CN113258965B - 基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法 - Google Patents

基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法 Download PDF

Info

Publication number
CN113258965B
CN113258965B CN202110534153.4A CN202110534153A CN113258965B CN 113258965 B CN113258965 B CN 113258965B CN 202110534153 A CN202110534153 A CN 202110534153A CN 113258965 B CN113258965 B CN 113258965B
Authority
CN
China
Prior art keywords
state
millimeter wave
user
signal
mimo system
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
CN202110534153.4A
Other languages
English (en)
Other versions
CN113258965A (zh
Inventor
朱鹏程
鲍嘉龙
李佳珉
尤肖虎
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 CN202110534153.4A priority Critical patent/CN113258965B/zh
Publication of CN113258965A publication Critical patent/CN113258965A/zh
Application granted granted Critical
Publication of CN113258965B publication Critical patent/CN113258965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法，适用于通信领域使用。通过利用单脉冲技术，推导了毫米波分布式MIMO***下用户AOA获取方案；针对用户移动场景，提出了一种基于无迹卡尔曼滤波器的跟踪算法，用以解决非线性观测方程下的用户AOA跟踪问题，能有效降低用户AOA的跟踪误差。

Description

基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法
技术领域
本发明涉及无线通信技术领域，具体涉及一种基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法。
背景技术
当今社会对数据流量的需求呈***性态势增长，这对5G移动通信***的业务能力提出了更高的要求。为了满足这些要求，新的通信***必须提供更高的频谱效率和更广泛的通信覆盖。然而，现有的6GHz以下的频谱已经变的相当拥挤，在该频段上进一步提高频谱效率的可能变得极其有限，5G移动通信***需要进一步挖掘新的频谱资源。与6GHz以下的波段不同，毫米波波段上许多尚未开发的频谱，可以有效缓解频谱的稀缺。
为了确保高波束形成增益，基站处使用的波束方向必须始终与用户到基站的毫米波信道的主径保持一致，因此基站处必须对毫米波信号的波束方向进行实时跟踪。这在用户处于移动状态的时候是一项富有挑战性的任务，主要是因为用户的移动性通常会导致毫米波信道状态信息的快速变化。针对毫米波波束方向跟踪的挑战性，现今大多数的有关毫米波波束跟踪的研究都聚焦于集中式MIMO***，由于毫米波的高损耗，在实际使用场景下，需要基于分布式大规模MIMO技术的超密集组网来实现。因此，在分布式毫米波大规模MIMO***下来研究毫米波波束跟踪问题就显得很有必要。
发明内容
