CN114884841A - 基于高阶统计和非均匀阵列的欠定参数联合估计方法 - Google Patents
基于高阶统计和非均匀阵列的欠定参数联合估计方法 Download PDFInfo
- Publication number
- CN114884841A CN114884841A CN202210473845.7A CN202210473845A CN114884841A CN 114884841 A CN114884841 A CN 114884841A CN 202210473845 A CN202210473845 A CN 202210473845A CN 114884841 A CN114884841 A CN 114884841A
- Authority
- CN
- China
- Prior art keywords
- time delay
- matrix
- estimation
- frequency domain
- channel data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 106
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 235000002020 sage Nutrition 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- 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
-
- 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)
- Environmental & Geological Engineering (AREA)
- Power Engineering (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于高阶统计和非均匀阵列的欠定参数联合估计方法,包括:获取单样本频域信道数据;采用前后向平滑技术计算四阶累积量对角切片矩阵,利用正交传播算子方法构造时延估计空间谱,搜索谱峰得到时延估计值;计算时延域滤波向量,分离各时延估计值对应的频域信道数据;使用各时延估计值对应的频域信道数据计算高阶累积量矩阵,构造到达角估计空间谱,搜索谱峰得到到达角估计值;利用已经估计且自动配对的时延估计值和到达角估计值,向量化信道数据,基于最小二乘原则估计多径信号复增益值。本发明只需单样本,能够在欠定场景中进行高精度高准确度的多参数联合估计,且估计自由度大、估计精度高、计算复杂度小、对噪声的鲁棒性大。
Description
技术领域
本发明属于大规模多输入多输出阵列信号处理技术领域,更具体地,涉及一种基于高阶统计和非均匀阵列的欠定参数联合估计方法。
背景技术
随着5G时代的到来,对于数据速率和传输质量要求越来越高的移动通信的研究也越发火热。作为热门研究方向之一的无线定位问题也广泛的应用在军事和民用的多个方面,比如雷达、声纳、电子对抗、智慧医疗、智能交通等等。作为无线定位的关键组成部分,无线信号参数联合估计是否准确严重影响着无线定位***的性能。这些定位参数主要包括信号到达时延、信号到达角、信号到达强度等。而空间环境日益复杂,无线信号的多径传播愈发显著。经过多径传播后的信号具有不同的到达角和时延,信号强度也会相异。且天线阵列接收到的来波数量常常多于天线阵元数量,造成一种欠定的情况,进而导致一些经典的定位方法性能大幅下降甚至失效。因此,如何在欠定场景下实现高精度的无线定位参数联合估计亟待解决。
最大似然方法首先被提出用来进行无线定位参数的联合估计,它将参数估计问题转化成多变量非线性最小化问题,不仅有较高的计算复杂度,还依赖于参数的初始化。为了避免最大似然方法的缺点,更高效的基于子空间的一些方法被提了出来,比如MUSIC、ESPRIT。其中,JADE-MUSIC方法(M.C.Vanderveen,C.B.Papadias和A.Paulraj,《Jointangle and delay estimation(JADE)for multipath signals arriving at an antennaarray》,IEEE Commun.Lett.,卷1,期1,页12–14,1997,doi:10.1109/4234.552142.)通过探索接收信号的空时结构,利用二维搜索实现参数的联合估计,而二维的参数搜索带来了巨大的计算负担。JADE-ESPRIT方法(A.-J.van der Veen,M.C.Vanderveen和A.J.Paulraj,《Joint angle and delay estimation using shift-invariance properties》,IEEESignal Process.Lett.,卷4,期5,页142–145,1997,doi:10.1109/97.575559.)通过构建接收信号的Hankel矩阵利用子空间的旋转不变性实现参数的联合估计。