基于自監(jiān)督學(xué)習(xí)的IRS輔助礦井通信系統(tǒng)信道估計方法

文章編號：1671?251X（2024）08?0144?07 DOI：10.13272/j.issn.1671-251x.2024070038

關(guān)鍵詞：礦井通信；信道估計；井下智能反射面；自監(jiān)督學(xué)習(xí)；八度卷積神經(jīng)網(wǎng)絡(luò)；Nakagami-g 模型

中圖分類號：TD655 文獻標(biāo)志碼：A

0引言

在礦井通信系統(tǒng)中，復(fù)雜的巷道和硐室使電磁波的傳播特性與自由空間中的傳播顯著不同，且電磁波頻繁發(fā)生折射、反射和衍射現(xiàn)象。此外，礦工和設(shè)備的存在使得多徑衰落和非視距通信問題更加突出。這些因素導(dǎo)致電磁波傳播損耗大、通信距離短，成為井下無線通信的主要障礙。信道估計是通信技術(shù)的核心，其目的是獲得完整的信道狀態(tài)信息（Channel State Information，CSI），信道估計的性能直接關(guān)系到整個通信系統(tǒng)的質(zhì)量。礦井內(nèi)復(fù)雜環(huán)境增加了信道估計的難度，使得構(gòu)建適應(yīng)井下礦區(qū)的無線通信系統(tǒng)面臨巨大挑戰(zhàn)[1]。

在礦井環(huán)境中進行信道估計時，通常采用最小二乘（Least-Square，LS）算法[2]和線性最小均方誤差（Linear Minimum Mean Square Error，LMMSE）算法。對于系統(tǒng)稀疏度未知的情況，正交匹配追蹤算法[3]可提高信道估計的準(zhǔn)確度和頻譜利用率。然而，由于直連信道的路徑被遮擋，信號傳播損耗很大，導(dǎo)致傳統(tǒng)方法信道估計精度較低。智能反射面（IntelligenceReflecting Surface，IRS）技術(shù)通過在平面上集成大量低成本的無源反射元件，智能地重新配置無線傳播環(huán)境，從而顯著提高無線通信網(wǎng)絡(luò)的性能[4-7]。由于IRS 是被動設(shè)備，無法主動發(fā)送或接收信號，所以直接利用IRS 設(shè)備進行信道估計十分困難[8-9]。針對具有稀疏信道的IRS 輔助通信系統(tǒng)，可通過壓縮感知方法[10]將信道估計轉(zhuǎn)換為稀疏信號恢復(fù)問題，或使用機器學(xué)習(xí)[11]方法來優(yōu)化發(fā)射和反射波束的形成。文獻[12]提出了一種直接估計級聯(lián)用戶IRS?基站信道的典型方法。針對單用戶多輸入單輸出系統(tǒng)，文獻[13]使用LS 算法獲取級聯(lián)信道的估計。對IRS 輔助通信系統(tǒng)進行信道估計，可提高信號覆蓋率和質(zhì)量，但現(xiàn)有方法在處理多維信道時復(fù)雜度高且難以進一步優(yōu)化。

深度學(xué)習(xí)為IRS 輔助信道估計提供了低復(fù)雜度和高性能的解決方案[14-15]。文獻[16-17]利用合成深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional NeuralNetwork， CNN）解決IRS 輔助通信系統(tǒng)的信道估計問題。文獻[18]采用CNN 對基于LS 的信道估計算法進行優(yōu)化，進一步提升了信道估計精度。深度學(xué)習(xí)在信道估計中表現(xiàn)優(yōu)異，但在實際應(yīng)用中，獲取監(jiān)督學(xué)習(xí)所需的真實標(biāo)簽較為困難[19]。自監(jiān)督學(xué)習(xí)（Self-Supervised Learning，SSL）能夠通過未標(biāo)注數(shù)據(jù)的內(nèi)在結(jié)構(gòu)提升IRS 輔助信道估計的精度和效率，從而降低對人工標(biāo)簽的依賴。因此，本文提出一種基于SSL 的IRS 輔助礦井通信系統(tǒng)信道估計方法。

