前言
在上一篇博客 压缩感知的尽头: 原子范数最小化, 笔者记录介绍了一种新的算法:原子范数最小化。 主要停留在算法理论的推导层面。 这篇博客则介绍在 IRS信道估计方向上, 利用原子范数最小化来求解问题的文章 Channel Estimation for RIS-Aided mmWave MIMO Systems via Atomic Norm Minimization, 今年发表在 IEEE TWC上。选取这篇文章,一方面是趁热打铁地掌握 原子范数方法的具体使用, 一方面笔者接触到原子范数的相关材料,也正是来自于文章作者何继光老师的无私分享。
系统模型
文中考虑的是如图的场景, 假设装有
N
B
N_B
NB 根天线的 基站 (BS) 与 装有
N
M
N_M
NM 根天线 用户 (MS) 之间没有直射径, 通过安装在大楼墙面上的 有
N
R
N_R
NR 个 单元的智能反射面 (RIS/IRS)来进行通信。 本文的目的是对信道进行估计。 一个重要的简化假设是:认为IRS的响应可以看做 ULA线天线响应, 以此简化后续的推导。 然而拓展到 UPA面天线场景是非常容易的。
根据常用的 SV 几何信道建模, BS-RIS 信道可以被写为:
H
B
,
R
=
∑
l
=
1
L
B
,
R
[
ρ
B
,
R
]
l
α
(
[
ϕ
B
,
R
]
l
)
α
H
(
[
θ
B
,
R
]
l
)
=
A
(
ϕ
B
,
R
)
diag
(
ρ
B
,
R
)
A
H
(
θ
B
,
R
)
,
\begin{aligned} \mathbf{H}_{\mathrm{B}, \mathrm{R}} &=\sum_{l=1}^{L_{\mathrm{B}, \mathrm{R}}}\left[\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right]_{l} \boldsymbol{\alpha}\left(\left[\phi_{\mathrm{B}, \mathrm{R}}\right]_{l}\right) \boldsymbol{\alpha}^{\mathrm{H}}\left(\left[\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right]_{l}\right) \\ &=\mathbf{A}\left(\phi_{\mathrm{B}, \mathrm{R}}\right) \operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right), \end{aligned}
HB,R=l=1∑LB,R[ρB,R]lα([ϕB,R]l)αH([θB,R]l)=A(ϕB,R)diag(ρB,R)AH(θB,R),
而 RIS-MS 信道可以写为:
H
R
,
M
=
∑
l
=
1
L
R
,
M
[
ρ
R
,
M
]
l
α
(
[
ϕ
R
,
M
]
l
)
α
H
(
[
θ
R
,
M
]
l
)
=
A
(
ϕ
R
,
M
)
diag
(
ρ
R
,
M
)
A
H
(
θ
R
,
M
)
,
\begin{aligned} \mathbf{H}_{\mathrm{R}, \mathrm{M}} &=\sum_{l=1}^{L_{\mathrm{R}, \mathrm{M}}}\left[\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right]_{l} \boldsymbol{\alpha}\left(\left[\phi_{\mathrm{R}, \mathrm{M}}\right]_{l}\right) \boldsymbol{\alpha}^{\mathrm{H}}\left(\left[\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right]_{l}\right) \\ &=\mathbf{A}\left(\phi_{\mathrm{R}, \mathrm{M}}\right) \operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right) \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right), \end{aligned}
HR,M=l=1∑LR,M[ρR,M]lα([ϕR,M]l)αH([θR,M]l)=A(ϕR,M)diag(ρR,M)AH(θR,M),
这是很常见的毫米波信道建模,因此不展开叙述了。缺乏相关知识的可以参考之前的博客或文章原文。
那么考虑 BS-MS 的等效点对点信道, 可以写为:
H
=
H
R
,
M
Ω
H
B
,
R
=
A
(
ϕ
R
,
M
)
diag
(
ρ
R
,
M
)
A
H
(
θ
R
,
M
)
Ω
A
(
ϕ
B
,
R
)
diag
(
ρ
B
,
R
)
A
H
(
θ
B
,
R
)
