具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

本发明所适用的场景为：智能反射表面辅助无线通信系统，上行和下行通信场景，包含一个发送端，一个接收端，以及一块或多块智能反射表面模块；发送端配置N根天线，接收端配置M根天线，所有智能反射表面模块一共含有总数为K的反射单元，所有智能反射表面模块都通过链路与接收端相连并由接收端对每个反射单元n的反射系数相位θ_n，n＝1，2，...，K进行控制。发送端向接收端发送数据，经过的所有路径的瞬时信道冲激响记为H∈C^M×N，发射信号经历两条路径到达接收端：一个是直接到达路径，瞬时信道冲激响应记为h_d∈C，这里的C表示复数域；另一个是经过智能反射表面单元反射后到达接收端，瞬时信道冲激响应记为h_r∈C，它包含三部分的级联：发送端到每个反射单元的信道冲激响应h_in∈C^K×N，每个反射单元附加的相位偏移θ_n，n＝1,2,...,N，反射单元反射信号到达接收天线所经历的信道冲激响应h_out∈C^M×K，因此，h_r＝h_outΘh_in，其中Θ∈C^K×K是由构成的对角矩阵。

在通信过程中，接收端在任意时隙接收到的信号可以表示为：

y＝Hx+z＝(h_d+h_r)x+z＝(h_d+h_outΘh_in)x+z

其中，y∈C,x∈C,z∈C分别是接收信号、发送信号和噪声信号。h_d，h_out，h_in由物理传播信道决定，无法调节，但是智能反射表面辅助无线通信系统能主动调节Θ从而改变合成的等效信道h_r∈C，不同的Θ将导致不同质量的接收信号。因此，系统设计的关键在于接收端如何根据接收信号以及信道状态信息，动态地调整反射单元的反射相位θ_n，n＝1,2,...,N，使得接收信号的平均功率达到最大值。现有的文献都是假设信道状态信息h_in∈C^{K ×N}和h_out∈C^M×K已知，而在实际应用中是难以得到这两个信道状态信息，只能得到发射端到接收端的信道状态信息H∈C^M×N，如果采用基于h_in∈C^K×N和h_out∈C^M×K已知的方式来进行反射相位的配置，难以运用到实际应用中。齐次，由于反射路径的信道状态信息h_in∈C^K×N和h_out∈C^M×K隐藏在发射端到接收端的信道状态信息H∈C^M×N中，利用现有的神经网络难以训练出一个可以适用于所有信道场景的模型。

针对这个问题，本发明提出利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法，考虑到智能反射表面的应用场景是室内，信道状态信息的变化在较长时间内变化较小，可以通过得到信道状态信息H∈C^M×N和接收数据的功率，实时地调整神经网络的样本集，不断训练神经网络并完成对智能反射表面相位配置的优化，在获得更好的神经网络模型参数的同时，使得接收信号功率不断得到优化。

具体地，如图1所示，一种利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法，其上行数据传输包括以下步骤：

步骤1、由用户端向基站端发送数据帧，其中用户端具有N个天线，基站端具有M个天线，每个数据帧包含L个时隙，其中前L_p个时隙为导频信号，剩余(L-L_p)个时隙为数据信号，数据帧的部分功率经过具有K个反射单元的智能反射表面反射，到达基站端。

步骤2、基站端接收当前数据帧中的导频部分，利用L_p个导频时隙，获得信道状态信息矩阵H_t∈C^M×N，t＝1，2，...，t为当前数据帧的序号，C表示复数域。同时，基站测量导频信号功率，测量结果记为P_r。

步骤3、在基站端，对于第t个数据帧，将H_t,H_t-1,θ_(t-1,n)，θ_(t-2,n)作为已训练好的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ_(t,n)，n＝1，2，...，K，n为当前反射单元的序号。

步骤4、基站控制，按照预测的相位配置调节智能反射表面相位配置，用于此数据帧中数据部分的增强接收。

步骤5、基站接收第t个数据帧的数据部分，进行信号检测，并测量数据信号功率，测量结果记为P_c，计算功率增益其中G(x)是关于x的单调增函数。

步骤6、基站将信道状态信息H_t,H_t-1和接收导频时智能反射表面的反射相位配置θ_(t-1,n)，θ_(t-2,n)作为输入端，得到的预测结果θ_(t,n)作为输出端，创建新的样本，记为M_t。

