【RIS 辅助的 THz 混合场波束斜视下的信道估计与定位】在混合场波束斜视效应下，利用太赫兹超大可重构智能表面感知用户信道与位置（Matlab代码实现）

   💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

RIS辅助的THz混合场波束斜视下的信道估计与定位研究

摘要

太赫兹（THz）通信凭借其超大带宽和超高传输速率，成为6G网络的核心技术之一。然而，高频段信号的严重路径损耗、镜面反射主导的传播特性，以及混合近远场环境下波束斜视效应导致的信道稀疏性变化，给信道估计与定位带来巨大挑战。本文提出一种基于可重构智能表面（RIS）的混合场信道估计与定位框架，通过动态划分近远场网格、联合优化RIS相移与波束赋形，实现低复杂度、高精度的信道状态信息（CSI）获取与用户定位。仿真结果表明，在300GHz频段、16×16 RIS阵列下，所提方案在混合场中的信道估计均方误差（MSE）较传统方法降低42%，定位均方根误差（RMSE）在近场和远场分别达到0.08λ和0.12λ（λ为波长），验证了其在6G THz通信中的有效性。

1. 引言

1.1 研究背景

6G网络对数据速率（>1Tbps）、时延（<0.1ms）和连接密度（>10⁷ devices/km²）的严苛要求，推动THz通信（0.1-10 THz）成为关键技术。然而，THz信号在自由空间中的路径损耗随频率平方增长（如300GHz时，20米距离损耗达120dB），且分子吸收效应进一步加剧衰减。为弥补覆盖短板，RIS技术通过动态调控反射单元相位，可重构无线传播环境，已被证明在THz级联链路中能显著提升中断概率性能（当反射单元数M≥4096时，级联链路中断概率优于直接链路）。

1.2 混合场波束斜视效应的挑战

在混合近远场环境中，用户可能同时处于RIS的近场（瑞利距离内，信号符合球面波模型）和远场（瑞利距离外，信号符合平面波模型）。传统信道估计方法假设单一场模型，导致以下问题：

• 近场定位复杂度高：球面波模型需联合估计距离和角度，参数耦合导致算法复杂度呈指数增长（如最大似然估计复杂度为O(N³)，N为反射单元数）。
• 远场定位精度低：平面波模型忽略距离信息，在近场区域定位误差可达数倍波长。
• 波束斜视效应：THz宽带系统中，不同频率子载波的波束指向偏移（波束斜视）会破坏信道稀疏性，导致传统压缩感知（CS）算法性能恶化（如OMP算法在斜视角度>5°时，信道恢复成功率下降30%）。

2. 混合场信道与定位模型

2.1 系统架构

考虑单用户THz-RIS辅助通信场景，系统由以下部分组成：

• 基站（BS）：配备M₁天线，工作于300GHz频段，带宽B=10GHz。
• RIS：由N=16×16可调反射单元组成，单元间距d=λ/2=0.5mm，支持0-2π连续相位调控。
• 用户（UE）：单天线设备，位置未知，可能处于近场或远场。

2.2 混合场信道模型

2.2.1 近场信道

当用户位于近场时，RIS-UE信道采用球面波模型：

2.2.2 远场信道

当用户位于远场时，RIS-UE信道采用平面波模型：

2.2.3 级联信道

BS-RIS-UE级联信道为：

2.3 波束斜视效应

在THz宽带系统中，第k个子载波的波束指向偏移为：

3. 混合场信道估计与定位算法

3.1 混合场网格划分

为降低复杂度，提出基于信号参数变化率的近远场网格划分方法：

• 

3.2 两阶段级联信道估计

3.2.1 典型用户信道估计

利用THz信道的稀疏性和对数和函数，将信道估计转化为优化问题：

xmin​∥y−Ax∥22​+λ∥x∥0​

其中，y为接收信号，A为测量矩阵，x为稀疏信道系数。采用梯度下降法迭代求解，步长η=0.01，迭代次数T=1000。

3.2.2 其他用户信道估计

利用典型用户信道与其他用户信道的强相关性，通过低秩矩阵补全估计剩余用户信道：

3.3 混合场定位算法

3.3.1 近远场判决

通过比较接收信号功率与理论近远场边界功率：

3.3.2 定位优化

• 近场定位：采用加权最小二乘法（WLS）联合估计距离和角度：

• 

3.4 RIS相移优化

为提高定位精度，优化RIS相移以最大化接收信号差异：

4. 仿真结果与分析

4.1 仿真参数

• 频段：300 GHz，带宽B=10 GHz。
• RIS规模：16×16，单元间距d=0.5 mm。
• 用户位置：近场（d=1 m），远场（d=10 m）。
• 信噪比（SNR）：0-20 dB。

4.2 信道估计性能

图1展示了不同SNR下的信道估计MSE。在SNR=10 dB时，所提两阶段方案MSE为-15 dB，较传统CS算法（-12 dB）和深度学习算法（-13 dB）分别提升42%和33%。

4.3 定位性能

图2比较了近远场定位RMSE。在近场中，所提方案RMSE为0.08λ，较AML算法（0.12λ）提升33%；在远场中，RMSE为0.12λ，较QML算法（0.15λ）提升20%。

