CN113438596A - 一种面向北斗与5g融合的毫米波低时延波束赋形方法 - Google Patents
一种面向北斗与5g融合的毫米波低时延波束赋形方法 Download PDFInfo
- Publication number
- CN113438596A CN113438596A CN202110653195.XA CN202110653195A CN113438596A CN 113438596 A CN113438596 A CN 113438596A CN 202110653195 A CN202110653195 A CN 202110653195A CN 113438596 A CN113438596 A CN 113438596A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- output
- beidou
- speed
- terminal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000012163 sequencing technique Methods 0.000 abstract description 2
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 108091092878 Microsatellite Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向北斗与5G融合的毫米波低时延波束赋形方法,首先在初始接入流程的训练过程中,收集接入毫米波基站的终端的由北斗***提供的有定位误差的历史定位信息,然后对终端的历史定位信息以及运动轨迹进行分析,并对终端的速度状态以及位置进行基于模型预测滤波的神经网络算法的预测;其次,在波束匹配阶段,通过终端速度状态与位置信息的结果,得到速度与定位误差范围内终端高概率位置,与毫米波基站各波束覆盖范围进行扫描匹配,波束匹配优先级的排序依据波束匹配的准确率,从而大幅度缩小波束训练范围,在低时延的范围内对高速移动终端发送波束。
Description
技术领域
本发明涉及低时延波束赋形技术领域,尤其涉及一种面向北斗与5G融合的毫米波低时延波束赋形方法。
背景技术
由于卫星与地球的距离太远,卫星信号容易被遮挡,北斗与5G通信的深度融合可以实现从室内到室外、从城市到无人区无缝连接的精准时空信息服务。5G中毫米波通信信号具有高损耗、强方向性、对障碍物敏感等特点,需要将毫米波与方向性天线技术相结合去解决路径损耗严重的问题。毫米波波束窄,为保证初始接入的精度和准确性,现有波束赋形训练方案时延普遍过长。毫米波通信对终端位置敏感,时延过长的链路建立将会导致初始接入算法错过最佳波束。
为了满足日益增长并且多样的数据要求,实现高安全的新一代信息时空体系,针对北斗与5G融合这一背景下毫米波通信***的数据传播速率可以进一步提高的现状,本发明提出了一种面向北斗与5G融合的毫米波低时延波束赋形方法。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种面向北斗与5G融合的毫米波低时延波束赋形方法。
为了实现以上目的,本发明采用以下技术方案:
一种面向北斗与5G融合的毫米波低时延波束赋形方法,包括步骤:
S1.接收北斗卫星获取的高速移动的终端用户的运动轨迹,根据获取的运动轨迹确认终端用户的位置信息,并根据确定的位置信息计算终端用户的速度信息;
S2.利用神经网络的滤波器预测终端用户的位置信息以及速度位置,并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差,得到误差函数;
S3.根据得到的误差函数对神经网络预测模型进行优化,得到优化后的位置预测模型;
S4.通过优化后的位置预测模型预测当前终端用户的速度信息、位置信息,并根据预测得到的速度信息、位置信息对当前终端进行波束匹配;
S5.对波束匹配的波束进行波束赋形训练,根据波束宽度、预测的位置信息与基站的夹角,计算不同波束覆盖范围对应的终端用户的运动速度;
S6.将计算得到的运动速度进行量化,将量化后得到的运动速度对应到相应速度范围内,得到所有不同波束的对准波束概率;
S7.根据不同对准波束概率,对对准波束概率由高到低的优先级进行波束匹配;
S8.判断对准波束概率是否大于设定阈值,若否,则预测误差过大,预测过程失败或LOS路径不可用,重复执行步骤S6-S8;若是,则毫米波链路建立成功,进行波束数据传输。
进一步的,所述步骤S1具体为:
设获取的运动轨迹序列表示为:J={d1,…,dt},其中,d表示位置信息;dt表示t时刻的位置信息;则位置信息d与速度v状态变量表示为:
y(t)=Hx(t)+v(t)
其中,H为变换矩阵。
进一步的,所述步骤S2中误差函数,表示为:
进一步的,所述步骤S2中神经网络预测模型的滤波器的性能指标函数表示为:
其中,L(u(t))表示滤波器的性能指标函数。
进一步的,所述步骤S3具体为:
S35.对步骤S31-S34进行隐含层权值迭代更新,直到神经网络输出的均方误差满足给定的精度,神经网络训练结束,得到优化后的位置预测模型。
其中,w(t)表示输出层权值矩阵;θ(t)表示隐含层t时刻神经元的阈值。
进一步的,所述步骤S5中对波束匹配的波束进行波束赋形训练具体为:
根据毫米波LOS链路模型计算半功率波束宽度θ-3dB,表示为:
其中,Pr、Pt和n1分别表示接收功率、发射功率和毫米波LOS通信指数;通过波束搜索范围得到所需要的发送波束个数,表示为:
其中,B表示发送波束个数。
进一步的,所述步骤S6中得到所有不同波束的对准波束概率,表示为:
进一步的,步骤S9中若对准波束概率小于设定阈值,则计算基站与用户的相对距离,并通过给出的定位精度,计算波束扫描角度,根据半功率波束宽度确定发送的波束个数,对定位误差范围内的剩余波束,通过终端运动的状态转移概率和每个波束的覆盖速度范围进行匹配概率计算,按概率优先级从高到低匹配相应发送波束。
与现有技术相比,本发明有效利用了北斗位置资源和数据资源,减少波束赋形训练过程的复杂性,同时在终端加入一段时间内的北斗***给出的定位信息进行终端速度预测,可以很大程度减少波束赋形训练过程中的扫描范围,保证波束赋形的精确度,从而降低了波束接入时延及算法的复杂度,增加定位的精确度。
附图说明
图1是实施例一提供的一种面向北斗与5G融合的毫米波低时延波束赋形方法流程图;
图2是实施例一提供的毫米波计算时空一体化示意图;
图3是实施例一提供的波束扫描示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷,提供了一种面向北斗与5G融合的毫米波低时延波束赋形方法。
实施例一
本实施例提供一种面向北斗与5G融合的毫米波低时延波束赋形方法,如图1-2所示,包括步骤:
S1.接收北斗卫星获取的高速移动的终端用户的运动轨迹,根据获取的运动轨迹确认终端用户的位置信息,并根据确定的位置信息计算终端用户的速度信息;
S2.利用神经网络的滤波器预测终端用户的位置信息以及速度位置,并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差,得到误差函数;
S3.根据得到的误差函数对神经网络预测模型进行优化,得到优化后的位置预测模型;
S4.通过优化后的位置预测模型预测当前终端用户的速度信息、位置信息,并根据预测得到的速度信息、位置信息对当前终端进行波束匹配;
S5.对波束匹配的波束进行波束赋形训练,根据波束宽度、预测的位置信息与基站的夹角,计算不同波束覆盖范围对应的终端用户的运动速度;
S6.将计算得到的运动速度进行量化,将量化后得到的运动速度对应到相应速度范围内,得到所有不同波束的对准波束概率;
S7.根据不同对准波束概率,对对准波束概率由高到低的优先级进行波束匹配;
S8.判断对准波束概率是否大于设定阈值,若否,则预测误差过大,预测过程失败或LOS路径不可用,重复执行步骤S6-S8;若是,则毫米波链路建立成功,进行波束数据传输。
本实施例,首先在初始接入流程的训练过程中,收集接入毫米波基站的终端的由北斗***提供的有定位误差的历史定位信息,然后对终端的历史定位信息以及运动轨迹进行分析,并对终端的速度状态以及位置进行基于模型预测滤波的神经网络算法的预测;其次,在波束匹配阶段,通过终端速度状态与位置信息的结果,得到速度与定位误差范围内终端高概率位置,与毫米波基站各波束覆盖范围进行扫描匹配,波束匹配优先级的排序依据波束匹配的准确率,从而大幅度缩小波束训练范围,在低时延的范围内对高速移动终端发送波束。
在步骤S1中,接收北斗卫星获取的高速移动的终端用户的运动轨迹,根据获取的运动轨迹确认终端用户的位置信息,并根据确定的位置信息计算终端用户的速度信息。
高速移动的终端具有一定的随机性,但其速度是连续变化的矢量,在充分的历史位置信息与速度信息的条件下,可以更准确得出运动位置信息,同时利用计算时空一体化,对北斗微卫星给出的位置信息以及数据进行计算机中心处理,可以对高速移动的终端进行精准预测并实现低时延波束赋形
在对终端的速度信息进行记录时,时间是离散连续的,终端速度信息的变化可视为一条离散但连续的序列,即速度信息v随时间t的变化可表示为序列vt-n,vt-n+1,…,vt+n-1,vt+n。
本实施例取{vt,t=1,2,…,T}预测终端的移动速度。由于毫米波基站多分布在密集城市区域中,终端移动速度不能过快,将终端移动速度的取值范围设定为「0,1,2,…,99」m/h,选取相应加速度at的变化范围为[-5.0,-4.9,…,+4.8,+4.9}m/s2,终端的运动位置信息可以由重要位置序列表示J={d1,…,dt},其中d表示位置信息,dt表示时刻t的位置信息。以上位置信息d与速度信息v称为状态变量,则位置信息状态变量和速度信息状态变量的理想估计可以写成紧凑的矩阵形式:
通过基站对终端位置信息测量所需用的传传感器实际测量运动信息的状态变量,表示为:
y(t)=Hx(t)+v(t) (2)
其中H为变换矩阵,作用是将真实状态位置映射到测量位置;vt为噪声。
在步骤S2中,利用神经网络的滤波器预测终端用户的位置信息以及速度位置,并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差,得到误差函数。
因为卫星与地球的距离太远,卫星信号无法穿透屋顶、桥面等建筑物。也就是说,卫星信号很容易被遮挡,而一旦信号被遮挡,那就无法提供服务了。然而,人们80%的活动是在室内,也就是说位置服务最多的应用场景恰恰是来自于室内。虽然空中有卫星定位***,但是在隧道、地下车库、室内等“最后一公里”的应用中,卫星定位***就遇上了***烦。所以本实施例会利用移动终端的历史定位信息,先训练移动终端的数据,然后模型进行位置和速度预测。
根据上述内容,北斗卫星定位***位置信息状态估计和实际测量的位置信息状态估计的关系如下:
观测估计泰勒展开为:
式中
定义预测滤波性能指标函数如下:
在步骤S3中,根据得到的误差函数对神经网络预测模型进行优化,得到优化后的位置预测模型。
本实施例采用的神经网络为三层前向神经网络,其传递关系为:
其中,wji为输入层的第i个神经元到隐含层第j个神经元的连接权;θj为隐含层第j个神经元的阈值;wkj为隐含层的第j个神经元到输出层的第k个神经元的连接权;θk是输出层第k个神经元的阈值;p(.)为S型激活函数,满足:
设第k个输出神经元的期望输出为yd,实际输出为yk,则北斗卫星定位***均方误差为:
对于任意前向神经网络,假设隐含层每个神经元的输出为位置信息和速度信息状态变量,输出层每个神经元的净输出为量测量。则前向神经网络的时变特性可用如下的状态方程和量测方程表示:
其中,w(t)是输出层权值矩阵为:
其中,n和m分别为输出层和隐含层的神经元个数。
θ(t)=(θ1(t),…,θn(t)) (16)
在本实施例中,步骤S4具体包括:
S31.设定神经网络各层权值和阈值的初始值为小的随机数,赋值误差函数e,输入矩阵X,经过预测滤波得到目标输出yd,经过神经网络计算得到真实输出yk,根据公式(10)计算隐含层神经元输出以及根据公式(14)计算输出层神经元的净输出
S35.对步骤S31-S35进行隐含层权值迭代更新,直到神经网络输出的均方误差满足给定的精度,神经网络训练结束,得到优化后的位置预测模型。
在步骤S5中,对波束匹配的波束进行波束赋形训练,根据波束宽度、预测的位置信息与基站的夹角,计算不同波束覆盖范围对应的终端用户的运动速度。
波束训练的步骤包括:
进行波束赋形训练时,用户在定位误差为σq的北斗卫星定位***下,定位误差是给定的。
对于给定的定位误差标准差σq,由于定位误差在高度固定的情况下在X,Y维度服从均匀分布,定位误差范围在半径为2σq的圆内可以确保终端落在定位区域的概率达到95%以上。
根据毫米波LOS链路模型,可计算***半功率波束宽度θ-3dB,表示为:
其中,Pr、Pt和nl分别为北斗卫星定位***的接收功率、发射功率和毫米波LOS通信指数,参考距离d0=5米;假设波束不发生重叠,则进而通过波束搜索范围得到所需要的发送波束个数B,表示为:
在发射端B个波束中,北斗卫星定位***的发射端与移动终端通信的最佳波束为bk的概率即为移动终端实际位置在bk覆盖范围内的概率,进而可得其对应速度。若此时波束赋形训练的波束宽度表示为θ,用户在上一周期T内运动的距离为x0,则根据几何关系分别计算不同波束覆盖范围对应的终端运动速度。
在步骤S6中,将计算得到的运动速度进行量化,将量化后得到的运动速度对应到相应速度范围内,得到所有不同波束的对准波束概率。
将速度进行量化后得到速度状态位置,并将状态位置对应到相应速度范围内,如表1所示,由于上一周期用户运动距离为x1,d表示天线元素间距,则上一周期内平均运动速度为将移动终端的速度划分为100个可能状态:速度区间「0,1)划分为状态S1,速度区间「1,2)划分为状态S2,以此类推,速度区间[99,100)划分为状态S100。对速度进行取整,则对应速度状态为若则b1对应速度v1范围则最佳对准波束为b1的概率即为终端速度状态为下一时刻的转移为v1范围内的转移概率之和,即:
同理可得同一终端其他波束的对准概率,表示为:
表1发送训练波束与移动终端速度对应值
在步骤S8中,判断对准波束概率是否大于设定阈值,若否,则预测误差过大,预测过程失败或LOS路径不可用,重复执行步骤S6-S8;若是,则毫米波链路建立成功,进行波束数据传输。
其中若对准波束概率小于设定阈值,则继续执行步骤S7-S9具体为:计算基站与用户的相对距离,并通过给出的定位精度,计算波束扫描角度,根据半功率波束宽度确定发送的波束个数,对定位误差范围内的剩余波束,通过终端运动的状态转移概率和每个波束的覆盖速度范围进行匹配概率计算,按概率优先级从高到低匹配相应发送波束。
