本(ben)發明涉(she)及通(tong)信，特(te)別是涉(she)及一種(zhong)多智能超表面輔(fu)助多播通(tong)信系(xi)統的聯合波束成形(xing)方(fang)法。

背景技術：

1、近(jin)年來，可重構(gou)智能表面(mian)(reconfigurable?intelligent?surface，ris)在各種應用(yong)場景中(zhong)得到了廣泛(fan)的(de)(de)(de)研究，其能夠調(diao)節自身元件的(de)(de)(de)反射(she)相移，更改信(xin)號發(fa)射(she)機與接收(shou)機之間的(de)(de)(de)無線信(xin)道，具有低成本、低功耗、易(yi)部署等優越性(xing)。當今的(de)(de)(de)流媒(mei)體時代，諸多(duo)通信(xin)場景使用(yong)多(duo)播進行(xing)傳輸，此時可以在環境中(zhong)部署多(duo)個ris，滿足不(bu)同位置的(de)(de)(de)用(yong)戶(hu)的(de)(de)(de)通信(xin)需求，增(zeng)強系統通信(xin)性(xing)能。這種技術上的(de)(de)(de)應用(yong)能夠支(zhi)撐不(bu)斷增(zeng)長的(de)(de)(de)無線數據(ju)通信(xin)量，并在未(wei)來無線網(wang)絡的(de)(de)(de)發(fa)展(zhan)中(zhong)發(fa)揮關鍵作用(yong)。

2、但(dan)是(shi)(shi)，上述場景(jing)中(zhong)，需(xu)要聯合優化基站(zhan)主動波束成(cheng)形與ris被(bei)動波束成(cheng)形，這(zhe)在多(duo)ris輔助的(de)多(duo)播系統中(zhong)是(shi)(shi)一項(xiang)極大(da)的(de)挑戰。為此，有(you)學者提出使用一種交替投(tou)影梯(ti)度(alternating?projected?gradient，apg)算法(fa)(fa)，但(dan)是(shi)(shi)該算法(fa)(fa)的(de)復(fu)雜度隨(sui)ris反射元件數量呈(cheng)線性增長。且(qie)需(xu)要大(da)量的(de)迭代才能收(shou)斂，因此該算法(fa)(fa)的(de)計算復(fu)雜度較高，實際部署較為困難。

3、另一方(fang)面，隨著(zhu)人工智能的(de)(de)快速發展，深度學習與無線通信(xin)物理層開始緊密融合，通過(guo)神經(jing)網絡擬合的(de)(de)方(fang)式(shi)解(jie)(jie)決傳統建模優化方(fang)法(fa)的(de)(de)缺陷，在非凸目標函數和多種約束條件的(de)(de)通信(xin)問(wen)題下(xia)給出了新的(de)(de)解(jie)(jie)決方(fang)案。如何在ris輔助的(de)(de)多播系統中，基于非完(wan)美(mei)統計信(xin)道狀態信(xin)息，利(li)用模型驅動方(fang)式(shi)，解(jie)(jie)決低復雜(za)度獲取(qu)參數配(pei)置的(de)(de)問(wen)題，是亟(ji)需研究(jiu)的(de)(de)。

技術實現思路

1、技(ji)術(shu)問題：為了克服現有技(ji)術(shu)中(zhong)存在(zai)的(de)不足(zu)，本發明提供一種(zhong)多智(zhi)能(neng)超表面輔助多播通信系(xi)統的(de)聯合波(bo)束成(cheng)形(xing)方法，旨在(zai)利(li)用深度(du)學習(xi)技(ji)術(shu)，特(te)別(bie)是(shi)一種(zhong)基于深度(du)展開的(de)模型(xing)驅動技(ji)術(shu)，改善現有技(ji)術(shu)中(zhong)性能(neng)不足(zu)和獲取參數配置效率(lv)低效的(de)問題。