\begin{aligned} \mathbf{H}=& \mathbf{H}_{\mathrm{R}, \mathrm{M}} \boldsymbol{\Omega} \mathbf{H}_{\mathrm{B}, \mathrm{R}} \\ =& \mathbf{A}\left(\phi_{\mathrm{R}, \mathrm{M}}\right) \operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right) \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right) \Omega \mathbf{A}\left(\phi_{\mathrm{B}, \mathrm{R}}\right) \operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right) \end{aligned}
H==HR,MΩHB,RA(ϕR,M)diag(ρR,M)AH(θR,M)ΩA(ϕB,R)diag(ρB,R)AH(θB,R)
我们定义:
G
=
diag
(
ρ
R
,
M
)
A
H
(
θ
R
,
M
)
Ω
A
(
ϕ
B
,
R
)
diag
(
ρ
B
,
R
)
\mathbf{G}=\operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right) \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right) \boldsymbol{\Omega} \mathbf{A}\left(\boldsymbol{\phi}_{\mathrm{B}, \mathrm{R}}\right) \operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right)
G=diag(ρR,M)AH(θR,M)ΩA(ϕB,R)diag(ρB,R)
可以将等效信道进一步化简为:
H
=
A
(
ϕ
R
,
M
)
G
A
H
(
θ
B
,
R
)
(1)
\mathbf{H}=\mathbf{A}\left(\phi_{\mathrm{R}, \mathrm{M}}\right) \mathbf{G} \mathbf{A}^{\mathrm{H}}\left(\theta_{\mathrm{B}, \mathrm{R}}\right) \tag{1}
H=A(ϕR,M)GAH(θB,R)(1)
至此, (1)其实是传统MIMO信道的经典角域形式。 而最大的区别在于,对于传统MIMO信道,
G
\mathbf{G}
G 是一个对角阵。 而对于 RIS 等效信道,
G
\mathbf{G}
G则是一个普通矩阵。 事实上,可以通过控制 RIS 相控阵, 对
G
\mathbf{G}
G 进行人为的调控。
回到信道估计问题本身: 即使使用了参数化建模, 即估计物理角度信息和路损, 而非估计信道矩阵元素, 仍有较多的未知代估变量——两组 AOA 和 AOD, 以及两组路损 ρ \rho ρ。
作者采用的思路是: 先估计基站和用户端的角度, 再据此设计接收波束和发送波束,最后估计RIS上的AoA与AoD。
第一阶段
首先, 对 接收 AoA
ϕ
R
,
M
\phi_{R, M}
ϕR,M 进行估计。接收信号模型为:
Y
t
=
W
t
H
H
(
Ω
t
)
X
t
+
W
t
H
Z
t
=
W
t
H
A
(
ϕ
R
,
M
)
G
t
A
H
(
θ
B
,
R
)
X
t
+
W
t
H
Z
t
for
t
=
0
\begin{aligned} \mathbf{Y}_{t}=& \mathbf{W}_{t}^{\mathrm{H}} \mathbf{H}\left(\boldsymbol{\Omega}_{t}\right) \mathbf{X}_{t}+\mathbf{W}_{t}^{\mathrm{H}} \mathbf{Z}_{t} \\ =& \mathbf{W}_{t}^{\mathrm{H}} \mathbf{A}\left(\phi_{\mathrm{R}, \mathrm{M}}\right) \mathbf{G}_{t} \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{X}_{t}+\mathbf{W}_{t}^{\mathrm{H}} \mathbf{Z}_{t} \text { for } t=0 \end{aligned}
Yt==WtHH(Ωt)Xt+WtHZtWtHA(ϕR,M)GtAH(θB,R)Xt+WtHZt for t=0
其中,
X
0
∈
C
N
B
×
N
0
\mathbf{X}_{0} \in \mathbb{C}^{N_{\mathrm{B}} \times N_{0}}
X0∈CNB×N0。 这里
N
0
N_0
N0代表第一阶段所需的训练时隙数, 也即开销。
Ω
t
\boldsymbol{\Omega}_{t}
Ωt代表了 智能反射面矩阵。
W
t
\mathbf{W}_t
Wt是接收矩阵。
Z
t
\mathbf{Z}_t
Zt为噪声。**因此, 作者假定了在基站发送不同的训练序列(组成了
X
0
\mathbf{X}_0
X0)时, 接收矩阵和 IRS矩阵是固定的。 准确而言, 作者假定是随机的。
我们令
U
‾
=
A
(
ϕ
R
.
