毕设开题报告 2026

发表于 更新于 分类于 阅读次数： 本文字数： 6.3k 阅读时长 ≈ 6 分钟

山东大学（威海）
毕业论文（设计）开题报告

论文题目： RIS辅助毫米波系统的稀疏信道估计算法研究
姓 名： 彭梓轩

2025年11月18日

开题报告填写要求

  1. 开题报告作为毕业论文(设计)答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业论文(设计)工作前期内完成，经指导教师签署意见及教研室审查后生效；
  2. 开题报告内容必须用黑碳素笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网址上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见；
  3. 学生查阅资料的参考文献应不少于3篇（不包括辞典、手册）；
  4. 有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2014年4月26日”或“2014-04-26”。

毕 业 论 文(设计)开 题 报 告

  1. 本课题的研究意义
    随着第六代移动通信(6th generation mobile networks, 6G)研究的深入，毫米波通信凭借其丰富的频谱资源，成为实现超高速率传输的关键技术。然而，毫米波信号波长短，导致路径损耗大、易受遮挡。可重构智能超表面(Reconfigurable Intelligent Surface, RIS)技术能够通过智能重构无线环境建立虚拟视距链路，是解决毫米波覆盖盲区的核心方案。
    然而，要充分发挥RIS的波束赋形增益，RIS辅助毫米波系统的性能高度依赖于精确的信道状态信息(Channel State Information, CSI)。但由于RIS包含大规模无源反射单元，导致级联信道维度极高，传统估计算法面临导频开销大、计算复杂度高、对硬件非理想因素敏感等严峻挑战。因此，如何在低导频开销下实现高精度的信道估计，成为RIS技术落地的关键瓶颈。
    针对RIS信道估计这一核心难题，国内外研究人员已在信号处理和人工智能领域取得了丰硕成果。为了降低导频开销，研究者首先利用毫米波信道在角域的稀疏特性，引入了压缩感知(Compressed Sensing, CS)技术。Chen等人[1]针对物联网场景，提出了一种基于压缩感知的联合稀疏信道估计方案，通过联合利用视距和反射信道的属性提高了CSI精度。为了进一步挖掘信号的高维结构，将宽带RIS-正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)信号建模为低秩三阶张量，Zheng等人[2]使用一种基于规范多聚分解(Canonical Polyadic Decomposition, CPD)估计方法，大幅降低了导频开销。在此基础上，文献[3]提出了一种基于张量的直接估计算法，避免了先估计高维矩阵再分解的复杂过程，进一步提升了算法效率。
    针对信道的结构化特征，Guo等人[4]提出了一种分层结构矩阵恢复方法，利用酉近似消息传递(Unitary Approximate Message Passing, UAMP )法实现了接近理想下界的性能。文献[5]则提出了一种两阶段信道估计方案，第一阶段利用低秩特性，第二阶段利用稀疏特性，有效提升了估计效率。针对流形空间的几何特性，一种基于流形优化的张量恢复算法，通过在可行域内保持迭代点来提高解的精度[6]。然而，传统CS算法常受限于固定网格，为此，Zhou等人[7]提出了一种字典学习方案，通过联合优化字典参数和稀疏信号，有效解决了“网格失配”导致的性能下降问题。
    随着研究的深入，在宽带和大阵列场景下，非理想物理效应不容忽视[8]。针对存在直连信道干扰的场景，Peng等人[9]设计了一种新颖的空间投影方法，能够消除直连信道对级联信道估计的误差传播。为了进一步提升信噪比，可使用有源RIS(Active RIS,ARIS)辅助的系统，并设计最优训练反射图案来最小化估计误差方差[10]。
    为了解决高维估计的计算负担，研究者探索了更高效的策略。文献[11]为了打破导频开销随RIS元件数线性增长的瓶颈，提出了基于元件分组(Grouping)的估计方案，利用公共信道特性显著降低了开销。针对结构化稀疏信道，Li等人[12]提出了一种低复杂度的稀疏贝叶斯学习(Sparse Bayesian Leaning, SBL)算法，通过部分公共支撑识别机制降低了计算量。为了进一步避免高维矩阵求逆，引入了变分学习算法[13]，通过近似推断实现了低复杂度的概率估计。
    总结来讲，在当前RIS信道估计的具体研究中存在着以下三个主要问题：(1)导频开销依然较高：尽管压缩感知和张量方法降低了开销，但对于大规模RIS，导频数量仍与元件数强相关，缺乏更高效的解耦策略(如分组策略的应用仍需深化)。 (2)分组策略缺乏理论支撑：现有的分组方法多基于固定模式，缺乏对分组大小与信道恢复精度之间权衡关系的量化分析。(3)硬件非理想因素考虑不足：低成本基站常采用低分辨率ADC，现有的线性估计算法难以应对其的非线性量化噪声，而高复杂度的贝叶斯方法难以工程落地。
    综上，本课题旨在深入分析毫米波信道的稀疏特性，通过元件分组降低开销，通过优化的元件分组策略大幅降低开销，并重点研究该算法在低分辨率ADC下的鲁棒性。最终提出一套低开销、抗量化噪声且具备工程实用价值的信道估计算法。