1方法原理

基于SSL 的IRS 輔助礦井通信系統(tǒng)信道估計方法的整體框架如圖1 所示。根據(jù)井下Nakagami-g 衰落信道模型和IRS 信號傳輸模型搭建井下通信系統(tǒng)模型，以生成數(shù)據(jù)集，在數(shù)據(jù)集中加入噪聲，模擬實際通信環(huán)境中的干擾。通過LS 算法進行初步信道估計，再采用SSL 框架下的八度卷積（Octave Convolution，OCT）神經(jīng)網(wǎng)絡(luò)優(yōu)化信道估計結(jié)果。采用歸一化均方誤差（Normalized Mean Square Error， NMSE）評估信道估計性能。通過結(jié)合IRS 技術(shù)和SSL 方法， 解決礦井環(huán)境中的多徑衰落、非視距通信及信道估計中真實標(biāo)簽難以獲取的問題， 實現(xiàn)井下高精度信道估計，提高通信質(zhì)量和可靠性。

2井下通信系統(tǒng)模型

然而，LS 算法將信道視為一個確定但未知的常數(shù)，沒有利用信道的空間特征。因此本文采用OCT神經(jīng)網(wǎng)絡(luò)優(yōu)化LS 估計結(jié)果。

3SSL框架下的OCT神經(jīng)網(wǎng)絡(luò)

3.1OCT 神經(jīng)網(wǎng)絡(luò)設(shè)計

OCT[22]的核心思想是直接對高頻分量和低頻分量進行處理。低頻分量捕捉主要趨勢和變化，高頻分量詳細(xì)描繪細(xì)節(jié)，如邊緣和突變，這些特征在傳統(tǒng)卷積中可能會丟失。OCT能同時捕捉信道的粗糙特征和細(xì)微差別，提供全面的信道信息，從而更準(zhǔn)確地估計信道狀態(tài)。

OCT 神經(jīng)網(wǎng)絡(luò)由2 個子網(wǎng)絡(luò)模塊h1 和h2 組成，每個子網(wǎng)絡(luò)模塊包含多個卷積層，每個卷積層包含ReLU 激活函數(shù)和批歸一化（Batch Normalization，BN），如圖3所示。

ReLU 通過引入非線性來增強模型的表達(dá)能力，BN 則加速并提高模型的穩(wěn)定性和泛化能力。每個子網(wǎng)絡(luò)模塊后面有殘差模塊g₁ 和g₂，殘差模塊使用Tanh 激活函數(shù)，主要作用是使網(wǎng)絡(luò)能夠?qū)W習(xí)更復(fù)雜的特征，對網(wǎng)絡(luò)的輸出進行平滑處理，其中的卷積層負(fù)責(zé)提取特征。

將復(fù)矩陣分解為實部和虛部2個信道并作為OCT 神經(jīng)網(wǎng)絡(luò)的輸入：Y=[Re｛A｝，Im｛A｝] 。為了讓網(wǎng)絡(luò)充分利用原始矩陣的全局信息，對信道進行線性變換，將Y的實部和虛部交換，得到Y(jié)_U=[｛A｝，Re｛A｝]，將其與第1個殘差模塊的輸出進行平均。從原始輸入中減去第2個殘差模塊的輸出，得到最終輸出。OCT神經(jīng)網(wǎng)絡(luò)僅采用卷積層而未使用全連接層，所以參數(shù)量少，降低了網(wǎng)絡(luò)開銷。OCT神經(jīng)網(wǎng)絡(luò)參數(shù)見表1。Initial_Conv是神經(jīng)網(wǎng)絡(luò)處理輸入數(shù)據(jù)的第1個卷積層，用于將輸入數(shù)據(jù)的通道數(shù)擴展到網(wǎng)絡(luò)所需的通道數(shù)。

3.2SSL算法實現(xiàn)

在實際應(yīng)用中，無標(biāo)簽數(shù)據(jù)比有標(biāo)簽數(shù)據(jù)更容易獲取。SSL 能夠利用大量的無標(biāo)簽數(shù)據(jù)，通過生成帶噪信號來創(chuàng)建訓(xùn)練樣本，從而實現(xiàn)高效的模型訓(xùn)練。由于礦井環(huán)境復(fù)雜，獲取真實的CSI作為標(biāo)簽非常困難。本文提出SSL 方法，通過使用接收信號及其帶噪版本作為訓(xùn)練數(shù)據(jù)，避免對真實標(biāo)簽的依賴。

SSL 的核心在于通過設(shè)計前導(dǎo)任務(wù)自動生成標(biāo)記數(shù)據(jù)，這些前導(dǎo)任務(wù)與信道估計高度相關(guān)。本文的前導(dǎo)任務(wù)是對接收信號進行去噪。

