CN110113088B - 一种分离型数模混合天线***波达角智能化估计方法 - Google Patents

一种分离型数模混合天线***波达角智能化估计方法 Download PDF

Info

Publication number
CN110113088B
CN110113088B CN201910376026.9A CN201910376026A CN110113088B CN 110113088 B CN110113088 B CN 110113088B CN 201910376026 A CN201910376026 A CN 201910376026A CN 110113088 B CN110113088 B CN 110113088B
Authority
CN
China
Prior art keywords
sub
training
angle
signal
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910376026.9A
Other languages
English (en)
Other versions
CN110113088A (zh
Inventor
黄永明
李蕊
何世文
景天琦
陈逸云
杨绿溪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910376026.9A priority Critical patent/CN110113088B/zh
Publication of CN110113088A publication Critical patent/CN110113088A/zh
Application granted granted Critical
Publication of CN110113088B publication Critical patent/CN110113088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种分离型数模混合天线***波达角智能化估计方法，该方法中信号源发射信号，接收端采用分离型数模混合天线架构，同时整个技术方案分为两个过程：模型的离线训练过程和角度预测过程。与现有的技术相比，本发明提供的方案充分利用了***的空间和时间资源，在未知来波任何先验信息的情况下，可实现低复杂度的广域范围内精确的波达角估计，同时有效解决了传统算法中存在的相位歧义的问题。

Description

一种分离型数模混合天线***波达角智能化估计方法
技术领域
本发明涉及无线通信技术领域，特别是涉及一种分离型数模混合天线***波达角智能化估计方法。
背景技术
无线通信技术的迅猛发展，深刻地改变了生们的生产生活方式，极大地推动了社会的变革与创新，成为当今世界不可或缺的一部分。多输入多输出技术(Multiple Inputand Multiple Output，MIMO)是无线通信智能天线领域的重大突破，能够在不增加带宽的情况下成倍地提高通信***的容量。随着移动互联网的蓬勃发展和移动数据量、接入设备数量的剧增，如何进一步满足无线通信持续增长的速率需求，成为未来移动通信技术面临的关键问题。
由于现有蜂窝***中低频频谱资源的短缺，利用毫米波频段实施无线通信吸引了学术界与工业界的广泛关注与研究。受制于毫米波频段较大的电波传播损耗，毫米波无线传输技术的研究大多侧重于短距离通信场景。但考虑到毫米波频段上波长相对较短，大规模天线阵列能够同时配备到基站与用户侧。进而，大规模天线阵列所提供的波束成形增益能够补偿毫米波频段上相对较高的传播损耗。鉴于纯数字波束成形方法带来的功耗负担和纯模拟波束成形方法引起的性能损失，数模混合波束成形方法已成为研究热点。
受益于毫米波传播信道的稀疏特性，估计传播信道的角度信息将有益于毫米波传播方式的设计及减少获取信道信息的开销。然而，毫米波***中独特的数模混合天线架构和大规模天线阵列极大地增加了传统波达方向(Direction of Arrival，DOA)估计算法的复杂度，如多重信号分类算法(Multiple Signal Classification，MUSIC)和借助旋转不变技术的参数估计算法(Estimating Signal Via Rotational Invariance Techniques，ESPRIT)，并且这些传统算法存在着一个普遍的缺陷即相位歧义问题，这是由于相邻子阵间距大于半波长后，在求解反三角函数的过程中会出现的2π的整数倍。因此，基于采用数模混合天线架构的分离型子阵***，综合考虑计算复杂度以及估计精度的需求，本发明提出了一种分离型数模混合天线***波达角智能化估计方法及***装置，联合使用了空间资源和时间资源。与传统算法相比，本发明所提出的算法复杂度更低，精确度更高。
发明内容
为了解决以上问题，本发明提供一种分离型数模混合天线***波达角智能化估计方法，该方法实现复杂度低，由于模型的训练过程是离线完成的，因此所需的角度预测时间短，同时不存在相位歧义的问题。本发明提供一种分离型数模混合天线***波达角智能化估计方法，其特征在于，所述分离型数模混合天线***波达角智能化估计方法的***装置包含：信号源发射信号和接收端采用分离型数模混合波束成形架构；
