摘要
近年来，智能反射超表面（ReconfigurableIntelligentSurface，RIS）技术凭借其灵活操控信道环境中的电磁特性，被认为是6G的关键技术之一。为了充分发挥RIS辅助无线通信系统的优势，系统需要获取到准确的信道状态信息（ChannelStateInformation，CSI）。因此，信道估计和反馈是RIS辅助无线通信系统中至关重要的环节。在频分双工（FrequencyDivisionDuplex，FDD）模式下，由于RIS辅助无线通信系统信道互易性较弱，且存在大量的反射单元和天线，不仅使得传统的压缩感知方法无法准确的估计出CSI，还使得基站（BaseStation，BS）获取下行CSI需要巨大的反馈开销，进而制约了FDD模式下RIS辅助无线通信系统的实际应用。如何准确的估计出高维CSI和以较低开销精确反馈高维CSI是FDD模式下RIS辅助无线通信系统急需解决的难点。深度学习的快速发展为解决通信系统中的问题提供了新的解决方案，将人工智能技术与无线通信结合也是未来通信发展的主流方向。鉴于此，论文重点研究的问题如下： （1）基于注意力机制的RIS辅助无线通信系统信道估计。针对FDD模式下的RIS辅助无线通信系统中下行链路信道估计中的低精度和高复杂度等问题，本文首先采用工程中广泛使用的最小二乘法（LeastSquare，LS）进行信道预估计，通过设计一种空间注意力机制来提高网络的全局感受野，然后将空间注意力与DenseNet网络结合成一种新颖低复杂度的信道估计网络结构，来进一步提高信道估计的精度。实验结果表明：（a）所提出的信道估计方案归一化均分误差（NormalizedMeanSquareError，NMSE）性能优于对比的其他信道估计方案；（b）随着BS天线数和反射单元数的增加，该方案的信道估计性能有所提升；（c）混合信噪比（SignaltoNoiseRatio，SNR）组合的训练数据集比单个SNR的训练数据集所训练网络性能更好。 （2）基于Transformer的RIS辅助无线通信系统理想CSI反馈。在理想信道估计的前提下，针对FDD模式下的RIS辅助无线通信系统中下行链路信道反馈中的低精度和高开销问题，本文设计了一种端到端的自编码器信道反馈网络结构，其主干网络采用流行的Transformer，以实现高精准的CSI反馈。在此基础上，采用量化方式进一步压缩CSI以降低反馈链路的开销。实验结果表明：（a）所提出的信道反馈方案优于对比的其他信道反馈方案；（b）当压缩比一定时，随着BS天线数和反射单元数的增加，基于深度学习的信道反馈方案性能随之下降。 （3）数据驱动下的RIS辅助无线通信系统信道估计与反馈联合设计。为探索简化通信模块化设计，针对FDD模式下的RIS辅助无线通信系统下行链路信道估计和反馈中的高维度CSI所带来的低反馈精度和高复杂度等问题，本文提出了分模块设计和一体化设计两种联合设计方案。分模块设计思路是首先使用LS进行预估计，然后使用信道估计网络对预估计结果进行去噪处理，最后使用信道反馈网络对去噪后的CSI进行压缩恢复；一体化设计与分模块设计不同的是缺少了网络去噪部分，由于神经网络在训练时具备一定的噪声过滤功能，通过减少网络去噪部分可以降低联合设计算法的复杂度，提高通信系统的实时性。实验结果表明：（a）在低压缩比下，分模块设计方案的NMSE性能优于一体化设计方案；（b）在高压缩比下，一体化设计方案性能要优于分模块设计方案；（c）一体化设计方案的算法复杂度要低于分模块设计的算法复杂度。在实际工程中可以综合考虑复杂度和性能来选择联合设计方案。
NETL