M
)
G
0
A
H
(
θ
B
,
R
)
X
0
\overline{\mathbf{U}}=\mathbf{A}\left(\phi_{\mathrm{R} . \mathrm{M}}\right) \mathbf{G}_{0} \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{X}_{0}
U=A(ϕR.M)G0AH(θB,R)X0, 那么有:
U
‾
=
A
(
ϕ
R
,
M
)
C
‾
\overline{\mathbf{U}}=\mathbf{A}\left(\phi_{\mathrm{R}, \mathrm{M}}\right) \overline{\mathbf{C}}
U=A(ϕR,M)C
其中,
C
‾
=
G
0
A
t
H
(
θ
B
,
R
)
X
0
\overline{\mathbf{C}}=\mathbf{G}_{0} \mathbf{A}_{t}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{X}_{0}
C=G0AtH(θB,R)X0。 根据原子范数最小化理论 (见上一篇博客 压缩感知的尽头: 原子范数最小化),对
A
(
ϕ
R
.
M
)
\mathbf{A}\left(\phi_{\mathrm{R} . \mathrm{M}}\right)
A(ϕR.M) 的估计可转化为求解如下问题(事实上是凸松弛):
{
u
^
1
,
Z
^
,
U
^
}
=
arg
min
u
‾
1
,
Z
,
U
μ
2
N
0
Tr
(
Z
‾
)
+
μ
2
N
M
Tr
(
Toep
(
u
‾
1
)
)
+
1
2
∥
Y
0
−
W
0
H
U
‾
∥
F
2
s.t.
[
Toep
(
u
‾
1
)
U
‾
U
‾
H
Z
‾
]
⪰
0
,
\begin{aligned} \left\{\hat{\mathbf{u}}_{1}, \hat{\mathbf{Z}}, \hat{\mathbf{U}}\right\}&=\arg \min _{\overline{\mathbf{u}}_{1}, \mathbf{Z}, \mathbf{U}} \frac{\mu}{2 N_{0}} \operatorname{Tr}(\overline{\mathbf{Z}})+\frac{\mu}{2 N_{\mathrm{M}}} \operatorname{Tr}\left(\operatorname{Toep}\left(\overline{\mathbf{u}}_{1}\right)\right) +\frac{1}{2}\left\|\mathbf{Y}_{0}-\mathbf{W}_{0}^{\mathrm{H}} \overline{\mathbf{U}}\right\|_{\mathrm{F}}^{2} \\ &\text { s.t. }\left[\begin{array}{cc} \operatorname{Toep}\left(\overline{\mathbf{u}}_{1}\right)\quad& \overline{\mathbf{U}} \\ \overline{\mathbf{U}}^{\mathrm{H}} & \overline{\mathbf{Z}} \end{array}\right] \succeq 0, \end{aligned}
{u^1,Z^,U^}=argu1,Z,Umin2N0μTr(Z)+2NMμTr(Toep(u1))+21∥∥Y0−W0HU∥∥F2 s.t. [Toep(u1)UHUZ]⪰0,
这里
μ
\mu
μ 是惩罚系数。 这个问题是一个凸问题, 因此可以直接通过 CVX 进行求解。
得到了矩阵 Toep ( u ‾ 1 ) \operatorname{Toep}\left(\overline{\mathbf{u}}_{1}\right) Toep(u1) 后, 就可以通过 root-MUSIC 算法, 求解出对应的 ϕ R . M \phi_{\mathrm{R} . \mathrm{M}} ϕR.M 了。
那么基于原子范数最小化方法, θ B , R \theta_{\mathrm{B}, \mathrm{R}} θB,R也可以用一模一样的算法进行估计。
第二阶段
基于第一阶段的估计结果, 我们可以先对 发送波束成形和接收波束成形进行设计:
X
t
=
1
N
B
A
(
θ
^
B
,
R
)
W
t
=
1
N
M
A
(
ϕ
^
R
,
M
)
\begin{aligned} \mathbf{X}_{t} &=\frac{1}{\sqrt{N_{\mathrm{B}}}} \mathbf{A}\left(\hat{\boldsymbol{\theta}}_{\mathrm{B}, \mathrm{R}}\right) \\ \mathbf{W}_{t} &=\frac{1}{\sqrt{N_{\mathrm{M}}}} \mathbf{A}\left(\hat{\phi}_{\mathrm{R}, \mathrm{M}}\right) \end{aligned}
XtWt=NB1A(θ^B,R)=NM1A(ϕ^R,M)
作者指出, 当
θ
^
B
,
R
≈
θ
B
,
R
\hat{\theta}_{\mathrm{B}, \mathrm{R}} \approx \theta_{\mathrm{B}, \mathrm{R}}
θ^B,R≈θB,R 和
ϕ
^
R
,
M
≈
ϕ
R
,
M
\hat{\phi}_{\mathrm{R}, \mathrm{M}} \approx \phi_{\mathrm{R}, \mathrm{M}}
ϕ^R,M≈ϕR,M 时, 这样做的目的在于会有以下结论:
A
H
(
θ
B
,
R
)
X
t
≈
N
B
I
W
t
H
A
(
ϕ
R
,
M
)
≈
N
M
I
\begin{aligned} \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{X}_{t} & \approx \sqrt{N_{\mathrm{B}}} \mathbf{I} \\ \mathbf{W}_{t}^{\mathrm{H}} \mathbf{A}\left(\phi_{\mathrm{R}, \mathrm{M}}\right) & \approx \sqrt{N_{\mathrm{M}}} \mathbf{I} \end{aligned}
AH(θB,R)XtWtHA(ϕR,M)≈NBI≈NMI
但这里笔者想指出其实是要有一个前提条件的, 即不同径之间的正弦差 sin ( θ i ) − sin ( θ j ) \sin(\theta_i)- \sin(\theta_j) sin(θi)−sin(θj)要不小于 4 N \frac{4}{N} N4。 只有在正弦差大于 4 N \frac{4}{N} N4 时, 不同的 a ( θ ) \mathbf{a}(\theta) a(θ) 才是近似正交的。 仿真部分作者也提到了这一前提条件是需要的, 当然, 这也是原子范数最小化法所需要的。
在重新设计了发送和接收波束后, 第二阶段的接收信号可以表示为:
Y
t
=
W
t
H
A
(
ϕ
R
,
M
)
G
t
A
H
(
θ
B
,
R
)
X
t
+
W
t
H
Z
t
≈
N
B
N
M
G
t
+
W
t
H
Z
t
,
for
t
=
1
,
…
,
T
(2)
\begin{aligned} \mathbf{Y}_{t} &=\mathbf{W}_{t}^{\mathrm{H}} \mathbf{A}\left(\boldsymbol{\phi}_{\mathrm{R}, \mathrm{M}}\right) \mathbf{G}_{t} \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right) \mathbf{X}_{t}+\mathbf{W}_{t}^{\mathrm{H}} \mathbf{Z}_{t} \approx \sqrt{N_{\mathrm{B}} N_{\mathrm{M}}} \mathbf{G}_{t}+\mathbf{W}_{t}^{\mathrm{H}} \mathbf{Z}_{t}, \text { for } t=1, \ldots, T \end{aligned} \tag{2}
Yt=WtHA(ϕR,M)GtAH(θB,R)Xt+WtHZt≈NBNMGt+WtHZt, for t=1,…,T(2)