所述分离型数模混合天线***波达角智能化估计方法包括模型的离线训练过程和角度预测过程两个过程；
所述模型的离线训练过程如下；
整个模型训练过程是在离线状态下完成的，首先根据码本集将整个空间划分多个子区域；接着针对任一空间子区域，构建训练样本集；然后采用所提出的新型神经网络进行训练，最终得到多个不同子区域的波达角预测模型；
所述模型的角度预测过程如下；
首先，接收端各子阵从已知的接收码本中选择不同的码字接收来自未知方位信号源的发射信号，选择出对应接收信号能量最强的码字，进而定位出来波信号所在的子区域；接着，所有子阵均采用选择出来的对应接收信号能量最强的码字来接收信号，并从各子阵的接收信号中提取出包含来波信号方向的特征矢量；然后将提取出的特征矢量输入到离线训练好的对应该子区域的波达角预测模型中，进一步精细化地估计出波达角。
作为本发明进一步改进，所述新型神经网络架构称之为“MircoFishNet”，所述MircoFishNet形状与鱼类似，所述MircoFishNet性状为前面头部较窄，中间躯干部分先宽后窄，最后较宽的部分类似于鱼的尾巴；同时，其整个网络架构不需要太多层就能实现比较好的预测性能，所述MircoFishNet网络架构包含四个部分，首先是比较窄的网络层，其目的是提取输入数据的粗特征即全局特征；然后是较宽的网络层，其目的是充分提取输入数据的局部特征；其次是较窄的网络层，其主要目的是降低计算量；最后是较宽的网络，其目的是再次充分提取数据的深层特征。
作为本发明进一步改进，所述接收端采用分离型数模混合波束成形架构包括由模拟波束成形、射频链路、模拟-数字转换、基带数字信号处理组成的接收模块、采用神经网络构建模型的离线训练模块以及智能化波达角预测模块，所述接收端配备P×Q个子阵列，其中水平方向P个子阵，垂直方向Q个子阵，每个子阵列由M×N根天线，其中水平方向M根天线，垂直方向N根天线)组成，每根天线连接一个独立的相移器用于模拟波束成形，每个子阵连接一条射频链路。
作为本发明进一步改进，所述模型的离线训练过程具体步骤如下；
步骤1：划分空间区域；
根据已知的接收码本
Figure BDA0002051694200000021
将空间范围划分K个子区域，其中
Figure BDA0002051694200000031
和
Figure BDA0002051694200000032
分别表示第k个码字的垂直相位和水平相位，K为码字的数目，显然，每个子区域对应一定的垂直方位角和水平方位角范围，这是由每个码字对应波束的主瓣宽度决定的；
步骤2：生成训练样本集；
K个子区域需要生成K个训练样本集；
以第k个子区域为例，在该空间范围内随机产生R个方向样本，即
Figure BDA0002051694200000033
其中
Figure BDA0002051694200000034
表示第k个子区域中的第r个方向样本的垂直方位角和水平方位角；
针对第r个方向样本，信号源位于
Figure BDA0002051694200000035
处发射信号，接收端各子阵均采用第k个码字接收信号，并将各子阵接收信号的实部和虚部提取出来拼接为一个向量
Figure BDA0002051694200000036
将该向量作为表征方向样本
Figure BDA0002051694200000037
的特征矢量。最终得到第k个子区域的训练样本集
Figure BDA0002051694200000038
Figure BDA0002051694200000039
为第r个方向样本的特征矢量，
Figure BDA00020516942000000310
为第r个方向样本的标签；
其余K-1个子区域按照同样的方法产生各自的训练样本集；
步骤3：离线训练模型；
针对每个子区域，利用该区域的训练样本集，采用智能化的机器学习算法离线训练出适用于本区域的波达角预测模型；
以第k个子区域为例，将步骤2中得到的训练样本集
Figure BDA00020516942000000311
输入所提出的新型神经网络，训练每个神经元的参数，得到适用于本子区域的垂直方位角和水平方位角预测模型；
其余K-1个子区域，按照同样的方法训练出适用于各自区域的垂直方位角和水平方位角预测模型。
作为本发明进一步改进，所述模型的角度预测过程具体步骤如下；
步骤1：波束扫描，粗略定位来波信号方向的范围；
利用已知的接收码本
Figure BDA00020516942000000312
各子阵选择互不相同的码字形成波束接收来自未知方位信号源的发射信号，根据各子阵的接收信号，选择出对应接收信号能量最强的码字
Figure BDA00020516942000000313
进而定位出来波信号方向位于第k*个子区域内；
步骤2：提取来波信号的方向特征矢量x；
所有子阵均采用步骤1中选择出来的对应接收信号能量最强的码字
Figure BDA00020516942000000314