2、技術方案：本發明的(de)(de)(de)(de)一(yi)種多智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面輔助多播通信(xin)(xin)(xin)(xin)(xin)系(xi)統(tong)的(de)(de)(de)(de)聯合波束成(cheng)(cheng)(cheng)形方法(fa)采用(yong)(yong)的(de)(de)(de)(de)技術方案適用(yong)(yong)于下(xia)行多組(zu)多播通信(xin)(xin)(xin)(xin)(xin)系(xi)統(tong)，基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)包(bao)(bao)(bao)含(han)n個(ge)(ge)天線陣(zhen)元(yuan)(yuan)，系(xi)統(tong)中(zhong)(zhong)包(bao)(bao)(bao)含(han)k個(ge)(ge)用(yong)(yong)戶(hu)，k個(ge)(ge)用(yong)(yong)戶(hu)被分為g組(zu)，第(di)(di)g組(zu)用(yong)(yong)戶(hu)集(ji)合為基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)向(xiang)(xiang)同(tong)一(yi)組(zu)用(yong)(yong)戶(hu)發送同(tong)樣的(de)(de)(de)(de)廣播信(xin)(xin)(xin)(xin)(xin)號；系(xi)統(tong)包(bao)(bao)(bao)含(han)l塊智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面，第(di)(di)l塊配備ml個(ge)(ge)反(fan)射(she)單(dan)(dan)元(yuan)(yuan)，其(qi)(qi)反(fan)射(she)系(xi)數矩(ju)陣(zhen)為對(dui)(dui)角(jiao)陣(zhen)θl,m為第(di)(di)l塊智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面的(de)(de)(de)(de)第(di)(di)m個(ge)(ge)反(fan)射(she)單(dan)(dan)元(yuan)(yuan)的(de)(de)(de)(de)反(fan)射(she)系(xi)數，l＝1,…,l，m＝1,…,ml，θl＝vecd(θl)為第(di)(di)l塊智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面被動(dong)波束成(cheng)(cheng)(cheng)形向(xiang)(xiang)量(liang)，vecd(x)表(biao)(biao)(biao)示(shi)通過取(qu)矩(ju)陣(zhen)x的(de)(de)(de)(de)主對(dui)(dui)角(jiao)線元(yuan)(yuan)素(su)而得到(dao)的(de)(de)(de)(de)列向(xiang)(xiang)量(liang)，為所有(you)(you)智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面總波束成(cheng)(cheng)(cheng)形向(xiang)(xiang)量(liang)，上標(biao)(·)t表(biao)(biao)(biao)示(shi)轉置，為所有(you)(you)智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面反(fan)射(she)單(dan)(dan)元(yuan)(yuan)總和；基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)與智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面獲取(qu)的(de)(de)(de)(de)信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)狀態(tai)信(xin)(xin)(xin)(xin)(xin)息，包(bao)(bao)(bao)含(han)每個(ge)(ge)幀的(de)(de)(de)(de)第(di)(di)一(yi)個(ge)(ge)時隙獲取(qu)基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)到(dao)第(di)(di)l塊智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)矩(ju)陣(zhen)第(di)(di)l塊智(zhi)(zhi)能(neng)超(chao)(chao)表(biao)(biao)(biao)面到(dao)第(di)(di)k個(ge)(ge)用(yong)(yong)戶(hu)的(de)(de)(de)(de)信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)矢(shi)量(liang)基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)到(dao)第(di)(di)k個(ge)(ge)用(yong)(yong)戶(hu)的(de)(de)(de)(de)信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)矢(shi)量(liang)其(qi)(qi)余(yu)時隙獲取(qu)基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)到(dao)第(di)(di)k個(ge)(ge)用(yong)(yong)戶(hu)的(de)(de)(de)(de)等效信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)到(dao)所有(you)(you)ris的(de)(de)(de)(de)拼(pin)(pin)接信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)所有(you)(you)ris到(dao)用(yong)(yong)戶(hu)的(de)(de)(de)(de)拼(pin)(pin)接信(xin)(xin)(xin)(xin)(xin)道(dao)(dao)基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)采用(yong)(yong)主動(dong)波束成(cheng)(cheng)(cheng)形，為基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)主動(dong)波束成(cheng)(cheng)(cheng)形向(xiang)(xiang)量(liang)，其(qi)(qi)中(zhong)(zhong)fg，g＝1,…,g代(dai)表(biao)(biao)(biao)第(di)(di)g組(zu)用(yong)(yong)戶(hu)的(de)(de)(de)(de)主動(dong)波束成(cheng)(cheng)(cheng)形向(xiang)(xiang)量(liang)，基(ji)(ji)(ji)站(zhan)(zhan)(zhan)(zhan)最大發射(she)功率為pt；傳(chuan)輸框架中(zhong)(zhong)，每一(yi)幀下(xia)包(bao)(bao)(bao)含(han)ts個(ge)(ge)時隙。該方法(fa)包(bao)(bao)(bao)括(kuo)以下(xia)步驟：

