CN112019251A - 通信方法、通信装置及存储介质 - Google Patents

通信方法、通信装置及存储介质 Download PDF

Info

Publication number
CN112019251A
CN112019251A CN202010706632.5A CN202010706632A CN112019251A CN 112019251 A CN112019251 A CN 112019251A CN 202010706632 A CN202010706632 A CN 202010706632A CN 112019251 A CN112019251 A CN 112019251A
Authority
CN
China
Prior art keywords
channel
information
communication method
communication
tracking
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.)
Pending
Application number
CN202010706632.5A
Other languages
English (en)
Inventor
高跃
于佳冬
刘小兰
沈学民
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.)
Shenzhen Yueyueyuebaohe Technology Co Ltd
Original Assignee
Shenzhen Yueyueyuebaohe Technology Co Ltd
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 Shenzhen Yueyueyuebaohe Technology Co Ltd filed Critical Shenzhen Yueyueyuebaohe Technology Co Ltd
Priority to CN202010706632.5A priority Critical patent/CN112019251A/zh
Publication of CN112019251A publication Critical patent/CN112019251A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明涉及一种通信方法、通信装置及存储介质，该方法包括：在通信网络中，对信号进行信道跟踪。进一步的，该信道跟踪是三维空间的信道跟踪。进一步的，该方法包括根据三维空间二维马尔可夫模型、基于三维动态Turbo近似消息传递算法，递归地跟踪动态信道。利用本发明能够有效提高信道估计的准确率。

Description

通信方法、通信装置及存储介质
技术领域
本发明涉及通信技术领域，特别是涉及一种通信方法、通信装置、及存储介质。
背景技术
此处的陈述仅提供与本发明有关的背景信息，而不必然地构成现有技术。
“太空-空-地”综合网络(也称为“太空-空中-地面”整合网络，space-air-groundintegrated network，简称为SAGIN)以其能为5G及以上通信提供无缝广域连接、高吞吐量和还原能力强等优点而备受关注。SAGIN多维网络主要包括三个部分：卫星网络的太空部分、航空网络的空中部分和地面网络的地面部分。由于“卫星-地面”链路对地面干扰非常敏感，从而有必要利用无人机(简称为UAV)作为中继站，以提高覆盖区域的通信能力。
与传统的地面或卫星网络相比，无人机辅助通信作为SAGIN的重要组成部分，不仅适用于地面设施无法接入的情况，而且适用于拥挤或灾害地区的紧急通信。此外，由于无人机部署在“地面太空”通信的中间位置，较远距离链路而言，能够显著提高短程的视距(lineof sight，简称为LoS)链路的性能。
对于无人机-卫星链路，为了缓解频谱拥挤的问题，毫米波(简称为mmWave)Ka波段(26.5-36GHz)提供了额外频率范围，且具有更高的数据速率。虽然Ka波段因其高路径损耗而具有较高的天气依赖性，但是具有大量天线单元的天线阵列可以提供更高的传输增益以补偿传播损耗。
在上述场景中，由于卫星轨道和无人机三维轨迹，对于无人机卫星链路(如近地球轨道卫星(也称为低轨卫星，简称为LEO卫星)和中地球轨道卫星(也称为中轨卫星，简称为MEO卫星))和空对地链路的动态无线信道来进行具有小的导频开销的精确信道估计，是严峻的考验。
发明内容
本发明的目的在于提供一种新的通信方法、通信装置及存储介质。
本发明的目的采用以下技术方案来实现。依据本发明提出的通信方法，包括以下步骤：在通信网络中，对信号进行信道跟踪。
本发明的目的还可以采用以下的技术措施来进一步实现。
前述的通信方法，所述信号的接收端和/或发出端是在三维空间移动的，具有水平位移和竖直位移，所述对信号进行信道跟踪包括：对信号进行三维空间的信道跟踪。
前述的通信方法，所述对信号进行信道跟踪包括：根据接收到的信号的信息、以及先验信息，确定信道信息
前述的通信方法，所述对信号进行信道跟踪包括：根据三维空间二维马尔可夫模型来进行所述信道跟踪。
前述的通信方法，所述对信号进行信道跟踪包括：通过利用信道增益和天线响应矩阵来表示所述信道信息，利用所述信道增益的角度信息和所述信道增益的幅度信息表示所述信道增益，利用所述信道增益的方位角信息和所述信道增益的仰角信息表示所述信道增益的所述角度信息，来表示所述信道信息。
前述的通信方法，所述对信号进行信道跟踪包括：根据在t时段的接收到的信号y(t)，估计动态信道向量gt中的元素gt，m的期望
Figure BDA0002595005450000021
其中，所述期望是基于概率p(gt，m|y(t))得到的，所述概率p(gt，m|y(t))根据下式得到
Figure BDA0002595005450000022
其中，
Figure BDA0002595005450000023
表示向量g(t)中不具有元素gt，m的向量，b(t)表示所述信道增益的所述角度信息，
Figure BDA0002595005450000024
表示所述信道增益的幅度信息；用以跟踪t时刻的动态信道向量gt。
前述的通信方法，所述对信号进行信道跟踪包括：基于三维动态Turbo近似消息传递算法，递归地跟踪动态信道。
前述的通信方法，所述通信网络包括太空-空-地综合网络；所述信号的发出端包括卫星、无人机中的一个，所述信号的接收端包括卫星、无人机中的另一个。
本发明的目的还采用以下的技术方案来实现。依据本发明提出的一种通信装置，用于实现述任一项可能的通信方法。
本发明的目的还采用以下的技术方案来实现。依据本发明提出的一种计算机存储介质，包括计算机指令，当计算机指令在设备上运行时，使得设备执行上述任一项可能的通信方法。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提出的通信方法、通信装置及存储介质至少具有下列优点及有益效果：
(1)本发明提出了一种新的通信方法，该方法基于新的动态信道模型，称为三维空间二维马尔可夫模型(简称为3D-2D-MM)。该模型捕获方位角和仰角空间域的结构稀疏性以及概率时间相关性。该模型建立了隐值向量和联合隐支持向量的更深层概率关系。本发明提出了将衰落信道作为动态概率模型。该方法特别适用于“无人机-卫星”通信。利用本发明提出的方法，考虑了更真实的三维信道环境，能够有效提高信道估计的准确率。
(2)为了对现实中的无人机卫星通信信道进行建模，设计了动态空间域转移概率，来代替三维无人机轨迹与轨道卫星之间复杂的连续相对位移的表达式。
(3)本发明提出了一种新的通信方法，该方法基于新的三维动态Turbo近似消息传递(3D dynamic turbo approximate message passing，简称为3D-DTAMP)算法，其利用了新添加的3D-2D-MM先验信息，用以递归地跟踪动态信道。具体的该算法根据方位角和仰角支持的关系来递归地跟踪三维动态信道，通过探索动态信道结构来有效提高信道估计的准确率。从而该方法具有较低的导频开销、相当的复杂度和更好的恢复性能。