作为接收波束，并将各子阵接收信号的实部和虚部提取出来拼接为一个向量作为来波信号的方向特征矢量x；
步骤3：精细化估计来波信号的角度；
将步骤2中获得的未知信号源的方向特征矢量x输入到经离线训练好的第k*个子区域的垂直方位角和水平方位角预测模型中，进一步精细化地估计出来波信号的角度。
本申请一种分离型数模混合天线***波达角智能化估计方法，其有益效果如下：
本发明提出的分离型数模混合天线***波达角智能化估计方法，包括模型的离线训练过程和智能化角度预测过程。与传统波达角估计方法如MUSIC、ESPRIT算法相比，本发明提出的波达角智能化估计方法计算复杂度低、同时可有效解决相位歧义的问题，为大规模分离型数模混合天线***架构下的传输方案提供有用的信息，更具有实用价值。
附图说明
图1为分离型数模混合天线***波达角智能化估计方法流程图；
图2为模型的离线训练过程图；
图3为智能化角度预测过程图；
图4为接收端面阵架构图；
图5为MicroFishNet神经网络架构简图，其中(a)为MicroFishNet简图，(b)为MicroFishNet神经元连接图；
图6为实例中采用的MircoFishNet神经网络架构图；
图7为采样点数为1时角度估计均方根误差随信噪比的变化曲线(MUSIC算法和本专利中所提出的智能化估计方法)；
图8为0dB下角度估计均方根误差随采样点数的变化曲线(MUSIC算法和本专利中所提出的智能化估计方法)；
图9为10dB下角度估计均方根误差随采样点数的变化曲线(MUSIC算法和本专利中所提出的智能化估计方法)。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种分离型数模混合天线***波达角智能化估计方法，，该方法实现复杂度低，由于模型的训练过程是离线完成的，因此所需的角度预测时间短，同时不存在相位歧义的问题。
本发明实施例公开了一种分离型数模混合天线***波达角智能化估计方法，此方法分为两个过程：模型的离线训练过程和角度预测过程，如图1所示。模型的离线训练过程是：首先根据码本集将整个空间划分多个子区域；接着针对每个空间子区域，构建训练样本集；然后采用所提出的新型神经网络进行训练，最终得到多个不同子区域的波达角预测模型。角度预测过程是：首先，接收端各子阵从已知的接收码本中选择不同的码字接收来自未知方位信号源的发射信号，选择出对应接收信号能量最强的码字，进而定位出来波信号所在的子区域；接着，所有子阵均采用选择出来的对应接收信号能量最强的码字来接收信号，并从各子阵的接收信号中提取出包含来波信号方向的特征矢量；然后将提取出的特征矢量输入到离线训练好的对应该子区域的波达角预测模型中，进一步精细化地估计出波达角。与现有的技术相比，本发明提供的方案充分利用了***的空间和时间资源，在未知来波任何先验信息的情况下，可实现低复杂度的广域范围内精确的波达角估计，同时有效解决了传统算法中存在的相位歧义的问题。
为了便于理解本发明的内容，下面介绍一下本发明所涉及的接收面阵的阵列响应矢量、面阵码字等现有技术相关知识。需要说明的是，本发明的方法不受限于下面具体公式的表示形式。
如图4所示，将多面阵天线放于xoy平面内，其中垂直方位角和水平方位角分别用θ和
Figure BDA0002051694200000057
表示，沿x轴方向上放置P个子阵，相邻两子阵对应天线元素之间的距离为Dx；沿y轴方向上放置Q个子阵，相邻两子阵对应天线元素之间的距离为Dy。每个子面阵内，沿x轴方向上放置M根天线，相邻天线元素之间的距离为dx；沿y轴方向上放置N根天线，相邻天线元素之间的距离为dy。以坐标原点的天线元素为参考点，第p行第q列处子面阵的阵列响应矢量可表示为：
Figure BDA0002051694200000051
其中，(·)T表示转置运算，
Figure BDA0002051694200000052
λ表示信号载波波长，
Figure BDA0002051694200000053
表示Kronecker Product运算。
根据面阵接收阵列响应矢量，面阵码字的设计可表示为：
Figure BDA0002051694200000054
其中，
Figure BDA0002051694200000055
和
Figure BDA0002051694200000056
分别表示第k个码字的垂直相位和水平相位。
神经网络由输入层(input layer)、隐层(hidden layer)和输出层(outputlayer)组成，其中隐层根据功能和神经元连接方式的不同又分为全连接层、激活层以及随机断开层等。
全连接层(Fully connected dence layer，简称Dense层)的每一个结点都与上一层的所有结点相连，用来把前面提取到的特征综合起来。
在神经网络中，激活函数(Activation Function)是在神经元上运行的函数，负责将神经元的输入映射到输出端，其目的是增加神经网络模型的非线性。Relu函数(Recitified Linear Unit，Relu)，又称为线性整流函数，其表达式为f(x)＝max(0,x)。
