基于混合IRS辅助大规模MIMO系统的仿真信道估计方法

对于IRS辅助的大规模MIMO系统，大多数研究都需要基于信道状态信息已知，而IRS通常为无源中继，导频开销较大，信道估计具有挑战性。为此，研究引入了一种包含有源和无源元件的混合IRS架构，使用少量RF链接收用户发送的上行导频信号，利用毫米波信道的稀疏特性，采用压缩感知算法重构信道，减少了导频损耗。考虑到信道为复数矩阵，传统的方法都将其实部虚部分开输入网络进行训练，该类方法会丢失信道的部分信息。为此，研究引入了一种注意力引导的复数深度去噪的神经网络AM-DnCNN。该网络可以将信道看作是二维带有噪声的矩阵进行训练，引入注意力机制加强信道的噪声特征，网络输出噪声矩阵，重构噪信道矩阵。仿真结果表明，所提方法可以利用更少的导频获得更优的信道状态信息，有效减少了导频损耗，且在不同路径数量和不同信噪比的情况下，网络也具有很好的鲁棒性。

智能反射表面(Intelligent Reflecting Surface)被认为是第六代(6G)网络的关键技术之一， 可以通过软件控制反射元件参数来实现智能和可编程的无线传播环境， 从而改善基站(Base Station, BS)和用户之间的无线信道并且增强系统性能[1] [2] [3]。通常，IRS 由大量的无源反射元件组成，可以通过调整每个反射元件的反射参数(幅度和相位)来改变入射信号的反射。在毫米波大规模MIMO 系统中，由于毫米波的传输特性，其遇到障碍物阻挡时，信号的视距(Line Of Sight, LOS)传播会受到严重影响，IRS 被引入系统来建立新的稳定的视距连接[4]。为了充分发挥IRS 的优势，研究需要精确的信道状态信息(Channel Station Information, CSI)来进行设计。因此，实现IRS 辅助通信系统的一个重要任务是进行信道估计。与传统系统中的信道估计不同，IRS 通常是由无源设备构成，无源中继不能接收导频信号，只能估计用户到IRS再到BS 的级联信道。对于采用传统方法(例如最小二乘法(LS)方法[5]和线性最小均方误差(LMMSE)方法[6])估计上行链路的级联信道， 然而级联通道通常具有较大的尺寸，这些方法会产生大量的训练开销并且计算复杂度较高。在文献[7]中，通过利用BS 至IRS 和IRS 至用户之间信道的低秩结构，开发了一种基于稀疏矩阵分解的信道估计方法。该方法需要每次关闭一些无源元件。然而对每个IRS 元件进行单独的振幅控制，实施ON/OFF 开关的成本较大[8]。文献[5]中设计了一种二进制反射控制LS 信道估计方案， 其中IRS 在每个时隙仅打开一个反射元件并关闭其余反射元件。虽然BS 没有接收到来自其他反射元件的任何干扰，但其只能获得用于信道估计的信噪比(Signal to Interference plus Noise Ratio, SNR)。

与传统方法相比，深度学习(Deep Learning, DL)技术可以帮助更好地提取输入输出信号的固有关系， 并实现更可靠的信道估计，如OFDM 系统[9]和大规模MIMO 系统[10]。文献[11]基于IRS 辅助的大规模MIMO 系统， 提出了两个相同的卷积神经网络(CNN)， 用于以顺序方式估计视距信道和级联信道。

然而， 由于估计的直接信道被用于构造估计的级联信道，因此会有误差传播问题。A. Taha 等提出的混合无源/