为了实现单样本下的高精度参数联合估计,SAGE方法(B.H.Fleury,M.Tschudin,R.Heddergott,D.Dahlhaus和K.Ingeman Pedersen,《Channel parameter estimation in mobile radio environmentsusing the SAGE algorithm》,IEEE J.Sel.Areas Commun.,卷17,期3,页434–450,3月1999,doi:10.1109/49.753729.)和MatrixPencil方法(A.Bazzi,D.T.M.Slock和L.Meilhac,《Single snapshot joint estimation of angles and times of arrival:A2D Matrix Pencil approach》,收入2016IEEE International Conference onCommunications(ICC),2016,页1–6.doi:10.1109/ICC.2016.7511158.)被提了出来。其中SAGE方法基于EM算法,以期望最大化为准则迭代式求解多个参数,同时利用串行干扰消除和并行干扰消除来对抗噪声。虽然能够在欠定条件下工作且能够估计多个参数,但是同最大似然方法类似,SAGE方法一方面依赖于参数的初始化,另一方面也具有很高的计算复杂度,且参数或者信源数量越多,计算复杂度越高。而MatrixPencil方法面对噪声或者欠定场景时稳定性较差。
以上所述方法均为同时估计多种参数,或者具有较高的计算复杂度,或者抗噪声鲁棒性低,或者欠定场景下性能差。而目前已有许多高效稳定的单参数估计算法。实现联合估计的另一种思路是在实现单参数的准确估计后,继续完成多径参数的正确匹配。对此,TST方法(Y.-Y.Wang和W.-H.Fang,《TST-MUSIC for DOA-delay joint estimation》,收入2000IEEE International Conference on Acoustics,Speech,and SignalProcessing.Proceedings(Cat.No.00CH37100),6月2000,卷5,页2565–2568卷5.doi:10.1109/ICASSP.2000.860980.)提供了一种解决方案。该方法利用一种树形结构实现参数的匹配过程,不仅到达了单参数的高精度估计,同时能够区分距离较近的参数值。然而TST方法只能够区分一个参数离得近的情况,比如DOA相近但其他参数相远。并且TST方法在欠定场景下近乎失效,原因在于TST方法在进行空间波束成形滤波时,欠定的条件使得滤波矩阵不具有该方法需要的前提。
发明内容
针对现有技术的以上缺陷或不足,本发明提供一种基于高阶统计和非均匀阵列的欠定参数联合估计方法,旨在克服现有技术存在的计算复杂度高、低信噪比环境下的估计精度低,无法对欠定场景下的多参数进行有效估计等技术问题。
为实现上述目的,第一方面,本发明提供了一种基于高阶统计和非均匀阵列的欠定参数联合估计方法,包括:
S1,获取原始频域信道数据;
S2,计算当前频域信道数据的四阶累积量对角切片矩阵;根据多径数量划分所述对角切片矩阵,并基于划分后的矩阵计算传播算子,进而构造时延估计空间谱,搜索谱峰得到时延估计值;
S3,计算各时延估计值对应的时延域滤波向量,并利用各时延域滤波向量对所述当前频域信道数据进行滤波,以分离各时延估计值对应的频域信道数据;
S4,分别使用各时延估计值对应的频域信道数据计算高阶累积量矩阵,并基于所述高阶累积量矩阵构造到达角估计空间谱,搜索谱峰得到各时延估计值对应的到达角估计值;
S5,分别根据各所述时延估计值和到达角估计值,构造时延响应矩阵和阵列流形矩阵;向量化所述当前频域信道数据,并结合所述时延响应矩阵和阵列流形矩阵估计得到信道复增益矩阵。
进一步地,所述方法还包括:
S6,判断是否满足迭代停止条件,若是,结束操作;若否,基于所述时延响应矩阵、阵列流形矩阵和信道复增益矩阵重建信道,从所述当前频域信道数据中减除重建信道,以剩余频域信道数据作为当前频域信道数据并跳转至S2。
进一步地,所述S2中,计算当前频域信道数据的四阶累积量对角切片矩阵之后,还包括:对所述四阶累积量对角切片矩阵进行前后向平滑处理,得到前后向平滑后的四阶累积量对角切片矩阵。
进一步地,所述S3中,计算各时延估计值对应的时延域滤波向量,包括:以最小化滤波后噪声平均功率为目标,使用拉格朗日乘子计算各时延估计值对应的时延域滤波向量。
进一步地,所述S4中,基于所述高阶累积量矩阵构造到达角估计空间谱,包括:
对所述高阶累积量矩阵执行奇异值分解或特征分解,得到信号子空间和噪声子空间;基于所述信号子空间和噪声子空间的正交性定义到达角估计空间谱。
进一步地,所述S5中,基于最小二乘原则估计信道复增益矩阵。
第二方面,本发明提供了一种基于高阶统计和非均匀阵列的欠定参数联合估计装置,包括:
获取模块,用于获取原始频域信道数据;
时延估计模块,用于计算当前频域信道数据的四阶累积量对角切片矩阵;根据多径数量划分所述对角切片矩阵,并基于划分后的矩阵计算传播算子,进而构造时延估计空间谱,搜索谱峰得到时延估计值;
时延滤波模块,用于计算各时延估计值对应的时延域滤波向量,并利用各时延域滤波向量对所述当前频域信道数据进行滤波,以分离各时延估计值对应的频域信道数据;
到达角估计模块,用于分别使用各时延估计值对应的频域信道数据计算高阶累积量矩阵,并基于所述高阶累积量矩阵构造到达角估计空间谱,搜索谱峰得到各时延估计值对应的到达角估计值;
复增益估计模块,用于分别根据各所述时延估计值和到达角估计值,构造时延响应矩阵和阵列流形矩阵;向量化所述当前频域信道数据,并结合所述时延响应矩阵和阵列流形矩阵估计得到信道复增益矩阵。
第三方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如第一方面所述的参数联合估计方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)与其他参数联合估计方法相比,本发明设计方法基于非均匀阵列和高阶统计量,具有较大的阵列自由度,能够在欠定场景下工作;使用高阶累积量方法进行各时延估计值对应的到达角估计,不仅能够增加到达角估计的准确度和抗噪声鲁棒性,并且由于滤波后的信道数据仅包含当前的一条路径,因此也不会增加计算复杂度;同时,向量化频域信道是为了实现欠定场景下正确的信道复增益估计,因为在欠定场景下,阵列流形矩阵行满秩不存在左逆,基于最小二乘原则估计信道复增益会失效,而向量化频域信道之后最小二乘原则能够正常工作。从而,本发明设计方法具有估计自由度大、估计精度高、计算复杂度小、对噪声的鲁棒性大的优点。
(2)本发明通过迭代方式解决由噪声导致的参数错误估计和低能量多径无法估计的问题。
(3)通过前后向平滑技术,能够区分相干信号的相近参数。
附图说明
图1为本发明提供的一种基于高阶统计和非均匀阵列的欠定参数联合估计方法的流程图;
图2为本发明实施例提供的六阵元非均匀线性阵列结构示意图;
图3为本发明实施例提供的重建信道和真实信道相关性与迭代次数的关系图;
图4为本发明实施例提供的参数估计在不同信噪比下的性能曲线图,其中(a)、(b)、(c)和(d)分别为不同信噪比下信道重建相似度曲线、时延估计均方根误差图、到达角估计均方根误差图和信道复增益幅度均方根误差图。
具体实施方式
为了使本发明的目的、***组成、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限制本发明。此外,下面所述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互结合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
参阅图1,本发明提供了一种基于高阶统计和非均匀阵列的欠定参数联合估计方法。该方法包括操作S1至操作S6。
操作S1,获取原始频域信道数据。
本实施例中,信号接收端非均匀阵列接收来波信号,处理得到频域信道数据H,且H=A(θ)FVT(τ)+W。其中A(θ)=[a(θ1) … a(θP)]为阵列流形矩阵,θp为第p条多径信号的到达角。M为天线阵元数量,d为阵元间隙,λ为信号波长。F=diag(β1,…,βP)为信道复增益矩阵,βp表示第p条多径信号的复增益。V(τ)=[v(τ1) … v(τP)]为时延响应矩阵,τp为第p条多径信号的时延。K为频点数量,fk表示频率。
其中,信号接收端非均匀阵列设计的原则是最大化由高阶累积量得到的虚拟扩展阵元的不重复度。具体地,非均匀天线阵列结构通过求解混合整数规划问题得到,该混合整数规划问题适当松弛后可描述如下:
subject to 1-INF·zm≤q(m)DT≤-1+INF·(1-zm)m=1,…,M-1,
其中表示天线阵元的坐标,M为天线阵元个数。(M-1)×M的矩阵Q的对角线上元素均为-1、上副对角线元素均为1,即Qi,i=-1、Qi,i+1=1,i=1,…,M-1,q(m)表示矩阵Q的第m行。U=M(M-1)/2。Ji=[0M-i,i-1 1M-i IM-i],i=1,…,M-1,1U-1表示元素全为1的(U-1)×1列向量,j(u)表示矩阵J的第u行,J[u]表示矩阵J删除了第u行后的矩阵,JA=[1U-1j(1) … 1U-1j(U)]T和JB=[J[1] … J[U]]T,[·]T表示矩阵转置操作。INF为合理大的数。此问题可以利用MATLAB的CVX工具箱快速求解。
操作S2,计算当前频域信道数据的四阶累积量对角切片矩阵;根据多径数量划分所述对角切片矩阵,并基于划分后的矩阵计算传播算子,进而构造时延估计空间谱,搜索谱峰得到时延估计值。
可以理解的是,当首次计算当前频域信道数据的四阶累积量对角切片矩阵时,当前频域信道数据即原始频域信道数据。
S21,对频域信道数据计算前后向平滑后的四阶累积量对角切片矩阵;令y=HH,按
计算时延估计的四阶累积量对角切片矩阵。将均匀分布的频点前向划分为J个子块,每个子块上都计算一个时延估计的四阶累积量对角切片矩阵RT(j),j=1,...,J。平均后可得前向平滑的时延估计的四阶累积量对角切片矩阵
按
计算相应的后向平滑的时延估计的四阶累积量对角切片矩阵,其中Π是反对角线上元素全为1、其他位置为0的翻转矩阵。从而依据
其中G1和G2分别是K×P和K×(K-P)维矩阵,其中P为多径数量。传播算子P的最小二乘估计为
并将其正交归一化为
Q0=Q(QHQ)-1/2
根据等效噪声子空间Q0构造时延估计空间谱
操作S3,计算各时延估计值对应的时延域滤波向量,并利用各时延域滤波向量对所述当前频域信道数据进行滤波,以分离各时延估计值对应的频域信道数据。
S32,以最小化滤波后噪声平均功率为目标,有约束时延域滤波向量计算方案表示为
Hi=H·wi
操作S4,分别使用各时延估计值对应的频域信道数据计算高阶累积量矩阵,并基于所述高阶累积量矩阵构造到达角估计空间谱,搜索谱峰得到各时延估计值对应的到达角估计值。
S41,对第i条多径信号对应的频域信道数据Hi计算四阶累积量矩阵
S42,特征分解得到噪声子空间Un
R4,i=UΣUH
Un=U(:,2:end)
其中U(:,2:end)表示矩阵U的第二列到最后一列。构造到达角估计空间谱
操作S5,分别根据各所述时延估计值和到达角估计值,构造时延响应矩阵和阵列流形矩阵;向量化所述当前频域信道数据,并结合所述时延响应矩阵和阵列流形矩阵估计得到信道复增益矩阵。
S52,向量化频域信道,基于最小二乘原则估计对应的信号复增益
操作S6,判断是否满足迭代停止条件,若是,结束操作;若否,基于所述时延响应矩阵、阵列流形矩阵和信道复增益矩阵重建信道,从所述当前频域信道数据中减除重建信道,以剩余频域信道数据作为当前频域信道数据并跳转至S2。
其中,停止条件可以是迭代次数到达,或者信道能量低于门限值,或者估计多径的数量达到限值。
从输入的频域信道数据中减除当前重建信道,即
以剩余频域信道数据作为当前频域信道数据并跳转至S2。
实施例:
图2所示为本发明实施例使用的六阵元非均匀线性阵列结构示意图,将本发明基于高阶统计和非均匀阵列的欠定场景下参数联合估计方法应用于该天线阵列和大规模多输入多输出无线多径信道中,来提升欠定场景下参数联合估计的准确率。本实施例中信号传输的中心频率为3.5GHz,带宽为100.8MHz,频点间隔为30kHz。设置有20条多径来波到达天线阵列,其角度在-64°到+64°之间均匀分布,多径时延从10ns到200ns均匀分布,多径复衰落增益服从标准复高斯分布。时延估计阶段中空间谱谱峰搜索粒度为1ns,到达角估计阶段中谱峰搜索粒度为1°。信噪比设置为0dB。以估计得到所有多径数量或者到达迭代次数为停止准则。具体包括以下步骤:
(3)计算时延域滤波向量wi并对频域信道数据进行滤波Hi=H·wi;
(6)重建信道并从输入的频域信道数据中减除当前重建信道。在不满足迭代停止条件的情况下,继续执行步骤(2)到步骤(6)。
本发明利用高阶累积量和非均匀阵列实现了欠定场景下高精度的多参数联合估计。不同于本发明使用的方法,现有的参数联合估计方法或者无法在有限的阵元数量下实现欠定参数估计,或者无法在计算复杂度上进行有效控制,或者不能区分相干信号的相近参数值。同时本方法也利用了高阶累积量理论上自动抑制高斯噪声的优秀特性和迭代式干扰消除,实现了对噪声的较强鲁棒性,能够在低信噪比下仍然表现出良好的估计性能。
图3为本发明实施例提供的重建信道和真实信道相关性与迭代次数的关系图。从图3中可以发现,本发明只需少数迭代次数即可实现0.98左右的信道重建相似度。
图4为本发明实施例提供的参数估计在不同信噪比下的性能曲线图,其中(a)、(b)、(c)和(d)分别为不同信噪比下信道重建相似度曲线、时延估计均方根误差图、到达角估计均方根误差图和信道复增益幅度均方根误差图。如图4所示,即使是在低信噪比下本发明仍然具有0.93以上的信道重建相似度,且参数估计的误差都较小,证明了本方法能够进行欠定场景下高精度的多参数联合估计。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于高阶统计和非均匀阵列的欠定参数联合估计方法,其特征在于,包括:
S1,获取原始频域信道数据;
S2,计算当前频域信道数据的四阶累积量对角切片矩阵;根据多径数量划分所述对角切片矩阵,并基于划分后的矩阵计算传播算子,进而构造时延估计空间谱,搜索谱峰得到时延估计值;
S3,计算各时延估计值对应的时延域滤波向量,并利用各时延域滤波向量对所述当前频域信道数据进行滤波,以分离各时延估计值对应的频域信道数据;
S4,分别使用各时延估计值对应的频域信道数据计算高阶累积量矩阵,并基于所述高阶累积量矩阵构造到达角估计空间谱,搜索谱峰得到各时延估计值对应的到达角估计值;
S5,分别根据各所述时延估计值和到达角估计值,构造时延响应矩阵和阵列流形矩阵;向量化所述当前频域信道数据,并结合所述时延响应矩阵和阵列流形矩阵估计得到信道复增益矩阵。
2.如权利要求1所述的参数联合估计方法,其特征在于,所述方法还包括:
S6,判断是否满足迭代停止条件,若是,结束操作;若否,基于所述时延响应矩阵、阵列流形矩阵和信道复增益矩阵重建信道,从所述当前频域信道数据中减除重建信道,以剩余频域信道数据作为当前频域信道数据并跳转至S2。