在訓(xùn)練階段，從通信系統(tǒng)模型中獲取信號Y，從預(yù)定義的噪聲分布中生成噪聲ε， ε 通常為高斯噪聲。將噪聲ε 加到信號Y上，得到Y(jié)+ε。訓(xùn)練數(shù)據(jù)集包含原始信號及其帶噪版本Y+ε。模型訓(xùn)練步驟：

1） 輸入信號Y+ε\"，相應(yīng)的標(biāo)簽為未受干擾的原始接收信號。

2） 采用隨機梯度下降法，結(jié)合適當(dāng)?shù)膶W(xué)習(xí)率對網(wǎng)絡(luò)參數(shù)進行迭代更新。

3） 進行迭代過程，整個訓(xùn)練過程分為多個訓(xùn)練周期，每個周期處理小批量數(shù)據(jù)。

4） 在每次迭代中，向輸入數(shù)據(jù)注入新的噪聲，以增強模型的泛化能力和魯棒性。

5） 使用均方誤差作為損失函數(shù)，以評估模型輸出與標(biāo)簽之間的偏差。

模型測試步驟：

1） 模型固化，完成訓(xùn)練后，模型參數(shù)固定，不再進行更新。

2） 輸入數(shù)據(jù)，即通過LS 算法得到的初步信道估計結(jié)果。

3） 進行迭代過程，采用OCT 神經(jīng)網(wǎng)絡(luò)對LS估計結(jié)果進行進一步優(yōu)化，得到最終的信道估計結(jié)果。

4仿真分析

使用Matlab 和Python 進行仿真， IRS 輔助礦井通信系統(tǒng)信道數(shù)據(jù)集在Matlab 2022a 上產(chǎn)生，共生成96 000 個數(shù)據(jù)，按4∶1的比例劃分為訓(xùn)練集和測試集。仿真參數(shù)設(shè)置：IRS 的反射單元個數(shù)為64，基站天線個數(shù)為16，用戶個數(shù)為6，信噪比（Signal toNoise Ratio， SNR）范圍為?10～10 dB，步長為1dB。礦井無線衰落信道模型為Nakagami-m 信道。

4.1IRS技術(shù)對信道估計的影響

為了驗證IRS對井下信道估計的影響，分別在IRS 環(huán)境和無IRS 環(huán)境下采用LS 和LMMSE 算法進行信道估計，結(jié)果如圖5所示。仿真結(jié)果表明，無論是LS 算法還是LMMSE 算法，引入IRS 技術(shù)均能有效降低信道估計誤差。

4.2 OCT神經(jīng)網(wǎng)絡(luò)性能驗證

為驗證OCT神經(jīng)網(wǎng)絡(luò)的性能，對其訓(xùn)練損失、運行時間和參數(shù)量進行分析。

設(shè)定SNR 為0，對OCT神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)CNN進行100個周期的訓(xùn)練，結(jié)果如圖6所示。隨著訓(xùn)練周期的增加，2種神經(jīng)網(wǎng)絡(luò)都表現(xiàn)出較快的收斂速度，OCT神經(jīng)網(wǎng)絡(luò)的損失值明顯低于CNN，表明在相同的訓(xùn)練條件下，OCT神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的擬合效果更好，在處理訓(xùn)練數(shù)據(jù)時更加有效。

OCT 神經(jīng)網(wǎng)絡(luò)、CNN 及傳統(tǒng)的LS 算法、LMMSE算法在每個周期的運行時間見表2。可看出OCT 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間和測試時間均比CNN 短，深度學(xué)習(xí)算法的測試時間與傳統(tǒng)算法相比明顯縮短。仿真結(jié)果說明OCT 神經(jīng)網(wǎng)絡(luò)計算效率高，可提高通信系統(tǒng)信道估計的整體性能。

將80000個樣本按4∶1的比例劃分為訓(xùn)練集和測試集，分別使用CNN、OCT神經(jīng)網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)（Residual Network，ResNet）和密集連接網(wǎng)絡(luò)（DenselyConnected Network，DenseNet）進行測試，記錄不同模型的參數(shù)量和內(nèi)存使用量，結(jié)果見表3。OCT 神經(jīng)網(wǎng)絡(luò)的參數(shù)量接近CNN，由于ResNet 引入了多個殘差塊，所以參數(shù)量明顯增加。DenseNet 的參數(shù)量最大，原因是DenseNet 采用密集連接以增強模型的表達(dá)能力，但也導(dǎo)致參數(shù)量大幅增加。OCT 神經(jīng)網(wǎng)絡(luò)的當(dāng)前內(nèi)存和峰值內(nèi)存使用量均低于CNN、ResNet和DenseNet，這是因為OCT 神經(jīng)網(wǎng)絡(luò)通過頻率分離減少了計算量，從而減少了內(nèi)存占用。在計算資源有限的環(huán)境下，OCT 神經(jīng)網(wǎng)絡(luò)可保持較低參數(shù)量和內(nèi)存使用量，性能最優(yōu)。