随机断开层又称Dropout层是指在神经网络的训练过程中，对于神经单元，按照一定的概率将其暂时从网络中丢弃，其目的是防止过拟合。
基于上述技术背景说明，本发明实施例公开的一种分离型数模混合天线***波达角智能化估计方法，首先通过波束扫描获得来波方向的大致范围，进一步利用离线训练好的波达角预测模型智能化地估计出来波方向。
本发明实施例中，假设载波频率为60GHz，信号源发送未知信号，对其结构没有特定要求。接收端采用分离型数模混合波束成形架构，主要包括由模拟波束成形、射频链路、模拟-数字转换、基带数字信号处理等组成的接收模块、采用神经网络构建模型的离线训练模块以及智能化波达角预测模块。接收端配备8×8个子阵列，每个子阵列配备4×4根天线，每根天线连接一个独立的相移器用于模拟波束成形，每个子阵列连接一条射频链路。不同子阵列数、每个子阵列上不同天线数的装置可以通过修改本实施例中的例子得到。
本发明实施例公开了一种分离型数模混合天线***波达角智能化估计方法，具体步骤如下：
模型的离线训练过程：
步骤1：划分空间区域。
本例中接收端采用DFT码本，需要说明的是，本专利对接收码本不作限制。水平DFT码本的第lh个码字可以表示为：
Figure BDA0002051694200000061
其中，每个子阵内沿水平方向的天线数目M＝4，Lh为水平方向DFT码字的数目，这里Lh＝2M，子阵内沿水平方向两根天线的间距
Figure BDA0002051694200000071
λ为载波波长，j为虚数单位，
Figure BDA0002051694200000072
垂直DFT码本的第lv个码字可以表示为：
Figure BDA0002051694200000073
其中，每个子阵内沿垂直方向的天线数目N＝4，Lv为垂直方向DFT码字的数目，这里Lv＝2N，每个子阵内沿垂直方向两根天线的间距
Figure BDA0002051694200000074
此时，接收端平面阵列的三维DFT码本为
Figure BDA0002051694200000075
其中k＝(lh-1)Lv+lv，
Figure BDA0002051694200000076
K＝LhLv。显然，第k个码字的垂直相位
Figure BDA0002051694200000077
和水平相位
Figure BDA0002051694200000078
满足
Figure BDA0002051694200000079
根据已知的接收码本
Figure BDA00020516942000000710
将空间范围划分K＝64个子区域。显然，每个子区域对应一定的垂直方位角和水平方位角范围，这是由每个码字对应波束的主瓣宽度决定的。
步骤2：生成训练样本集。K个子区域需要生成K个训练样本集。
以第k个子区域为例，在该空间范围内随机产生R＝10000个方向样本，即
Figure BDA00020516942000000711
其中
Figure BDA00020516942000000712
表示第k个子区域中的第r个方向样本的垂直方位角和水平方位角。
针对第r个方向样本，即信号源位于
Figure BDA00020516942000000713
处发射信号，接收端各子阵均采用第k个码字
Figure BDA00020516942000000714
接收信号，则第l个采样时刻PQ个子阵的接收信号可以表示为
Figure BDA00020516942000000715
其中P＝8为接收端水平方向的子阵数目，Q＝8为接收端垂直方向的子阵数目；
Figure BDA00020516942000000716
为第k个子区域内信号源位于第r个方向样本时，接收端第p行第q列处子阵在第l个采样时刻的接收信号。
接下来，对L个采样时刻进行平均得到
Figure BDA00020516942000000717
提取各子阵平均接收信号的实部组成向量
Figure BDA00020516942000000718
以及虚部组成向量
Figure BDA00020516942000000719
将实部和虚部拼接得到的矢量
Figure BDA00020516942000000720
作为表征方向样本
Figure BDA00020516942000000721
的特征矢量，其中real(·)表示提取实部的运算，imag(·)表示提取虚部的运算。
其余R-1个方向样本按照同样的方法得到表征各自方向的特征矢量，进而得到第k个子区域的训练样本集
Figure BDA0002051694200000081
Figure BDA0002051694200000082
为第k个子区域内第r个方向样本的特征矢量，
Figure BDA0002051694200000083
为第r个方向样本的标签。
其余K-1个子区域按照同样的方法产生各自的训练样本集。
步骤3：针对每个子区域，利用该区域的训练样本集，采用所提出的新型神经网络进行训练，最终得到多个不同子区域的波达角预测模型。
以第k个子区域为例，将步骤2中得到的训练样本集
Figure BDA0002051694200000084