回顾我们的定义: G t = diag ( ρ R , M ) A H ( θ R , M ) Ω t A ( ϕ B , R ) diag ( ρ B , R ) \mathbf{G}_{t}=\operatorname{diag}\left(\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right) \mathbf{A}^{\mathrm{H}}\left(\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right) \boldsymbol{\Omega}_{t} \mathbf{A}\left(\boldsymbol{\phi}_{\mathrm{B}, \mathrm{R}}\right)\operatorname{diag}\left(\rho_{\mathrm{B}, \mathrm{R}}\right) Gt=diag(ρR,M)AH(θR,M)ΩtA(ϕB,R)diag(ρB,R)
这里注意到, 式子可以被化简为:
[
G
t
]
m
n
=
[
ρ
R
,
M
]
m
ω
t
⊤
α
(
[
Δ
]
m
n
)
[
ρ
B
,
R
]
n
,
for
m
=
1
,
…
,
L
R
,
M
,
n
=
1
,
…
,
L
B
,
R
\begin{aligned} &{\left[\mathbf{G}_{t}\right]_{m n}=\left[\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right]_{m} \boldsymbol{\omega}_{t}^{\top} \boldsymbol{\alpha}\left([\boldsymbol{\Delta}]_{m n}\right)\left[\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right]_{n}} ,\text { for } m=1, \ldots, L_{\mathrm{R}, \mathrm{M}}, n=1, \ldots, L_{\mathrm{B}, \mathrm{R}} \end{aligned}
[Gt]mn=[ρR,M]mωt⊤α([Δ]mn)[ρB,R]n, for m=1,…,LR,M,n=1,…,LB,R
其中,
[
Δ
]
m
n
=
asin
(
sin
(
[
ϕ
B
,
R
]
n
)
−
sin
(
[
θ
R
,
M
]
m
)
)
[\boldsymbol{\Delta}]_{m n}=\operatorname{asin}\left(\sin \left(\left[\boldsymbol{\phi}_{\mathrm{B}, \mathrm{R}}\right]_{n}\right)-\sin \left(\left[\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right]_{m}\right)\right)
[Δ]mn=asin(sin([ϕB,R]n)−sin([θR,M]m))
笔者认为, 这是在 IRS 信道估计中, 极为重要的一个式子。
他的 推导比较简单,最笨的办法可以一项项手算, 能得到上面这个式子。 简单的提示就是因为
Ω
t
\Omega_t
Ωt 是对角阵, 那么
Ω
t
A
\Omega_t\mathbf{A}
ΩtA 等于用
Ω
t
\Omega_t
Ωt 的对角元素向量
ω
t
\omega_t
ωt 哈达玛积
A
\mathbf{A}
A 中的每一列。 再根据线性代数, 就可以得到上面的结果。
这里,我们关注到两个非常重要的事实:
- IRS 估计中, BS-IRS 和 UE-IRS 两个信道各自的增益,即 [ ρ R , M ] m \left[\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right]_{m} [ρR,M]m 和 [ ρ B , R ] n \left[\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right]_{n} [ρB,R]n, 是无法精确估计的。 因为有无数组增益, 对应相同的 G t \mathbf{G}_t Gt。 例如, 当 G t = 2 \mathbf{G}_t=2 Gt=2 时, [ ρ R , M ] m \left[\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right]_{m} [ρR,M]m 和 [ ρ B , R ] n \left[\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right]_{n} [ρB,R]n可以是 1 1 1 和 2 2 2, 也可以是 4 4 4 和 0.5 0.5 0.5, 然而这两组情况对应接收到的导频(通过 G t \mathbf{G}_t Gt)得到的信号却是完全一样的。 也就是说, 这是绝不可能精确分辨的。
