CN115549734B - 一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质 - Google Patents
一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质 Download PDFInfo
- Publication number
- CN115549734B CN115549734B CN202211139856.8A CN202211139856A CN115549734B CN 115549734 B CN115549734 B CN 115549734B CN 202211139856 A CN202211139856 A CN 202211139856A CN 115549734 B CN115549734 B CN 115549734B
- Authority
- CN
- China
- Prior art keywords
- received signal
- intelligent
- matrix
- reflecting surface
- estimation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 230000014509 gene expression Effects 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- H04B7/0426—Power distribution
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- 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
-
- 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
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- 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)
- Power Engineering (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于RIS辅助的DoA估计方法、***、装置及存储介质,通过获取用户发送的用于定位的上行导频信号;根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处RIS采用的相控矩阵;将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型;对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式;利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息。本发明采用低复杂度的Joint OMP算法以及改进的流形优化算法,使得DoA估计更加高效,结果更加精确,相比于常用的均匀线阵建模更符合实际,且能同时估计方位角与俯仰角两个参数。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质。
背景技术
智能反射面技术是通过亚波长单元组成的超表面实现的,这些超表面可以调节如振幅、相位、偏振和频率等电磁响应,它们的可编程特性使得智能反射面在无线通信中特别具有吸引力。此外,智能反射面(RIS)还具有低成本、节能、便携等优点,在此背景下,学者们最近研究了智能反射面辅助的用户定位与来角估计问题。目前智能反射面辅助的用户定位方案从电磁波频段可以分为WiFi和毫米波两种场景。
WiFi频段的用户定位普遍采用的是fingerprint(指纹)技术,即测得一个空间中各个位置的RSS(接收信号强度)集合,根据待估计的新用户处接收的fingerprint反馈与集合中元素进行对比,寻找最接近的元素作为位置估计结果。即“AP越多,测量越精确”,智能反射面在WiFi定位中就相当于增加了AP(Access Point)的数目。
在智能反射面辅助的毫米波无线通信中,信道建模常使用几何模型,用户的到达角、距离等待估计参数包含于信道中。智能反射面的相位调控需已知用户位置从而运行波束赋形算法,然而这在智能反射面辅助的DoA估计中似乎互为悖论,因此波束赋形问题与DoA估计问题二者互相耦合。针对此类问题,常采用交替优化(Alternative Optimization,AO)算法去迭代优化两个变量。
在智能反射面端的波束设计阶段,目前研究中常用的优化目标包括:最大化接收机信噪比、最大化接收信号功率、最小化克拉美罗下界(衡量估计误差的下界)、最大化检测概率等。然而智能反射面相位的恒模约束往往使得整个优化问题非凸,传统的SDR(半定松弛)等算法复杂度高、求解速度慢,最新提出的流形优化算法在智能反射面单元数很大时也面临着高计算量等问题。在DoA估计算法方面,大多借鉴了传统阵列信号处理中的MUSIC、GMUSIC、Atomic Norm等算法,此类算法涉及了矩阵特征空间分解,求解过程复杂。
总的来说,目前已有的方案大多采用交替优化实现智能反射面端波束设计与DoA估计两个过程,面临的最大问题是算法复杂度与计算时间太高。此外,在建模方面,目前对智能反射面的建模多为均匀线性阵列,用户位置参数仅包含方位角信息,而真实场景下的智能反射面均为平面阵列,用户位置是包含方位角和俯仰角两个参数的。为了保证短时间内对用户位置的快速响应与估计,亟需提出低复杂度低时延的DoA估计方法。
发明内容
本发明的目的是提供一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质,用以解决现有技术中存在的上述问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供一种基于智能反射面辅助的DoA估计方法,包括:
a、获取用户发送的用于定位的上行导频信号;
b、根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处智能反射面采用的相控矩阵;
c、将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型;
d、对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式;
e、利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息,所述用户位置估计信息包括方位角估计参数和俯仰角估计参数。
在一个可能的设计中,在得到用户位置估计信息后,所述方法还包括:
f、根据用户位置估计信息采用分步流形优化算法进行智能反射面端波束赋形计算,设定优化目标为最大化接收机的接收信号功率;
重复步骤c-f,直至前后两次二维DoA估计的用户位置估计信息结果差值收敛到设定阈值。
在一个可能的设计中,构建的单次时间采样点接收机的接收信号模型为:
其中,yt为接收信号;AΘ,AΦ为用户到智能反射面端的阵列流形矩阵,Θ和Φ分别表征方位角和俯仰角;As为智能反射面端到接收机的阵列流形矩阵;AΘ+BΘΓα,AΦ+BΦΓβ分别为考虑网格偏差后更新的用户到智能反射面端的阵列流形矩阵,BΘ,BΦ各自表征AΘ,AΦ分别对Θ和Φ求导后的结果,Γα和Γβ为考虑虑网格偏差的稀疏对角矩阵;Ωt为智能反射面的相控矩阵;xt为上行导频信号;表征Kronecker乘积运算;nt为高斯噪声,t表征单次采样时间点。
在一个可能的设计中,堆叠后的接收信号模型为:
t∈{1,…,T},1至T分别为各单次采样时间点。
在一个可能的设计中,所述对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式,包括:
记Z=ρ[AsΩ1,...,AsΩT]T,等式两边同乘Z的左逆,并作Vec算子处理,得到更新后的形式:
其中,维度分别为:
利用Kronecker乘积的性质,等式两边脱去Vec算符,得到转换后的接收信号表达式:
式中,矩阵是分块稀疏的,待估计的变量包括稀疏矩阵X,稀疏对角矩阵Γα和Γβ。
在一个可能的设计中,所述设定优化目标为最大化接收机的接收信号功率,包括:
在给定噪声公里情况下,智能反射面端的优化目标设定为最大化接收机的接收信号功率,定义为接收信号的Frobenius范数,即:
maxΩtr[(As(:)jΩAux)(As(:)jΩAux)H]j=1,…,R
其中,下标j表示提取矩阵的第j列,H为设定常数。
第二方面,提供一种基于智能反射面辅助的DoA估计***,包括获取单元、构建单元、堆叠单元、转换单元和估计单元,其中:
获取单元,用于获取用户发送的用于定位的上行导频信号;
构建单元,用于根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处智能反射面采用的相控矩阵;
堆叠单元,用于将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型;
转换单元,用于对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式;
估计单元,用于利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息,所述用户位置估计信息包括方位角估计参数和俯仰角估计参数。
在一个可能的设计中,所述***还包括计算单元,所述计算单元用于根据用户位置估计信息采用分步流形优化算法进行智能反射面端波束赋形计算,并设定优化目标为最大化接收机的接收信号功率。
第三方面,提供一种基于智能反射面辅助的DoA估计装置,包括:
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行第一方面中任意一种所述的方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行第一方面种任意一种所述的方法。同时,还提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行第一方面种任意一种所述的方法。
有益效果:本发明将空域稀疏性引入智能反射面辅助的通信***建模中,充分考虑了智能反射面的微观特性,从入射场和出射场的角度考虑,便于进行更合理的波束赋形设计。本发明将Joint OMP算法创新地引入智能反射面辅助的DoA估计中,可以同时估计二维的方位角和俯仰角,以及相应的网格偏差值,使得DoA估计结果更加精确。本发明可以通过分步式流形优化算法求解多目标优化问题,智能反射面波束赋形目标为最大化接收机的接收信号功率,优化目标不设为最大化接收信号的范数,而是设置一个流形上的初始点,以最大化各个接收机能量为每一次迭代的目标,将步数设置得较小,实现更快的流形优化计算速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中估计方法的适用通信场景示意图;
图2为本发明实施例中估计方法的步骤示意图;
图3为本发明实施例中Joint OMP算法的流程示意图;
图4为本发明实施例中分步流形优化算法的流程示意图;
图5为本发明实施例中黎曼流形最速梯度下降算法示意图;
图6为Joint OMP算法进行DoA估计后真实值与估计值的对比示意图;
图7为智能反射面端进行波束赋形后输出的场强情况示意图;
图8为不同智能反射面维度设置下接收机SNR随迭代次数的变化关系示意图;
图9为角度偏离网格部分的真实值与估计值的对比示意图;
图10为本发明实施例中的***构成示意图。
具体实施方式
在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在实施例中的具体含义。
在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出***,以避免用不必要的细节来使得示例不清楚。在其他实施例中,可以不以非必要的细节来示出众所周知的过程、结构和技术,以避免使得实施例不清楚。
实施例1:
本实施例提供了一种基于智能反射面辅助的DoA估计方法,可应用于如图1所示的通信场景中,有K个待估计的用户,空间中遍布R个接收机(例如无人机)用于协同式DoA估计,假设用户到接收机之间的直射链路受到了阻挡,该方法的目标为估计K个未知用户的方位角和俯仰角。如图2所示,方法包括以下步骤:
S1.获取用户发送的用于定位的上行导频信号。
S2.根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处智能反射面采用的相控矩阵。
具体实施时,智能反射面相控矩阵设为随机,构建的单次时间采样点接收机的接收信号模型为:
其中,yt为接收信号;AΘ,AΦ为用户到智能反射面端的阵列流形矩阵,Θ和Φ分别表征方位角和俯仰角;As为智能反射面端到接收机的阵列流形矩阵;AΘ+BΘΓα,AΦ+BΦΓβ分别为考虑网格偏差后更新的用户到智能反射面端的阵列流形矩阵,BΘ,BΦ各自表征AΘ,AΦ分别对Θ和Φ求导后的结果,Γα和Γβ为考虑虑网格偏差的稀疏对角矩阵;Ωt为智能反射面的相控矩阵;xt为上行导频信号;表征Kronecker乘积运算;nt为高斯噪声,t表征单次采样时间点。
对角度域进行空间的量化,方位角和俯仰角分别划分为P和Q个网格点,则用户到智能反射面端的阵列流形矩阵可分别记为:AΘ,AΦ,其中AΘ=[aa(θ1),…,aa(θP)],θ1~θP为量化后的方位角,AΦ的结构类似。假设智能反射面和接收机的位置已知,智能反射面到接收机的阵列流形矩阵记为As,
为R个接收机的方位角与俯仰角。
为阵列导向矢量,其中:
智能反射面各个单元对电磁波产生相位、幅值调控且默认幅度调控为1,智能反射面尺寸设为M×N,相移矩阵记为Ωt。设传播路径中的噪声为均值为0方差为1的随机高斯白噪声。
由于对角度域进行了网格划分,必然存在量化误差,即真实角度包含在网格上的部分和偏离网格上的部分,记为对导向矢量在网格点处进行一阶泰勒展开,得到:/>其中/>是aa(θi)对θi的求导结果,gM=[0,1,…,M-1]T,⊙表示哈达玛乘积。考虑网格偏差后,AΘ,AΦ更新为:AΘ+BΘΓα,AΦ+BΦΓβ,其中:
AΦ+BΦΓβ结构同理。由于对角度域进行了网格划分,因此只有目标用户所在的位置其偏离网格部分因此Γα和Γβ都是待估计的稀疏对角矩阵。AΘ、BΘ、AΦ和BΦ都是包含所有可能来角的字典矩阵。
S3.将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型。
具体实施时,堆叠后的接收信号模型为:
t∈{1,…,T},1至T分别为各单次采样时间点。
S4.对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式。
具体实施时,记Z=ρ[AsΩ1,…,AsΩT]T,等式两边同乘Z的左逆(为保证其左逆存在,时间采样数需要满足),并作Vec算子处理,得到更新后的形式:
其中,维度分别为:
利用Kronecker乘积的性质,等式两边脱去Vec算符,
在该公式中,矩阵是分块稀疏的,待估计的变量包括:稀疏矩阵X,稀疏对角矩阵Γα和Γβ。
S5.利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息,所述用户位置估计信息包括方位角估计参数和俯仰角估计参数。
具体实施时,根据接收信号表达式,利用如图3所示的Joint OMP算法进行二维DoA估计,得到分块稀疏矩阵的值。X、Γα和Γβ中分别包含了网格点上的角度、偏离网格点的误差值的信息,根据公式:进而得到估计的Θ值,Φ值的计算参照Θ值计算方式。
S6.根据用户位置估计信息采用分步流形优化算法进行智能反射面端波束赋形计算,设定优化目标为最大化接收机的接收信号功率。
具体实施时,根据估计出的方位角和俯仰角(即Θ值和Φ值),进行智能反射面端波束赋形计算,由于DoA估计算法的准确度受信噪比影响较大,因此在噪声公里给定的情况下,智能反射面端的优化目标可以设计为最大化所有接收机的接收信号功率,定义为接收信号的Frobenius范数,即:
maxΩtr[(As(:)jΩAux)(As(:)jΩAux)H]j=1,...,R
其中,下标j表示提取矩阵的第j列,记Bj=(As(:)j)HAs(:)j,C=(Aux)(Aux)H,利用性质:
tr(ΩHBjΩC)=wH(Bj⊙CT)w
上述步骤中的优化问题可以转化为二次型问题:
maxw wHRjw j=1,...,R
s.t.|wi|=1,i=1,2,...,MN
其中,Rj=Bj⊙CT,w=diag(Ω)。对于二次型问题f(w)=wHRw,其关于w的导数为:
此处涉及到流形优化算法中的一些概念:流形上的梯度gradf(x)定位为欧式空间中的梯度在切空间中的投影:
其中,表示取实部。
流形上的传输因子表示流形上两点间切向量的映射,定义式为:
ηk+1=-gradf(xk+1)+βk+1ηk
其中,βk+1由letcher-Reeves公式可计算得到。
定义流形上在点x的收缩算子
其中,α为步长。
由于智能反射面的恒模约束,整个优化问题非凸,求解复杂度高。因此,本实施例中采用的算法为如图4所示的分步流形优化,将欧式空间中的非凸问题转化为黎曼流形上的凸问题,再利用如图5所示的最速梯度下降算法,寻找优化问题的极值点作为最优波束赋形矩阵,重复T次分步流形优化算法,得到T次智能反射面端的相移值Ω1~ΩT,代入下一次迭代过程中。
S7.重复步骤S3-S6,直至前后两次二维DoA估计的用户位置估计信息结果差值收敛到设定阈值。
具体实施时,可重复迭代过程直至前后两次DoA估计结果差值收敛到预设的阈值。本方法所得到的仿真结果如图6至图9所示,图6为Joint OMP算法进行DoA估计后真实值与估计值的对比示意图;图7为智能反射面端进行波束赋形后输出的场强情况,假设有6个接收机,可以看到在目标方向确实出现了波峰,波束赋形取得了很好的效果;图8是在不同智能反射面维度的设置下,接收机SNR随迭代次数的变化关系,可以看到接收机的信噪比随着迭代次数的增加而提高了,说明智能反射面端的波束赋形起到了效果,且迭代次数到3左右算法就达到了收敛;图9为角度偏离网格部分的真实值与估计值的对比示意图。
本实施例将角度域进行网格划分,例如未知用户的方位角、俯仰角可在内进行间隔为1度的等间距划分。考虑到用户个数有限,而且其数目往往远小于空间量化数,因此入射信号在网格划分后的角度域是稀疏的。信号的稀疏性为DoA估计问题提供了求解新思路,因此,本实施例提出的方法主要采用了低复杂度的Joint OMP算法以及改进的流形优化算法,二者的共同优点为计算度复杂度低、计算时间短。本方法适用的通信场景为平面阵列智能反射面,相比于目前常用的均匀线阵建模更符合实际,且能同时估计方位角与俯仰角两个参数。
实施例2:
本实施例提供了一种基于智能反射面辅助的DoA估计装置,如图10所示,包括获取单元、构建单元、堆叠单元、转换单元和估计单元,其中:
获取单元,用于获取用户发送的用于定位的上行导频信号;
构建单元,用于根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处智能反射面采用的相控矩阵;
堆叠单元,用于将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型;
转换单元,用于对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式;
估计单元,用于利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息,所述用户位置估计信息包括方位角估计参数和俯仰角估计参数。
进一步地,所述***还包括计算单元,所述计算单元用于根据用户位置估计信息采用分步流形优化算法进行智能反射面端波束赋形计算,并设定优化目标为最大化接收机的接收信号功率。
实施例3:
本实施例提供另一种基于智能反射面辅助的DoA估计装置,在硬件层面,包括:
数据接口,用于建立处理器与处理终端微处理器的数据对接;
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行实施例1中的估计方法。
可选地,该装置还包括内部总线。处理器与存储器和显示器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
所述存储器可以但不限于包括随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等。所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4:
本实施例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上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行实施例1中的估计方法,其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程***。本实施例还提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行实施例1中的估计方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程***。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于智能反射面辅助的DoA估计方法,其特征在于,包括:
a、获取用户发送的用于定位的上行导频信号;
b、根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处智能反射面采用的相控矩阵,构建的单次时间采样点接收机的接收信号模型为:
其中,yt为接收信号;AΘ,AΦ为用户到智能反射面端的阵列流形矩阵,Θ和Φ分别表征方位角和俯仰角;As为智能反射面端到接收机的阵列流形矩阵;AΘ+BΘΓα,AΦ+BΦΓβ分别为考虑网格偏差后更新的用户到智能反射面端的阵列流形矩阵,BΘ,BΦ各自表征AΘ,AΦ分别对Θ和Φ求导后的结果,Γα和Γβ为考虑虑网格偏差的稀疏对角矩阵;Ωt为智能反射面的相控矩阵;xt为上行导频信号;表征Kronecker乘积运算;nt为高斯噪声,t表征单次采样时间点;
c、将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型,堆叠后的接收信号模型为:
t∈{1,…,T},1至T分别为各单次采样时间点;
d、对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式,包括:
记Z=ρ[AsΩ1,...,AsΩT]T,等式两边同乘Z的左逆,并作Vec算子处理,得到更新后的形式:
其中,x=vec(X),维度分别为:/>
利用Kronecker乘积的性质,等式两边脱去Vec算符,得到转换后的接收信号表达式:
式中,矩阵是分块稀疏的,待估计的变量包括稀疏矩阵X,稀疏对角矩阵Γα和Γβ;
e、利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息,所述用户位置估计信息包括方位角估计参数和俯仰角估计参数。
2.根据权利要求1所述的一种基于智能反射面辅助的DoA估计方法,其特征在于,在得到用户位置估计信息后,所述方法还包括:
f、根据用户位置估计信息采用分步流形优化算法进行智能反射面端波束赋形计算,设定优化目标为最大化接收机的接收信号功率;
重复步骤c-f,直至前后两次二维DoA估计的用户位置估计信息结果差值收敛到设定阈值。
3.一种基于智能反射面辅助的DoA估计***,其特征在于,包括获取单元、构建单元、堆叠单元、转换单元和估计单元,其中:
获取单元,用于获取用户发送的用于定位的上行导频信号;
构建单元,用于根据上行导频信号构建各单次时间采样点接收机的接收信号模型,接收机的接收信号模型包含对应单次时间采样点处智能反射面采用的相控矩阵,构建的单次时间采样点接收机的接收信号模型为:
其中,yt为接收信号;AΘ,AΦ为用户到智能反射面端的阵列流形矩阵,Θ和Φ分别表征方位角和俯仰角;As为智能反射面端到接收机的阵列流形矩阵;AΘ+BΘΓα,AΦ+BΦΓβ分别为考虑网格偏差后更新的用户到智能反射面端的阵列流形矩阵,BΘ,BΦ各自表征AΘ,AΦ分别对Θ和Φ求导后的结果,Γα和Γβ为考虑虑网格偏差的稀疏对角矩阵;Ωt为智能反射面的相控矩阵;xt为上行导频信号;表征Kronecker乘积运算;nt为高斯噪声,t表征单次采样时间点;
堆叠单元,用于将各单次时间采样点接收机的接收信号模型进行堆叠,得到堆叠后的接收信号模型,堆叠后的接收信号模型为:
t∈{1,…,T},1至T分别为各单次采样时间点;
转换单元,用于对堆叠后的接收信号模型进行运算转换处理,得到转换后的接收信号表达式,包括:
记Z=ρ[AsΩ1,...,AsΩT]T,等式两边同乘Z的左逆,并作Vec算子处理,得到更新后的形式:
其中,x=vec(X),维度分别为:/>
利用Kronecker乘积的性质,等式两边脱去Vec算符,得到转换后的接收信号表达式:
式中,矩阵是分块稀疏的,待估计的变量包括稀疏矩阵X,稀疏对角矩阵Γα和Γβ;
估计单元,用于利用Joint OMP算法对接收信号表达式进行二维DoA估计,得到用户位置估计信息,所述用户位置估计信息包括方位角估计参数和俯仰角估计参数。
4.根据权利要求3所述的一种基于智能反射面辅助的DoA估计***,其特征在于,所述***还包括计算单元,所述计算单元用于根据用户位置估计信息采用分步流形优化算法进行智能反射面端波束赋形计算,并设定优化目标为最大化接收机的接收信号功率。
5.一种基于智能反射面辅助的DoA估计装置,其特征在于,包括:
存储器,用于存储指令;
处理器,用于读取所述存储器中存储的指令,并根据指令执行权利要求1所述的方法。
6.一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上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139856.8A CN115549734B (zh) | 2022-09-19 | 2022-09-19 | 一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139856.8A CN115549734B (zh) | 2022-09-19 | 2022-09-19 | 一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115549734A CN115549734A (zh) | 2022-12-30 |
CN115549734B true CN115549734B (zh) | 2024-01-09 |
Family
ID=84727492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211139856.8A Active CN115549734B (zh) | 2022-09-19 | 2022-09-19 | 一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115549734B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866726A (zh) * | 2020-06-30 | 2020-10-30 | 中兴通讯股份有限公司 | 接收装置的定位方法及装置、***、存储介质和电子装置 |
CN111983560A (zh) * | 2020-08-05 | 2020-11-24 | 北京理工大学 | 一种双可重构智能表面辅助的毫米波单基站定位方法 |
CN112910807A (zh) * | 2021-02-04 | 2021-06-04 | 华中科技大学 | 一种基于空间随机采样的智能超表面信道估计方法及*** |
CN113225275A (zh) * | 2021-04-25 | 2021-08-06 | 杭州电子科技大学 | 基于定位信息辅助的信道估计方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102192234B1 (ko) * | 2019-10-28 | 2020-12-17 | 성균관대학교 산학협력단 | 지능형 반사 평면을 포함하는 무선 통신 시스템의 통신 방법 및 이를 위한 장치 |
-
2022
- 2022-09-19 CN CN202211139856.8A patent/CN115549734B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866726A (zh) * | 2020-06-30 | 2020-10-30 | 中兴通讯股份有限公司 | 接收装置的定位方法及装置、***、存储介质和电子装置 |
CN111983560A (zh) * | 2020-08-05 | 2020-11-24 | 北京理工大学 | 一种双可重构智能表面辅助的毫米波单基站定位方法 |
CN112910807A (zh) * | 2021-02-04 | 2021-06-04 | 华中科技大学 | 一种基于空间随机采样的智能超表面信道估计方法及*** |
CN113225275A (zh) * | 2021-04-25 | 2021-08-06 | 杭州电子科技大学 | 基于定位信息辅助的信道估计方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115549734A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109051B (zh) | 基于频控阵的互耦阵列doa估计方法 | |
Zhu et al. | Sparsity-cognizant total least-squares for perturbed compressive sampling | |
CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
CN110045323B (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
CN108683619B (zh) | 一种低复杂度的大规模mimo信道参数估计方法 | |
CN110412499B (zh) | 基于压缩感知理论下的rss算法的宽带doa估计算法 | |
CN114124623B (zh) | 一种无线通信信道估计方法和装置 | |
CN112487703B (zh) | 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法 | |
CN109946643B (zh) | 基于music求解的非圆信号波达方向角估计方法 | |
CN115856767B (zh) | 一种可重构智能超表面辅助的波到达方向估计方法 | |
CN115549734B (zh) | 一种基于智能反射面辅助的DoA估计方法、***、装置及存储介质 | |
CN117200745A (zh) | 基于分数时延滤波器解析配置的宽带波束合成方法及装置 | |
CN111551892A (zh) | 一种稳健自适应波束形成方法及装置 | |
CN115236589B (zh) | 一种基于协方差矩阵修正的极地冰下doa估计方法 | |
CN114706056B (zh) | 基于协方差拟合的毫米波雷达高分辨测角方法、装置和介质 | |
Mahata | A subspace algorithm for wideband source localization without narrowband filtering | |
Anughna et al. | Antenna reconfiguration based DOA estimation for AWGN channel in MIMO applications | |
He et al. | Biologically inspired direction‐finding for short baseline | |
CN114966523A (zh) | 大规模mimo测向中基于幂迭代算法的doa估计方法 | |
CN114706078A (zh) | 基于数字信号处理的太赫兹合成孔径雷达成像***及方法 | |
Pan et al. | Wideband direction-of-arrival estimation with arbitrary array via coherent annihilating | |
Gray et al. | Estimation of structured covariances with application to array beamforming | |
Wu et al. | A direction finding method for spatial optical beam-forming network based on sparse Bayesian learning | |
Franek et al. | Application of numerical dispersion compensation of the Yee-FDTD algorithm on elongated domains | |
CN116879835B (zh) | 一种投影最小最大凹函数波达方向估计方法和装置 |
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 |