3、s1、構建深度展開(kai)的金字(zi)塔歸一化(hua)交替(ti)投影梯度網(wang)絡；

4、s2、構(gou)建優化(hua)(hua)算法流(liu)程(cheng)(cheng)(cheng)，算法流(liu)程(cheng)(cheng)(cheng)分為階(jie)(jie)段(duan)一流(liu)程(cheng)(cheng)(cheng)與(yu)階(jie)(jie)段(duan)二流(liu)程(cheng)(cheng)(cheng)；階(jie)(jie)段(duan)一流(liu)程(cheng)(cheng)(cheng)為，在每一幀(zhen)第一個時(shi)隙下(xia)，收集(ji)訓練數據{g,uk,hk}，構(gou)建l塊(kuai)智能超表面被(bei)動(dong)(dong)波束成形向量θ1與(yu)基(ji)站(zhan)主(zhu)動(dong)(dong)波束成形向量f1優化(hua)(hua)流(liu)程(cheng)(cheng)(cheng)；階(jie)(jie)段(duan)二流(liu)程(cheng)(cheng)(cheng)為，在之(zhi)后的時(shi)隙t下(xia)，收集(ji)訓練數據構(gou)建基(ji)站(zhan)主(zhu)動(dong)(dong)波束成形向量ft優化(hua)(hua)流(liu)程(cheng)(cheng)(cheng)；

5、s3、利用(yong)收集(ji)的訓(xun)練數據，訓(xun)練深度展(zhan)開的金字塔歸一化交替投影梯度網絡；

6、s4、在部(bu)署(shu)階段，基于步驟s2的(de)算法流程優化不(bu)同時隙下的(de)智能超表面被動波(bo)束成(cheng)形向量與(yu)基站主動波(bo)束成(cheng)形向量，算法流程所(suo)需參(can)數由(you)訓練(lian)好的(de)深度展開的(de)金字塔(ta)歸一化交替投影梯(ti)度網(wang)絡輸(shu)出。

7、進一(yi)步地，所(suo)(suo)述金字塔歸一(yi)化交(jiao)替(ti)投影梯(ti)度網(wang)(wang)絡包(bao)含(han)ts個(ge)(ge)時隙，第(di)一(yi)個(ge)(ge)時隙即階段(duan)一(yi)，包(bao)含(han)io層網(wang)(wang)絡，輸(shu)(shu)入為采(cai)樣信道(dao)集合(he)，第(di)i層基(ji)于前(qian)一(yi)層網(wang)(wang)絡輸(shu)(shu)出(chu)參數計算獲取的(de)(de)智能超表面被動(dong)波(bo)束(shu)成(cheng)形(xing)向(xiang)量(liang)(liang)(liang)θ(i-1)與基(ji)站(zhan)主動(dong)波(bo)束(shu)成(cheng)形(xing)向(xiang)量(liang)(liang)(liang)f(i-1)，輸(shu)(shu)出(chu){f(i),θ(i)}，第(di)i層包(bao)含(han)可(ke)訓(xun)練變量(liang)(liang)(liang)其余(yu)(ts-1)時隙采(cai)用階段(duan)二，其輸(shu)(shu)入是第(di)一(yi)階段(duan)的(de)(de)輸(shu)(shu)出(chu)以及(ji)等效信道(dao)第(di)二階段(duan)包(bao)含(han)可(ke)訓(xun)練變量(liang)(liang)(liang){γ}，輸(shu)(shu)出(chu)更新(xin)后的(de)(de)主動(dong)波(bo)束(shu)成(cheng)形(xing)向(xiang)量(liang)(liang)(liang)ft。所(suo)(suo)有(you)時隙的(de)(de)平(ping)均和速率作為損(sun)失函數。