在本实施例中,终端运动的状态转移概率具体为:
由于预测概率大小以预测结果为中心,向两旁递减,故为了减小计算复杂度和数据开销,在预测结果中,可只输出预测的最大概率匹配波束,当所预测的波束匹配失败时,认为预测结果虽然出现一定偏差,但依然具有一定参考价值,故在预测波束匹配失败时,认为剩余波束对准概率以预测波束为中心,向两旁递减,按优先级顺序以预测波束为中心向两旁逐级降低搜索的波束编号。
假定终端运动的状态转移概率为Pij,则其表示终端速度状态此刻为状态Si,下一时刻状态转移为Sj的概率,由于终端下一时刻的速度状态仅与当前时刻相关,那么Pij表示为:
Pij=P{vt+1=j|vt=i}
状态转移公式表示为:
其中,Nij表示在相邻时刻,终端运动速度由状态Si变到状态Sj的次数。终端速度的状态转移概率矩阵P由每个状态的状态转移概率Pij构成,矩阵的第i行表示此时速度处于状态Si,下一时刻转移到状态位置各个状态的概率,且
需要说明的是,本实施例中的匹配概率计算如步骤S7-S9中波束对准概率计算和匹配方法,在此不多做赘述。
本实施例采用基于预测滤波的神经网络算法对高速移动的终端进行位置预测,利用***观测的北斗卫星提供的历史速度位置信息进行训练,预测输出并跟踪测量输出,从而估计出***的模型误差,并对其进行修正,以弥补模型误差对神经网络权值更新的影响,利用学习后的神经网络得到高速移动终端的状态转移概率,预测将来终端的状态。得到预测的位置信息后,利用位置信息进行波束匹配。根据以上预测模型预测的移动终端速度与位置,在***定位误差的范围内进行波束扫描,计算各个波束的对准概率,根据波束对准概率从高到低优先级顺序匹配波束建立毫米波通信链路,发送波束。有效利用了北斗位置资源和数据资源,减少波束赋形训练过程的复杂性,同时在终端加入一段时间内的北斗***给出的定位信息进行终端速度预测,可以很大程度减少波束赋形训练过程中的扫描范围,保证波束赋形的精确度,从而降低了波束接入时延及算法的复杂度,增加定位的精确度。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种面向北斗与5G融合的毫米波低时延波束赋形方法,其特征在于,包括步骤:
S1.接收北斗卫星获取的高速移动的终端用户的运动轨迹,根据获取的运动轨迹确认终端用户的位置信息,并根据确定的位置信息计算终端用户的速度信息;
S2.利用神经网络的滤波器预测终端用户的位置信息以及速度位置,并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差,得到误差函数;
S3.根据得到的误差函数对神经网络预测模型进行优化,得到优化后的位置预测模型;
S4.通过优化后的位置预测模型预测当前终端用户的速度信息、位置信息,并根据预测得到的速度信息、位置信息对当前终端进行波束匹配;
S5.对波束匹配的波束进行波束赋形训练,根据波束宽度、预测的位置信息与基站的夹角,计算不同波束覆盖范围对应的终端用户的运动速度;
S6.将计算得到的运动速度进行量化,将量化后得到的运动速度对应到相应速度范围内,得到所有不同波束的对准波束概率;
S7.根据不同对准波束概率,对对准波束概率由高到低的优先级进行波束匹配;
S8.判断对准波束概率是否大于设定阈值,若否,则预测误差过大,预测过程失败或LOS路径不可用,重复执行步骤S6-S8;若是,则毫米波链路建立成功,进行波束数据传输。
2.根据权利要求1所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法,其特征在于,所述步骤S1具体为:
设获取的运动轨迹序列表示为:J={d1,…,dt},其中,d表示位置信息;dt表示t时刻的位置信息;则位置信息d与速度v状态变量表示为:
y(t)=Hx(t)+v(t)
其中,H为变换矩阵。
5.根据权利要求1所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法,其特征在于,所述步骤S3具体为:
S35.对步骤S31-S34进行隐含层权值迭代更新,直到神经网络输出的均方误差满足给定的精度,神经网络训练结束,得到优化后的位置预测模型。
10.根据权利要求9所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法,其特征在于,步骤S9中若对准波束概率小于设定阈值,则计算基站与用户的相对距离,并通过给出的定位精度,计算波束扫描角度,根据半功率波束宽度确定发送的波束个数,对定位误差范围内的剩余波束,通过终端运动的状态转移概率和每个波束的覆盖速度范围进行匹配概率计算,按概率优先级从高到低匹配相应发送波束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653195.XA CN113438596B (zh) | 2021-06-11 | 2021-06-11 | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653195.XA CN113438596B (zh) | 2021-06-11 | 2021-06-11 | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113438596A true CN113438596A (zh) | 2021-09-24 |
