打造RIS辅助MIMO IoT新方案，中关村泛联院最新研究成果登上国际顶级期刊

        近日，中关村泛联院研究团队的最新研究成果“Efficient Two-Level Block-Structured Sparse Bayesian Learning-Based Channel Estimation for RIS-Assisted MIMO IoT Systems”被国际顶级学术期刊《IEEE Internet of Things Journal》发表。
 

        随着物联网(IoT)设备数量的迅速增加，预计到2030年将超过800亿台，这给未来无线通信系统中的大规模连接和数据传输需求带来了巨大压力。由于具有高频谱效率、容量和能效等许多吸引人的特性，大规模多输入多输出（MIMO）技术已在5G系统中得到广泛部署。另一方面，备受关注的可重构智能表面（RIS）技术已被证明能够以低成本的硬件和能耗增强无线网络的覆盖和容量。RIS辅助大规模MIMO技术被认为是提高物联网系统能量和频谱效率的重要候选技术之一，得到业界的普遍关注。
 

        获取准确的信道状态信息对于保障通信链路有效性以及获取系统增益十分重要。然而，考虑到RIS辅助MIMO IoT系统的高维信道矩阵及其潜在的结构化稀疏特征，使得高效的信道估计十分具有挑战性。
        为突破以上瓶颈，中关村泛联院提出了一种基于结构化稀疏贝叶斯学习的RIS辅助MIMO IoT信道估计方案。首先，将RIS辅助MIMO级联信道估计问题建模为一个通用的稀疏信号恢复问题，同时考虑到信道的双层块结构稀疏性。其次，设计了一个灵活的先验模型来表征信道的这种结构稀疏性，其中引入了层次超参数，并推导了基于稀疏贝叶斯学习的方法迭代估计信道的同时更新先验模型相关的超参数。
        为了减轻在计算信道后验时涉及矩阵求逆的高计算复杂性，研发团队从两个方面进行了研究。一方面，通过放松的证据下界（ELBO）最大化，开发了一种无需求逆的方法，并引入了一个可调节因子，以减少标准ELBO和放松ELBO之间的差距；另一方面，开发了一种通过外部块结构稀疏性辅助减少稀疏表示矩阵维度的方法。最后，团队详细分析了所提算法的计算复杂性和收敛性，通过仿真结果验证了所设计信道估计方法的优越性。