8、進一(yi)(yi)步地，所(suo)述步驟(zou)(zou)s2中階段一(yi)(yi)流程(cheng)包括以下步驟(zou)(zou)：

9、a1)估計信(xin)道{g,uk,hk}，將(jiang)其放(fang)入采樣信(xin)道集(ji)合其中ξ為采樣索引；

10、a2)隨機初始化智能(neng)超(chao)表面被動波(bo)束成形向量(liang)θ(0)、基(ji)站主(zhu)動波(bo)束成形向量(liang)f(0)；

11、a3)設置(zhi)迭代總次(ci)數io，設置(zhi)初始(shi)迭代次(ci)數i＝1；

12、a4)從(cong)中采樣一組信(xin)道

13、a5)利用梯度下降(jiang)法更新(xin)第i次迭代的基站主(zhu)動(dong)波束成形向量(liang)f(i)；

14、a6)利用梯(ti)度下降法、樣本遞歸近似法更新第i次迭代的(de)智能(neng)超表(biao)面被動波(bo)束成(cheng)形向量θ(i)；

15、a7)令i＝i+1，當i≤io時(shi)，進(jin)入步(bu)驟a4)，否則，獲取第一個時(shi)隙(xi)下的智能超(chao)表面(mian)被動波束成(cheng)形向量與基(ji)站主動波束成(cheng)形向量階(jie)段(duan)一流程(cheng)結(jie)束。

16、所述步驟(zou)s2中階段二流程包括(kuo)以下步驟(zou)：

17、b1)令當(dang)前時隙(xi)t＝2；

18、b2)估(gu)計(ji)出等效信(xin)道

19、b3)利(li)用梯度下降(jiang)法計算第t個時隙下的基站(zhan)主(zhu)動波束成形向(xiang)量ft；

20、b4)令t＝t+1，當t≤ts時，進入步驟b2)，否則，階段二流程結束(shu)。

21、進一步(bu)地，所述(shu)步(bu)驟a5)利用梯度下降法更(geng)新第i次迭代的基站主動(dong)波(bo)束成形向量f(i)，具體方法為：

22、

23、其中(zhong)表示將一(yi)個向量投影(ying)到可行集中(zhong)，為第i次迭代的(de)步長參數(shu)，則(ze)基于a4)采(cai)樣的(de)樣本通過(guo)以下公式獲取

24、

25、其中，μ是平滑參數，f(i-1)與θ(i-1)來(lai)源于第i-1次(ci)迭(die)代，rk(f(i-1),θ(i-1)；i)表達式為

26、

27、表達式為

28、

29、為用戶(hu)k的加性噪聲功率(lv)；

30、所述步驟a6)利用(yong)梯度下(xia)降法更新(xin)第i次迭代的智(zhi)能超表面被動波束成形向量θ(i)，具體(ti)方法為：

31、

32、其中(zhong)，表示把向(xiang)量θ投影到(dao)可(ke)行集中(zhong)，為第i次迭代的步長參數(shu)，是(shi)通過樣本遞歸(gui)近似方法得(de)到(dao)的：

33、

34、其中，δ(i)為第(di)i次(ci)迭代的(de)遞(di)歸近似參(can)數(shu)，初始時中的(de)f(i)來源于第(di)i次(ci)迭代，θ(i-1)來源于第(di)i-1次(ci)迭代，是基于a4)采(cai)樣的(de)樣本通(tong)過(guo)以下公式(shi)獲取

35、

36、

37、所述(shu)步驟(zou)b3)利用梯度(du)下降法(fa)計算第t個時隙下的基站主動波束(shu)成(cheng)形向量ft,具體(ti)方法(fa)為：

38、

39、其(qi)中(zhong)，γ為(wei)(wei)影響系(xi)統(tong)性(xing)能的步長參數，為(wei)(wei)流程一結(jie)束(shu)時基站主動波束(shu)成形向量的數值，為(wei)(wei)t時刻估計的等效信(xin)道，表達式為(wei)(wei)：