参考文献：
[1] Chen Z, Du X, Chen L. Compressed sensing based joint sparse channel estimation for RIS-assisted internet of things [C]//Proceedings of the 5th International Conference on Information Communication and Signal Processing. Shenzhen, China: IEEE, 2023: 375–381.
[2] Zheng X, Wang P, Fang J, et al. Compressed Channel Estimation for IRS-Assisted Millimeter Wave OFDM Systems: A Low-Rank Tensor Decomposition-Based Approach [J]. IEEE Wireless Communications Letters, 2022, 11(6): 1258–1262.
[3] Mo L, Saggese F, Lu X, et al. Direct Tensor-Based Estimation of Broadband mmWave Channels With RIS [J]. IEEE Communications Letters, 2023, 27(7): 1849–1853.
[4] Guo Y, Sun P, Yuan Z, et al. Hierarchically Structured Matrix Recovery-Based Channel Estimation for RIS-Aided Communications [J]. IEEE Wireless Communications Letters, 2024, 13(2): 422–426.
[5] Tang J, Du X, Chen Z, et al. Two-stage channel estimation for reconfigurable intelligent surface-assisted mmWave systems [C]//Proceedings of the IEEE International Conference on Communications. Rome, Italy: IEEE, 2023: 2840–2845.
[6] Huang Z, Liu C, Song Y C, et al. Manifold optimization-based channel estimation for RIS-assisted mmWave MIMO-OFDM systems [C]//Proceedings of IEEE Global Communications Conference. Kuala Lumpur, Malaysia: IEEE, 2023: 5104–5109.
[7] Zhou Z, Cai B, Chen J, et al. Dictionary Learning-Based Channel Estimation for RIS-Aided MISO Communications [J]. IEEE Wireless Communications Letters, 2022, 11(10): 2125–2129.
[8] Su X, He R, Ai B, et al. Channel Estimation for RIS Assisted THz Systems With Beam Split [J]. IEEE Communications Letters, 2024, 28(3): 637–641.
[9] Peng Z, Zhang T, Pan C, et al. Channel Estimation for RIS-Assisted Multiuser mmWave Systems with Direct Channels based on A Novel Space Projection Approach [J]. IEEE Communications Letters, 2024, 28(12): 3173–3177.
[10] Chen H, Li N, Long R, et al. Channel Estimation and Training Design for Active RIS Aided Wireless Communications [J]. IEEE Wireless Communications Letters, 2023, 12(11): 1876–1880.
[11] Mukherjee P, Joshi S. Grouping-Based Channel Estimation Scheme for IRS-Assisted Wireless Communications Network [J]. IEEE Communications Letters, 2024, 28(1): 173–177.
[12] Li W, Lin Z, Guo Q, et al. Exploiting Structured Sparsity With Low Complexity Sparse Bayesian Learning for RIS-Assisted MIMO mmWave Channel Estimation [J]. IEEE Transactions on Vehicular Technology, 2024, 73(5): 6752–6764.
[13] Nakul M, Rajoriya A, Budhiraja R. Variational Learning Algorithms for Channel Estimation in RIS-Assisted mmWave Systems [J]. IEEE Transactions on Communications, 2024, 72(1): 222–238.
2. 本课题的基本内容
本课题将围绕“如何在低复杂度与硬件受限条件下实现RIS毫米波系统的精确信道估计”这一主题，开展以下两个递进式的问题研究：
(1)基于元件分组的低开销信道估计算法研究
针对大规模 RIS反射单元导致的“维度灾难”，研究RIS元件的分组机制。借鉴元件分组思想，利用多用户间基站-RIS信道的公共特性，设计高效的分组策略与导频训练模式。在此基础上，采用正交匹配追踪算法及其改进版本实现级联信道的稀疏恢复，解除导频消耗与 RIS元件数量之间的强线性耦合关系。
(2)低分辨率ADC下分组估计算法的鲁棒性研究与性能分析
针对实际毫米波系统中广泛采用的低分辨率ADC带来的量化噪声问题，分析量化误差对稀疏恢复算法的影响。建立量化信号模型，研究在低比特量化(如1-bit或few-bit)条件下，分组策略的有效性。通过仿真分析分组大小、量化位数与信道估计精度(NMSE)之间的权衡关系，验证算法在非理想硬件条件下的鲁棒性。