上述说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1a是本发明一个实施例提供的太空-空-地综合网络的示意图；
图1b是本发明一个实施例提供的无人机卫星***模型的示意图；
图2是本发明一个实施例提供的信道的3D-2D-MM的因子图；
图3a是本发明一个实施例提供的隐支持矩阵的示意图；
图3b是本发明一个实施例提供的方位角支持向量的2D-MM的因子图；
图3c是本发明一个实施例提供的3D-2D-MM联合隐支持向量的因子图；
图3d是本发明一个实施例提供的一个具体因子的示意图；
图4a是本发明一个实施例提供的单次的显示隐值向量的示意图；
图4b是本发明一个实施例提供的隐值向量的高斯马尔可夫模型的因子图；
图5是本发明一个实施例提供的3D-2D-MM的总的因子图；
图6是本发明一个实施例提供的消息随时间的顺序路径进行传递的示意图；
图7是本发明一个实施例提供的方法与现有方法的运算时间与天线数量的关系的示意图；
图8是本发明一个实施例提供的方法与现有方法的TNMSE与总时间的关系的示意图；
图9是本发明一个实施例提供的方法与现有方法的TNMSE与信噪比的关系的示意图；
图10是本发明一个实施例提供的方法与现有方法的TNMSE与导频数的关系的示意图；
图11是本发明一个实施例提供的消息在模块
Figure BDA0002595005450000041
的顺序路径的传递的示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的通信方法、通信装置及存储介质的具体实施方式、结构、特征及其功效，详细说明如后。
一、“太空-空-地”综合网络中的无人机-卫星通信的三维信道跟踪的简介。
对于传统的信道估计方法，如最小二乘法(简称为LS)和最小均方误差(简称为MMSE)，训练导频的数目必须至少为天线单元的数目，这对于大型天线阵列***是不现实的，该大型天线阵列***是诸如具有数千个天线单元的毫米波大型MIMO***。大量研究是利用传播环境中有限的散射体，开发了不同的压缩感知(简称为CS)算法以通过探索信道的静态和稀疏特性来降低训练开销，如匹配追踪(简称为MP)和正交匹配追踪(简称为OMP)。
除了单纯地将传统的压缩感知算法用于解决信道估计问题外，通过学习空间相关性研发出了几种结构化稀疏信道估计算法。该空间相关性是角域信道中的非零元素集中在多个突发脉冲中的特征。
虽然考虑到地面环境特性，信道估计或跟踪方法可以直接应用于空对地链路。然而，作为SAGIN的另一部分，无人机卫星通信具有如下特性：高的非平稳的信道条件和主的视距射线。由于地面传播环境中散射体的有限性，信道的角域结构稀疏性。这种特性类似于具有一个集中射线的无人机卫星通信。
然而，在实际中，由于卫星轨道和三维无人机轨迹运动，实时获取信道信息是非常困难的，这给动态信道的建模和跟踪带来了巨大的挑战。
为了获取更真实的无人机卫星动态信道信息，本发明提出了将衰落信道(fadingchannel)作为动态概率模型，并研究了动态角域空间相关性，研究了随时间的三维动态角域稀疏结构。
本发明提出了采用均匀平面阵列(uniform plane array，简称为UPA)的无人机的“无人机-卫星”通信***，并提出了一种递归地跟踪三维动态信道的方法，其具有较低的导频开销、相当的复杂度和更好的恢复性能。
主要贡献总结如下：
(1)本发明提出了一种适用于“无人机-卫星”通信的三维信道统计模型，称为三维空间二维马尔可夫模型(简称为3D-2D-MM)。该3D-2D-MM捕获方位角和仰角空间域的结构稀疏性以及概率时间相关性。
(2)为了对现实中的无人机卫星通信信道进行建模，设计了动态空间域转移概率，来代替三维无人机轨迹与轨道卫星之间复杂的连续相对位移的表达式。
(3)本发明提出了一种新的三维动态Turbo近似消息传递(3D dynamic turboapproximate message passing，也称为3D动态增强近似信息传递，简称为3D-DTAMP)算法，该算法根据方位角和仰角支持的关系来递归地跟踪三维动态信道。
(4)本发明所提出的3D-DTAMP算法以较低的导频开销和相当的复杂度获得了更好的重建性能。
在本说明书中使用到以下常用符号。复数用
Figure BDA0002595005450000051
来表示。转置和共轭转置分别表示为(·)T和(·)H。I是单位矩阵。
Figure BDA0002595005450000052
(平均值,协方差)表示已定义平均值和协方差的复高斯随机向量。||·||是l2范数。
二、***模型
图1显示了SAGIN和本发明提出的无人机卫星模型。其中，图1(a)是太空-空-地综合网络的示意图。图1(b)是无人机卫星***模型的示意图。
表1总结了主要的符号，如下。
表1主要符号表
Figure BDA0002595005450000053
Figure BDA0002595005450000061
Figure BDA0002595005450000071
本发明提出一个信道模型，其通过一个无人机卫星通信的下行链路来进行正交频分复用(简称为OFDM)传输。可选地，该信道模型是窄带信道模型。
阵列天线已广泛应用于商用卫星上，通过产生定向波束来提高频谱效率。本发明提出的模型不妨假定：低轨卫星安装有均匀平面阵列(简称为UPA)M＝Nx×Ny天线。
另外，在无人机上设置单全向天线(single omnidirectional antenna)。
对于训练过程，符号
Figure BDA0002595005450000072
被传送。可选的，该S可视为卫星发送的信号。
因此，无人机接收到的信号可以表示为
Figure BDA0002595005450000073
且
Figure BDA0002595005450000074
是添加的高斯白噪声。
本发明所提出的方法的一个目的是求解前述的信道Ht，即算式(1)中的Ht是待求解的。
对于Ka波段的固定卫星通信***，视距射线是主的路径。因此Ht表示具有一条视距路径的频域信道的矩阵，由以下算式给出
Ht＝αtAH(θt，φt) 算式(2)。
其中，αt是信道增益，可选地其是复信道增益(complex channel gain)；
Figure BDA0002595005450000075
表示传输阵列响应向量(transmit array response vectors)，亦为天线响应矩阵，其中的θt和φt作为时刻t的出发角AoD的方位角和仰角方向。可选地，该方位角表示水平方向的情况，该仰角表示竖直方向的情况。
考虑到均匀平面阵列UPA，导向矢量(steering vector)可以写成
Figure BDA0002595005450000076
其中，λ是信号波长，且天线阵列的规模为Nx×Ny，并且0≤nx＜Nx和0≤ny＜Ny是天线元件的指数。
本发明考虑了离散化的出发角对(AoD pair)的情况，即θt∈{0，θrange/Nx，...，θrange(Nx-1)/Nx}和φt∈{0，φrange/Ny，...，φrange(Ny-1)/Ny}，这意味着出发角对是从Nx×Ny均匀网格中选出的。
需注意，由于无人机与卫星的距离较远，方位角和仰角的移动范围都会受到限制。另外，本发明考虑了离散化的出发角AoDs。
通过低轨卫星上设置大量天线单元，角基的空间分辨率有所提高。因此，信道被稀疏处理，信道模型可以作为一个虚拟模型，不妨称为虚拟信道模型，然后通过压缩感知技术进行处理。虚拟信道模型中的角域信道表示为
Figure BDA0002595005450000081
其中，
Figure BDA0002595005450000082
是包含一个非零元素的稀疏矩阵(这意味着只有一条主路径)，
Figure BDA0002595005450000083
是具有空间网格M的阵列响应向量字典矩阵。
在一些示例中，算式(4)中的gt与前述算式(2)中的αt对应，也用于表示信道增益；算式(4)中的
Figure BDA0002595005450000084
与算式(2)中的A(θt，φt)对应，也用于表示天线响应矩阵。
需注意，在一些示例中，算式(2)或算式(4)中的天线响应矩阵是已知的，待求解的是信道增益。例如，算式(4)中的gt是待求解的。因此，不妨将信道增益gt称为信道向量。
三、信道模型和问题方程
在本节中，提出了3D-2D-MM信道模型，并描述了动态信道跟踪的问题方程。
3.1、3D-2D-MM信道模型
将动态角域信道建模为概率信号模型。具体的，信道增益g(T)＝{g1，...，gT}可以被建模为概率信号模型，其具有两个隐的随机过程，b(T)＝{b1，...，bT}和
Figure BDA0002595005450000085
不妨将信道增益g(T)也称为信道向量。
其中，
Figure BDA0002595005450000091
表示时刻t的联合隐支持向量(joint hidden support vector)，用于表征信道稀疏性，其中bt，m∈{1，0}即其取值为0或1。
需注意，其中的m为m＝(nx-1)×Nx+ny。
Figure BDA0002595005450000092
是隐的值向量(hidden value vector，也称为隐值向量)，用于表示信道系数的时间相关性。
在时刻t的第m个出发角(AoD)方向的动态信道元素可以记为
Figure BDA0002595005450000093
其中，bt，m表示是否存在活动的路径(即，bt，m＝1意为第m个出发角路径被激活)，
Figure BDA0002595005450000094
表示复路径增益(complex path gain)。
在一些可选实施例中，信道增益包括两部分：一部分是前述的联合隐支持向量，其表示信道增益的角度的拆分(或者说，信道增益在角空间的拆分)；一部分是前述的隐值向量，其表示信道增益的幅度的拆分。将信道增益的角度的拆分和信道增益的幅度的拆分相乘，得到信道增益。
为了阐述更真实的动态信道(即在当前时隙t的非激活的AoD路径可能在时隙t+1被激活)，可以建立一个具有信道先验分布的概率信道模型，如下
Figure BDA0002595005450000095
其中，信道向量条件先验为
Figure BDA0002595005450000096
其中，δ(·)是狄拉克delta函数。组合信道的因子图如图2所示，其中πt，m是条件先验
Figure BDA0002595005450000101
可选的，每个时隙表征一个单独的估计传输帧。
方位角和仰角方向的联合隐支持向量以及隐的值向量被描述如下：
图2是当Nx＝8且Ny＝8时的信道的3D-2D-MM的因子图。联合隐支持向量bt和隐值向量
Figure BDA0002595005450000102
的详细模型分别在图3(图3a、图3b、图3c)和图4(图4a、图4b)中示出。需注意，诸如图2、图3、图4的因子图可以表示具体的运算过程，或者说，每个因子图都表示了都与一具体算式相对应。
3.1.1、方位角和仰角的联合隐支持向量
图3a为隐支持矩阵图示。图3b为当T＝2且Nx＝8时的方位角支持向量的2D-MM的因子图。图3c为当T＝1，Nx＝8，Ny＝8时的3D-2D-MM联合隐支持向量bt的因子图。需注意，根据前述的M＝Nx×Ny，得到在该示例中M＝64。图3d为一个因子的示例。
方位角支持a(T)和仰角支持e(T)的关系可以在图3a中找到。其中只考虑了一个活动路径。即图3a中的利用灰色标出的一格。可选地，该活动路径对应于激活的信道。
需注意，在图3a中，也可取Nx＝8，Ny＝8，M＝64，这事实上是将方位角划分为了8份，仰角划分为了8份。以方位角总共360度为例，既是将方位角以每份45度来划分为8份。事实上，Nx、Ny的取值类似于分辨率，为了更加精确，可以将Nx、Ny的取值设置得足够大。
另外，作为一个具体示例，图3d示出了隐支持向量中的一个示意性的隐支持元素b1，30、与形成该隐支持元素的总体因子结构中的示意性的一个包含a1，4和e1，6的因子的示意图。其中，a1，4是方位角支持向量中的一个元素，e1，6是仰角支持向量中的一个元素，b1，30、a1，4、e1，6三者的下标(也称为索引)之间满足前述关系：m＝(nx-1)×Nx+ny＝(4-1)×8+6＝30。需注意，事实上如图3c，形成该隐支持元素的总体因子结构中一般会包括多个因子，图3d仅示出了一个因子。
在本发明提出的模型中，已知的低轨卫星轨道和不确定的无人机移动被认为是相对的角度变化，而不是某个位置。具体来说，由于无人机的三维轨迹，加上低轨卫星的固定轨道航行，使得无人机与低轨卫星的相对位移是连续的。这意味着对于时变情形，方位角和仰角只会在角域内以某概率变化到相邻的度(degree)。即，如图3a的右图所示，在下一时隙，灰色格子表示的激活信道会以某概率变化到相邻的格子，比如因方位角的变化而在图3a的右图中向左右格子移动，又如因仰角的变化而在图3a的右图中向上下格子移动。该概率可以看作是无人机、卫星两者的移动的表达。在实际中，基于期望最大化算法，可以预先训练并存储参数，用以实时信道跟踪。
换言之，空间稀疏模式将与先验相邻模式高度相关。例如，
Figure BDA0002595005450000111
有较高概率地依赖于在上一槽中的相邻的
Figure BDA0002595005450000112
这也验证了支持随时间缓慢变化，这表明
Figure BDA0002595005450000113
有较高概率地依赖于
Figure BDA0002595005450000114
空间稀疏性、随时间传递的概率关系分别称为空间相关性(spatialcorrelation)和时间相关性(temporal correlation)。将方位角支持向量模型命名为2D-MM的原因是其将空间和时间相关性两者相结合。
具体的，方位角方向的支持a(T)随时间传递的情况可以利用下式得到：
Figure BDA0002595005450000115
Figure BDA0002595005450000121
其中，
Figure BDA0002595005450000122
和
Figure BDA0002595005450000123
是转移概率，其等于方位角方向的图3b和图3c中的因子节点k1，1、
Figure BDA0002595005450000124
kt，1和
Figure BDA0002595005450000125
需注意，方位角支持
Figure BDA0002595005450000126
即其取值为0或1，分别表示未激活、激活的激活情况。
图3b的因子图示出了该2D-MM的图示。在t＝1时，
Figure BDA0002595005450000127
的激活情况与其相邻的
Figure BDA0002595005450000128
和
Figure BDA0002595005450000129
相关，转移概率分别为
Figure BDA00025950054500001210
和
Figure BDA00025950054500001211
在一个可选示例中，在t＝2时，
Figure BDA00025950054500001212
的激活情况与其相邻的
Figure BDA00025950054500001213
和
Figure BDA00025950054500001214
相关、且与前一时隙的自身
Figure BDA00025950054500001215
相关。在另一可选示例中，t＝2时，
Figure BDA00025950054500001216
的激活情况与前一时隙的自身
Figure BDA00025950054500001217
相关、且与前一时隙的相邻的
Figure BDA00025950054500001218
和
Figure BDA00025950054500001219
相关。
类似地，出发角AoD的仰角方向的支持e(T)也以类似方式建模，利用与算式(8)类似的算式来得到其随时间传递的情况。仅需将算式(8)中的方位角替换为仰角。
因此，总的出发角AoD支持的3D-2D-MM如图3c所示，其包括方位角和仰角方向的支持的结合。需注意，隐支持向量bt中的每个隐支持元素bt，m实际上是：第nx个方位角支持向量和第ny个仰角支持向量的结合。信道支持概率的联合条件先验由下式给出
Figure BDA00025950054500001220
3.1.2、隐值向量的高斯马尔可夫模型
图4a为单次的显示隐值向量的图示。图4b为隐值向量的高斯马尔可夫模型的因子图，其中T＝2，M＝64。
在图4a和图4b中分别示出了隐值向量
Figure BDA00025950054500001221
和高斯马尔可夫模型的因子图。
基于路径增益随时间缓慢变化，隐值向量可被表示为高斯马尔可夫过程
Figure BDA0002595005450000131
其中，β∈[0，1]，
Figure BDA0002595005450000132
Figure BDA0002595005450000133
是过程的平均值。
当β＝0时，则
Figure BDA0002595005450000134
这表示
Figure BDA0002595005450000135
随着时间的推移保持不变。
当β＝1时，则
Figure BDA0002595005450000136
这意味着随着时间的推移，隐值向量表示具有平均值μ的独立同分布(i.i.d)的高斯分布。
如果0＜β＜1，条件概率可以记为
Figure BDA0002595005450000137
该过程的稳态分布为
Figure BDA0002595005450000138
并且，
Figure BDA0002595005450000139
的联合分布可以表述为
Figure BDA00025950054500001310
其中，
Figure BDA00025950054500001311
和
Figure BDA00025950054500001312
是转移概率，其等于图4b中的因子节点f1，m和ft，m。
3.2、动态稀疏信道跟踪问题方程
通过考虑角域信道，接收到的信号可以写为
Figure BDA00025950054500001313
其中，
Figure BDA00025950054500001314
然后，接收到的信号可以重写为标准的压缩感知模型(简称为CS模型)
yt＝Φgt+nt 算式(14)，
其中，
Figure BDA0002595005450000141
且感知矩阵
Figure BDA0002595005450000142
需注意，传输的导频被定义为
Figure BDA0002595005450000143
其具有随机选择并重新排序的M×M单位矩阵的NS行。这样，Φ可作为一近似的部分正交感知矩阵来处理，并提供良好的性能。
给定在t时段的接收到的信号y(t)，目的是跟踪t时刻的动态信道向量gt。该信道向量可被估计为一个期望
Figure BDA0002595005450000144
其中，该期望是在下述的边缘后验(marginal posterior)上的期望
Figure BDA0002595005450000145
其中，
Figure BDA0002595005450000146
表示不具有元素gt，m的向量g(t)。该算式(15)为动态稀疏信道跟踪问题方程。根据算式(15)的概率p(gt，m|y(t))可以得到动态信道向量gt＝[gt，1，...，gt，M]中的元素的期望
Figure BDA0002595005450000147
在一个示例中，在接收到信号y(t)后，根据前述算式(15)所示概率或前述的期望，可以得到信道向量gt的期望。
本发明所示方法一个实施例的目标是获得估计的g的最小均方误差(MMSE)。
四、本发明提出的三维动态Turbo近似消息传递算法
图5是本发明提出的3D-2D-MM的因子图表示。具体地，图5示出了3D-2D-MM总分布
Figure BDA0002595005450000148
的因子图。该因子图包含两个子图：时间T的联合隐藏支持b(T)(在图5的左侧)和隐值向量
Figure BDA0002595005450000149
(在图5的右侧)。
总的隐支持b(T)的结构可以进一步展为一3D-2D-MM因子图，其包括时间T的方位角支持向量a(T)和仰角支持向量e(T)这两者。
函数节点的表达式见表格2。表格2是与3D-2D-MM相关的因子、分布和函数形式的表格。
表2
Figure BDA0002595005450000161
在本发明提出的模型中利用AMP框架(近似消息传递框架)有两个原因：严格的分析和极快的运行时间。传统的AMP使用静态先验。然而，对于本发明提出的特殊设计的因子图，AMP算法的先验分布知识会随着时间的推移而改变。由于3D-2D-MM的全因子图结构复杂，因此很难精确地获得算式(15)中的边缘后验。传统的turbo压缩感知是一种迭代算法，它遵循两步迭代框架：线性最小均方误差(LMMSE)估计器、以及基于独立同分布先验(i.i.d.prior-based)的最小均方误差(MMSE)估计器。
在本节中，为了更好地利用动态信道结构，将详细介绍本发明提出的基于turbo迭代框架的算法的细节，该turbo迭代框架具有本发明提出的3D-2D-MM的MMSE去噪器。将本发明提出的3D-DTAMP算法分为三个部分来进行介绍：模块
Figure BDA0002595005450000171
LMMSE估计器，模块
Figure BDA0002595005450000172
消息传递MMSE去噪器，以及随时间的消息传递。需注意，消息传递过程中所传递的是分布，将接收到的分布乘以转移概率后再传出。
4.1、模块
Figure BDA0002595005450000173
LMMSE估计器
在模块
Figure BDA0002595005450000174
中，角信道向量gt根据接收到的信号yt进行估计，先验分布为
Figure BDA0002595005450000175
其中，外部(extrinsic)均值和方差分别为
Figure BDA0002595005450000176
和
Figure BDA0002595005450000177
gt的外部分布(extrinsic distribution)为
Figure BDA0002595005450000178
其中，外部均值和方差分别为
Figure BDA0002595005450000179
Figure BDA0002595005450000181
Figure BDA0002595005450000182
4.2、模块
Figure BDA0002595005450000183
消息传递MMSE去噪器
Figure BDA0002595005450000184
Figure BDA0002595005450000191
在模块
Figure BDA0002595005450000192
中，利用本发明提出的3D-2D-MM的空间稀疏性细节，实现消息传递最小均方误差MMSE去噪器。
作为turbo压缩感知的核心结构，外部均值和方差发送自模块
Figure BDA0002595005450000193
中的LMMSE估计器。即，
Figure BDA0002595005450000194
和
Figure BDA0002595005450000195
对于消息传递算法，基本假设是
Figure BDA0002595005450000196
其中，
Figure BDA0002595005450000197
独立于gt。目的是计算
Figure BDA0002595005450000198
的近似后验分布，来替代算式(15)。使用和-积消息传递规则(sum-product message passing rule)，其遵循图5所示的消息传递结构。详情见附录。流程总结如下：
首先，由算式(38)给出在高斯隐值向量
Figure BDA00025950054500001910
上的消息传递，其中μ和σ2为用于更新消息
Figure BDA0002595005450000199
的输入。
其次，根据算式(39)至(40)，消息通过路径
Figure BDA0002595005450000201
Figure BDA0002595005450000202
来传递，其中输入
Figure BDA0002595005450000203
和
Figure BDA0002595005450000204
来自于模块
Figure BDA0002595005450000205
然后，在3D-2D-MM上以顺序的三条路径进行前向-后向(forward-backward)消息传递：方位角支持at的2D-MM，路径
Figure BDA0002595005450000206
以及仰角支持et的2D-MM。算法1中总结了3D-2D-MM方位角和仰角支持非零概率估计的细节。
根据算式(60)至(63)，最终，消息通过路径
Figure BDA0002595005450000207
Figure BDA0002595005450000208
传回。
基于计算的更新消息
Figure BDA0002595005450000209
后验分布可以写成
Figure BDA00025950054500002010
其中
Figure BDA00025950054500002011
然后，gt的每个元素的后验均值和方差可以更新为
Figure BDA00025950054500002012
和
Figure BDA00025950054500002013
其中，
Figure BDA00025950054500002014
表示gt,m的关于
Figure BDA00025950054500002015
的条件方差。
因此与算式(19)和(20)相似的，外部更新均值和协方差可以写成
Figure BDA00025950054500002016
和
Figure BDA0002595005450000211
4.3、消息随时间传递
对于信道跟踪，根据提供的先验信息，可以利用时间相关性进行更好地恢复。因此，本发明也考虑了随时间的消息传递。随时间传递的路径主要有三种：高斯隐值向量
Figure BDA0002595005450000216
的路径、方位角支持at的路径、以及仰角支持et的路径。顺序路径(sequence paths)可参见图6。
图6是消息随时间的顺序路径进行传递的图示，其展示了等式(27)到(36)的细节。
4.3.1、高斯隐值向量
Figure BDA0002595005450000218
随时间传递
从因子节点πt,m传递到变量节点
Figure BDA0002595005450000215
的消息应为
Figure BDA0002595005450000212
需注意，如果bt,m＝0,在算式(5)中gt,m应为0，这使得
Figure BDA0002595005450000217
不可观测。为了解决这类问题，可选地，引入一个略小于1的阈值。从而，调整后的消息传递为
Figure BDA0002595005450000213
其中，
Figure BDA0002595005450000214
算式(28)和算式(29)。
其中，∈是接近于0的小的正值，Th是前述的略小于1的阈值。
然后从因子节点ft+1,m传递到变量节点
Figure BDA0002595005450000229
的消息为
Figure BDA0002595005450000221
其中，
Figure BDA0002595005450000222
且
Figure BDA0002595005450000223
4.3.2、方位角支持at随时间传递
传递到下一时刻的方位角支持先验信息
Figure BDA0002595005450000224
可以是
Figure BDA0002595005450000225
其中，
Figure BDA0002595005450000226
4.3.3、仰角支持et随时间传递
相似地，传递到下一时刻的仰角支持先验信息可以是
Figure BDA0002595005450000227
其中，
Figure BDA0002595005450000228
Figure BDA0002595005450000231
最后，算法2对本发明提出的3D-DTAMP进行了总结。
Figure BDA0002595005450000232
五、数值结果
在本节中，对本发明提出的算法的复杂度和恢复性能进行评估。
对于无人机卫星通信***，方位角和仰角方向的稀疏比为
Figure BDA0002595005450000233
这表明只有一个主的LoS射线。
参数设置如下：
方位角空间相关性参数
Figure BDA0002595005450000241
方位角时间相关性参数
Figure BDA0002595005450000242
方位角关联参数
Figure BDA0002595005450000243
Figure BDA0002595005450000244
仰角空间相关性参数
Figure BDA0002595005450000245
Figure BDA0002595005450000246
仰角时间相关性参数
Figure BDA0002595005450000247
仰角关联参数
Figure BDA0002595005450000248
隐值向量参数
Figure BDA0002595005450000249
Th＝1-10-2，
Figure BDA00025950054500002410
且∈＝10-7。
可以将稀疏贝叶斯学习(简称为SBL)和差分OMP(简称为D-OMP)作为本发明的三维信道模型的基准算法(benchmark algorithms)。
5.1、复杂度分析
图7是各种算法的运算时间与天线数量的关系。其中，信噪比SNR＝15dB，Ns＝10，T＝50，M＝16，64，256，且Nx＝Ny＝4，8，16。
模块
Figure BDA00025950054500002411
中LMMSE估计器的复杂度是
Figure BDA00025950054500002412
这主要是由矩阵的乘法决定的。模块
Figure BDA00025950054500002413
中的MMSE去噪器的复杂度是单纯的和-积消息传递规则，从而复杂度是
Figure BDA00025950054500002414
综上，对于每个迭代，本发明提出的算法的随时间T的总复杂度是
Figure BDA00025950054500002415
如图7所示，SBL需要更长的运算时间，特别是对于较大的天线单元。这是由矩阵乘法和求逆所需的较高计算复杂度引起的。与SBL算法相比，本发明提出的算法和D-OMP算法的仿真时间都显著下降。
需注意，在整个时段T内，D-OMP的复杂度是
Figure BDA00025950054500002416
通过增加天线数量，本发明提出的算法的运算时间与其相当。
5.2、仿真结果
图8是在信噪比SNR＝15dB，Ns＝22时，TNMSE与总时间的关系。
其中，在图8的(a)中，M＝64，Nx＝Ny＝8，在图8的(b)中M＝256，Nx＝Ny＝16。
图9是在Ns＝22，T＝50时，TNMSE与信噪比(简称为SNR)的关系。其中，在图9的(a)中，M＝64，Nx＝Ny＝8，在图9的(b)中M＝256，Nx＝Ny＝16。
图10是在信噪比SNR＝15dB，T＝50时，TNMSE与总导频数的关系。其中，在图10的(a)中M＝64，Nx＝Ny＝8，在图9的(b)中，M＝256，Nx＝Ny＝16。
为了评估这些算法的恢复性能，提出称为时间平均归一化均方误差(time-averaged normalized mean square error，简称为TNMSE)的性能度量，如下
Figure BDA0002595005450000251
其中，
Figure BDA0002595005450000252
是gt在时刻t的估计结果。
在图8中，对于所有方法，TNMSE的值随着的时间总数的增加而呈现下降趋势。这是因为从整个时间段收集的累积的先验信号能够为精确的信道跟踪提供额外的信息。对于不同规模的天线阵列，性能度量趋势保持不变。容易看出，与基准算法SBL和D-OMP相比，本发明提出的算法的性能有了明显的提高。
在图9中，进一步比较，在天线阵列单元总数分别为M＝64和256时的TNMSE性能与SNR的关系。可以观察到，在不同天线数目下，与基准算法SBL和D-OMP相比，本发明提出的算法具有足够的性能增益。这证明了本发明提出的算法能够有效地利用信道的细化的动态方位角和仰角空间稀疏结构。同时，与其他两种算法相比，天线规模对本发明提出的算法的影响很小。
在图10中，进一步比较导频数量的影响。明显的，虽然SBL和D-OMP都随着导频数量的增加而具有更好的恢复性能，但本发明提出的算法始终保持优越的性能增益。另外，与其他两种算法不同的是，随着导频规模的增加，本发明提出的算法表现出接近水平的性能。这表明本发明提出的算法能够以较小规模的导频开销来实现稳定的性能。这是因为传统上，增加导频数量可以提高基于随时间的多重估计的恢复性能。而本发明提出的算法能够通过探索动态信道结构来有效地获得较高的准确率。
六、结论
本发明提出了一种称为3D-2D-MM的统计的动态信道模型，该模型建立了隐值向量和联合隐支持向量的更深层概率关系。
进一步地，设计了一种新的3D-DTAMP算法，其利用了新添加的3D-2D-MM先验信息，用以递归地跟踪动态信道。
本发明提出的该算法的优点包括以下三个方面。
首先，消息传递规则考虑了更真实的三维信道环境。
其次，从时域和空域两个方面来考虑动态信道的结构，提高了恢复性能。
最后，它在利用较低的导频开销来跟踪较长时间序列的动态信道方面更具优势。
分析和数值结果表明，与其他两种基准算法相比，本发明提出的算法在减少导频开销和时间复杂度的同时，获得了更好的恢复性能。
附录、模块
Figure BDA0002595005450000261
中的3D-2D-MM消息传递
图11是消息在模块
Figure BDA0002595005450000262
的顺序路径的传递，示出了消息传递顺序路径的细节。
(1)消息在高斯隐值向量
Figure BDA0002595005450000269
上的传递
从上一时隙传递来的消息
Figure BDA0002595005450000263
形如
Figure BDA0002595005450000264
从变量节点
Figure BDA00025950054500002610
传递到因子节点πt,m的消息能够表示为
Figure BDA0002595005450000265
其中，
Figure BDA0002595005450000266
当t＝1，设置
Figure BDA0002595005450000267
(2)消息在
Figure BDA0002595005450000268
上的传递
从变量节点gt,m到因子节点πt,m的消息是
Figure BDA0002595005450000271
从因子节点πt,m到变量节点bt,m的消息是
Figure BDA0002595005450000272
其中，
Figure BDA0002595005450000273
从变量节点bt,m到因子节点ut,m的消息
Figure BDA0002595005450000274
与
Figure BDA0002595005450000275
相同。从因子节点ut,m到变量节点
Figure BDA0002595005450000276
的消息是
Figure BDA0002595005450000277
其中
Figure BDA0002595005450000278
其中
Figure BDA0002595005450000279
且
Figure BDA00025950054500002710
(3)消息在方位角支持at的2D-MM上的传递
首先介绍了方位角支持估计的细节。可以分为两种情况，一是当t＝1，另一是当t＞1。需注意，从因子节点ut,m到变量节点
Figure BDA00025950054500002711
的消息是
Figure BDA0002595005450000281
这是基于相匹配的总增益的维度M、方位角支持的维度nx、仰角支持的维度ny而推导得到的。
当t＝1，方位角前向参数为
Figure BDA0002595005450000282
方位角后向参数
Figure BDA0002595005450000283
被算式(46)给出。
当t＞1，方位角前向参数
Figure BDA0002595005450000284
被算式(47)给出；方位角后向参数
Figure BDA0002595005450000285
其中的γ(A)被算式(48)给出。
Figure BDA0002595005450000286
Figure BDA0002595005450000287
Figure BDA0002595005450000288
表示非零概率的最终方位角消息可以写成
Figure BDA0002595005450000291
(4)消息在路径
Figure BDA0002595005450000292
上的传递
从因子节点
Figure BDA0002595005450000293
到变量节点ut,m的消息是
Figure BDA0002595005450000294
其中
Figure BDA0002595005450000295
需注意，
Figure BDA0002595005450000296
表示在第nx个方位角支持元素上传递的消息，
Figure BDA0002595005450000297
表示第nx个方位角支持元素与第ny个仰角支持元素之间的匹配关系。该情形与仰角支持消息传递等式类似。
从因子节点ut,m到变量节点
Figure BDA0002595005450000298
的消息是
Figure BDA0002595005450000299
其中，
Figure BDA00025950054500002910
被算式(53)给出。
Figure BDA00025950054500002911
(5)消息在仰角支持et的2D-MM上的传递
推导细节与方位角支持at估计的消息传递过程相似。
从因子节点ut,m到变量节点
Figure BDA0002595005450000301
传递的消息是
Figure BDA0002595005450000302
当t＝1，仰角前向参数为
Figure BDA0002595005450000303
仰角后向参数
Figure BDA0002595005450000304
被算式(56)给出。
当t＞1，仰角前向参数
Figure BDA0002595005450000305
被算式(57)给出；仰角后向参数
Figure BDA0002595005450000306
其中的γ(E)被算式(58)给出。
Figure BDA0002595005450000307
Figure BDA0002595005450000308
Figure BDA0002595005450000311
最终的仰角非零概率输出可以写成
Figure BDA0002595005450000312
(6)消息在路径
Figure BDA0002595005450000313
上的传递
从因子节点
Figure BDA0002595005450000314
到变量节点ut,m的消息是
Figure BDA0002595005450000315
其中
Figure BDA0002595005450000316
从因子节点ut,m到变量节点bt,m的消息是
Figure BDA0002595005450000317
其中
Figure BDA0002595005450000318
从变量节点bt,m到因子节点πt,m的消息
Figure BDA0002595005450000319
与
Figure BDA00025950054500003110
相同。
从因子节点πt,m返回至变量节点gt,m的消息是
Figure BDA0002595005450000321
本发明还提出一种通信方法，该方法包括利用前述任意一个实施例的方法及算式来进行通信。
在本发明的一些实施例中，本发明示例的通信方法主要包括以下步骤：在通信网络中，对信号进行信道跟踪。在本发明的一些实施例中，前述的信道跟踪包括：对信号进行三维空间的信道跟踪。
在本发明的一些实施例中，信号的接收端是在三维空间移动，具有水平位移和竖直位移。
在本发明的一些实施例中，前述的信道跟踪包括：根据接收到的信号的信息、以及先验信息，确定信道信息。可选地，前述的信道跟踪还包括：根据确定出的信道，来确定接收的信号或确定发出的信号。
在本发明的一些实施例中，前述的对信号进行信道跟踪包括：根据三维空间二维马尔可夫模型来进行信道跟踪。
在本发明的一些实施例中，前述的对信号进行信道跟踪包括：通过利用信道增益和天线响应矩阵来表示信道信息，利用信道增益的角度信息和信道增益的幅度信息表示信道增益，利用信道增益的方位角信息和信道增益的仰角信息表示信道增益的角度信息，来表示信道信息。
在本发明的一些实施例中，前述的对信号进行信道跟踪包括以下的一个或多个：根据信道增益的历史信息(先验信息)来确定当前的信道增益；根据信道增益的角度信息的历史信息(先验信息)来确定当前的信道增益的角度信息；根据信道增益的方位角信息的历史信息(先验信息)来确定当前的信道增益的方位角信息；根据信道增益的仰角信息的历史信息(先验信息)来确定当前的信道增益的仰角信息；根据信道增益的幅度信息的历史信息(先验信息)来确定当前的信道增益的幅度信息。
在本发明的一些实施例中，前述的对信号进行信道跟踪包括：根据在t时段的接收到的信号y(t)，估计动态信道向量gt中的元素gt,m的期望
Figure BDA0002595005450000322
其中，期望是基于概率p(gt,m|y(t))得到的，概率p(gt，m|y(t))根据下式得到
Figure BDA0002595005450000323
其中，
Figure BDA0002595005450000324
表示向量g(t)中不具有元素gt,m的向量，b(t)表示信道增益的角度信息，
Figure BDA0002595005450000325
表示信道增益的幅度信息；用以跟踪t时刻的动态信道向量gt。
在本发明的一些实施例中，前述的对信号进行信道跟踪包括：基于三维动态Turbo近似消息传递算法，递归地跟踪动态信道。
在本发明的一些实施例中，前述的通信网络包括太空-空-地综合网络；信号的发出端包括卫星、无人机中的一个，信号的接收端包括卫星、无人机中的另一个。
可选地，前述通信方法所使用的通信信号包括毫米波信号、微波信号等。
需注意，本发明涉及的信道跟踪并不是传统的信道估计。传统的信道估计仅基于接收到的信号，而不考虑历史信息。而本发明的信道跟踪还利用了先验信息，例如利用了上一时隙的信息来处理方位角仰角这些角度信息、和幅度信息等，能够有效提高信道估计的准确率。
本发明还提出一种通信装置，用于实现前述的任意一个实施例所示的通信方法。可选地，该通信装置可以是发射端，或者可以是接收端。可选地，该通信装置可以是诸如卫星的位于太空(space)的太空端装置，或者可以是诸如无人机的位于空中(air)的空中端装置，或者，该通信装置可以是诸如手机、笔记本等移动终端或地面基站的位于地面(ground)的地面端装置。
本发明还提出一种通信***，用于实现前述的任意一个实施例所示的通信方法。在一个实施例中，该通信***包括用于实现前述的任意一个实施例所示的通信方法的发射端装置和接收端装置的一个或多个。在另一实施例中，该通信***包括用于实现前述的任意一个实施例所示的通信方法的太空端装置、空中端装置、地面端装置的一个或多个。
本发明的实施例还提供一种计算机存储介质，该计算机存储介质中存储有计算机指令，当该计算机指令在设备上运行时，使得设备执行上述相关方法步骤实现上述实施例中的通信方法。
本发明的实施例还提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的通信方法。
另外，本发明的实施例还提供一种装置，这个装置具体可以是芯片，组件或模块，该装置可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的通信方法。
其中，本发明提供的设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种通信方法，其特征在于，所述方法包括以下步骤：
在通信网络中，对信号进行信道跟踪。
2.根据权利要求1所述的通信方法，其中，
所述信号的接收端和/或发出端是在三维空间移动的，具有水平位移和竖直位移，
所述对信号进行信道跟踪包括：对信号进行三维空间的信道跟踪。
3.根据权利要求1所述的通信方法，其中，所述对信号进行信道跟踪包括：根据接收到的信号的信息、以及先验信息，确定信道信息。
4.根据权利要求3所述的通信方法，其中，所述对信号进行信道跟踪包括：根据三维空间二维马尔可夫模型来进行所述信道跟踪。
5.根据权利要求4所述的通信方法，其中，所述对信号进行信道跟踪包括：
通过利用信道增益和天线响应矩阵来表示所述信道信息，利用所述信道增益的角度信息和所述信道增益的幅度信息表示所述信道增益，利用所述信道增益的方位角信息和所述信道增益的仰角信息表示所述信道增益的所述角度信息，来表示所述信道信息。
6.根据权利要求5所述的通信方法，其中，所述对信号进行信道跟踪包括：
根据在t时段的接收到的信号y(t)，估计动态信道向量gt中的元素gt,m的期望
Figure FDA0002595005440000011
其中，所述期望是基于概率p(gt,m|y(t))得到的，所述概率p(gt,m|y(t))根据下式得到
Figure FDA0002595005440000012
其中，
Figure FDA0002595005440000013
表示向量g(t)中不具有元素gt,m的向量，b(t)表示所述信道增益的所述角度信息，θ(t)表示所述信道增益的幅度信息；用以跟踪t时刻的动态信道向量gt。
7.根据权利要求4所述的通信方法，其中，所述对信号进行信道跟踪包括：
基于三维动态Turbo近似消息传递算法，递归地跟踪动态信道。
8.根据权利要求1所述的通信方法，其中：
所述通信网络包括太空-空-地综合网络；
所述信号的发出端包括卫星、无人机中的一个，所述信号的接收端包括卫星、无人机中的另一个。
9.一种通信装置，用于实现权利要求1到8中任意一项所述的通信方法。
10.一种计算机存储介质，其特征在于，包括计算机指令，当所述计算机指令在设备上运行时，使得所述设备执行如权利要求1到8中任意一项所述的通信方法。
CN202010706632.5A 2020-07-21 2020-07-21 通信方法、通信装置及存储介质 Pending CN112019251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010706632.5A CN112019251A (zh) 2020-07-21 2020-07-21 通信方法、通信装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010706632.5A CN112019251A (zh) 2020-07-21 2020-07-21 通信方法、通信装置及存储介质

Publications (1)

Publication Number Publication Date