作为输入数据，通过MircoFishNet神经网络离线训练模型。本实例中采用的MircoFishNet神经网络架构如图6所示，该网络架构中由六个全连接层组成，每层神经元的数目分别是128，512，256，256，256，512。每个全连接层后面均连接有激活层，激活函数选用Relu函数；并且每个激活层之后连接Dropout层，随机断开的比例为0.5。网络模型的最后一层中两个神经元输出垂直方位角θ和水平方位角
Figure BDA0002051694200000085
其余K-1个子区域，按照同样的方法训练出适用于各自区域的垂直方位角和水平方位角预测模型。
角度预测过程：
步骤1：波束扫描，粗略定位来波信号方向的范围。
利用三维DFT码本
Figure BDA0002051694200000086
各子阵从中选择互不相同的码字形成波束接收来自未知方位信号源的发射信号。由于接收端共有PQ＝64个子阵可同时扫描64个不同的方向，也就是不同子阵选用不同的码字形成指向空间不同方向的波束，因而可同时使用接收码本中的64个码字进行波束扫描。根据各子阵的接收信号，选择出对应接收信号能量最强的码字
Figure BDA0002051694200000087
进而定位出来波信号方向位于第k*个子区域内。
步骤2：提取来波信号的方向特征矢量x。
所有子阵均采用步骤1中选择出来的对应接收信号能量最强的码字
Figure BDA0002051694200000088
形成波束接收信号y(l)＝[y1,1(l),y1,2(l),…,y1,Q(l),y2,1(l),…,yP,Q(l)]，然后将各子阵的接收信号关于采样点数求平均
Figure BDA0002051694200000089
最后将各子阵平均接收信号的实部
Figure BDA0002051694200000091
和虚部
Figure BDA0002051694200000092
提取出来拼接为一个向量作为来波信号的方向特征矢量
Figure BDA0002051694200000093
步骤3：精细化估计来波信号的角度。
将步骤2中获得的未知信号源的方向特征矢量x输入到经离线训练好的第k*个子区域的波达角预测模型中，进一步精细化地估计出来波信号的角度。
为了说明本发明提出的一种分离型数模混合天线***波达角智能化估计方法的准确性和有效性，实施例还提供了在传统MUSIC算法与智能化方法下波达角估计的均方根误差(Root Mean Squared Error,RMSE)与信噪比(Signal Noise Ratio,SNR)的关系仿真图，如图7所示，此时采样点数目L＝1。从图7中可以看出，智能化角度估计方法的性能要优于传统MUSIC算法。除此之外，实施例还提供了在传统MUSIC算法与智能化方法下波达角估计的均方根误差与采样点数目L的关系仿真图，如图8和图9所示，其中图8中信噪比为SNR＝0dB，图9中信噪比SNR＝10dB。从图8和图9中可以看出，随着采样点数目的逐渐增加，MUSIC算法和智能化方法的估计精度都在逐步提高，但是总体而言，本发明所提出的智能化角度估计方法的性能要远远优于传统算法。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.一种分离型数模混合天线***波达角智能化估计方法，其特征在于，所述分离型数模混合天线***波达角智能化估计方法的***装置包含：信号源和接收端，信号源用于发射信号，接收端采用分离型数模混合天线架构；
所述分离型数模混合天线***波达角智能化估计方法包括模型的离线训练过程和角度预测过程两个过程；
所述模型的离线训练过程如下；
整个模型训练过程是在离线状态下完成的，首先根据码本集将整个空间划分多个子区域；接着针对任一空间子区域，构建训练样本集；然后采用所提出的新型神经网络进行训练，最终得到多个不同子区域的波达角预测模型；
所述新型神经网络架构称之为“MircoFishNet”，所述MircoFishNet形状与鱼类似，所述MircoFishNet性状为前面头部较窄，中间躯干部分先宽后窄，最后较宽的部分类似于鱼的尾巴；同时，其整个网络架构不需要太多层就能实现比较好的预测性能，所述MircoFishNet网络架构包含四个部分，首先是比较窄的网络层，其目的是提取输入数据的粗特征即全局特征；然后是较宽的网络层，其目的是充分提取输入数据的局部特征；其次是较窄的网络层，其主要目的是降低计算量；最后是较宽的网络层，其目的是再次充分提取数据的深层特征；
所述网络架构中由六个全连接层组成，每层神经元的数目分别是128，512，256，256，256，512，每个全连接层后面均连接有激活层，激活函数选用Relu函数；并且每个激活层之后连接Dropout层，随机断开的比例为0.5，网络模型的最后一层中两个神经元输出垂直方位角θ和水平方位角
Figure FDA0003014066790000011
所述模型的角度预测过程如下；
首先，接收端各子阵从已知的接收码本中选择不同的码字接收来自未知方位信号源的发射信号，选择出对应接收信号能量最强的码字，进而定位出来波信号所在的子区域；接着，所有子阵均采用选择出来的对应接收信号能量最强的码字来接收信号，并从各子阵的接收信号中提取出包含来波信号方向的特征矢量；
