本文是一篇关于可重构智能表面（Reconfigurable Intelligent Surface, RIS）辅助无线通信系统中信道估计的综述性论文，由Yun Yu、Jinhao Wang、Xiao Zhou、Chengyou Wang、Zhiquan Bai和Zhun Ye共同撰写，发表于2023年7月的《Mathematics》期刊上。文章旨在全面回顾和分析RIS辅助无线通信系统中的信道估计方法，特别是在高频段和低频段的应用，并探讨了不同算法的优缺点及其未来发展方向。
随着移动用户和无线设备数量的急剧增加，第五代（5G）无线通信系统的性能面临严峻挑战。RIS作为一种新兴技术，因其易于部署、低功耗和低成本等优势，被认为是第六代（6G）通信系统的关键技术之一。RIS通过调整无线信号的相位、幅度和频率来重构无线环境，从而提升通信系统的传输效率和可靠性。然而，为了最大化RIS的性能，获取准确的信道状态信息（Channel State Information, CSI）至关重要。因此，有效的信道估计方法是实现RIS优异性能的关键。
文章首先介绍了RIS的基本概念及其在6G通信中的潜力，随后详细分析了RIS辅助通信系统中的信道估计方法。文章的主要内容包括： 1. 高频段信道估计：文章重点分析了毫米波（mmWave）和太赫兹（THz）频段的信道估计方法。由于高频段的信号传播路径损耗大且易受障碍物阻挡，RIS通过反射信号可以减少路径损耗，提升通信质量。文章详细讨论了全被动RIS和半被动RIS在不同场景下的信道估计方法，包括单用户、多用户、实际应用和宽带系统等。 2. 低频段信道估计：在低频段，由于多径散射丰富，信道模型通常是非结构化的。文章介绍了全被动RIS和半被动RIS在低频段的应用，重点讨论了如何通过矩阵分解、张量建模和深度学习等方法减少训练开销并提高估计精度。 3. 信号处理算法：文章将信道估计算法分为五类：基于传统算法、基于优化算法、基于压缩感知算法、基于深度学习算法和基于组合算法。文章详细分析了每类算法的优缺点，并探讨了深度学习在RIS信道估计中的新兴应用，如与传统算法的融合、图像处理技术的结合以及端到端网络的构建。
文章的主要贡献在于： 1. 全面综述：文章对RIS辅助无线通信系统中的信道估计方法进行了全面综述，涵盖了高频段和低频段的不同应用场景，并详细分析了各种算法的优缺点。 2. 系统模型分析：文章提出了基于角度域建模的系统模型，通过较少的参数实现信道估计，从而减少了训练开销。 3. 深度学习应用：文章重点探讨了深度学习在RIS信道估计中的应用，如与传统算法的融合、图像处理技术的结合以及端到端网络的构建，展示了深度学习在提升信道估计精度和减少计算复杂度方面的潜力。
文章指出，随着多RIS系统的应用，信道估计的复杂性将进一步增加，单RIS的信道估计方法可能不再适用。未来的研究方向包括： 1. 多RIS系统的信道估计：如何在多RIS系统中高效地进行信道估计是一个重要的研究方向。 2. 高频段应用：如何在高频段（如太赫兹频段）更高效地集成RIS，特别是在复杂和动态的环境中（如城市环境）部署RIS，也是一个值得关注的问题。 3. 深度学习与RIS的结合：深度学习在RIS信道估计中的应用仍有很大的发展空间，未来可以进一步探索深度学习与传统算法的融合，以及如何利用深度学习提升信道估计的鲁棒性和适应性。
本文通过对RIS辅助无线通信系统中信道估计方法的全面回顾，展示了RIS在未来6G通信系统中的巨大潜力。文章不仅总结了现有的信道估计方法，还提出了未来的研究方向，为相关领域的研究人员提供了宝贵的参考。