3.如权利要求1或2所述的参数联合估计方法,其特征在于,所述S2中,计算当前频域信道数据的四阶累积量对角切片矩阵之后,还包括:对所述四阶累积量对角切片矩阵进行前后向平滑处理,得到前后向平滑后的四阶累积量对角切片矩阵。
4.如权利要求1或2所述的参数联合估计方法,其特征在于,所述S3中,计算各时延估计值对应的时延域滤波向量,包括:以最小化滤波后噪声平均功率为目标,使用拉格朗日乘子计算各时延估计值对应的时延域滤波向量。
5.如权利要求1或2所述的参数联合估计方法,其特征在于,所述S4中,基于所述高阶累积量矩阵构造到达角估计空间谱,包括:
对所述高阶累积量矩阵执行奇异值分解或特征分解,得到信号子空间和噪声子空间;基于所述信号子空间和噪声子空间的正交性定义到达角估计空间谱。
6.如权利要求1或2所述的参数联合估计方法,其特征在于,所述S5中,基于最小二乘原则估计信道复增益矩阵。
7.一种基于高阶统计和非均匀阵列的欠定参数联合估计装置,包括:
获取模块,用于获取原始频域信道数据;
时延估计模块,用于计算当前频域信道数据的四阶累积量对角切片矩阵;根据多径数量划分所述对角切片矩阵,并基于划分后的矩阵计算传播算子,进而构造时延估计空间谱,搜索谱峰得到时延估计值;
时延滤波模块,用于计算各时延估计值对应的时延域滤波向量,并利用各时延域滤波向量对所述当前频域信道数据进行滤波,以分离各时延估计值对应的频域信道数据;
到达角估计模块,用于分别使用各时延估计值对应的频域信道数据计算高阶累积量矩阵,并基于所述高阶累积量矩阵构造到达角估计空间谱,搜索谱峰得到各时延估计值对应的到达角估计值;
复增益估计模块,用于分别根据各所述时延估计值和到达角估计值,构造时延响应矩阵和阵列流形矩阵;向量化所述当前频域信道数据,并结合所述时延响应矩阵和阵列流形矩阵估计得到信道复增益矩阵。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至6任一项所述的参数联合估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473845.7A CN114884841A (zh) | 2022-04-29 | 2022-04-29 | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473845.7A CN114884841A (zh) | 2022-04-29 | 2022-04-29 | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114884841A true CN114884841A (zh) | 2022-08-09 |
Family
ID=82673303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210473845.7A Pending CN114884841A (zh) | 2022-04-29 | 2022-04-29 | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114884841A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116054909A (zh) * | 2022-12-16 | 2023-05-02 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
WO2024037007A1 (zh) * | 2022-08-17 | 2024-02-22 | Oppo广东移动通信有限公司 | 一种参数估计二维搜索方法、芯片、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919183A (zh) * | 2018-04-13 | 2018-11-30 | 中国人民解放军陆军工程大学 | 基于Hadamard积的OFDM信号空时二维定位参数快速估计方法 |
CN111308416A (zh) * | 2019-11-29 | 2020-06-19 | 北京理工大学 | 基于四阶累积量的近场非圆信源参数估计方法 |
-
2022
- 2022-04-29 CN CN202210473845.7A patent/CN114884841A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919183A (zh) * | 2018-04-13 | 2018-11-30 | 中国人民解放军陆军工程大学 | 基于Hadamard积的OFDM信号空时二维定位参数快速估计方法 |
CN111308416A (zh) * | 2019-11-29 | 2020-06-19 | 北京理工大学 | 基于四阶累积量的近场非圆信源参数估计方法 |
Non-Patent Citations (1)
Title |
---|
李鹏: "欠定无线信道参数估计方法研究", 万方, 15 July 2023 (2023-07-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037007A1 (zh) * | 2022-08-17 | 2024-02-22 | Oppo广东移动通信有限公司 | 一种参数估计二维搜索方法、芯片、设备和存储介质 |
CN116054909A (zh) * | 2022-12-16 | 2023-05-02 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
CN116054909B (zh) * | 2022-12-16 | 2023-08-08 | 广东工业大学 | 一种基于改进型传播算子的卫星通信抗干扰方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Sparsity-inducing direction finding for narrowband and wideband signals based on array covariance vectors | |
Shi et al. | Sparsity-based two-dimensional DOA estimation for coprime array: From sum–difference coarray viewpoint | |
Zhang et al. | Sparsity-based DOA estimation using co-prime arrays | |
Ren et al. | Sinusoidal parameter estimation from signed measurements via majorization–minimization based RELAX | |
CN110109051B (zh) | 基于频控阵的互耦阵列doa估计方法 | |
CN114884841A (zh) | 基于高阶统计和非均匀阵列的欠定参数联合估计方法 | |
CN111707985A (zh) | 基于协方差矩阵重构的off-grid DOA估计方法 | |
CN111239678A (zh) | 一种基于l型阵列的二维doa估计方法 | |
CN109917329B (zh) | 一种基于协方差匹配准则的l型阵列波达方向估计方法 | |
Zhang et al. | Robust beamforming for coherent signals based on the spatial-smoothing technique | |
CN113253192B (zh) | 一种用于非圆信号的互质线阵级联doa估计方法 | |
CN106788655B (zh) | 互耦条件下未知互耦信息的干扰相干稳健波束形成方法 | |
Zhang et al. | Fast and accurate rank selection methods for multistage Wiener filter | |
Qi et al. | Time-frequency DOA estimation of chirp signals based on multi-subarray | |
CN109521393A (zh) | 一种基于信号子空间旋转特性的波达方向估计算法 | |
Steinwandt et al. | Beamspace direction finding based on the conjugate gradient and the auxiliary vector filtering algorithms | |
CN109946663B (zh) | 一种线性复杂度的Massive MIMO目标空间方位估计方法和装置 | |
CN112327292B (zh) | 一种二维稀疏阵列doa估计方法 | |
CN111665469A (zh) | 一种基于空间时频分布的水下多径信号参数估计方法 | |
CN115236589B (zh) | 一种基于协方差矩阵修正的极地冰下doa估计方法 | |
CN115308680A (zh) | 二维doa估计方法、***及计算机可读介质 | |
Tayem et al. | Propagator rooting method direction of arrival estimation based on real data | |
CN114325568A (zh) | 脉冲噪声环境下基于bnc的嵌套阵列非圆信号doa估计方法 | |
CN114047481A (zh) | 一种基于子空间正交性的稳健自适应波束形成方法 | |
Tayem et al. | Capon root-MUSIC-like direction of arrival estimation based on real data |
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 |