升信道估计性能以及降低估计算法复杂度等方面，许多学者尝试将深度学习（，）理论应用于无线通信领域，本质上是对深层网络模型进行训练的一系列方法的统称。文献提出基于卷积的深度残差网络（，）从基于导频的含噪接收信号中学习级联信道。另一类生成对抗模型也引发了广泛关注，生成对抗模型具有不依赖先验假设、生成样本方式简单等特点。自从生成对抗网络（，）的开创性文献发表以来，生成了的许多变体，不同的是生成器和判别器的结构、训练过程和判别器输出的损失函数。等提出使用一组模拟信道来训练，以便能够学习从底层信道分布中提取样本的生成器模型。等采用了一种条件接收天线，当发射信号和接收的导频信息被附加到接收天线的输入端时，该接收天线被训练成输出接收信号，所以当将其扩展到衰落信道时，假设真实的信道响应可以作为的输入。综上所述，当前基于智能反射面辅助的移动通信系统的信道估计普遍存在信道先验知识难以获取、信道估计算法难度高，以及由于网络结构复杂导致训练开销大等缺点。因此本文主要研究可重构智能反射面辅助的上行系统的信道估计问题，考虑到算法的强大特征表示学习和非线性映射能力可有效提升信道估计性能，本文采用条件生成对抗网络（，）作为信道估计的主要研究方法。本文的主要贡献包括：与传统信道估计算法相比，本文采用基于算法选择合适的网络结构，提高了系统的信道估计精度。通过仿真不同导频开销的实验环境，基于的算法对导频的变化具有鲁棒性，降低了信道估计过程中的导频开销。所提出的深度神经网络的训练在离线状态下进行，实时信道实行在线测试，有效降低估计复杂度并且提升了估计效率。系统模型考虑一个时分双工（，）的单输入多输出（，）系统，即在上行链路，用户（）侧配置根天线，基站（，）侧配置根天线，用户信号与信息处理 和基站之间部署用以辅助通信，辅助的上行通信系统如图所示。图辅助的上行通信系统 由于系统的信道互易特性，可以从系统的上行信道估计中获得下行链路，因此本文主要研究上行信道的信道估计问题。图中 表示基站到用户的直接信道，、分别表示用户端到智能反射面（）以及智能反射面到基站端（）的信道。由于的工作原理可简单概述为每个反射元件将到达的所有信号组合起来，并将它们按照设定好的方向反射至基站的接收端，因此整条反射链路可以被视为一个二元反向散射信道。本文研究的信道估计问题遵循如图所示的通信协议。图信道估计协议 假设在信道估计阶段有个子帧，每个子帧由导频符号组成。具体来说，中的相移矩阵在一个子帧内保持不变，并对于不同的子帧切换不同的相移矩阵。为了简化估计过程，在基站处的第个子帧期间接收到的导频信号向量可以表示为：，（），（）式中：为信道矩阵，（）为对应第个子帧的相移矩阵，表示反射系数向量，、，分别表示反射单元系数的幅度和相位，和分别代表以及信道，为导频序列，代表噪声向量，。由于辅助的通信系统信道不再是传统的瑞利信道，在此采用循环对称复高斯噪声，即，（，），为每根天线在基站处的噪声方差，为的单位阵。定义基站通过智能反射面反射的二元反向散射信道为级联信道（），而（）（），则式（）可改写为：，（）（），（）式中：，（）。为进一步简化公式，用，表示联合直接信道与级联信道矩阵，利用发送的导频序列的正交性，且，其中 为每个导频符号的功率，为导频序列的长度。经过接收端的预处理，基站处接收到来自于用户在第个子帧期间的实际信号为：，（）式中：，。在整个个子帧内信号接收完毕时，基站处的接收信号最终可表示为：，（）式中：，代表所有子帧接收信号的叠加，（），。由文献可知，为提高接收信号的功率，通常情况下在设计矩阵时采用一种离散傅里叶变换（），即：（）（），（）式中：，为（）（）的单位阵。接收信号与发送导频信号之间存在映射关系，通过信道估计方法只能得到等效估计信道，若要从整体估计信道中分离直接信道以及级联信道，则需要合理设计中反射单元的反射模式，目前较为常用的种设计策略为基于开关（）的反射模式以及正交反射模式。本文的信道模型分为瑞利衰落信道和莱斯衰落信道种，首先是用户端直接到基站端的直接信道，由于在实际情况下用户与基站之间的视距（）信号与信息处理 年 无线电工程 第 卷 第 期 信道有可能会被树木或者建筑物等阻挡，因此直接信道采用瑞利衰落信道模型。而级联信道存在链路和非视距（）链路，则智能反射面与基站之间信道（）被定义为莱斯（）衰落信道：槡 槡，（）式中：为信道的莱斯衰落因子，、分别为衰落信道的视距链路分量及非视距链路分量，其中每个元素都为均值单位方差复高斯随机变量且服从独立同分布。