利用旋转不变坐标卷积神经网络和压缩感知的RIS辅助mmWave MIMO信道估计

摘要：信道状态信息（CSI）对于由可重构智能表面支持的无线系统调节无线信道及提高带宽和能量效率是必要的。本文提出了利用旋转不变坐标卷积神经网络和压缩感知的RIS辅助mmWave MIMO信道估计（RIS-MIMO-CE-RICCNN）。采用可重构智能表面（RIS）以最小开销对多用户毫米波大多输入多输出（MIMO）系统中的频率平坦和频率选择性串联信道进行估计。对不同用户可见的独特角度串联信道包括共享的非零行以及用户特定的列支持；这利用了角度串联信道（ACC）矩阵的双结构稀疏特性和不同子载波之间的共同稀疏特性。使用旋转不变坐标卷积神经网络（RICCNN）来准确检测信道支持。然后通过港湾海豹须优化算法（HSWOA）进行信道估计。评估的性能指标包括信噪比（SNR）、归一化均方误差（NMSE）、比特错误率（BER）、峰值信噪比（PSNR）、计算复杂性、损失函数、BER与SNR以及能耗。评估RIS-MIMO-CE-RICCNN技术相对于现有方法的性能。与现有模型相比：使用深度学习和压缩感知的RIS辅助mmWave MIMO信道估计（RIS-MIMO-CE-CS）、为可重构智能表面启用的多用户mmWave MIMO系统的信道估计（RIS-MIMO-CE-MU）、在RIS辅助mmWave MIMO方案中进行信道估计的反射模式设计的波束模式（BPRPD-CE-RIS-MIMO），RIS-MIMO-CE-RICCNN实现了SNR分别降低16.28%、30.78%和25.29%，NMSE降低15.08%、20.58%和15.25%，BER降低28.96%、30.21%和23.89%，以及PSNR降低26.28%、31.26%和19.66%。