傅友华，陈栋

（1.南京邮电大学电子与光学工程学院微电子学院，江苏 南京 210023；2.射频集成与微组装技术国家地方联合工程实验室，江苏 南京 210023）

1 引言

5G 通信系统使用大规模多输入多输出（MIMO,multiple input multiple output）技术来补偿毫米波传播损耗[1]，但是大规模MIMO 系统所带来的高功耗为其实际实现带来了挑战[2]。同时也引起了导频污染，从而影响信道估计的准确性。文献[3]提出了基于干扰消除的信道估计方案。为了进一步提高系统性能，使用智能反射表面（IRS,intelligent reflecting surface）进行辅助通信。IRS 由大量的无源反射元件组成平面，一方面通过智能调整幅度和相位，达到能够重新配置传播环境的效果[4]；另一方面通过控制传播环境，提高无线通信的频谱效率和能量效率[5-7]。但由于加入了IRS 使信道变得复杂，因此给信道估计带来一定的难度，主要是IRS 的无源特性使得难以分别估计基站（BS,base station）到IRS之间的信道和IRS 到移动站（MS,mobile station）之间的信道。

为了克服上述困难，有一些研究对IRS 进行了设计。文献[8]提出了一种新的IRS 硬件结构，在无源反射元件中随机分布有源反射元件，然后提出基于压缩感知（CS,compressed sensing）和深度学习（DL,deep learning）的信道估计方案。但是该方案一方面所提的CS 算法需要大量的有源元件来提升性能并且没有充分利用信道的稀疏性，从而导致成本和复杂度的增加；另一方面所提的神经网络在训练输出时没有考虑相位的作用，而实际的数据都是复数，降低了信道估计的准确性。文献[9-10]提出了一种基于开关状态控制的信道估计策略，其中每个时隙只打开一个IRS 元件，使用户的反射信道可以在不受其他IRS 元件反射信号干扰的情况下进行信道估计。……