CN112019251A true CN112019251A (zh) 2020-12-01

Family

ID=73498846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010706632.5A Pending CN112019251A (zh) 2020-07-21 2020-07-21 通信方法、通信装置及存储介质

Country Status (1)

Country Link
CN (1) CN112019251A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140241239A1 (en) * 2012-09-21 2014-08-28 Donald C.D. Chang Communications Architectures via UAV
CN106855626A (zh) * 2016-12-29 2017-06-16 北京奇艺世纪科技有限公司 矢量跟踪方法及滤波器
CN106953682A (zh) * 2017-03-28 2017-07-14 电子科技大学 一种用于无人机组网协同的方法
CN107483131A (zh) * 2017-06-30 2017-12-15 西安电子科技大学 高速飞行器双卫星联合信道马尔科夫状态序列产生方法
CN109743093A (zh) * 2018-12-26 2019-05-10 北京邮电大学 一种无人机毫米波通信波束追踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140241239A1 (en) * 2012-09-21 2014-08-28 Donald C.D. Chang Communications Architectures via UAV
CN106855626A (zh) * 2016-12-29 2017-06-16 北京奇艺世纪科技有限公司 矢量跟踪方法及滤波器
CN106953682A (zh) * 2017-03-28 2017-07-14 电子科技大学 一种用于无人机组网协同的方法
CN107483131A (zh) * 2017-06-30 2017-12-15 西安电子科技大学 高速飞行器双卫星联合信道马尔科夫状态序列产生方法
CN109743093A (zh) * 2018-12-26 2019-05-10 北京邮电大学 一种无人机毫米波通信波束追踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIADONG YU, ETC.: "3D Channel Tracking for UAV-Satellite Communications in Space-Air-Ground Integrated Networks", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 *

Similar Documents

Publication Publication Date Title
Yu et al. 3D channel tracking for UAV-satellite communications in space-air-ground integrated networks
CN110492911B (zh) 一种用于无人机通信的波束追踪方法与***
US20220376956A1 (en) Transmission System with Channel Estimation Based on a Neural Network
CN113556300A (zh) 基于时域训练序列的联合活跃终端检测与信道估计方法
Hu et al. MmWave MIMO communication with semi-passive RIS: A low-complexity channel estimation scheme
CN113595944A (zh) 一种用于毫米波mimo混合预编码***的信道估计方法
CN114172597A (zh) 一种基于可重构智能表面的非迭代参数联合估计方法
Chen et al. Joint initial access and localization in millimeter wave vehicular networks: a hybrid model/data driven approach
Xu et al. Joint Scattering Environment Sensing and Channel Estimation Based on Non-stationary Markov Random Field
Yuan et al. Joint radar-communication-based bayesian predictive beamforming for vehicular networks
CN110086734B (zh) 一种时变大规模mimo***中的信道追踪和恢复方法
Hu et al. Reliability analysis of stochastic geometry-based multi-UAV-aided LEO-SATCOM under OTFS
Yu et al. 3D on and off-grid dynamic channel tracking for multiple UAVs and satellite communications
CN112019251A (zh) 通信方法、通信装置及存储介质
Neumann et al. Deep channel estimation
CN115714612A (zh) 基于感知的通信波束跟踪方法
Alexandropoulos et al. Joint localization and channel estimation for UAV-assisted millimeter wave communications
CN115549745A (zh) Ris相移设计方法、装置、计算机设备及存储介质
Wang et al. Deep learning-based compressive beam alignment in mmWave vehicular systems
Cheng et al. Gibbs Sampling Based Sparse Bayesian Learning for Direction-of-Arrival Estimation with Impulse Noise Towards 6G
Jha et al. Temporally correlated compressed sensing using generative models for channel estimation in unmanned aerial vehicles
Yu et al. On-grid 3D dynamic channel tracking for space-air communications with multiple UAVs
CN118300927A (zh) 一种知识驱动深度学习的tsn高维信道快速估计方法
Bellili et al. Massive MIMO mmWave channel estimation using approximate message passing and Laplacian prior
CN115514436B (zh) 一种面向Massive MIMO LEO通信的星间链路信道预测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201201

WD01 Invention patent application deemed withdrawn after publication