- 角度值也是不可分辨的。 因为可以有不同的两组角, 却对应相同的 Δ \Delta Δ。
但同时, 这也给了我们启示:
- 估计 IRS 的增益时, 只需要估计等效信道的增益,即 [ ρ R , M ] m [ ρ B , R ] n \left[\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right]_{m}\left[\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right]_{n} [ρR,M]m[ρB,R]n 的结果。
- 而估计角度时, 也只需要估计 IRS 到达角与发送角之间的 角度正弦差。
回到我们的估计问题中, 根据 (2), 通过收集多个时隙的导频信号如下:
Y
=
[
vec
(
Y
1
)
,
…
,
vec
(
Y
T
)
]
\mathbf{Y}=\left[\operatorname{vec}\left(\mathbf{Y}_{1}\right), \ldots, \operatorname{vec}\left(\mathbf{Y}_{T}\right)\right]
Y=[vec(Y1),…,vec(YT)]
[
Y
]
i
,
:
⊤
≈
N
B
N
M
v
e
c
(
G
i
)
T
+
z
i
,
=
N
B
N
M
[
ω
1
,
…
,
ω
T
]
⊤
ρ
i
α
(
θ
~
i
)
+
z
i
,
=
N
B
N
M
Ω
‾
ρ
i
α
(
θ
~
i
)
+
z
i
,
(3)
\begin{aligned} [\mathbf{Y}]_{i,:}^{\top} & \approx \sqrt{N_{\mathrm{B}} N_{\mathrm{M}}}\mathrm{vec}(\mathbf{G}_\mathrm{i})^T+\mathbf{z}_{i}, \\ &=\sqrt{N_{\mathrm{B}} N_{\mathrm{M}}}\left[\boldsymbol{\omega}_{1}, \ldots, \boldsymbol{\omega}_{T}\right]^{\top} \rho_{i} \boldsymbol{\alpha}\left(\tilde{\theta}_{i}\right)+\mathbf{z}_{i}, \\ &=\sqrt{N_{\mathrm{B}} N_{\mathrm{M}}} \overline{\boldsymbol{\Omega}} \rho_{i} \boldsymbol{\alpha}\left(\tilde{\theta}_{i}\right)+\mathbf{z}_{i}, \end{aligned} \tag{3}
[Y]i,:⊤≈NBNMvec(Gi)T+zi,=NBNM[ω1,…,ωT]⊤ρiα(θ~i)+zi,=NBNMΩρiα(θ~i)+zi,(3)
其中,
ρ
i
=
[
ρ
R
,
M
]
m
[
ρ
B
,
R
]
n
θ
~
i
=
asin
(
sin
(
[
ϕ
B
,
R
]
n
)
−
sin
(
[
θ
R
,
M
]
m
)
)
Ω
‾
=
[
ω
1
,
…
,
ω
T
]
⊤
z
i
=
[
vec
(
W
1
H
Z
1
)
,
…
,
vec
(
W
T
H
Z
T
)
]
i
,
:
T