4.3SSL算法性能驗證

為了展示SSL 算法的優(yōu)勢，將其與LMMSE、LS、監(jiān)督學(xué)習(xí)（Supervised Learning，SL）算法進行對比，結(jié)果如圖7 所示。可看出SSL 算法在各種SNR 下表現(xiàn)均優(yōu)于其他算法，尤其是在高SNR 條件下，SSL 算法的NMSE 顯著低于傳統(tǒng)的LS 和LMMSE 算法。SSL算法在所有SNR 條件下均能保持較低的NMSE，驗證了其在信道估計中的高效性和魯棒性。

4.4大規(guī)模網(wǎng)絡(luò)中的擴展性驗證

為了驗證基于SSL的IRS輔助礦井通信系統(tǒng)信道估計方法在大規(guī)模網(wǎng)絡(luò)中的可擴展性，通過增加用戶和基站數(shù)量進行測試。在SNR=0的條件下，設(shè)置3種規(guī)模的網(wǎng)絡(luò)環(huán)境。小規(guī)模網(wǎng)絡(luò)：基站天線個數(shù)為16，用戶個數(shù)為6，IRS的反射單元個數(shù)為64；中等規(guī)模網(wǎng)絡(luò)：基站天線個數(shù)為32，用戶個數(shù)為12，IRS 的反射單元個數(shù)為64；大規(guī)模網(wǎng)絡(luò)：基站天線個數(shù)為64，用戶個數(shù)為24，IRS 的反射單元個數(shù)為64。不同規(guī)模網(wǎng)絡(luò)中本文方法的NMSE 與內(nèi)存使用情況見表4。

由表4 可看出，隨著網(wǎng)絡(luò)規(guī)模的擴大，NMSE 呈現(xiàn)上升趨勢，表明信道估計的精度下降。這是因為隨著用戶數(shù)量的增加，用戶之間干擾增多，在多輸入多輸出系統(tǒng)中，這種干擾會導(dǎo)致信道估計變得更困難。同時，天線數(shù)量增加也導(dǎo)致信道的復(fù)雜性增加，很難捕捉和估計信道特征，從而導(dǎo)致精度下降。隨著用戶數(shù)量和天線數(shù)量的增加，內(nèi)存使用量也會增大。仿真結(jié)果表明，本文方法在大規(guī)模網(wǎng)絡(luò)中具有較好的擴展性和魯棒性，雖然大規(guī)模網(wǎng)絡(luò)的資源需求明顯增加，但可通過分布式計算和分塊處理等優(yōu)化策略，有效應(yīng)對這些挑戰(zhàn)。

5結(jié)論

1） 結(jié)合IRS 技術(shù)構(gòu)建了礦井無線通信系統(tǒng)模型，解決多徑衰落和非視距通信問題。

2） 采用SSL 框架下的OCT 神經(jīng)網(wǎng)絡(luò)優(yōu)化初步信道估計結(jié)果，解決了礦井環(huán)境中真實標(biāo)簽難以獲取的問題，提高了信道估計精度。

3） 仿真結(jié)果表明：① 引入IRS 技術(shù)能有效降低信道估計誤差。② OCT 神經(jīng)網(wǎng)絡(luò)的損失值明顯低于CNN，數(shù)據(jù)擬合效果更好；OCT 神經(jīng)網(wǎng)絡(luò)計算效率高，可提高通信系統(tǒng)信道估計的整體性能；在計算資源有限的環(huán)境下，OCT 神經(jīng)網(wǎng)絡(luò)可保持較低參數(shù)量和內(nèi)存使用量。③ SSL 算法在所有信噪比條件下均能保持較低的NMSE，驗證了其在信道估計中的高效性和魯棒性。④ 基于SSL 的IRS 輔助礦井通信系統(tǒng)信道估計方法在大規(guī)模網(wǎng)絡(luò)中具有較好的擴展性和魯棒性。