1.一种智能反射面辅助毫米波大规模MIMO系统的信道估计方法,其特征在于:所述信道估计方法包括以下步骤:步骤1,建立系统模型和信道模型,其中基站和IRS都配备了半波长均匀平面阵列UPA,包括路径损耗参数、基站以及IRS处的方位角和仰角;
所述步骤1中:系统模型为由一个基站和一个IRS组成的大规模MIMO系统,同时为K个单天线用户服务,基站和IRS天线数分别是M=M1×M2和N=N1×N2,M1和M2分别表示基站天线阵列的横向和纵向天线单元数,N1和N2分别表示IRS天线阵列的横向和纵向天线单元数;不考虑基站与用户间的直接路径,基站与IRS间采用Saleh‑Valenzuela信道模型,H1表示IRS与基站间的信道,H2表示用户与IRS间的信道,并通过H2,k表示IRS与用户k间的信道,L1是IRS与基站间的有效路径数,L2,k是IRS与用户k间的有效路径数,Θ是IRS处的反射矢量矩阵,S是导频信号;
步骤2,在接收端,通过对接收信号Y的变换,根据角度域级联信道的稀疏性将信道估计问题转化成压缩感知恢复问题;
所述步骤2中:下行链路时,设W为采集的基站波束形成向量,第k个用户接收到基站在Q个时隙发送的信号为:Yk=H1diag(Θ)H2,kWS+Nk=H1diag(H2,k)ΘS+N取级联信道为H=H1diag(H2),在虚拟角度域,H表示为:其中 表示角度域级联信道,UM和 分别是基站和IRS的字典酉矩阵,则设 为有效测量值矩阵, 为有效噪声矩阵, 为
传感矩阵,那么上式写成一个压缩感知问题模型:
步骤3,并分析角度域级联信道的行列结构稀疏性;
所述步骤3中:将级联信道表示为:
其中 和 只有一个非零元素,在阵
列矢量位于UM和UN的 方向上;从上式,发现对于 每个完整的反射路径(l1,l2)只有一个非零元素,该元素的行列索引取决于 和 因此 只有L1个非零列,其中每个非零列只有L2,k个非零行,非零元素总数为L1L2,k<
所述步骤3中,角度级联通道的双重稀疏性分别从行和列的角度总结如下:列结构的稀疏性:定义 为 中非零元素的列的集合,Ωr为 的完全公共列支撑集,那么部分行结构稀疏性:设 表示 的第l1(个非零列的非零元素的行的集合,l1=1,
2,...,L1, 为 第l1个非零列的部分公共行支撑集,那么步骤4,采用压缩感知算法分别结合级联信道的行列结构稀疏性对级联信道进行估计;
所述步骤4包括如下分步骤:
步骤4‑1,估计完全公共非零列的支撑集:
根据级联信道的列结构的稀疏性估计出与级联信道L1个非零行相关的L1个完全公共行支撑集联合 来估计 进而消除噪声的影响;用M×1维矩阵g来存储 列功率和,选择g中L1个幅度最大的元素来估计完全公共列支撑集 其中τ(x,L)是一个修剪算子,其作用是筛选出x中L个幅度最大的元素,其余元素置零,另外Γ(x)用来表示x的支撑集,Γ(x)={i,x(i)≠0};
步骤4‑2,计算出部分公共非零列的支撑集:
根据部分列结构稀疏性,采用CoSaMP依次计算出第l1个非零行的非零列的支撑集先用每个用户k的2L2,k索引估计行支持集 然后从所有 中选择与最大次数相关联的Lc个索引值来估计部分行支持集 与 的2L2,k个最相关的行作为新的行*支撑索引n ,通过更新的 使用最小二乘算法获得估计的稀疏向量 对 中元素降序排列后,取前L2,k个最大的值,按照索引的顺序排列,作为最终输出的解;通过去除已经估计的非零元素的影响来更新残差向量 为N×1维向量用来所选列索引的次数,选择 中Lc个最大值的元素的索引来估计步骤4‑3,计算出每个用户的特定的行支撑集:
采用CoSaMP算法对每一个用户进行计算 对于第l1个非零列,通过步骤2估计了Lc行支撑索引;因此,对于每个用户k,有L2,k‑Lc个用户特定的行支持索引基于步骤2进行估计;
步骤4‑4,根据最小二乘法获得相应的信道估计矩阵,并将角度信道转换为空间信道来获得估计的级联信道:在获取所有稀疏矩阵的支撑集后,根据最小二乘法获得相应的估计矩阵最后,将角度信道转换为空间信道来获得估计的级联信道
2.根据权利要求1所述的一种智能反射面辅助毫米波大规模MIMO系统的信道估计方法,其特征在于:所述步骤4‑2具体包含如下分步骤:步骤4‑2‑1:输入: L1, Lc, 初始化
步骤4‑2‑2:计算 选择n1中最大的2L2,k个最大的值,将这些值对应的*的行序号构成集合n;
步骤4‑2‑3:更新
步骤4‑2‑4:计算 对 中元素降序排列后,取前L2,k个最大的值,用其对应的 的L2,k列更新
步骤4‑2‑5:重复迭代L1×K次,最后选择 中Lc个最大值的元素的索引即为