\begin{aligned} \rho_{i} &=\left[\boldsymbol{\rho}_{\mathrm{R}, \mathrm{M}}\right]_{m}\left[\boldsymbol{\rho}_{\mathrm{B}, \mathrm{R}}\right]_{n} \\ \tilde{\theta}_{i} &=\operatorname{asin}\left(\sin \left(\left[\boldsymbol{\phi}_{\mathrm{B}, \mathrm{R}}\right]_{n}\right)-\sin \left(\left[\boldsymbol{\theta}_{\mathrm{R}, \mathrm{M}}\right]_{m}\right)\right)\\ \overline{\boldsymbol{\Omega}}&=\left[\boldsymbol{\omega}_{1}, \ldots, \boldsymbol{\omega}_{T}\right]^{\top}\\ \mathbf{z}_{i}&=\left[\operatorname{vec}\left(\mathbf{W}_{1}^{\mathrm{H}} \mathbf{Z}_{1}\right), \ldots, \operatorname{vec}\left(\mathbf{W}_{T}^{\mathrm{H}} \mathbf{Z}_{T}\right)\right]_{i,:}^{\mathbf{T}} \end{aligned}
ρiθ~iΩzi=[ρR,M]m[ρB,R]n=asin(sin([ϕB,R]n)−sin([θR,M]m))=[ω1,…,ωT]⊤=[vec(W1HZ1),…,vec(WTHZT)]i,:T
可以看到, 经过这样的转化, Y \mathbf{Y} Y 的 第 i i i 行中, 包含了 第 i i i 条路径的信息。 i = 1 , … , L B , R L R , M i=1, \ldots, L_{\mathrm{B}, \mathrm{R}} L_{\mathrm{R}, \mathrm{M}} i=1,…,LB,RLR,M。 而根据 (3), 又可以看出这可以转化为经典的原子范数最小化问题。 这里就不再赘述具体的过程了, 可以查阅博客和原文。
得到信息后, 就可以恢复出 G t \mathbf{G}_t Gt, 再结合第一阶段已估计的两个 A \mathbf{A} A 矩阵, 就完成了整个信道估计的过程。
波束成形
在得到了信道估计结果后, 作者给出了一种可行的波束成形(包括基站和用户的发送和接收波束成形, 以及IRS的被动波束成形)。尽管这并不是一种最优的方案, 但无疑其复杂度非常之低。
作者首先设计
Ω
\Omega
Ω, 其目标如下:
Ω
⋆
=
arg
max
Ω
∥
G
∥
F
2
\boldsymbol{\Omega}^{\star}=\arg \max _{\boldsymbol{\Omega}}\|\mathbf{G}\|_{\mathrm{F}}^{2}
Ω⋆=argΩmax∥G∥F2
这样做的原因是, 在第二阶段的类似假设下, 这等价于最大化接收信噪比。 这个问题可以进而展开为:
ω
⋆
=
arg
max
ω
∑
i
=
1
L
B
,
R
L
R
,
M
∣
ρ
^
i
ω
⊤
α
(
θ
~
^
i
)
∣
2
=
arg
max
ω
ω
⊤
E
E
H
ω
∗
,
\begin{aligned} \boldsymbol{\omega}^{\star} &=\arg \max _{\omega} \sum_{i=1}^{L_{B, R} L_{R, M}}\left|\hat{\rho}_{i} \boldsymbol{\omega}^{\top} \boldsymbol{\alpha}\left(\hat{\tilde{\theta}}_{i}\right)\right|^{2} \\ &=\arg \max _{\omega} \boldsymbol{\omega}^{\top} \mathbf{E E}^{\mathrm{H}} \boldsymbol{\omega}^{*}, \end{aligned}
ω⋆=argωmaxi=1∑LB,RLR,M∣∣∣ρ^iω⊤α(θ~^i)∣∣∣2=argωmaxω⊤EEHω∗,
便可以通过常见的 EVD 特征分解进行求解。 而 IRS 的恒模约束, 则只需对 EVD 的结果保留相位即可。
当确定了
Ω
\Omega
Ω 后, 等效的 BS-UE信道可以写为:
H
^
=
A
(
ϕ
^
R
,
M
)
G
^
A
H
(
θ
^
B
,
R
)
\hat{\mathbf{H}}=\mathbf{A}\left(\hat{\phi}_{\mathrm{R}, \mathrm{M}}\right) \hat{\mathbf{G}} \mathbf{A}^{\mathrm{H}}\left(\hat{\boldsymbol{\theta}}_{\mathrm{B}, \mathrm{R}}\right)