发明目的：本发明的目的是为毫米波分布式大规模MIMO***提供一种基于无迹卡尔曼滤波的用户AOA跟踪方法，以有效提升***性能。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的一种基于无迹卡尔曼滤波的用户AOA跟踪算法，包括如下步骤：基于毫米波分布式大规模MIMO***，
1)确定***的状态方程与观测方程信息；
2)滤波器初始化阶段，主要包括对状态向量
Figure BDA0003069125520000011
和估计误差P(0|0)进行初始化，并令时隙索引t＝1；
3)当时隙索引t未达到统计上限时，对t时隙的状态向量、观测信号以及估计误差进行预测，得到预测结果
Figure BDA0003069125520000021
和P(t|t-1)，随后转至步骤4)；若时隙索引t已达到统计上限，转至步骤5)；
4)利用t时隙的观测信号rk(t)，对t时隙的状态向量和估计误差进行更新，随后转至步骤3)；
5)结束AOA跟踪过程。
进一步地，所述步骤1)中，假设毫米波分布式MIMO***中存在M个配备有N根天线的远端天线单元(Remote Antenna Unit,RAU)，位置分散在小区中，小区内有K个用户，用户之间均采用正交导频，用户的AOA移动模型符合匀角速度运动模型。
进一步地，所述步骤3)中，若时隙索引t未达到统计上限，则对t时隙的状态向量、观测信号以及估计误差进行预测，此过程采无迹卡尔曼滤波来实现。首先需要对t-1时刻的状态向量估计结果
Figure BDA0003069125520000022
进行无迹变换，来产生一系列sigma点。使用该变换生成sigma点的过程为
Figure BDA0003069125520000023
式中，
Figure BDA0003069125520000024
为第i个sigma点，
Figure BDA0003069125520000025
为第i个sigma点和
Figure BDA0003069125520000026
之间的差值，P(t-1|t-1)为t-1时隙的估计误差矩阵，
Figure BDA0003069125520000027
表示对矩阵(2M+λ)P(t-1|t-1)进行Chelesky分解后所得矩阵的第i行；λ为一个超参数，刻画了sigma点离状态均值的距离，其值越小，sigma点离状态均值越靠近；接着需要利用所得的sigma点对***的状态向量进行一步预测，即将每个sigma点带入状态方程中，可得
Figure BDA0003069125520000028
然后需要将
Figure BDA0003069125520000029
进行加权合并，来获得t时刻的一步状态预测值
Figure BDA00030691255200000210
Figure BDA0003069125520000031
式中，w(i)为对应sigma点的权重。
对估计误差P的一步预测为
Figure BDA0003069125520000032
对观测信号进行一步预测的过程分为两步。首先需要利用状态向量的一步预测结果
Figure BDA0003069125520000033
产生对应的sigma点
Figure BDA0003069125520000034
然后对sigma点
Figure BDA0003069125520000035
进行式非线性变换，即可得到观测信号的预测值
Figure BDA0003069125520000036
即
Figure BDA0003069125520000037
考虑观测噪声，则观测信号的预测方差矩阵Pr，以及状态信号与观测信号之间的协方差矩阵Pru可表示为
Figure BDA0003069125520000038
Figure BDA0003069125520000039
进一步地，所述步骤4)中，利用t时隙的观测信号rk(t)对t时隙的状态向量和估计误差进行更新的过程主要分为以下几个步骤：
首先计算t时刻卡尔曼增益K(t)
Figure BDA00030691255200000310
则更新后的t时刻状态估计及其估计方差即为
Figure BDA00030691255200000311
