CN103200136B - 一种频域超分辨率多径时延估计方法 - Google Patents
一种频域超分辨率多径时延估计方法 Download PDFInfo
- Publication number
- CN103200136B CN103200136B CN201310071995.6A CN201310071995A CN103200136B CN 103200136 B CN103200136 B CN 103200136B CN 201310071995 A CN201310071995 A CN 201310071995A CN 103200136 B CN103200136 B CN 103200136B
- Authority
- CN
- China
- Prior art keywords
- matrix
- frequency domain
- tau
- time delay
- delay 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.)
- Expired - Fee Related
Links
Landscapes
- Noise Elimination (AREA)
Abstract
本发明公开了一种频域超分辨率多径时延估计方法,包括如下步骤:(1)频域信道响应采样;(2)利用采样数据构造Hankle矩阵;(3)利用采样数据分块矩阵X1和X2构造矩阵E和矩EI;(4)构造噪声子空间、模式矢量;(5)搜索多径时延。本发明提供的频域超分辨率多径时延估计方法,在相同信噪比的情况下,具有比传统的多重信号分类(MUSIC)算法还高的时间分辨率,并且不再需要奇异值分解或是特征值分解等计算量较大的矩阵运算操作,让多径时延估计更加实用、简单。
Description
技术领域
本发明涉及无线通信系统中的测距和定位技术,尤其涉及一种在信号频域进行超分辨率多径时延估计的方法。
背景技术
通常在无线传感器网络和蜂窝移动通信系统中,测距和定位技术广泛用于智能交通、生物医疗和工业控制等领域,实现目标定位、病情追踪和故障管理等应用。在所有的这些应用场景中,测距和定位的基础便是精确的时延估计技术,而在多径环境下多径时延的估计至关重要。
传统的超分辨率时延估计算法都是基于矩阵特征分解理论的,其本质是对相关矩阵特征分解后,依据信号子空间矩阵和噪声子空间矩阵的正交特性来得到多径信号的时延估计值。这些算法在信噪比较高的情况下时延估计分辨率都很高,但是,这些方法一般都需要奇异值分解或是特征值分解等计算量较大的矩阵运算操作。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种频域超分辨率多径时延估计方法,能够在信噪比不高的情况下,使时延估计达到较高的分辨率,同时能够避免传统超分辨率时延估计算法的奇异值分解和特征值分解等运算,让多径时延估计更加实用、简单。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种频域超分辨率多径时延估计方法,包括如下步骤:
第一步:频域信道响应采样
在频域利用矢量网络分析仪对信道频域响应进行N点的均匀采样,其采样频率范围为[fL,fH],采样间隔记为△f=(fH-fL)/(N-1),接收到的数据采样点分别为R(0),R(1),...,R(N-1);其中fL为频率下界,fH为频率上界;
第二步:利用采样数据构造Hankle矩阵
将在频域采样得到的N个频域数据组织成为如下的L×(N-L+1)矩阵形式:(L为矩阵X的行数,比N小很多,并且可以变化,控制这计算复杂度和算法精确度)
其中,X1和X2是采样数据分块矩阵,且X1是D×(N-L+1)矩阵,X2是(L-D)×(N-L+1)矩阵,D是多径的传播路径数目,即:
第三步:利用采样数据分块矩阵X1和X2构造矩阵E和矩EI
其中,矩阵I是(L-D)×(L-D)单位矩阵;
第四步:构造噪声子空间、模式矢量
构造噪声子空间矩阵Q=E×EH或QI=EI×EI H以及模式矢量 其中τ为传播路径的传播时延(j为序数符号,相当于虚数中的i);
第五步:搜索多径时延
采用传统的MUSIC算法中的如下搜索方法来估计多径时延:
其中,qi是矩阵Q或者QI的第i列。
下面针对本案给出原理和演算说明。
假设信号r(t)是信号s(t)经过多个不同延时之后的叠加,如下式:
对上式进行傅里叶变换得到:
其中,S(f)是信号s(t)的傅里叶变换,即
在将式(2)的两边同时除以S(f),得到:
很明显,上式就是典型的频率估计问题。可以清楚地看到,其实时域上的时延估计问题经过傅里叶变换之后就会转换成频域上的频率估计问题。因此,很多超分辨率算法都被引进到时延估计问题中来。
在频域利用矢量网络分析仪可以建立如下多径传播信道模型:
其中,H(f)是相应频域中的多径信道响应函数,W(f)是零均值的加性高斯白噪声,D是多径的传播路径数目,αd和τd分别是第d条路径的幅度和传播时延。
既然时域上的时延估计问题与频域上的频率估计问题等价,那么接下来的问题将会转换到频域上来说明。
不失一般性地,假设τ1<τ2...<τD,根据通常的多径传播情况,可以假设α1>α2...>αD。另外,为了问题的简化,假设多径数目D是已知的。
对信道频域响应进行N点的均匀采样,其采样频率范围为[fL,fH],采样间隔记为△f=(fH-fL)/(N-1),接收到的数据采样点分别为R(0),R(1),...,R(N-1);其中fL为频率下界,fH为频率上界;将式(4)离散化:
PM-MUSIC算法
利用式(5)中接收到的数据采样点:R(0),R(1),...,R(N-1),可以得到Hankle矩阵:
将式(6)改写成如下形式:
X=A(τ)×Φ(τ)×Κ+W (7)
其中:
则:
其中:
U=[u0,u1,…,uN-L]
ui=[W(i),W(i+1),…,W(i+L-1)]T
将式(8)中的AL(τ)分成两个分块矩阵,即:
其中,AL1(τ)是D×D矩阵,AL2(τ)是(L-D)×D矩阵。
定义(L-D)×D传播算子矩阵P满足下式:
PHAL1(τ)=AL2(τ) (10)
同样地,将接收到的数据矩阵X和噪声矩阵U分别分成两个分块矩阵,即:
其中,X1、U1是D×(N-L+1)矩阵,X2、U2是(L-D)×(N-L+1)矩阵。
根据式(10)~式(12)可以得到:
将上式中的第一个等式两边同时乘以PH,即:
根据式(13)和式(14)可以得到:
X2-PHX1=U2-PHU1 (15)
接下来,构造矩阵E如下:
其中,矩阵I是(L-D)×(L-D)单位矩阵。
将上述构造的矩阵E的埃尔米特转置与AL(τ)相乘,显然可以得到:
在得到传播算子矩阵P估计值的前提下,构造的矩阵E的估计值便可得到,即:
在加性高斯白噪声环境下,构造的矩阵E并不是正交的,于是引入正交投射矩阵Q来表示噪声子空间矩阵,即:
QAL(τ)=O (20)
其中:
在信号子空间矩阵AL(ω)和噪声子空间矩阵Q都具备的情况下,利用MUSIC算法的搜索方法便可以得到下式:
其中,qi表示噪声子空间矩阵Q的第i列矢量,e表示模式矢量,即
改进型PM-MUSIC算法
不同于PM-MUSIC算法的是,改进型PM-MUSIC算法构造新的矩阵EI,并将其分解为两个分块矩阵EI1和EI2,即:
其中,EI1和EI2分别为D×(N-L+1)矩阵和(L-D)×(N-L+1)矩阵。
令EI2是分块矩阵X2广义逆的埃尔米特转置的负值,即EI2=-(X2 +)H,因此有:
EI HA(τ)=EI1 HA1(τ)+EI2 HA2(τ)=EI1 HA1(τ)-X2 +A2(τ) (24)
其中,(·)+表示矩阵的广义逆。
从而矩阵EI1可以被估计,即:
EI1=argmin||EI1 HX1+EI2 HX2||2
=argmin||EI1 HX1-X2 +X2||2 (25)
=(X1X1 H)+X1(X2 +X2)H
=(X1 H)+(X1 +X1)(X2 +X2)H
根据矩阵广义逆的性质,当矩阵A∈Cm×n,则:
AA+=Im的充分必要条件是rank(A)=m;
A+A=In的充分必要条件是rank(A)=n。
所以,当L≥(N+D+1)/2时,rank(X2)=N-L+1,可以得到X2 +X2=I,否则X2 +X2≠I;同样地,当L≥N-D时,rank(X1)=N-L+1,可以得到X1 +X1=I,否则X1 +X1≠I。在不过多降低性能的情况下,为了进一步降低计算复杂度,可以令EI1=(X1 H)+。
这样一来就获得了矩阵EI的估计值,再构造噪声子空间矩阵QI=EI×EI H和模式矢量
最后,同样采用传统的MUSIC算法中的如下搜索方法来估计多径时延:
其中,qi是矩阵Q或者QI的第i列。
有益效果:本发明提供的频域超分辨率多径时延估计方法,在相同信噪比的情况下,具有比传统的多重信号分类(MUSIC)算法还高的时间分辨率,并且不再需要奇异值分解或是特征值分解等计算量较大的矩阵运算操作,让多径时延估计更加实用、简单。
附图说明
图1为城市多径效应示意图;
图2为本发明方法的流程图;
图3a为改进型PM-MUSIC与PM-MUSIC和MUSIC多径时延估计对比图:τ1=20ns,τ2=40ns,τ3=60ns,τ4=80ns;
图3b为改进型PM-MUSIC与PM-MUSIC和MUSIC多径时延估计对比图:τ1=20ns,τ2=70ns,τ3=120ns,τ4=170ns;
图4a为改进型PM-MUSIC与PM-MUSIC的MSE对比图:信噪比;
图4b为改进型PM-MUSIC与PM-MUSIC的MSE对比图:接收数据数目N;
图4c为改进型PM-MUSIC与PM-MUSIC的MSE对比图:接收数据Hankle矩阵行数L。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为城市多径效应的示意图,针对这种多径效应的一种频域超分辨率多径时延估计方法流程图如图2所示,包括如下步骤:
第一步:频域信道响应采样
在频域利用矢量网络分析仪对信道频域响应进行N点的均匀采样,其采样频率范围为[fL,fH],采样间隔记为△f=(fH-fL)/(N-1),接收到的数据采样点分别为R(0),R(1),...,R(N-1);其中fL为频率下界,fH为频率上界;
第二步:利用采样数据构造Hankle矩阵
将在频域采样得到的N个频域数据组织成为如下的L×(N-L+1)矩阵形式:
其中,X1和X2是采样数据分块矩阵,且X1是D×(N-L+1)矩阵,X2是(L-D)×(N-L+1)矩阵,D是多径的传播路径数目,即:
(28)
第三步:利用采样数据分块矩阵X1和X2构造矩阵E和矩EI
其中,矩阵I是(L-D)×(L-D)单位矩阵;
第四步:构造噪声子空间、模式矢量
构造噪声子空间矩阵Q=E×EH或QI=EI×EI H以及模式矢量 其中τ为传播路径的传播时延;
第五步:搜索多径时延
采用传统的MUSIC算法中的如下搜索方法来估计多径时延:
其中,qi是矩阵Q或者QI的第i列。
仿真结果分析
在以下的仿真实验中,考虑有四条多径,其幅度分别为α1=1,α2=0.8,α3=0.6,α4=0.4,为了进一步说明传统MUSIC算法、PM-MUSIC算法和改进型PM-MUSIC算法的时间分辨率,在不同实验中的时延是并不相同的,另外,频域采样的数据中频率下界fL为1GHz,采样频率间隔△f为2MHz。
如图3(图3a和图3b)所示,仿真实验比较改进型PM-MUSIC算法与传统MUSIC算法以及PM-MUSIC算法的时间分辨率,实验是在高斯白噪声环境下信噪比为20dB的情况下进行的。接收数据数目N为200,传统MUSIC算法中相关矩阵的维数P取20,而PM-MUSIC算法和本案提出的改进型PM-MUSIC算法中的L为25。当τ1=20ns,τ2=40ns,τ3=60ns,τ4=80ns时,传统MUSIC算法有的尖峰不在正确的时延位置上,而且有的位置上的尖峰非常小;PM-MUSIC算法除了在第一个时延点上有明显的尖峰外,其余的时延点上没有尖峰;但是,本案提出的改进型PM-MUSIC算法在每个时延点上都有明显的尖峰。也就是说,前两者的时间分辨率比较低,不能很好的区分各条多径时延,而改进型PM-MUSIC算法能很好的区分每条多径时延。当τ1=20ns,τ2=70ns,τ3=120ns,τ4=170ns时,虽然三种算法在多径时延点上都有尖峰,但是不难发现,除了在第一个时延点上三种算法的尖峰类似以外,在其他的时延点上都是PM-MUSIC算法的尖峰优于传统MUSIC算法,而改进型PM-MUSIC最优。
如图4(图4a、图4b和图4c)所示,分别进行了1000次独立的Monte-Carlo仿真实验,比较PM-MUSIC算法与改进型PM-MUSIC算法在不同参数下的性能。定义MSE为:
不难发现,当信噪比高于0dB时,改进型PM-MUSIC算法要优于PM-MUSIC算法。另外,随着接收数据数目N的不断加大,PM-MUSIC算法的性能提升有限,而改进型的PM-MUSIC提升的性能更为明显,当N等于400的时候该算法的均方误差要小8dB左右。随着接收数据矩阵行数L的不断增加,PM-MUSIC算法与改进型的PM-MUSIC的性能都会有一定程度的改善,但是PM-MUSIC的性能提升得更多。
以上所述仅是本发明的优选实施方式,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,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种频域超分辨率多径时延估计方法,其特征在于:包括如下步骤:
第一步:频域信道响应采样
在频域利用矢量网络分析仪对信道频域响应进行N点的均匀采样,其采样频率范围为[fL,fH],采样间隔记为△f=(fH-fL)/(N-1),接收到的数据采样点分别为R(0),R(1),...,R(N-1);其中fL为频率下界,fH为频率上界,N为大于等于2的正整数;
第二步:利用采样数据构造Hankle矩阵
将在频域采样得到的N个频域数据组织成为如下的L×(N-L+1)矩阵形式:
其中,L为正整数且N≥L,X1和X2是采样数据分块矩阵,且X1是D×(N-L+1)矩阵,X2是(L-D)×(N-L+1)矩阵,D是多径的传播路径数目,D为大于等于2的正整数,即:
第三步:利用采样数据分块矩阵X1和X2构造矩阵E和矩EI
其中,矩阵I是(L-D)×(L-D)单位矩阵;
第四步:构造噪声子空间、模式矢量
构造噪声子空间矩阵Q=E×EH或QI=EI×EI H以及模式矢量 其中τ为传播路径的传播时延;
第五步:搜索多径时延
采用传统的MUSIC算法中的如下搜索方法来估计多径时延:
其中,qi是矩阵Q或者QI的第i列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071995.6A CN103200136B (zh) | 2013-03-07 | 2013-03-07 | 一种频域超分辨率多径时延估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071995.6A CN103200136B (zh) | 2013-03-07 | 2013-03-07 | 一种频域超分辨率多径时延估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103200136A CN103200136A (zh) | 2013-07-10 |
CN103200136B true CN103200136B (zh) | 2015-09-09 |
Family
ID=48722499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310071995.6A Expired - Fee Related CN103200136B (zh) | 2013-03-07 | 2013-03-07 | 一种频域超分辨率多径时延估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103200136B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106301614A (zh) | 2015-06-01 | 2017-01-04 | 富士通株式会社 | 多径时延估计装置、方法以及接收机 |
CN108107322B (zh) * | 2017-12-18 | 2020-01-10 | 桂林电子科技大学 | 一种电力电缆故障测距方法 |
CN110099022B (zh) * | 2018-01-31 | 2020-07-28 | 大唐移动通信设备有限公司 | 多径时延估计方法和装置 |
CN110535801B (zh) | 2019-03-07 | 2022-06-24 | 中兴通讯股份有限公司 | 多径分离方法、装置和存储介质 |
CN110940933B (zh) * | 2019-12-02 | 2022-01-14 | 国网河北省电力有限公司电力科学研究院 | 一种用于测量陡脉冲上升沿起始时刻的综合计算方法 |
CN112034419B (zh) * | 2020-09-08 | 2024-02-06 | 北京邮电大学 | 一种用于5g定位的传播时延估计方法和装置 |
CN115118634B (zh) * | 2021-03-19 | 2023-08-11 | 大唐移动通信设备有限公司 | 传输时延的测量方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101541078A (zh) * | 2008-03-17 | 2009-09-23 | 华为技术有限公司 | 一种tdoa的估计方法、系统和装置 |
CN102131288A (zh) * | 2011-03-30 | 2011-07-20 | 北京交通大学 | 基于超分辨率uwb信号传播时延估计的室内定位方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120258730A1 (en) * | 2010-11-29 | 2012-10-11 | Qualcomm Incorporated | Estimating access terminal location based on beacon signals from femto cells |
-
2013
- 2013-03-07 CN CN201310071995.6A patent/CN103200136B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101541078A (zh) * | 2008-03-17 | 2009-09-23 | 华为技术有限公司 | 一种tdoa的估计方法、系统和装置 |
CN102131288A (zh) * | 2011-03-30 | 2011-07-20 | 北京交通大学 | 基于超分辨率uwb信号传播时延估计的室内定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103200136A (zh) | 2013-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103200136B (zh) | 一种频域超分辨率多径时延估计方法 | |
CN104977558B (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
Liu et al. | Blind high-resolution localization and tracking of multiple frequency hopped signals | |
CN104698433A (zh) | 基于单快拍数据的相干信号doa估计方法 | |
CN103546221B (zh) | 一种宽带相干信号波达角估计方法 | |
CN105954712A (zh) | 联合无线电信号复包络和载波相位信息的多目标直接定位方法 | |
CN108964725B (zh) | 时变大规模mimo网络中信道参数的稀疏估计方法 | |
CN104698430A (zh) | 一种用于提高精度的基于虚拟天线阵列的角度估计方法 | |
CN104991236A (zh) | 一种单基地mimo雷达非圆信号相干源波达方向估计方法 | |
CN110515033A (zh) | 一种基于Toeplitz矩阵恢复的欠通道测向系统及方法 | |
CN104333407A (zh) | 一种信道信息的获取方法及装置 | |
CN111965596A (zh) | 一种基于联合参数估计的低复杂度单锚节点定位方法及装置 | |
CN105223554A (zh) | 基于多普勒三通道联合处理的空时自适应单脉冲测角方法 | |
CN102353930A (zh) | 一种高精度测向阵列结构设计方法 | |
Fesl et al. | Channel estimation based on Gaussian mixture models with structured covariances | |
CN103546191B (zh) | 全域覆盖多波束s-lte的主同步序列干扰抵消检测方法 | |
CN106125039B (zh) | 基于局域联合处理的改进空时自适应单脉冲测角方法 | |
CN104601264A (zh) | 一种适用于高维有限样本条件的多天线频谱感知方法 | |
CN101588190A (zh) | 信道估计方法和装置及相应的基站系统 | |
CN101594322A (zh) | 多天线信道估计方法和装置及相应的基站系统 | |
CN105847196A (zh) | 一种基于DOA的多小区Massive MIMO系统的信道估计方法 | |
CN104363078B (zh) | 基于鲁棒竞争聚类的欠定系统实正交空时分组码盲识别方法 | |
Liu et al. | Reconfigurable intelligent surface enhanced massive connectivity with massive MIMO | |
CN101499816A (zh) | 一种来波到达角的估计方法及装置 | |
Jeon et al. | Superresolution TOA estimation with computational load reduction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150909 Termination date: 20200307 |
|
CF01 | Termination of patent right due to non-payment of annual fee |