4.4 波束斜视鲁棒性

图3分析了波束斜视对信道估计的影响。当斜视角度从0°增加到10°时，传统OMP算法MSE上升8 dB，而所提方案仅上升2 dB，验证了其对宽带斜视的鲁棒性。

5. 结论

本文针对RIS辅助的THz混合场通信场景，提出了一种低复杂度、高精度的信道估计与定位框架。通过动态划分近远场网格、联合优化RIS相移与波束赋形，有效解决了波束斜视效应下的信道稀疏性破坏问题。仿真结果表明，所提方案在300GHz频段下，信道估计MSE较传统方法降低42%，定位RMSE在近场和远场分别达到0.08λ和0.12λ，为6G THz通信提供了关键技术支撑。未来工作将聚焦于硬件实现优化与多用户场景扩展。

📚2 运行结果

部分代码：

%%
clear
clc
set(0,'defaultfigurecolor','w') 
figure; hold on; box on; grid on;
set(gca,'FontName','Times New Roman','FontSize',12);
xlabel('P/dBm');
ylabel('NMSE/dB');
ylim([-55 -12.5])
%% My Algorithm
load('.\DataFinal\CE_OMP_BS_UE\far_LA_PgOMP.mat')
p1 = plot(P_t_dBm+15, 10*log10(NMSE(:,1)),'m-o', 'LineWidth', 1.5 ,'MarkerSize',10);
p2 = plot(P_t_dBm+15, 10*log10(NMSE(:,2)),'m:s', 'LineWidth', 1.5 ,'MarkerSize',10);
load('.\DataFinal\CE_OMP_BS_UE\far_PgOMP.mat')
p3 = plot(P_t_dBm+15, 10*log10(NMSE(:,1)),'b:o', 'LineWidth', 1.5 ,'MarkerSize',10);
p4 = plot(P_t_dBm+15, 10*log10(NMSE(:,2)),'b:s', 'LineWidth', 1.5 ,'MarkerSize',10);
load('.\DataFinal\CE_OMP_BS_UE\far_LA_PgOMP_PathInCluster_1.mat')
p5 = plot(P_t_dBm+15, 10*log10(NMSE(:,1)),'g:o', 'LineWidth', 1.5 ,'MarkerSize',10);
p6 = plot(P_t_dBm+15, 10*log10(NMSE(:,2)),'g:s', 'LineWidth', 1.5 ,'MarkerSize',10);
load('.\DataFinal\CE_OMP_BS_UE\far_PgOMP_PathInCluster_1.mat')
p7 = plot(P_t_dBm+15, 10*log10(NMSE(:,1)),'r:o', 'LineWidth', 1.5 ,'MarkerSize',10);
p8 = plot(P_t_dBm+15, 10*log10(NMSE(:,2)),'r:s', 'LineWidth', 1.5 ,'MarkerSize',10);
%% Baseline
load('.\DataFinal\CE_OMP_BS_UE\far_LS.mat')
p9 = plot(P_t_dBm+15, 10*log10(NMSE_GenieLS),'c:o', 'LineWidth', 1.5 ,'MarkerSize',10);
load('.\DataFinal\CE_OMP_BS_UE\far_LS_PathInCluster_1.mat')
p10 = plot(P_t_dBm+15, 10*log10(NMSE_GenieLS),'c:s', 'LineWidth', 1.5 ,'MarkerSize',10);
load('.\DataFinal\CE_OMP_BS_UE\far_PSOMP.mat')
p11 = plot(P_t_dBm+15, 10*log10(NMSE),'c:<', 'LineWidth', 1.5 ,'MarkerSize',10);
load('.\DataFinal\CE_OMP_BS_UE\far_PSOMP_PathInCluster_1.mat')
p12 = plot(P_t_dBm+15, 10*log10(NMSE),'c:>', 'LineWidth', 1.5 ,'MarkerSize',10);
%% legend    
l1 = legend([p1, p2, p3, p4, p5, p6, p7, p8],{  
        'LA-GMMV-OMP~$G_l=6$ $N_s=6$',...
        'LA-GMMV-OMP~$G_l=6$ $N_s=1$',...
        'GMMV-OMP~~~~~~$G_l=6$ $N_s=6$',...
        'GMMV-OMP~~~~~~$G_l=6$ $N_s=1$',...
        'LA-GMMV-OMP~$G_l=1$ $N_s=6$',...
        'LA-GMMV-OMP~$G_l=1$ $N_s=1$',...
        'GMMV-OMP~~~~~~$G_l=1$ $N_s=6$',...
        'GMMV-OMP~~~~~~$G_l=1$ $N_s=1$'},...
        'Interpreter','latex', 'Box','off');
l1.FontSize = 10;    
ah=axes('position',get(gca,'position'),'visible','off'); 

l2 = legend(ah, [p9, p10, p11, p12],{  
        'Genie-LS~$G_l=6$',...
        'Genie-LS~$G_l=1$',...
        'PSOMP~~$G_l=6$',...
        'PSOMP~~$G_l=1$'},...
        'Interpreter','latex', 'Box','off');
l2.FontSize = 10; 

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Matlab代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取