所有子阵均选择出来的对应接收信号能量最强的码字
Figure FDA0003014066790000012
形成波束接收信号y(l)＝[y1,1(l),y1,2(l),…,y1,Q(l),y2,1(l),…,yP,Q(l)]，然后将各子阵的接收信号关于采样点数求平均
Figure FDA0003014066790000013
最后将各子阵平均接收信号的实部
Figure FDA0003014066790000014
和虚部
Figure FDA0003014066790000015
提取出来拼接为一个向量作为来波信号的方向特征矢量
Figure FDA0003014066790000021
然后将提取出的特征矢量输入到离线训练好的对应该子区域的波达角预测模型中，进一步精细化地估计出波达角。
2.根据权利要求1所述的一种分离型数模混合天线***波达角智能化估计方法，其特征在于：所述接收端采用分离型数模混合波束成形架构包括由模拟波束成形、射频链路、模拟-数字转换、基带数字信号处理组成的接收模块、采用神经网络构建模型的离线训练模块以及智能化波达角预测模块，所述接收端配备P×Q个子阵列，其中水平方向P个子阵，垂直方向Q个子阵，每个子阵列由M×N根天线，其中水平方向M根天线，垂直方向N根天线组成，每根天线连接一个独立的相移器用于模拟波束成形，每个子阵连接一条射频链路。
3.根据权利要求1所述的一种分离型数模混合天线***波达角智能化估计方法，其特征在于：所述模型的离线训练过程具体步骤如下；
步骤1：划分空间区域；
根据已知的接收码本
Figure FDA0003014066790000022
将空间范围划分K个子区域，其中
Figure FDA0003014066790000023
和
Figure FDA0003014066790000024
分别表示第k个码字的垂直相位和水平相位，K为码字的数目，显然，每个子区域对应一定的垂直方位角和水平方位角范围，这是由每个码字对应波束的主瓣宽度决定的；
步骤2：生成训练样本集；
K个子区域需要生成K个训练样本集；
以第k个子区域为例，在该空间范围内随机产生R个方向样本，即
Figure FDA0003014066790000025
其中
Figure FDA0003014066790000026
表示第k个子区域中的第r个方向样本的垂直方位角和水平方位角；
针对第r个方向样本，信号源位于
Figure FDA0003014066790000027
处发射信号，接收端各子阵均采用第k个码字接收信号，并将各子阵接收信号的实部和虚部提取出来拼接为一个向量
Figure FDA0003014066790000028
将该向量作为表征方向样本
Figure FDA0003014066790000029
的特征矢量，最终得到第k个子区域的训练样本集
Figure FDA00030140667900000210
Figure FDA00030140667900000211
为第r个方向样本的特征矢量，
Figure FDA00030140667900000212
为第r个方向样本的标签；
其余K-1个子区域按照同样的方法产生各自的训练样本集；
步骤3：离线训练模型；
针对每个子区域，利用该区域的训练样本集，采用智能化的机器学习算法离线训练出适用于本区域的波达角预测模型；
以第k个子区域为例，将步骤2中得到的训练样本集
Figure FDA0003014066790000031
输入所提出的新型神经网络，训练每个神经元的参数，得到适用于本子区域的垂直方位角和水平方位角预测模型；
其余K-1个子区域，按照同样的方法训练出适用于各自区域的垂直方位角和水平方位角预测模型。
4.根据权利要求1所述的一种分离型数模混合天线***波达角智能化估计方法，其特征在于：所述模型的角度预测过程具体步骤如下；
步骤1：波束扫描，粗略定位来波信号方向的范围；
利用已知的接收码本
Figure FDA0003014066790000032
各子阵选择互不相同的码字形成波束接收来自未知方位信号源的发射信号，根据各子阵的接收信号，选择出对应接收信号能量最强的码字
Figure FDA0003014066790000033
进而定位出来波信号方向位于第k*个子区域内；
步骤2：提取来波信号的方向特征矢量x；
所有子阵均采用步骤1中选择出来的对应接收信号能量最强的码字
Figure FDA0003014066790000034
作为接收波束，并将各子阵接收信号的实部和虚部提取出来拼接为一个向量作为来波信号的方向特征矢量x；
步骤3：精细化估计来波信号的角度；
将步骤2中获得的未知信号源的方向特征矢量x输入到经离线训练好的第k*个子区域的垂直方位角和水平方位角预测模型中，进一步精细化地估计出来波信号的角度。
