【雷达通信】智能超表面(RIS)辅助双功能雷达和通信波束形成设计(Matlab代码实现)

 👨‍🎓个人主页:研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🌈3 Matlab代码实现

🎉4 参考文献


💥1 概述

智能超表面,也叫做“可重配智能表面”,或者“智能反射表面”,英文为RIS(Reconfigurable Intelligence Surface),或者IRS(Intelligent Reflection Surface)。

为了缓解未来网络频谱拥塞,下一代无线通信系统希望复用雷达的频段,其对应的模型就是雷达和通信频谱共存(Radar-Communication Coexistence,RCC),这个是雷达和通信从分离走向融合的初步阶段。

本文对双功能雷达和通信系统的波束形成优化,其中部署了可重新配置的智能表面以增强性能。

📚2 运行结果

 

部分代码:

clc
clear all
close all
addpath('./simulation_separated/function/');
%% trade-off
%% baseline
figure;
load('./simulation_separated/baseline.mat');
pattern_baseline_sep = pattern_baseline;
wsr_baseline = [0; wsr_baseline;wsr_baseline(end)];
prob_power_baseline = [prob_power_baseline(1); prob_power_baseline;0];
plot(wsr_baseline, prob_power_baseline,'-^b','LineWidth',3,'MarkerSize',3);
hold on;

load('./simulation_shared/baseline.mat');
pattern_baseline_sh = pattern_baseline;
wsr_baseline = [0; wsr_baseline;wsr_baseline(end)];
prob_power_baseline = [prob_power_baseline(1); prob_power_baseline;0];
plot(wsr_baseline, prob_power_baseline,'-+b','LineWidth',3);

%% 20 elements
load('./simulation_separated/ris_aided_data/rician_1000/ris_aided_single.mat');
pattern_ris_20_sep = pattern_ris;
wsr_ris = [0; wsr_ris; wsr_ris(end)];
prob_power_ris = [prob_power_ris(1); prob_power_ris;0];
plot(wsr_ris, prob_power_ris,'-^g','LineWidth',3,'MarkerSize',3);

load('./simulation_shared/ris_aided_data/rician_1000/ris_aided_single.mat');
pattern_ris_20_sh = pattern_ris;
wsr_ris = [0; wsr_ris;wsr_ris(end)];
prob_power_ris = [prob_power_ris(1); prob_power_ris;0];
plot(wsr_ris, prob_power_ris,'-+g','LineWidth',3);

%% 60 elements
load('./simulation_separated/ris_aided_data/rician_1000/ris_aided_single_60.mat');
pattern_ris_60_sep = pattern_ris;
wsr_ris = [0; wsr_ris; wsr_ris(end)];
prob_power_ris = [prob_power_ris(1); prob_power_ris;0];
plot(wsr_ris, prob_power_ris,'-^c','LineWidth',3,'MarkerSize',3);

load('./simulation_shared/ris_aided_data/rician_1000/ris_aided_single_60.mat');
pattern_ris_60_sh = pattern_ris;
wsr_ris = [0; wsr_ris;wsr_ris(end)];
prob_power_ris = [prob_power_ris(1); prob_power_ris;0];
plot(wsr_ris, prob_power_ris,'-+c','LineWidth',3);

%% 100 elements
load('./simulation_separated/ris_aided_data/rician_1000/ris_aided_single_100.mat');
pattern_ris_100_sep = pattern_ris;
wsr_ris = [0; wsr_ris;wsr_ris(end)];
prob_power_ris = [prob_power_ris(1); prob_power_ris;0];
plot(wsr_ris, prob_power_ris,'-^r','LineWidth',3,'MarkerSize',3);

load('./simulation_shared/ris_aided_data/rician_1000/ris_aided_single_100.mat');
pattern_ris_100_sh = pattern_ris;
wsr_ris = [0; wsr_ris; wsr_ris(end)];
prob_power_ris = [prob_power_ris(1); prob_power_ris;0];
plot(wsr_ris, prob_power_ris,'-+r','LineWidth',3);

grid on;
legend('without RIS(separated)','without RIS(shared)','20 elements(separeted)','20 elements(shared)','60 elements(separated)','60 elements(shared)','100 elements(separated)','100 elements(shared)','FontSize',12,'interpreter','latex');
xlabel('WSR [bps/Hz]','FontSize',12,'interpreter','latex');
ylabel('Probing Power [dBm]','FontSize',12,'interpreter','latex');
ylim([19 34]);
xlim([0 10]);

%% radar only beampattern
para = para_init();
theta_degree = -90:90;
theta = theta_degree*pi/180;
pattern_radar_only = zeros(length(theta),1);
a = ULA_func(0,para.M);
R = para.Pt/para.M*(a*a');

🌈3 Matlab代码实现

🎉4 参考文献

部分理论来源于网络,如有侵权请联系删除。

[1]赵阳. MIMO雷达-通信联合SINR优化设计算法研究[D].厦门理工学院,2022.DOI:10.27866/d.cnki.gxlxy.2022.000225.