40、

41、rk(f,zk)表達(da)式為：

42、

43、表達式為：

44、

45、進(jin)一(yi)(yi)(yi)步(bu)(bu)地，所述的(de)(de)訓(xun)練變量集表示為訓(xun)練共(gong)分為io段，第(di)j段訓(xun)練時，訓(xun)練變量集為的(de)(de)子集每幀(zhen)的(de)(de)第(di)一(yi)(yi)(yi)個(ge)時隙(xi)下，金(jin)字塔歸一(yi)(yi)(yi)化交替投影梯度(du)網絡輸入{gl,ul,k,hk}，輸出隨后利(li)用上述訓(xun)練變量集，基(ji)于步(bu)(bu)驟(zou)s2階段一(yi)(yi)(yi)流程(cheng)獲(huo)取與令在每幀(zhen)接下來(lai)的(de)(de)時隙(xi)下，θt＝θ1，網絡輸入第(di)t個(ge)時隙(xi)的(de)(de)輸出γ，基(ji)于步(bu)(bu)驟(zou)s2階段二流程(cheng)獲(huo)取ft。第(di)j段訓(xun)練的(de)(de)損(sun)失函數表示為：

46、

47、其(qi)中(zhong)，ns為(wei)訓(xun)(xun)練變量集的(de)大小(xiao)，其(qi)包含了不同scsi下的(de)樣本。是基(ji)于訓(xun)(xun)練數據集中(zhong)第(di)n個統計信(xin)道(dao)狀態信(xin)息實現(xian)的(de)第(di)t個瞬時(shi)信(xin)道(dao)狀態信(xin)息，將ft,θ(j)代入求得的(de)和速率。第(di)(j-1)段(duan)訓(xun)(xun)練的(de)參數值(zhi)作為(wei)第(di)j段(duan)訓(xun)(xun)練的(de)部分初(chu)始值(zhi)，其(qi)余參數可任意(yi)設置(zhi)。

48、進一(yi)步(bu)(bu)地(di)，所(suo)述步(bu)(bu)驟s4的(de)(de)使用(yong)(yong)流(liu)(liu)程(cheng)為，在每一(yi)幀第一(yi)個時隙(xi)下(xia)，利用(yong)(yong)步(bu)(bu)驟s2的(de)(de)階段一(yi)流(liu)(liu)程(cheng)優(you)化智能超表面被動波束(shu)(shu)成形(xing)向(xiang)量(liang)θ1、基站(zhan)主(zhu)動波束(shu)(shu)成形(xing)向(xiang)量(liang)f1，其中，優(you)化流(liu)(liu)程(cheng)所(suo)需(xu)的(de)(de)參數由網絡(luo)輸(shu)出；在之后的(de)(de)時隙(xi)t下(xia)，令(ling)θt＝θ1，利用(yong)(yong)s2的(de)(de)階段二流(liu)(liu)程(cheng)優(you)化基站(zhan)主(zhu)動波束(shu)(shu)成形(xing)向(xiang)量(liang)ft，其中，優(you)化流(liu)(liu)程(cheng)所(suo)需(xu)的(de)(de)參數γ由網絡(luo)最后一(yi)層輸(shu)出。

49、有(you)益(yi)效果(guo)：與現有(you)技(ji)術(shu)(shu)相比，本發(fa)明提供的(de)(de)技(ji)術(shu)(shu)方案(an)具有(you)的(de)(de)有(you)益(yi)效果(guo)是：

50、本(ben)發(fa)明以交替投影梯(ti)度算法(fa)、樣本(ben)遞歸近(jin)(jin)似算法(fa)作(zuo)為原型，構建基于(yu)模型驅動(dong)的神經網絡(luo)，通(tong)(tong)過(guo)深度學習技術，優化網絡(luo)中(zhong)梯(ti)度下降部分(fen)的步(bu)長、樣本(ben)遞歸近(jin)(jin)似部分(fen)的比(bi)例(li)因子等(deng)參數(shu)(shu)，改善現(xian)有技術中(zhong)參數(shu)(shu)獲取(qu)方式(shi)，提升系統性(xing)能(neng)；在(zai)計算復(fu)雜度方面，本(ben)發(fa)明避(bi)免了(le)線性(xing)搜索獲取(qu)步(bu)長的這一方案，通(tong)(tong)過(guo)深度展開(kai)網絡(luo)獲取(qu)參數(shu)(shu)，大大降低了(le)計算開(kai)銷。總的來說，本(ben)發(fa)明提供(gong)了(le)一種在(zai)性(xing)能(neng)和計算復(fu)雜度上均較為出色的解決方案。