有益效果：本发明公开了一种基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪算法，该算法能够在毫米波分布式MIMO***下，对用户移动场景中的AOA进行有效跟踪，能够实现较好的信道估计性能。
附图说明
图1为本发明具体实施方式的算法流程图；
图2为本发明具体实施方式的毫米波分布式大规模MIMO***示意图；
图3为本发明具体实施方式方法与直接观测AOA之间的在不同天线数量下的AOA估计误差对比图；
图4为本发明具体实施方式方法与直接观测AOA之间的在不同信噪比下的AOA估计误差对比图。
具体实施方式
下面结合附图和具体实例，进一步阐明本发明，应当理解该实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
首先做以下说明：考虑一个典型的单小区毫米波分布式大规模MIMO***。小区中配备有M个RAU，每个RAU配备有N根天线组成的线性均匀阵列(Uniform Linear Array,ULA)，小区内共有K个单天线用户。
定义第k个用户到第i个RAU的信道向量为
Figure BDA0003069125520000041
在RAU处采用ULA阵列时，hk,i可被定义为
Figure BDA0003069125520000042
式中，
Figure BDA0003069125520000043
为用户k到第i个RAU的视距(line-of-sight,LOS)传输信号分量，
Figure BDA0003069125520000044
为其复增益；
Figure BDA0003069125520000045
为用户k的P条非视距(non line-of-sight,NLOS)传输信号分量，
Figure BDA0003069125520000046
为对应的复增益。
其中，
Figure BDA0003069125520000047
为天线阵列的方向矢量，可以表示为
Figure BDA0003069125520000051
式(2)中，d为ULA的天线间距，l为信号波长，典型场景下，d/l＝0.5，
Figure BDA0003069125520000052
为用户的到达角，范围为[0,π]。
记
Figure BDA0003069125520000053
为用户k的空间角度。显然，空间角
Figure BDA0003069125520000054
与到达角
Figure BDA0003069125520000055
之间具有一一对应的关系，因此，在后续的讨论中，本发明对这两种表述不做具体区分。
毫米波信号具有极高的载波频率与极窄的波束宽度，因此在毫米波传输场景下，信号的非视距分量极其有限。除此之外，在典型室内场景下，与LOS信号相比，NLOS信号分量的复增益要低5～10dB。这表明在毫米波场景下，LOS信号主要起决定性作用。针对毫米波的这种特点，在不影响研究结论的情况下，为讨论方便，一种常见的做法是将毫米波的NLOS信号分量忽略掉。因此，本发明均不考虑NLOS信号带来的影响。在这种假设下，第k个用户到第i个RAU的信道向量hk,i可表示为
hk,i＝βk,ia(θk,i) (3)
相比于式(1)，隐去了复增益与到达角中的多径上标。类似地，定义第k个用户到所有RAU的信道信息矩阵为
Figure BDA0003069125520000056
可得
Figure BDA0003069125520000057
在上行导频传输阶段，所有用户给RAU发送导频信号。设第k个用户发送的导频信号序列为
Figure BDA0003069125520000058
满足
Figure BDA0003069125520000059
RAU处接收到的所有用户的发送信号为
YU＝HS+N (5)
式中，
Figure BDA00030691255200000510
为RAU处接收到的信号矩阵，H＝[h1,...,hK]为所有用户到RAU的信道向量矩阵，
Figure BDA00030691255200000511
为所有用户的导频信号矩阵，N为MN×τ噪声矩阵，其中每个元素均服从
Figure BDA00030691255200000512
假设所有用户采用正交导频，在基站处对式(5)同时右乘用户k的导频序列
Figure BDA0003069125520000061
可得基站处收到的用户k发送的信号为
Figure BDA0003069125520000062
准确的AOA信息能够为下行信号传输的预编码提供良好的依据，也是使窄波束信号能够有效跟踪移动目标的前提。为了从接收信号中估计用户的AOA信息，此处主要介绍单脉冲角度测量的基本原理。
单脉冲测角的核心思想是利用单个脉冲周期的回波信号来对移动目标进行角度测量主要分为相位单脉冲测量法和幅度单脉冲测量法，本发明主要采用相位单脉冲测量法。
相位单脉冲测角主要是通过目标回波在两个接收天线间的相位差来推导出目标相对两个天线的距离差，然后利用天线间距来计算出目标的角度信息。该方法主要应用于雷达***中的目标定位与跟踪场景中，但近年来也有越来越多的通信方面的研究开始使用这种方法。
考虑最简单的场景，ULA阵列的接收信号为
ru＝[1,e-ju,...e-j(N-1)u] (7)
那么，该信号所对应的单脉冲信号即为相邻天线接收信号的和与差的比值
Figure BDA0003069125520000063
可以看到，该单脉冲信号中含有与发送信号AOA相关的信息。得到该单脉冲信号之后，通过从该信号的虚部中获得阵列信号的相位差，进一步可以获得AOA信息。
实际场景中，阵列天线的接收信号还会包含一些接收噪声。为了降低噪声的影响，可以将每组相邻天线的单脉冲信号求和并取均值。设一个含有N根天线的ULA阵列的接收信号为ru,用ru[n]表示其第n根天线上的接收信号，那么该ULA阵列的单脉冲信号R(ru)可定义为
Figure BDA0003069125520000064
毫米波技术作为利用窄波束进行定向传输，即使较小的波束对准偏差也会对通信产生很大的影响，严重时导致通信中断。因此，波束对准和跟踪是毫米波通信需要解决的基本问题，尤其是在多用户场景下的用户移动问题。
式(9)给出了一种从接收信号中获取AOA观测值的方法。然而，直接将AOA观测值作为对AOA的估计值显然不够准确。为此，本发明提出一种基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法，该方法的具体流程主要包括预测和更新两个步骤，具体含义如为：
·预测这一步主要利用***在t-1时刻以及之前时刻的状态观测值，通过***的状态方程，来对***t时刻的状态进行一步预测，该预测值被称为***状态的先验估计；
·更新这一步主要利用预测步骤中得到的先验估计，结合卡尔曼滤波的相关表达式，以及***在t时刻的状态观测值，来对***t时刻的状态做出后验估计，由于是基于先验估计进行的操作，所以可以看做是对先验估计的更新。
基于上述上行链路信号传输以及单脉冲角度测量的原理分析，本发明提供的基于无迹卡尔曼滤波的AOA跟踪方法可分为以下几个步骤：
步骤一、确定***的状态方程与观测方程信息
首先需要将连续的用户移动行为进行离散化。对于离散化后的每个时间间隔内，本发明考虑匀角速度运动模型，即目标角加速度的理想值为0，但是由于干扰的存在，加速度不能维持在0值，而是零均值的高斯白噪声。下面将对***的状态方程和观测方程进行介绍。
记用户k在第t个时刻的空间状态向量为
uk(t)＝[uk,1(t),ωk,1(t),uk,2(t),ωk,2(t)...,uk,M(t),ωk,M(t)]T (10)
式中，uk,i(t)为用户k在t时刻到第i个RAU的空间角度，ωk,i(t)为用户k在t时刻第i个RAU的空间角速度，不同的RAU之间的空间角度与空间角加速度互不相关。
设离散化后的时间间隔为△T，依据运动学公式，对于i＝1,...M,有
Figure BDA0003069125520000071
则该***的状态方程即为
uk(t+1)＝Fuk(t)+nw,k(t) (12)
式中，nw,k(t)为状态干扰向量，其中的偶数行元素均服从零均值的高斯分布，F为用户k的状态转移矩阵，其形式为
Figure BDA0003069125520000081
Figure BDA0003069125520000082
式中，F0即为用户到每个单独RAU的AOA的状态转移矩阵。
记***状态噪声方差矩阵为Q，可以写作
Figure BDA0003069125520000083
式中，
Figure BDA0003069125520000084
刻画了用户空间角速度的变化程度。
该***的观测值即为每个RAU上接收信号的单脉冲变换。则用户k在t时刻的观测信号向量rk(t)可以写作
Figure BDA0003069125520000085
式中，f()为状态向量到观测向量的非线性变换。nr,k(t)为观测噪声，其中每个元素均服从均值为0的高斯分布，其方差矩阵为
Figure BDA0003069125520000086
步骤二、滤波器初始化阶段，主要包括对状态向量
Figure BDA0003069125520000087
和估计误差P(0|0)进行初始化，并令时隙索引t＝1，初始化过程如下
Figure BDA0003069125520000088
u0可设为任意向量，与uk维度相同即可。P0应设为2M维正定矩阵。
步骤三、当时隙索引t未达到统计上限时，对t时隙的状态向量、观测信号以及估计误差进行预测，得到预测结果
Figure BDA0003069125520000091
和P(t|t-1)，此过程采无迹卡尔曼滤波来实现。首先需要对
Figure BDA0003069125520000092
进行无迹变换，来产生一系列sigma点。使用该变换生成sigma点的过程为
Figure BDA0003069125520000093
式中，
Figure BDA0003069125520000094
为第i个sigma点，
Figure BDA0003069125520000095
为第i个sigma点和
Figure BDA0003069125520000096
之间的差值，P(t-1|t-1)为t-1时隙的估计误差矩阵，
Figure BDA0003069125520000097
表示对矩阵(2M+λ)P(t-1|t-1)进行Chelesky分解后所得矩阵的第i行；λ为一个超参数，刻画了sigma点离状态均值的距离，其值越小，sigma点离状态均值越靠近；接着需要利用所得的sigma点对***的状态向量进行一步预测，即将每个sigma点带入状态方程中，可得
Figure BDA0003069125520000098
然后需要将
Figure BDA0003069125520000099
进行加权合并，来获得t时刻的一步状态预测值
Figure BDA00030691255200000910
Figure BDA00030691255200000911
式中，w(i)为对应sigma的权重。
对估计误差P的一步预测为
Figure BDA00030691255200000912
对观测信号进行一步预测的过程分为两步。首先需要利用状态向量的一步预测结果
Figure BDA0003069125520000101
产生对应的sigma点
Figure BDA0003069125520000102
然后对sigma点
Figure BDA0003069125520000103
进行式非线性变换，即可得到观测信号的预测值
Figure BDA0003069125520000104
即
Figure BDA0003069125520000105
考虑观测噪声，则观测信号的预测方差矩阵Pr，以及状态信号与观测信号之间的协方差矩阵Pru可表示为
Figure BDA0003069125520000106
Figure BDA0003069125520000107
随后转至步骤四；
若时隙索引t已达到统计上限，转至步骤五；
步骤四、利用t时隙的观测信号rk(t)对t时隙的状态向量和估计误差进行更新。
首先计算t时刻卡尔曼增益K(t)
Figure BDA0003069125520000108
则更新后的t时刻状态估计及其估计方差即为
Figure BDA0003069125520000109
随后转至步骤三；
步骤五、此时时隙索引已达到统计上限，故此时应结束AOA跟踪过程。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (4)

1.一种基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法，所述毫米波分布式MIMO***中存在M个配备有N根天线的RAU，位置分散在小区中，小区内有K个用户，用户之间均采用正交导频，用户的AOA移动模型符合匀角速度运动模型；其特征在于：所述方法包括以下步骤：
1)确定毫米波分布式MIMO***的状态方程与观测方程信息；
2)滤波器初始化阶段，包括对状态向量uk(0|0)和估计误差P(0|0)进行初始化，并令时隙索引t＝1；
3)当时隙索引t未达到统计上限时，对t时隙的状态向量、观测信号以及估计误差进行预测，得到预测结果uk(t|t-1)、
Figure FDA0003603233870000011
和P(t|t-1)，随后转至步骤4)；若时隙索引t已达到统计上限，转至步骤5)；
4)利用t时隙的观测信号rk(t)，对t时隙的状态向量和估计误差进行更新，随后转至步骤3)；
5)结束AOA跟踪过程；
步骤1)中，首先将连续的用户移动行为进行离散化，离散化后的时间间隔为ΔT；
所述状态方程为：
uk(t+1)＝Fuk(t)+nw,k(t)
式中，uk(t)＝[uk,1(t),ωk,1(t),uk,2(t),ωk,2(t)...,uk,M(t),ωk,M(t)]T，uk,i(t)为用户k在t时刻到第i个RAU的空间角度，ωk,i(t)为用户k在t时刻第i个RAU的空间角速度，不同的RAU之间的空间角度与空间角加速度互不相关；nw,k(t)为状态干扰向量，其中奇数行元素为0，偶数行元素均服从零均值的高斯分布，F为用户k的状态转移矩阵，根据运动学公式，对于i＝1,...M，有
Figure FDA0003603233870000012
故F及nw,k(t)的形式即为
Figure FDA0003603233870000013
Figure FDA0003603233870000021
式中，F0即为用户到每个单独RAU的AOA的状态转移矩阵；
记***状态噪声方差矩阵为Q，其形式为
Figure FDA0003603233870000022
式中，
Figure FDA0003603233870000023
为ωk,i(t)的方差，其值刻画了用户空间角速度的变化程度；
步骤1)中，所述观测方程信息为：
用户k在t时刻的观测信号向量rk(t)表示为：
Figure FDA0003603233870000024
式中，观测向量rk(t)为对接收信号做单脉冲变换后所得的信号，f()为状态向量到观测向量的非线性变换；nr,k(t)为观测噪声，其中每个元素互相独立，均服从均值为0的高斯分布，nr,k(t)的方差矩阵为
Figure FDA0003603233870000025
所述步骤3)中，若时隙索引t未达到统计上限，对t时隙的状态向量、进行预测，此过程采无迹卡尔曼滤波来实现，具体包括：
首先对t-1时刻的状态向量估计结果uk(t-1|t-1)进行无迹变换，来产生一系列sigma点；使用该变换生成sigma点的过程为
Figure FDA0003603233870000031
式中，
Figure FDA0003603233870000032
为第i个sigma点，
Figure FDA0003603233870000033
为第i个sigma点和
Figure FDA0003603233870000034
之间的差值，P(t-1|t-1)为t-1时隙的估计误差矩阵，
Figure FDA0003603233870000035
表示对矩阵(2M+λ)P(t-1|t-1)进行Chelesky分解后所得矩阵的第i行；λ为一个超参数，刻画了sigma点离状态均值的距离，其值越小，sigma点离状态均值越靠近；
接着利用所得的sigma点对毫米波分布式MIMO***的状态向量进行一步预测，即将每个sigma点带入状态方程中，可得
Figure FDA0003603233870000036
然后将
Figure FDA0003603233870000037
进行加权合并，来获得t时刻的一步状态预测值uk(t|t-1)：
Figure FDA0003603233870000038
式中，w(i)为对应sigma的权重。
2.根据权利要求1所述的基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法，其特征在于：所述步骤3)中，对估计误差P的一步预测为
Figure FDA0003603233870000039
3.根据权利要求1所述的基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法，其特征在于：所述步骤3)中，对观测信号进行一步预测的过程分为两步：首先利用状态向量的一步预测结果uk(t|t-1)产生对应的sigma点
Figure FDA00036032338700000310
然后对sigma点
Figure FDA00036032338700000311
进行式非线性变换，得到观测信号的预测值
Figure FDA00036032338700000312
即
Figure FDA0003603233870000041
考虑观测噪声，则观测信号的预测方差矩阵Pr，以及状态信号与观测信号之间的协方差矩阵Pru表示为
Figure FDA0003603233870000042
Figure FDA0003603233870000043
4.根据权利要求3所述的基于无迹卡尔曼滤波的毫米波分布式MIMO***AOA跟踪方法，其特征在于：所述步骤4)中，利用t时隙的观测信号rk(t)对t时隙的状态向量和估计误差进行更新的过程包括以下几个步骤：
首先计算t时刻卡尔曼增益K(t)
Figure FDA0003603233870000044
则更新后的t时刻状态估计及其估计方差即为
Figure FDA0003603233870000045
CN202110534153.4A 2021-05-17 2021-05-17 基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法 Active CN113258965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110534153.4A CN113258965B (zh) 2021-05-17 2021-05-17 基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110534153.4A CN113258965B (zh) 2021-05-17 2021-05-17 基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法

Publications (2)

Publication Number Publication Date
CN113258965A CN113258965A (zh) 2021-08-13
CN113258965B true CN113258965B (zh) 2022-06-03

Family

ID=77182164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110534153.4A Active CN113258965B (zh) 2021-05-17 2021-05-17 基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法

Country Status (1)

Country Link
CN (1) CN113258965B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116781115B (zh) * 2022-03-08 2024-03-26 南方科技大学 扩展目标动态波束跟踪方法、装置及终端设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102185820A (zh) * 2011-05-09 2011-09-14 松日数码发展(深圳)有限公司 基于无迹卡尔曼变换的ofdm频偏估计方法
CN109541533A (zh) * 2018-11-26 2019-03-29 东南大学 一种基于无迹卡尔曼滤波的rfid标签室内跟踪方法及设备
CN110492911A (zh) * 2019-07-10 2019-11-22 鹰潭泰尔物联网研究中心 一种用于无人机通信的波束追踪方法与***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10440512B2 (en) * 2012-08-03 2019-10-08 Polte Corporation Angle of arrival (AOA) positioning method and system for positional finding and tracking objects using reduced attenuation RF technology
US20180302213A1 (en) * 2017-04-17 2018-10-18 Collision Communications, Inc. Methods, systems, and computer program products for communication channel prediction from received multipath communications in a wireless communications system
CN108983215A (zh) * 2018-05-25 2018-12-11 哈尔滨工程大学 一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102185820A (zh) * 2011-05-09 2011-09-14 松日数码发展(深圳)有限公司 基于无迹卡尔曼变换的ofdm频偏估计方法
CN109541533A (zh) * 2018-11-26 2019-03-29 东南大学 一种基于无迹卡尔曼滤波的rfid标签室内跟踪方法及设备
CN110492911A (zh) * 2019-07-10 2019-11-22 鹰潭泰尔物联网研究中心 一种用于无人机通信的波束追踪方法与***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Seonyong Kim ; Hyungsik Han ; Namshik Kim ; Hyuncheol Park.Robust Beam Tracking Algorithm for mmWave MIMO Systems in Mobile Environments.《2019 IEEE 90th Vehicular Technology Conference (VTC2019-Fall)》.2019, *
毫米波大规模MIMO***角度域混合预编码与信道跟踪算法;赵建伟,高飞飞，贾维敏;《第十九届中国科协年会——分9"互联网+"：传统产业变革新动能论》;20170624;全文 *
毫米波***中的波束跟踪技术研究;刘哲续;《信息科技》;20190702;全文 *

Also Published As

Publication number Publication date
CN113258965A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Liu et al. Radar-assisted predictive beamforming for vehicular links: Communication served by sensing
Islam et al. Integrated sensing and communication with millimeter wave full duplex hybrid beamforming
US8553797B2 (en) Channel information prediction system and channel information prediction method
CN114095318B (zh) 智能超表面辅助的混合构型毫米波通信***信道估计方法
CN115021843B (zh) 一种毫米波通信多用户***合作感知方法
CN110429964B (zh) 一种基于二维相控天线阵列的快速精确波束跟踪方法
Liu et al. A tutorial on joint radar and communication transmission for vehicular networks—Part II: State of the art and challenges ahead
CN110518943A (zh) 高速移动场景下基于波束跟踪的大规模天线信道探测方法
Kumari et al. Low resolution sampling for joint millimeter-wave MIMO communication-radar
Zhang et al. In-band-full-duplex integrated sensing and communications for IAB networks
CN113258965B (zh) 基于无迹卡尔曼滤波的毫米波分布式mimo***aoa跟踪方法
Chen et al. Multi-RIS-enabled 3D sidelink positioning
Yu et al. Hybrid beamforming in mmwave massive MIMO for IoV with dual-functional radar communication
Zhu et al. Beam tracking for distributed millimeter-wave massive MIMO systems based on the unscented Kalman filter
Cui et al. Seeing is not always believing: Isac-assisted predictive beam tracking in multipath channels
Liu et al. Effective capacity based power allocation for the coexistence of an integrated radar and communication system and a commercial communication system
Xu et al. Location-based hybrid precoding schemes and QOS-aware power allocation for radar-aided UAV–UGV cooperative systems
Islam et al. Simultaneous multi-user MIMO communications and multi-target tracking with full duplex radios
Islam et al. Direction-assisted beam management in full duplex millimeter wave massive MIMO systems
CN1665161A (zh) 智能天线下行链路波束形成方法
Liu et al. Radar-assisted predictive beamforming for vehicle-to-infrastructure links
Fokin Channel Model for Location-Aware Beamforming in 5G Ultra-Dense mmWave Radio Access Network
Chu et al. Integrated sensing and communication in user-centric cell-free massive MIMO systems with OFDM modulation
Zöchmann et al. Geometric tracking of vehicular mmWave channels to enable machine learning of onboard sensors
Zirwas et al. Channel prediction for B4G radio systems

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