智能反射面|多IRS场景的系统数学建模

最新推荐文章于 2024-02-19 12:36:04 发布

B417科研笔记

最新推荐文章于 2024-02-19 12:36:04 发布

阅读量1.5w

点赞数 19

分类专栏： 5G新兴技术：智能反射面智能反射面

本文链接：https://blog.csdn.net/weixin_39274659/article/details/110095316

版权

智能反射面同时被 2 个专栏收录

15 篇文章 545 订阅

订阅专栏

5G新兴技术：智能反射面

11 篇文章 259 订阅

订阅专栏

前言

好久没更新智能反射面系列的博客了，离第一篇的相关博客已经过了整整一年，而在2020年中智能反射面的paper日愈增多，单块智能反射面（IRS）的系统及各种问题也被研究地七七八八。 随着研究的日益深入，同时存在多块智能反射面（multiple-IRS）的通信系统近期也已经被广泛讨论。本篇博客是基于最近的一篇 Jsac论文：Robust and Secure Wireless Communications via Intelligent Reflecting Surfaces ( 第一作者也是本博客的老熟人Xianghao Yu学长了），以从单IRS拓展的形式，简单介绍下多IRS系统的建模。

单IRS系统模型

这一部分之前写过一些，可以参考

简单回顾下：
在这里插入图片描述
$y=\left(\mathbf{h}_{\mathrm{r}}^{H} \mathbf{\Phi} \mathbf{G}+\mathbf{h}^{H}\right) \mathbf{f} x+n$

各种参数的意义：

$\mathbf{h}_r^H$ : IRS-UE的信道
$\mathbf{\Phi}$ : 智能反射面的相移矩阵，是一个对角阵
$\mathbf{G}$ ： AP （基站，BS）-IRS的信道
$\mathbf{f}$ : 发送波束成形向量
$n$ : 高斯噪声

多IRS系统模型

现在，我们拓展到同时有多个IRS的系统模型。

在这里插入图片描述
图片取自前言中的Jsac论文，大家可以下载原文拜读。这应该是现在IRS系统的差不多最复杂场景了： 多IRS，多用户，多窃听者。 由于原文考虑的是安全通信的问题，而许多IRS的研究问题其实没有窃听者的存在，因此本文重点讨论基站（AP）通过多IRS和用户间的通信建模。

首先，有两个非常重要的假设：

经过多个IRS反射的信号，认为可忽略。如 AP-IRS1-IRS2-UE这条link就可以在建模中不考虑。原因有二：首先，合适的波束成形及反射面设计后，由反射面反射出的信号应对准用户，而因此到达另一块反射面的信号就非常微弱。其次，反射面之间的不断反射不仅对信号有衰减作用，而更远的路程也使得信道增益进一步下降，因此，本假设是合理的。
多IRS系统仍是一个窄带系统。这是因为不同智能反射面反射的路径的距离差往往很小，因此可以认为远小于码元周期。文章中举的具体数值数据是，对于一个半径200米的小区，两个智能反射面的反射路径距离差，即AP-IRS1-UE 和 AP-IRS2-UE的距离差造成的延时最大为 $1.7\mu$ s，而LTE系统的标准单个码元周期为 $70\mu$ s左右，因此，可以认为系统是个窄带系统，也就是没有多径干扰。 (宽窄带和多径概念不熟悉的推荐参阅下这篇博客【OFDM技术的最简讲解（上）】窄带、宽带与频分复用、多载波调制的讲解.

有了这两个假设，建模就非常容易了。以单用户为例，假设共有 $L$ 个IRS，接收到的信号可以表示为：

$y=\sum\limits_{l =1}^L \mathbf{h}_{ l}^{H} \mathbf{\Phi}_{l} \mathbf{G}_{l} \mathbf{f}s+n$

各种参数的意义：

$\mathbf{h}_l^H$ : 第 $l$ 个 IRS 到UE的信道
$\mathbf{\Phi}_l$ : 第 $l$ 个智能反射面的相移矩阵，是一个对角阵
$\mathbf{G}_l$ ：AP （基站，BS）到第 $l$ 个IRS的信道
$\mathbf{f}$ : 发送波束成形向量
$n$ : 高斯噪声

对比下单IRS系统，可以发现，每个IRS的建模其实就是一个单IRS系统的建模。最后收到的信号就是 $L$ 个智能反射面反射信号的加和。由于第一条假设，因此不需要考虑IRS之间再多次反射的路径。由于第二条假设，认为是一个窄带模型，因此直接相加。

接下来，再将模型用矩阵改写成更简洁的形式：

$\mathbf{h}^{H} \mathbf{\Phi} \mathbf{G} \mathbf{f}s+n，$

其中， $\mathbf{h} = [\mathbf{h}_1, \dots, \mathbf{h}_L]$ , $\mathbf{\Phi} = \mathrm{blkdiag}(\mathbf{\Phi}_1,\dots, \mathbf{\Phi}_L)$ , $\mathbf{G}=[\mathbf{G}_1^T, \dots,\mathbf{G}_L^T]^T$ ，用分块矩阵相乘的性质很容易证明，是和上面的求和形式是一致的，而更简洁了。一般俗称把矩阵“摞起来”了，注意， $\mathrm{blkdiag}$ 代表块对角矩阵，因此 $\mathbf{\Phi}$ 显然也是对角阵了。