  • 1
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
1.版本:matlab2014/2019a/2021a,内含运行结果,不会运行可私信 2.领域:智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,更多内容可点击博主头像 3.内容:标题所示,对于介绍可点击主页搜索博客 4.适合人群:本科,硕士等教研学习使用 5.博客介绍:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可si信 %% 开发者:Matlab科研助手 %% 更多咨询关注天天Matlab微信公众号 ### 团队长期从事下列领域算法的研究和改进: ### 1 智能优化算法及应用 **1.1 改进智能优化算法方面(单目标和多目标)** **1.2 生产调度方面** 1.2.1 装配线调度研究 1.2.2 车间调度研究 1.2.3 生产线平衡研究 1.2.4 水库梯度调度研究 **1.3 路径规划方面** 1.3.1 旅行商问题研究(TSP、TSPTW) 1.3.2 各类车辆路径规划问题研究(vrp、VRPTW、CVRP) 1.3.3 机器人路径规划问题研究 1.3.4 无人机三维路径规划问题研究 1.3.5 多式联运问题研究 1.3.6 无人机结合车辆路径配送 **1.4 三维装箱求解** **1.5 物流选址研究** 1.5.1 背包问题 1.5.2 物流选址 1.5.4 货位优化 ##### 1.6 电力系统优化研究 1.6.1 微电网优化 1.6.2 配电网系统优化 1.6.3 配电网重构 1.6.4 有序充电 1.6.5 储能层优化调度 1.6.6 储能优化配置 ### 2 神经网络回归预测、时序预测、分类清单 **2.1 bp预测和分类** **2.2 lssvm预测和分类** **2.3 svm预测和分类** **2.4 cnn预测和分类** ##### 2.5 ELM预测和分类 ##### 2.6 KELM预测和分类 **2.7 ELMAN预测和分类** ##### 2.8 LSTM预测和分类 **2.9 RBF预测和分类** ##### 2.10 DBN预测和分类 ##### 2.11 FNN预测 ##### 2.12 DELM预测和分类 ##### 2.13 BIlstm预测和分类 ##### 2.14 宽度学习预测和分类 ##### 2.15 模糊小波神经网络预测和分类 ##### 2.16 GRU预测和分类 ### 3 图像处理算法 **3.1 图像识别** 3.1.1 车牌、交通标志识别(新能源、国内外、复杂环境下车牌) 3.1.2 发票、身份证、银行卡识别 3.1.3 人脸类别和表情识别 3.1.4 打靶识别 3.1.5 字符识别(字母、数字、手写体、汉字、验证码) 3.1.6 病灶识别 3.1.7 花朵、药材、水果蔬菜识别 3.1.8 指纹、手势、虹膜识别 3.1.9 路面状态和裂缝识别 3.1.10 行为识别 3.1.11 万用表和表盘识别 3.1.12 人民币识别 3.1.13 答题卡识别 **3.2 图像分割** **3.3 图像检测** 3.3.1 显著性检测 3.3.2 缺陷检测 3.3.3 疲劳检测 3.3.4 病害检测 3.3.5 火灾检测 3.3.6 行人检测 3.3.7 水果分级 **3.4 图像隐藏** **3.5 图像去噪** **3.6 图像融合** **3.7 图像配准** **3.8 图像增强** **3.9 图像压缩** ##### 3.10 图像重建 ### 4 信号处理算法 **4.1 信号识别** **4.2 信号检测** **4.3 信号嵌入和提取** **4.4 信号去噪** ##### 4.5 故障诊断 ##### 4.6 脑电信号 ##### 4.7 心电信号 ##### 4.8 肌电信号 ### 5 元胞自动机仿真 **5.1 模拟交通流** **5.2 模拟人群疏散** **5.3 模拟病毒扩散** **5.4 模拟晶体生长** ### 6 无线传感器网络 ##### 6.1 无线传感器定位(Dv-Hop定位优化、RSSI定位优化) ##### 6.2 无线传感器覆盖优化 ##### 6.3 无线传感器通信及优化(Leach协议优化) ##### 6.4 无人机通信中继优化(组播优化)
以下是一个简单的MATLAB代码,用于模拟基于RIS的MIMO系统中距离L和速率的函数: ```matlab clear all; clc; %模拟参数 num_iter = 1000; %迭代次数 num_antennas = 4; %天线数量 num_ris_elements = 16; %RIS元素数量 snr_db = 10; %信噪比(dB) num_bits = 1000; %比特数 L = linspace(0.1, 10, num_iter); %距离范围 rate = zeros(1, num_iter); %速率 %生成信道矩阵 h = (randn(num_antennas, num_ris_elements) + 1i*randn(num_antennas, num_ris_elements)) / sqrt(2); g = (randn(num_ris_elements, 1) + 1i*randn(num_ris_elements, 1)) / sqrt(2); %迭代距离范围 for i = 1:num_iter %计算信号传播延迟 delay = L(i) / 3e8; %生成发送信号 x = randi([0, 1], num_bits, 1); %计算接收信号 y = zeros(num_bits, 1); for j = 1:num_bits tx_signal = x(j) * g; rx_signal = h * tx_signal; noise = randn(num_antennas, 1) * sqrt(1 / (10^(snr_db/10))); y(j) = rx_signal' * exp(1i*2*pi*delay) + noise; end %计算信道容量 rate(i) = sum(log2(1 + abs(h * g)^2 * 10^(snr_db/10))); end %绘图 plot(L, rate); xlabel('Distance (m)'); ylabel('Capacity (bits/s/Hz)'); title('Capacity vs Distance'); ``` 在这个示例中,我们生成了一个具有4个发射天线和16个RIS元素的MIMO系统,并使用随机产生的信道矩阵和发送和接收信号来计算信道容量。我们迭代了距离范围,并计算每个距离上的容量。最后,我们绘制了距离和容量之间的关系。请注意,这只是一个简单的示例,并且在实际应用中,可能需要更复杂的模型和算法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

荔枝科研社

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值