H^=A(ϕ^R,M)G^AH(θ^B,R)
那么发送和接收波束就可以直接通过对其 SVD分解得到。 也就是可以把这个 IRS 的波束成形看做是传统的 MIMO波束成形即可。 可以看到, 尽管这并不是一个最优的方案, 但它不需要迭代, 行之有效。
仿真性能
最后是文章的性能仿真部分。 与一般的将信道矩阵的NMSE作为指标不同, 它以如下一些具体的信道参数的MSE作为指标:
MSE
(
sin
(
θ
B
,
R
)
)
=
E
[
∥
sin
(
θ
B
,
R
)
−
sin
(
θ
^
B
,
R
)
∥
2
2
L
B
,
R
]
MSE
(
sin
(
ϕ
R
,
M
)
)
=
E
[
∥
sin
(
ϕ
R
,
M
)
−
sin
(
ϕ
^
R
,
M
)
∥
2
2
L
R
,
M
]
MSE
(
sin
(
Δ
)
)
=
E
[
∥
sin
(
Δ
)
−
sin
(
Δ
^
)
∥
F
2
L
B
,
R
L
R
,
M
]
MSE
(
ρ
)
=
E
[
∥
ρ
−
ρ
^
∥
2
2
L
B
,
R
L
R
,
M
]
\begin{aligned} \operatorname{MSE}\left(\sin \left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right)\right) &=\mathbb{E}\left[\frac{\left\|\sin \left(\boldsymbol{\theta}_{\mathrm{B}, \mathrm{R}}\right)-\sin \left(\hat{\boldsymbol{\theta}}_{\mathrm{B}, \mathrm{R}}\right)\right\|_{2}^{2}}{L_{\mathrm{B}, \mathrm{R}}}\right] \\ \operatorname{MSE}\left(\sin \left(\phi_{\mathrm{R}, \mathrm{M}}\right)\right) &=\mathbb{E}\left[\frac{\left\|\sin \left(\phi_{\mathrm{R}, \mathrm{M}}\right)-\sin \left(\hat{\boldsymbol{\phi}}_{\mathrm{R}, \mathrm{M}}\right)\right\|_{2}^{2}}{L_{\mathrm{R}, \mathrm{M}}}\right] \\ \operatorname{MSE}(\sin (\boldsymbol{\Delta})) &=\mathbb{E}\left[\frac{\|\sin (\boldsymbol{\Delta})-\sin (\hat{\boldsymbol{\Delta}})\|_{\mathrm{F}}^{2}}{L_{\mathrm{B}, \mathrm{R}} L_{\mathrm{R}, \mathrm{M}}}\right] \\ \operatorname{MSE}(\boldsymbol{\rho}) &=\mathbb{E}\left[\frac{\|\boldsymbol{\rho}-\hat{\boldsymbol{\rho}}\|_{2}^{2}}{L_{\mathrm{B}, \mathrm{R}} L_{\mathrm{R}, \mathrm{M}}}\right] \end{aligned}
MSE(sin(θB,R))MSE(sin(ϕR,M))MSE(sin(Δ))MSE(ρ)=E⎣⎢⎡LB,R∥∥∥sin(θB,R)−sin(θ^B,R)∥∥∥22⎦⎥⎤=E⎣⎢⎡LR,M∥∥∥sin(ϕR,M)−sin(ϕ^R,M)∥∥∥22⎦⎥⎤=E[LB,RLR,M∥sin(Δ)−sin(Δ^)∥F2]=E[LB,RLR,M∥ρ−ρ^∥22]
另外, 如同上面我们所提到过的, 在生成信道时, 他假定了两条路径的正弦差要大于
4
/
N
B
,
4
/
N
R
4 / N_{\mathrm{B}}, 4 / N_{\mathrm{R}}
4/NB,4/NR, and
4
/
N
M
4 / N_{\mathrm{M}}
4/NM。