✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
本文探讨了通过两种流行的方法对智能反射面(IRS)反射模式和信道估计进行联合设计:ON/OFF 方法 [1] 和基于 DFT 的方法 [2]。后者方法也被视为反射模式的最优设计。根据 CRLB,从理论上推导了这两种方法下估计的统计性能。仿真和数值结果验证了理论性能。
引言
IRS 已成为提高无线通信系统性能的很有前途的技术。通过控制 IRS 的反射模式,可以动态地改变无线信道,从而优化信号传播和覆盖范围。信道估计对于 IRS 系统至关重要,因为它提供了接收信号与发射信号之间的信道信息。
联合设计方法
ON/OFF 方法
ON/OFF 方法是一种简单的 IRS 反射模式设计方法,其中 IRS 要么反射入射信号,要么不反射。通过优化反射元素的状态(开或关),可以最大化信道增益或最小化信道失真。
DFT-based 方法
基于 DFT 的方法是一种更复杂但更优化的 IRS 反射模式设计方法。它利用离散傅里叶变换 (DFT) 来设计反射模式,以实现特定的信道响应。这种方法可以产生更精细的信道控制,从而提高信道估计的准确性。
信道估计的统计性能
基于 CRLB 的性能分析
CRLB(Cramer-Rao 下界)提供了信道估计的最低均方误差 (MSE) 界限。本文根据 CRLB 推导出两种联合设计方法下信道估计的统计性能。
ON/OFF 方法
对于 ON/OFF 方法,信道估计的 MSE 由 IRS 反射模式和信噪比 (SNR) 决定。通过优化反射模式,可以最小化 MSE。
DFT-based 方法
对于基于 DFT 的方法,信道估计的 MSE 由反射模式的分辨率和信噪比决定。更高的分辨率可以提高性能,但也会增加计算复杂度。
📣 部分代码
function [ele_MSE, var_in_theory] = on_off_LS(N, num_tx_ant, num_rx_ant, K, T, corr_coef, no_var)
% %% configurations
% % tx_power = 1;
% N = 1000; % monte-carlo
%
% num_tx_ant = 1;
% num_rx_ant = 10;
% K = 20;
% T = K + 1;
%
% corr_coef = 1;
% no_var = 0.01;
%% main function
% generate pilot signals: use QPSK or QAM modulation
x = zeros([T,num_tx_ant,1]);
symbol_set = [1+1i, 1-1i, -1+1i, -1-1i];
ind = randi([1,4],T,1);
for i = 1:T
x(i,:,1)= 1/sqrt(2) * symbol_set(ind(i,1));
end
temp_X = zeros([num_rx_ant, T]);
for i = 1:T
temp_X(:,i) = x(i,:,:)*ones([num_rx_ant,1]);
end
X = diag(reshape(temp_X, [num_rx_ant*T,1])); % TM * TM
% RIS parameters
PHI = blkdiag(1, eye(K,K));
PHI(:,1) = 1;
% generate observation matrix for on-off method
H = X * (kron(PHI, eye(num_rx_ant, num_rx_ant)));
% compute covariance matrix
cov_mat = no_var * inv(H'*H);
% cov_mat_2 = no_var * kron(inv(PHI'*PHI),eye(num_rx_ant,num_rx_ant));
var_in_theory = diag(cov_mat);
% total_est_error = zeros([N,1]);
error_mat = zeros([(K+1)*num_rx_ant, N]);
for iter = 1:N
% generate correlated Rayleigh flat-fading channel
[theta, ~] = generate_channel(num_rx_ant*(K + 1),num_tx_ant,corr_coef); % equivalent SIMO channels
% apply channel on the observation matrix to get the received signal s
s = apply_channel(theta, H, no_var);
% standard way of computation
theta_est = inv(H'*H) * H' * s;
% theta_est_simple = inv(H) * s;
% compute element-wise squared error
error_vec = theta - theta_est;
error_mat(:,iter) = (abs(error_vec)).^2;
% compute total squared error
% total_est_error(iter) = sum((abs(error_vec)).^2);
% compute the received SNR
snr = abs(s).^2/no_var;
snr_db = 10*log10(mean(snr));
end
ele_MSE = mean(error_mat,2);
% compute the mean of squared error (total)
% MSE = mean(total_est_error,'all');
end
⛳️ 运行结果
仿真结果表明,基于 DFT 的方法在信道估计精度方面优于 ON/OFF 方法。这证实了基于 DFT 的方法的优越性,因为它可以产生更精细的信道控制。
计算复杂度
基于 DFT 的方法比 ON/OFF 方法计算复杂度更高。这是因为基于 DFT 的方法需要进行 DFT 计算,而 ON/OFF 方法只需要简单的二进制优化。
结论
本文探讨了 IRS 反射模式与信道估计的联合设计。通过两种流行的方法(ON/OFF 方法和基于 DFT 的方法),分析了信道估计的统计性能。仿真和数值结果验证了理论性能,表明基于 DFT 的方法在信道估计精度方面具有优势,但计算复杂度也更高。这些结果为 IRS 系统的优化设计和信道估计算法的开发提供了有价值的见解。
🔗 参考文献
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类