  1. 本课题的重点和难点
    重点：
    (1)成功复现并改进基于元件分组的OMP算法，在仿真中量化分析分组大小(Grouping Size)对导频开销和归一化均方误差(Normalized Mean Square Error, NMSE)的影响曲线。
    (2)搭建低分辨率ADC的系统链路，验证在低比特量化条件下，所提分组算法相比传统算法的性能优势及鲁棒性。
    难点：
    (1)分组虽然降低了开销，但会引入“孔径损失”或降低空间分辨率。如何在保证信道稀疏性不被破坏的前提下，通过理论或仿真确定最佳分组数，是本课题的难点之一。
    (2)低分辨率ADC引入的非线性量化噪声难以通过传统的线性模型消除，分析量化噪声对稀疏支撑集检测概率的影响具有挑战性。

  2. 论文提纲
    第1章 绪论
    1.1选题背景和研究意义
    1.2RIS辅助毫米波通信系统概述
    1.3信道估计技术研究现状
    1.4本文主要研究内容与结构安排
    第2章 基于元件分组的低开销信道估计算法
    2.1RIS辅助毫米波系统模型与稀疏性分析
    2.2RIS元件分组策略与导频设计
    2.3基于分组的OMP稀疏恢复算法实现
    第3章 低分辨率ADC下分组算法的性能分析与优化
    3.1低分辨率ADC量化模型与信号特征
    3.2量化噪声对稀疏恢复算法的影响分析
    3.3不同量化位数下的分组策略性能评估
    第4章 实验仿真及结果分析
    4.1仿真实验设计
    4.2仿真实验与结果分析
    4.3改进算法的效果分析
    第5章 总结与展望

  3. 进度安排
    (1)2025-09-152025-10-20：结合指导教师建议与个人兴趣，查阅文献，完成
    师生互选，接收任务书，明确研究指标。收集并精读30-50篇关于RIS信道估计、压缩感知及深度学习的核心文献，完成外文文献的初步翻译。
    (2) 2025-10-21    2025-12-20：梳理技术路线，确定采用“分组策略+低比特量化分析”的方案。撰写开题报告并在系统中提交。参加开题检查，根据督导组意见修改开题报告。深入学习毫米波信道建模及Python/MATLAB仿真工具。
    (3) 2025-12-212026-01-31：搭建RIS系统仿真链路，实现基于元件分组的稀疏信道估计算法，重点仿真不同分组大小下的性能曲线。
    (4) 2026-02-01    2026-03-14：加入低分辨率ADC量化模块，评估算法在非理想硬件下的表现。整理所有仿真数据，撰写论文核心章节，上传外文译文，准备中期检查材料。
    (5) 2026-03-152026-04-20：完成毕业设计论文全文撰写。进行论文查重，根据查重报告修改论文，提交指导教师审核并定稿。
    (6) 2026-04-21    2026-06-10：提交论文评阅，根据反馈意见修改，制作答辩PPT。参加毕业答辩，根据委员会意见进行最终修改，完成系统归档。
    毕 业 论 文（设计）开 题 报 告

毕 业 论 文(设计)开 题 报 告
指导教师意见：
（对本课题的深度、广度及工作量的意见）
该课题以RIS辅助毫米波系统的稀疏信道估计算法研究为主要研究内容，有一定的深度和广度。所选课题有一定的理论意义和实用价值，本课题拟使用Python/MATLAB语言编程实现对RIS辅助毫米波系统的稀疏信道估计算法的优化，研究方法得当，研究步骤和进度安排基本合理。该生已查阅相关参考文献，对课题的国内外研究现状有所了解，已明确研究的基本内容和所要解决的主要问题，课题研究方向明确。本课题对巩固学生的基本知识，提高专业技能和学生的研究能力有益。论文的工作量和难度适中，适合电子通信类本科生做毕业论文，同意开题。

指导教师：（签字）
2025年 11 月 22 日
教研室审查意见：

教研室负责人：（签字）

年 月 日