步骤7、基站根据新的样本M_t，构造新的样本集R_t。对所有构造的样本M_k，k＝1，2，...，T，按概率进行W次抽取，构造一个样本数量为W的样本集，第k个样本被抽取到的概率可以为

其中τ(T-k)为衰减函数，是关于(T-k)的单调减函数。

步骤8、基站使用构造的样本集R_t对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中F(x)是关于x的单调减函数，并保存训练完成的神经网络。

步骤9、当接收下一个数据帧时，重复步骤1～8。

其下行数据传输包括以下步骤：

步骤1、由基站端向用户端发送数据帧，其中基站端具有N个天线，用户端具有M个天线，每个数据帧包含L个时隙，其中前L_p个时隙为导频信号，剩余(L-L_p)个时隙为数据信号，数据帧的部分功率经过具有K个反射单元的智能反射表面反射，到达用户端。

步骤2、用户端接收当前数据帧中的导频部分，利用L_p个导频时隙，获得信道状态信息矩阵H_t∈C^M×N，t＝1，2，...，t为当前数据帧的序号，C表示复数域。同时，用户测量导频信号功率，测量结果记为P_t。

步骤3、用户接收第t个数据帧的数据部分，进行信号检测，并向基站端发送一个数据帧，将导频信号功率P_t和信道状态信息矩阵H_t发送给基站端。

步骤4、在基站端，对于第t个数据帧，将H_t,H_t-1,θ_(t,n)，θ_(t-1,n)作为已训练好的神经网络的输入进行第t个数据帧时间内智能反射表面反射相位θ的预测，预测结果记为θ_(t+1,n)，n＝1，2，...，K，n为当前反射单元的序号。计算功率增益其中G(x)是关于x的单调增函数。

步骤5、基站控制，按照预测的相位配置调节智能反射表面相位配置，用于此数据帧中数据部分的增强接收。

步骤6、基站将信道状态信息H_t,H_t-1和接收导频时智能反射表面的反射相位配置θ_(t,n)，θ_(t-1,n)作为输入端，得到的预测结果θ_(t+1,n)作为输出端，创建新的样本，记为M_t。

步骤7、基站根据新的样本M_t，构造新的样本集R_t。对所有构造的样本M_k，k＝1，2，...，T，按概率进行W次抽取，构造一个样本数量为W的样本集，第k个样本被抽取到的概率可以为

其中τ(T-k)为衰减函数，是关于(T-k)的单调减函数。

步骤8、基站使用构造的样本集R_t对已有的神经网络模型进行进一步训练，训练的最大迭代次数为其中F(x)是关于x的单调减函数，并保存训练完成的神经网络。

步骤9、当接收下一个数据帧时，重复步骤1～8。

由此，本发明通过仅使用接收端得到的信道状态信息，通过不断更新神经网络的样本集，从而进行神经网络参数的不断优化，调节反射元件反射系数的配置，达到增强信号功率的目的。

为了验证本发明方法能够快速更新反射系数配置，现列举下述两个实施例进行验证说明。

实施例1：

本实施例给出了如何实现本发明所述的利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法。在本实施例中，采用上行数据传输场景，智能反射表面的单元数量K＝64,在空间中呈有规律的分布，发射端的天线为1个，接收端的天线为3个，h_d，h_out，h_in是瑞利分布的信道，假设在每一个数据帧中信道状态信息H∈C^M×N不发生改变，每发射一帧后信道状态信息h_d，h_out，h_in发生微小的改变，发射的信号功率保持不变，发射能量有50％经直达径到达，50％经智能反射表面反射到达。每一帧中包含32个时隙，其中前8个时隙发射导频信号，剩余24个时隙发射数据信号，一共发射10帧信号。

神经网络本身经过预训练，初始的相位配置的反射功率高于随机配置相位时的反射功率，在接收到新的导频信号后，使用已有的神经网络参数训练得到预测的优化相位配置，然后根据接收端获得的功率增益G_t，更新神经网络模型样本集，并对神经网络进行进一步训练，更新数据集的具体操作如下：

S1：计算接收端获得的功率增益系数G_t，其中G_t为P_c为第t个导频中，接收到导频信号并更新相位配置后接收到数据部分的功率，P_r为第t个数据帧中导频信号的接收功率，G(x)是关于x的单调增函数。

S2：对于接收到的第t个导频，构造样本M_t，将发射第t个和第t-1个导频时的信道状态信息矩阵H_t∈C^M×N，H_t-1∈C^M×N和发射第t个和第t-1个导频时接收导频时智能反射表面的相位配置组成样本M_t的输入部分，将通过已训练好的神经网络模型计算得到的相位配置组成样本M_t的输出部分，构成训练神经网络的样本M_t。