CN201910376026.9A 2019-05-07 2019-05-07 一种分离型数模混合天线***波达角智能化估计方法 Active CN110113088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910376026.9A CN110113088B (zh) 2019-05-07 2019-05-07 一种分离型数模混合天线***波达角智能化估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910376026.9A CN110113088B (zh) 2019-05-07 2019-05-07 一种分离型数模混合天线***波达角智能化估计方法

Publications (2)

Publication Number Publication Date
CN110113088A CN110113088A (zh) 2019-08-09
CN110113088B true CN110113088B (zh) 2021-06-11

Family

ID=67488614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910376026.9A Active CN110113088B (zh) 2019-05-07 2019-05-07 一种分离型数模混合天线***波达角智能化估计方法

Country Status (1)

Country Link
CN (1) CN110113088B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110535500B (zh) * 2019-09-03 2021-09-21 电子科技大学 一种基于深度学习的毫米波mimo混合波束成形优化方法
CN111372195B (zh) * 2020-01-23 2022-07-01 鹏城实验室 移动通信网络中移动终端的位置追踪方法、设备及存储介质
CN112731279B (zh) * 2020-12-09 2022-04-12 复旦大学 一种基于混合天线子阵列的到达角估计方法
CN112803976B (zh) * 2020-12-24 2022-07-08 浙江香农通信科技有限公司 大规模mimo预编码方法、***以及电子设备
CN114978382A (zh) * 2021-02-22 2022-08-30 华为技术有限公司 基于空间划分的数据处理方法和通信装置
KR20230172585A (ko) * 2021-04-29 2023-12-22 텔레폰악티에볼라겟엘엠에릭슨(펍) 위상 모호성 제한을 위한 기계 학습

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9445282B2 (en) * 2014-11-17 2016-09-13 Mediatek Inc. Transceiver architecture for multiple antenna systems
CN108828505A (zh) * 2018-04-16 2018-11-16 南京理工大学 基于机器学习的到达角估计算法研究及应用
CN108933745A (zh) * 2018-07-16 2018-12-04 北京理工大学 一种基于超分辨率角度和时延估计的宽带信道估计方法
CN109085531A (zh) * 2018-08-27 2018-12-25 西安电子科技大学 基于神经网络的近场源到达角估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9445282B2 (en) * 2014-11-17 2016-09-13 Mediatek Inc. Transceiver architecture for multiple antenna systems
CN108828505A (zh) * 2018-04-16 2018-11-16 南京理工大学 基于机器学习的到达角估计算法研究及应用
CN108933745A (zh) * 2018-07-16 2018-12-04 北京理工大学 一种基于超分辨率角度和时延估计的宽带信道估计方法
CN109085531A (zh) * 2018-08-27 2018-12-25 西安电子科技大学 基于神经网络的近场源到达角估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Angle Domain Channel Estimation in Hybrid Millimeter Wave Massive MIMO Systems;Dian Fan et al;《IEEE Transactions on Wireless Communications》;20181231;第17卷(第12期);第8165-8179页 *
Angle of arrival estimator based on artificial neural networks;Evgeny Efimov et al;《2016 17th International Radar Symposium》;20160623;全文 *