同理，在式（）中当衰落因子等于零时，可得到瑞利衰落信道模型。所提出的信道估计算法及原理作为一种无监督模型，具有更好的建模数据分布能力、无需利用马尔科夫链反复采样、无需在学习过程中进行推断、没有复杂的变分下界、避开近似计算棘手的概率的难题等优点。因此本文基于辅助的移动通信系统的信道估计问题，尝试采用的方法，通过引入条件输入，将信道估计转化为从低维数据恢复高维数据问题。所提出的网络结构如图所示，分为离线训练阶段和在线测试阶段。离线训练阶段，先将和通过估计器进行预处理，实现信道的初步估计，然后将预处理后的信号视为双通道图像作为条件输入，图像的个通道分别代表复数矩阵的实部和虚部，这样可以将信道估计问题转换为用给定的低分辨率图像来恢复高分辨率图像问题；在线测试阶段，将先通过估计器进行预处理，再将输出送入训练好的模型实现信道的精确估计。图所提出的网络结构 在算法的具体实现过程中，通过设计超分辨率（）网络作为生成器模型，而判别器作为一个二分类模型，用于区分判别器的输入为信道估计值还是真实值，本文设计为多层全连接神经网络（）。经过多次迭代训练后，生成器输出的信道估计的分布趋于真实信道的分布。进一步地，为了确保生成器优化的正确方向，使得二者在数值上更好地拟合，提出的算法对的损失函数进行改进，提出了联合损失函数。是常规的扩展，是一种基于对抗模型（即判别器）训练生成模型（即生成器）的架构。不同之处在于，的生成器学习从随机噪声到真实数据的映射，但这种映射具有不稳定性和随机性，而能够学习从条件输入到真实数据的映射。由于没有关于信道的先验知识，则可假设需要估计的信道是一个未知但具有确定性的矩阵，在这种情况下，估计器是最为常用的估计方式。由式（）可得到下式所示的估计结果：信号与信息处理 （）。（）而估计的最小均方误差与噪声信号成正相关，即代表通过该种估计方法得到的估计结果具有不稳定性，如下所示：（）（）。（）将经过估计器初步估计的结果以及接收信号作为的条件输入，可以进一步减少噪声干扰，并且提高信道估计的精度。的目标是让生成器的信道来欺骗判别器，同时判别器需要学会不被欺骗，通过个网络的多次交替训练而达到纳什均衡状态。为了实现这种优化，的损失函数可定义为：（，）（）（），（）式中：是由参数化的判别器，旨在区分生成的信道与真实信道，即最大化损失函数中的，表示由参数化的生成器，希望生成的信道更接近于真实信道，即最小化损失函数中的。因此，目标函数为：（，）。（）进一步地，为确保生成器优化的正确方向，提出的方案引入了损失函数，增加到损失中，即：（）。（）最后，总目标函数可定义为：（，）。（）实验与结果分析为了验证所提出的网络在系统下的性能表现，进行了实验仿真。首先，在系统环境设置上，考虑单用户配备单天线的情况下，基站端配备根天线，智能反射面设置个反射单元，并且假定用户到基站的直接链路距离，用户到智能反射面的距离，智能反射面到基站的距离 。除此之外，在式（）中建立了级联信道的莱斯衰落信道模型，由于衰落信道必定会有一定的损耗，所有路径损耗可表示为：（），（）式中：为参考距离下的路径损耗，为对应的路径损耗系数。具体仿真实验参数设置如表所示。表信道仿真模型参数设置 参数取值用户至基站链路的损耗系数 基站链路的损耗系数 用户链路的损耗系数用户至基站链路的莱斯衰落因子基站链路的莱斯衰落因子用户链路的莱斯衰落因子参考距离 参考距离下的路径损耗 通过设定以上信道模型参数，在中仿真生成信道，算法部分采用语言在框架下构建，训练和测试数据集分别包括、组数据。使用优化器训练所有批处理（）大小为的网络。在评价信道估计性能好坏时，采用均方误差（，）作为评价指标，并且与传统信道估计算法 算法以及文献中所提出的算法在同一实验环境下进行性能对比。本文采用的的生成器部分采用卷积神经网络（），判别器部分采用，具体网络结构及超参设置如表所示。表提出的网络结构及超参设置 生成器判别器网络层网络设置卷积核大小网络层网络设置卷积核大小（）（）（）（）（）（）信号与信息处理 年 无线电工程 第 卷 第 期 网络设置选取与的原因为：具有良好的特征提取能力，能将含噪的图像数据中的有用信息提取，进一步还原真实数据，该网络特性适合生成器的功能；而判别器的主要作用是判别生成器生成的信道估计值与真实值的一致性，本质上是一个二分类问题，因此在网络设计过程中主要采用全连接神经网络，且最后一个层的激活函数设置为函数，除此之外，通过在网络结构中添加层（）来避免训练过程中出现过拟合。通过在 以 为步长的个不同信噪比情况下产生 组测试信号，用于对比个算法的信道估计性能，其他环境条件为基站天线数，反射元素数，导频数 。直接信道与级联信道的性能表现分别如图所示。可以看出，本文所提出的算法性能不论在低信噪比或高信噪比下都优于传统估计算法，并且与深度学习算法相比，本文所提出的基于的估计算法也有一定程度的性能优势。（）级联信道（）直接信道图不同信噪比下的信道估计性能比较 信道估计除了估计准确率之外，还有另一个重要影响因素，即信道估计所需要的导频开销。在本文所讨论的智能反射面辅助的通信系统中，采用正交反射模式，这种反射模式需要至少个导频符号来对系统信道进行求解。因此本文在前提条件下进一步验证了导频数目对算法的信道估计性能影响，即设定其他环境条件相同（，），在不同导频数下，各算法的性能表现如图所示。图不同导频数目下几种算法的信道估计性能比较 由图可以看出，各个算法的估计精度都会随着导频数的增加而逐渐增强，只是幅度有所不同。传统估计算法由于其估计性能主要受到信道噪声的影响较大，导频数的改变在此复杂的信道条件情况下对估计精度的提升作用不大。而也存在同样的问题，由于其网络结构中依靠多个级联的去噪神经网络来解决信道估计问题，因此虽然估计精度也表现良好，但与本文所提出的网络相比，在同样情况下，网络能以更低的导频开销得到更高的估计精度。为进一步验证本文所提出的算法的鲁棒性，尝试在多种不同信道维度来测试算法的估计性能。首先考虑配备不同数量的反射单元，这直接影响了信道矩阵的列数。配置不同反射元素数量情况下，提出的算法的信道估计性能比较如图所示。由图可以看出，随着反射元素的增加，由于中的特性，可以从更大规模的输入矩阵中提取更多有用特征，因此估计性能会随着反射元素的增加而增加。然而在实际应用情况下，部署大规模反射元件的智能反射面需要消耗更多的成本。信号与信息处理 即使配备的反射元件数量较少的情况下，信道估计的性能也能达到较为理想的水平，可为通信系统建设有效节约成本。图配置不同反射元素数量情况下提出的算法的信道估计性能比较 对于信道矩阵的维度，另一影响因素为基站端配备的天线数，因此本文进一步仿真了在同一信噪比、其他条件都相同的情况下（，），种估计算法在不同天线数目下的性能表现，如图所示。图基站端配备不同数量天线下的算法性能比较 由图可以看出，基于算法的与本文所提出的算法对于天线数量的改变，信道估计的性能表现几乎不受影响，这是因为当天线数量增加时，尽管增加了需要估计矩阵的维度，但同时也给神经网络提供更多可供学习的参数，在经过深层神经网络的迭代训练后，依然可以达到一个稳定的性能表现。该仿真结果表明，网络在个算法中表现最优，并且在不同天线数目设定情况下性能稳定，有良好的鲁棒性。除了估计的精度影响之外，复杂度也是衡量算法的另一重要指标，通常定义可训练参数和浮点运算次数（，）代表网络所需的参数数量和计算量，本文所提出的算法的可训练参数数量为，为。对比文献基于深层去噪网络的算法的复杂度（训练参数数量 、）尽管高了许多，但这是由于生成器部分采用了多层结构。考虑到网络的结构特性给信道估计性能带来了提升，因此复杂度的增加也是可以接受的。结束语针对系统上行链路信道估计问题，本文提出了一种联合基于的网络架构，进行精确的信道估计。该算法将和优秀的特征提取以及非线性映射能力用于信道估计。仿真实验验证了相比传统信道估计算法（）以及基于去噪思路的网络，性能有明显提升，不仅提高了估计精度，在少量导频数条件下，信道估计效果依然显著。因此该算法能解决系统下信道估计存在的导频开销大、信道估计精度低等问题。?参考文献刘诗雨基于深度学习的辅助通信关键技术研究杭州：浙江大学，：，（）：，（）：，：，（）：，（）：信号与信息处理 年 无线电工程 第 卷 第 期 ，（）：，：，（）：，（）：，（）：，：，（）：，（）：，（）：，：，：，（）：，：，：，（）：，（）：，：，：，：，（）：，（）：，：，：，：，（）：党建，李业伟，朱永东，等可重构智能表面通信系统的渐进信道估计方法系统工程与电子技术，（）：，（）：，：，（）：，（）：作者简介柳子惠女，（），硕士研究生。主要研究方向：无线通信系统中基于深度学习的信道估计算法。康晓非男，（），博士，副教授，硕士生导师。主要研究方向：系统下的信道估计、信号检测以及无线室内定位技术等。姚萌女，（），硕士研究生。主要研究方向：大规模信号检测和深度学习。信号与信息处理