S3：对所有构造的样本M_k，k＝1，2，...，T，按概率进行W次抽取，构造一个样本数量为W的样本集，第k个样本被抽取到的概率可以为

其中τ(T-k)为衰减函数，是关于(T-k)的单调减函数。

S4：使用此构造的样本集根据选择的神经网络模型对已有的神经网络模型参数进行进一步训练，其每次的最大迭代次数为其中F(x)是关于x的单调减函数。

通过更新数据集，在发射信号和接收的过程中，神经网络的参数不断进行优化和调整。记录下每一帧中接收到的导频的平均功率指标J_t＝|h_d|²+|h_outΘ_th_in|²，与随机产生反射相位得到的平均功率指标作比较，并绘制的得到图3。根据图3所示，使用本发明提供的反射系数配置方法后，由于神经网络模型经过预训练，接收端所获得的平均反射功率在接收信号的初期迅速增长，在第5帧后趋于稳定，并保持着较好的接收功率，通过本发明的反射系数配置方法得到的反射功率，是随机配置相位时的平均反射功率的1.4倍左右，说明了本发明的有效性。

实施例2：

本实施例给出了如何实现本发明所述的利用神经网络实时调节智能反射表面辅助无线通信反射相位配置方法。在本实施例中，采用上行数据传输场景，智能反射表面的单元数量K＝64,在空间中呈有规律的分布，发射端的天线为1个，接收端的天线为3个，h_d，h_out，h_in是瑞利分布的信道，假设在每一个数据帧中信道状态信息H∈C^M×N不发生改变，每发射一帧后信道状态信息h_d，h_out，h_in发生微小的改变，发射的信号功率保持不变，发射能量有50％经直达径到达，50％经智能反射表面反射到达。每一帧中包含32个时隙，其中前8个时隙发射导频信号，剩余24个时隙发射数据信号，一共发射10帧信号。

神经网络未经过预训练，初始的相位配置的反射功率低于随机配置相位时的反射功率，在接收到新的导频信号后，使用已有的神经网络参数训练得到预测的优化相位配置，然后根据接收端获得的功率增益G_t，更新神经网络模型样本集，并对神经网络进行进一步训练，更新数据集的具体操作如下：

S1：计算接收端获得的功率增益系数G_t，其中G_t为P_c为第t个导频中，接收到导频信号并更新相位配置后接收到数据部分的功率，P_r为第t个数据帧中导频信号的接收功率,G(x)是关于x的单调增函数。

S2：对于接收到的第t个导频，构造样本M_t，将发射第t个和第t-1个导频时的信道状态信息矩阵H_t∈C^M×N，H_t-1∈C^M×N和发射第t个和第t-1个导频时接收导频时智能反射表面的相位配置组成样本M_t的输入部分，将通过已训练好的神经网络模型计算得到的相位配置组成样本M_t的输出部分，构成训练神经网络的样本M_t。

S3：对所有构造的样本M_k，k＝1，2，...，T，按概率进行W次抽取，构造一个样本数量为W的样本集，第k个样本被抽取到的概率可以为

其中τ(T-k)为衰减函数，是关于(T-k)的单调减函数。

S4：使用此构造的样本集根据选择的神经网络模型对已有的神经网络模型参数进行进一步训练，其每次的最大迭代次数为其中F(x)是关于x的单调减函数。

通过更新数据集，在发射信号和接收的过程中，神经网络的参数不断进行优化和调整。记录下每一帧中接收到的导频的平均功率指标J_t＝|h_d|²+|h_outΘ_th_in|²，与随机产生反射系数得到的平均功率指标作比较，并绘制的得到图3。根据图3所示，使用本发明提供的反射系数配置方法后，尽管神经网络模型未经过预训练，接收端所获得的平均反射功率在接收信号的初期迅速增长，在第5帧后趋于稳定，并保持着较好的接收功率，通过本发明的反射系数配置方法得到的反射功率，是随机配置相位时的平均反射功率的1.1倍左右，说明了本发明的有效性。

综上，本发明应用于信道状态信息变化较为缓慢的室内场景，可以在不需要得到从发射机到智能反射表面的入射和经过智能反射表面反射到接收机的信道的信息的情况下，通过不断优化神经网络模型参数，来快速预测优化的智能反射表面优化相位配置，使得接收信号的功率得到优化。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。