CN113438596B CN113438596B (zh) | 2022-05-31 |
Family
ID=77755645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653195.XA Active CN113438596B (zh) | 2021-06-11 | 2021-06-11 | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113438596B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114938712A (zh) * | 2022-04-13 | 2022-08-23 | 北京小米移动软件有限公司 | 波束选择方法和装置 |
CN114945154A (zh) * | 2022-05-31 | 2022-08-26 | ***通信集团江苏有限公司 | 车辆位置预测方法、装置、电子设备和计算机程序产品 |
WO2024131453A1 (zh) * | 2022-12-21 | 2024-06-27 | 卡斯柯信号有限公司 | 一种融合历史运行轨迹和北斗导航的定位方法及其装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105634578A (zh) * | 2015-12-29 | 2016-06-01 | 九派逐浪(北京)网络通讯技术股份有限公司 | 用于波束赋形的装置、智能天线、无线通信设备 |
CN108769928A (zh) * | 2018-06-08 | 2018-11-06 | 清华大学 | 基于船舶位置的海域通信波束协同控制方法和*** |
US20190277957A1 (en) * | 2018-03-06 | 2019-09-12 | Samsung Electronics Co., Ltd. | Method and apparatus for ai-based ue speed estimation using uplink srs measurements |
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*** |
CN111565060A (zh) * | 2020-04-14 | 2020-08-21 | 中国联合网络通信集团有限公司 | 波束赋形方法和天线设备 |
CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
CN112788613A (zh) * | 2021-01-13 | 2021-05-11 | 上海闻泰信息技术有限公司 | 波束赋形的方法和装置、通信设备、电子终端和存储介质 |
-
2021
- 2021-06-11 CN CN202110653195.XA patent/CN113438596B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105634578A (zh) * | 2015-12-29 | 2016-06-01 | 九派逐浪(北京)网络通讯技术股份有限公司 | 用于波束赋形的装置、智能天线、无线通信设备 |
US20190277957A1 (en) * | 2018-03-06 | 2019-09-12 | Samsung Electronics Co., Ltd. | Method and apparatus for ai-based ue speed estimation using uplink srs measurements |
CN108769928A (zh) * | 2018-06-08 | 2018-11-06 | 清华大学 | 基于船舶位置的海域通信波束协同控制方法和*** |
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*** |
CN111565060A (zh) * | 2020-04-14 | 2020-08-21 | 中国联合网络通信集团有限公司 | 波束赋形方法和天线设备 |
CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
CN112788613A (zh) * | 2021-01-13 | 2021-05-11 | 上海闻泰信息技术有限公司 | 波束赋形的方法和装置、通信设备、电子终端和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114938712A (zh) * | 2022-04-13 | 2022-08-23 | 北京小米移动软件有限公司 | 波束选择方法和装置 |
CN114945154A (zh) * | 2022-05-31 | 2022-08-26 | ***通信集团江苏有限公司 | 车辆位置预测方法、装置、电子设备和计算机程序产品 |
WO2024131453A1 (zh) * | 2022-12-21 | 2024-06-27 | 卡斯柯信号有限公司 | 一种融合历史运行轨迹和北斗导航的定位方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113438596B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113438596B (zh) | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 | |
Li et al. | Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation | |
CN109916410B (zh) | 一种基于改进平方根无迹卡尔曼滤波的室内定位方法 | |
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN112584306B (zh) | 一种基于卡尔曼滤波的室内机器人定位算法 | |
CN110446160B (zh) | 一种基于多路径信道状态信息的车辆位置估计的深度学习方法 | |
CN111913484B (zh) | 一种变电站巡检机器人在未知环境下的路径规划方法 | |
CN112738764A (zh) | 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法 | |
CN112612001A (zh) | 一种基于bp神经网络算法的轨迹预测方法及装置 | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
CN113794983B (zh) | 一种基于非线性几何约束优化的多目标室内定位方法 | |
KR102119196B1 (ko) | 머신러닝 기반의 실내 측위 방법 및 시스템 | |
CN114916059B (zh) | 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法 | |
Kardaş et al. | Wireless indoor localization problem with artificial neural network | |
CN114034298B (zh) | 一种基于可重构智能表面的车辆定位方法 | |
CN115865157A (zh) | 一种智能反射面辅助多用户通信预测波束成形的方法 | |
CN112800889B (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 | |
Souli et al. | Adaptive frequency band selection for accurate and fast positioning utilizing SOPs | |
CN114048549A (zh) | 一种基于量子蜻蜓算法的飞行器无源定位方法 | |
CN113891251A (zh) | 一种基于AGV的惯导-WiFi信号融合定位算法 | |
Tian et al. | The application of gated recurrent unit algorithm with fused attention mechanism in UWB indoor localization | |
Algeier et al. | Track initiation for blind mobile terminal position tracking using multipath propagation | |
CN117872347B (zh) | 基于双层强化学习优化的jpda多目标跟踪方法及*** | |
CN114046786B (zh) | 航迹预测方法、装置、设备及存储介质 |
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 |