Deep Learning for Super-Resolution Channel Estimation and DOA Estimation Based Massive MIMO System;Hongji Huang et al;《IEEE Transactions on Vehicular Technology》;20180930;第67卷(第9期);第8549-8560页 *
Robust Unambiguous Estimation of Angle-of-Arrival in Hybrid Array With Localized Analog Subarrays;Kai Wu et al;《IEEE Transactions on Wireless Communications》;20180531;第17卷(第5期);第2987-3002页 *
基于PSO-BP神经网络的DOA估计方法;孟非，王旭;《电讯技术》;20120531;第52卷(第5期);第694-698页 *
采用混合核支持向量机的DOA估计;孙菲艳 等;《电讯技术》;20160331;第56卷(第3期);第302-307页 *

Also Published As

Publication number Publication date
CN110113088A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110113088B (zh) 一种分离型数模混合天线***波达角智能化估计方法
Björnson et al. Massive MIMO is a reality—What is next?: Five promising research directions for antenna arrays
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN106031068A (zh) 一种基于波束成形的通信方法及装置
CN106355245A (zh) 一种基于神经网络算法的阵列天线方向图综合方法
CN109714091B (zh) 一种在毫米波mimo***中基于分层设计的迭代混合预编码方法
CN108650200B (zh) 高低频混合组网***的低频辅助信道估计方法
CN115085774B (zh) 一种基于克拉美罗界的通感融合混合波束赋形方法
CN107104720A (zh) 基于协方差矩阵虚拟域离散化重建的互质阵列自适应波束成形方法
CN108337031A (zh) 大规模mimo中基于根值music的混合到达角估计
CN107276649B (zh) 低精度模数转换与混合预编码结合的无反馈波束训练方法
CN107135023A (zh) 用于毫米波通信***的三维训练码书设计方法及波束对准方法
CN110233649B (zh) 一种基于毫米波mimo***的动态子阵列设计方法
Elbir et al. Robust hybrid beamforming with quantized deep neural networks
Kao et al. AI-aided 3-D beamforming for millimeter wave communications
CN113644941A (zh) 一种基于大规模mimo接收阵列结构的模糊相位快速消除方法
Thazeen et al. An efficient reconfigurable optimal source detection and beam allocation algorithm for signal subspace factorization
WO2023103356A1 (zh) 近场宽带波束赋形方法、装置、电子设备及存储介质
Chen et al. Multi‐beam receive scheme for millimetre wave wireless communication system
CN113242069B (zh) 一种基于神经网络的码本设计方法
Sun et al. Fingerprinting-based outdoor localization with 28-GHz channel measurement: A field study
CN112731279B (zh) 一种基于混合天线子阵列的到达角估计方法
CN114866126A (zh) 智能反射面辅助毫米波***的低开销信道估计方法
CN113917388A (zh) 一种使用混合adc的doa估计和定位方法
Dong et al. A VP-AltMin based hybrid beamforming in integrated sensing and communication systems for vehicular networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant