CN110995626B - 并发信道参数估计方法、系统、电子设备和存储介质 - Google Patents
并发信道参数估计方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110995626B CN110995626B CN201910965135.4A CN201910965135A CN110995626B CN 110995626 B CN110995626 B CN 110995626B CN 201910965135 A CN201910965135 A CN 201910965135A CN 110995626 B CN110995626 B CN 110995626B
- Authority
- CN
- China
- Prior art keywords
- signal
- concurrent
- tags
- channel parameter
- sampling points
- 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
Images
Classifications
-
- 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
-
- 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
Abstract
本发明实施例提供并发信道参数估计方法、系统、电子设备和存储介质。该方法包括:获取若干并发标签发送的信号集合;基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。本发明实施例通过对并发标签发送的碰撞信号进行复平面域信号的转换,根据信号在复平面域的运动轨迹提取信号强度和信号相位,再根据分簇算法进行信道参数的粗估计,并进一步通过梯度下降算法对粗略估计进行优化,得到精确的信道参数估计结果,实现了无需对并发标签信号进行拆分,能精确还原每个标签的信道参数。
Description
技术领域
本发明涉及通信技术领域,尤其涉及并发信道参数估计方法、系统、电子设备和存储介质。
背景技术
近年,随着物联网技术的快速发展,射频识别技术(Radio FrequencyIdentification,RFID)越来越受到人们的重视,被视为本世纪最具潜力的技术之一。除了作为条码技术的替代被应用于仓储管理、电子支付、访问控制、物流追踪等场景,射频识别技术同时被认为能够替代传统的传感器(如惯性传感器、温湿度传感器等),实现超低代价、超低功耗的目标定位及追踪、行为识别、温湿度感知等应用,即无源感知。
然而,尽管基于射频识别的无源感知技术发展的如火如荼,可是至今为止还并未发现有大量企业将该技术应用于物联网系统中,其原因在于无源感知网络的低吞吐率使得其无法支持高精度的感知应用。具体而言,在无源感知系统中,被感知目标状态是通过无源设备信号的信道参数(如信号相位和信号强度)推算出的,感知系统对目标状态的感知速度很大程度取决于无源感知网络的吞吐率,无源感知网络过低的吞吐率将直接导致感知系统对感知目标的欠采样,从而导致较高的感知误差。造成无源感知网络低吞吐率的主要原因是无源感知设备(即射频标签)无法对信道资源进行合理利用。具体而言,无源感知设备低功耗的设计使得其无法支持高能耗的信道侦听技术,因此在进行信道接入控制时只能采用集中式的时分复用技术,由读写器控制无源设备进行信道接入。这种技术将信道在时间维度上划分成若干个时间槽,由设备选择随机的时间槽接入信道。为了避免碰撞,时间槽的个数需要远远高于设备个数,从而带来了严重的信道资源浪费。尤其是当网络环境中部署了成百上千的无源设备时,这种基于时分复用的信道接入方式必然会导致极低的网络吞吐。
针对这一问题,研究人员近年来提出了许多碰撞信号分解技术。这些技术能够从多个标签的碰撞信号中拆分出各个标签的信号。比如MIT的Dina Katabi于2012年提出的BUZZ技术。该技术将多个设备的碰撞当作是对信号的一种稀疏编码,并通过压缩感知技术来分离并解码出每一个设备的信号。比如UMASS的Deepak Ganesan于2015年提出的LF-Backscatter技术以及NTU的Mo Li于同年提出的BiGroup技术。这两种技术均是通过观察碰撞信号在复平面域或时间域的位置及跳变时间特征进行信号分离及解码。然而,以上这些技术无法直接应用于无源感知场景。其具体原因为:虽然这些技术能够从碰撞信号中分离出各个标签的信号,然而信号在碰撞过程中的二次干扰以及碰撞信号的频繁跳变导致的信号极度不稳定性会导致拆分后的信号相比于碰撞前的信号产生形变,这种形变将进一步导致信道参数的计算错误,从而带来感知误差。
发明内容
本发明实施例提供并发信道参数估计方法、系统、电子设备和存储介质,用以解决现有技术中针对无源设备信号的信道参数的推算结果精度较低,且对应的感知系统受限于无源感知网络的低吞吐率而导致对感知目标产生较高感知误差的缺陷。
第一方面,本发明实施例提供并发信道参数估计方法,包括:
获取若干并发标签发送的信号集合;
基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;
获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。
优选地,所述基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果,之前还包括:
对所述信号采样点进行预分簇,并识别所述信号采样点状态。
优选地,所述基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果,具体包括:
将所述信号集合转换为复平面域信号,得到若干个信号采样点;
采用分簇算法将所述若干个信号采样点分成若干个簇;
当所有标签均处于未发送信息状态时,若所述若干个簇中的其中一个簇获取到所有信号,则将所述其中一个簇记为根簇;
计算所述若干个簇之间的转移概率,得到任意两个簇之间的转移概率集合;
基于所述转移概率集合,获取与所述若干个簇中每个簇具有最高转移概率的邻居簇集合;
基于所述邻居簇集合,分别获取所述根簇及所述根簇所有邻居簇的密度峰值位置;
将所述根簇的密度峰值位置和所述根簇所有邻居簇的密度峰值位置进行连接,得到所述若干并发标签的信道参数粗估计结果。
优选地,所述将所述信号集合转换为复平面域信号,得到若干个信号采样点,具体包括:
将所述信号集合中的每个信号的信号强度和相位分别采用复数表示;
获取每两个信号之间的干扰信号集合,将所述干扰信号集合中的每个干扰信号的信号强度和相位分别采用复数表示。
优选地,所述获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果,具体包括:
基于所述信道参数粗估计结果生成信号轨迹,获取所述若干个信号采样点到所述信号轨迹的若干距离,基于损失函数计算所述若干距离的损失值,提取具有最小损失值的若干距离集合;
基于所述梯度下降算法,对所述若干距离集合中的若干信号采样点进行搜索优化,得到所述若干信号采样点的下降梯度集合;
基于所述下降梯度集合,对所述信道参数粗估计结果进行更新,若任一信号的信号强度小于强度预设阈值,若任一信号的相位小于相位预设阈值,则停止更新,得到所述信道参数优化估计结果,否则执行新的更新步骤。
优选地,所述获取若干并发标签发送的信号集合,还包括:
所述信号集合中的单个信号包括所述单个信号在复平面域的运动轨迹线段,所述运动轨迹线段包括所述单个信号稳定在低电平的信号采样点、所述单个信号稳定在高电平的信号采样点以及所述单个信号在所述低电平和高电平之间转移时的信号采样点。
第二方面,本发明实施例提供并发信道参数估计系统,包括:
获取模块,用于获取若干并发标签发送的信号集合;
初始化模块,用于基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;
优化模块,用于获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。
优选地,该系统还包括:
预处理模块,用于对所述信号采样点进行预分簇,并识别所述信号采样点状态。
第三方面,本发明实施例提供电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述并发信道参数估计方法的步骤。
第四方面,本发明实施例提供非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述并发信道参数估计方法的步骤。
本发明实施例提供的并发信道参数估计方法、系统、电子设备和存储介质,通过对并发标签发送的碰撞信号进行复平面域信号的转换,根据信号在复平面域的运动轨迹提取信号强度和信号相位,再根据分簇算法进行信道参数的粗估计,并进一步通过梯度下降算法对粗略估计进行优化,得到精确的信道参数估计结果,实现了无需对并发标签信号进行拆分,能精确还原每个标签的信道参数。
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为本发明实施例提供的无二次干扰情况下标签碰撞信号轨迹图;
图2为本发明实施例提供的二次干扰影响下两个标签碰撞信号轨迹图;
图3为本发明实施例提供的三个标签碰撞时的信号轨迹及采样点图;
图4为本发明实施例提供的并发信道参数估计方法流程图;
图5为本发明实施例提供的并发信道参数估计系统结构图;
图6为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中针对无源设备信号的信道参数的推算结果精度较低,且对应的感知系统受限于无源感知网络的低吞吐率而导致对感知目标的欠采样,从而导致产生较高的感知误差。
本发明提出并发信道参数估计方法,该方法无需对信号进行分拆,并能够直接根据碰撞信号在复平面域轨迹的几何特征还原出每个标签的信道参数。
通过研究发现,虽然碰撞信号本身在复平面域的位置特征无法准确表征信道参数信息,信号在复平面域的运动轨迹却暗含了每个标签的信道参数值。图1为本发明实施例提供的无二次干扰情况下标签碰撞信号轨迹图,如图1所示,(a)为单个标签在复平面域的信号,该信号轨迹构成了一条线段,并由三个部分组成:信号稳定在低电平以及高电平状态的采样点所组成的信号簇(记做“L”及“H”),以及信号在两个电平之间转移时的采样点,本发明实施例将信号簇上的点称作稳定采样点,而落在转移路径上的点称作转移采样点。根据信号传输理论,该线段的长度和方向分别代表了信号的两个信道参数,即信号强度和信号相位。当两个标签的信号发生碰撞时,由于信号线性叠加的特征,信号轨迹在复平面域构成一个平行四边形,如图1的(b)所示,该平行四边形的四个顶点簇代表两个标签的四个组合电平状态,即“LL”,“LH”,“HL”及“HH”。两对平行边分别表示两个标签的信道参数,以此类推,当N个标签并发进行信号传输时,信号轨迹图由N组平行且相等的边构成,每组包含2N-1条边,总共有2N个组合电平状态,其中,N组边分别代表这N个标签的信道参数信息。图1的(c)为三个标签的碰撞信号轨迹。
图1所示的情形为并没有考虑各个标签之间的相互干扰,实际上当标签之间的距离比较近时,标签彼此之间会产生相互干扰,此时,标签的信号将不再满足线性叠加原理,从而导致其轨迹发生形变。图2为本发明实施例提供的二次干扰影响下两个标签碰撞信号轨迹图,如图2所示,为两个距离较近的标签叠加信号,其信号轨迹将不再形成一个平行四边形,同时其信号轨迹的偏移量主要取决于两个标签之间的干扰强度。
其中,所述将所述信号集合转换为复平面域信号,得到若干个信号采样点,具体包括:
将所述信号集合中的每个信号的信号强度和相位分别采用复数表示;
获取每两个信号之间的干扰信号集合,将所述干扰信号集合中的每个干扰信号的信号强度和相位分别采用复数表示。
具体而言,假设第i个并发标签的信号为si,所述信号si的强度及相位分别为αi和θi,并假设两个标签i和j之间干扰信号的信号强度及相位分别为αi,j和θi,j,则I(i)和Q(i)表示为:
式中,i≠j,根据公式(1),利用信号采样点的轨迹反推出各个标签的信道参数信息,即αi和θi。
图4为本发明实施例提供的并发信道参数估计方法流程图,如图4所示,包括:
S1,获取若干并发标签发送的信号集合;
S2,基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;
S3,获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。
其中,所述基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果,之前还包括:
对所述信号采样点进行预分簇,并识别所述信号采样点状态。
具体地,首先获取接收到若干并发标签发送的信号的集合,再根据采样点的位置分布对各标签的信道参数进行初步粗略估计,前提是信号采样点已经完成分簇,且信号采样点状态已经被获取的情况下,此步骤可采用现有的并发解码技术来完成,得到若干并发标签的信道参数粗估计结果后,进一步对该信道参数粗估计结果进行优化,优化算法采用梯度下降算法,最后得到信道参数的优化估计结果。
本发明实施例通过对并发标签发送的碰撞信号进行信道参数的粗估计,并进一步通过梯度下降算法对粗略估计进行优化,得到精确的信道参数估计结果,实现了无需对并发标签信号进行拆分,能精确还原每个标签的信道参数。
基于上述实施例,所述基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果,具体包括:
将所述信号集合转换为复平面域信号,得到若干个信号采样点;
采用分簇算法将所述若干个信号采样点分成若干个簇;
当所有标签均处于未发送信息状态时,若所述若干个簇中的其中一个簇获取到所有信号,则将所述其中一个簇记为根簇;
计算所述若干个簇之间的转移概率,得到任意两个簇之间的转移概率集合;
基于所述转移概率集合,获取与所述若干个簇中每个簇具有最高转移概率的邻居簇集合;
基于所述邻居簇集合,分别获取所述根簇及所述根簇所有邻居簇的密度峰值位置;
将所述根簇的密度峰值位置和所述根簇所有邻居簇的密度峰值位置进行连接,得到所述若干并发标签的信道参数粗估计结果。具体地,获取若干并发标签发送的信号,将信号转换为复平面域信号,复平面域记为IQ域,其中,复平面域展示的是信号的复数形式。在复平面域中,横轴I和纵轴Q分别代表了信号在实部和虚部的分量;将第i个信号采样点记为(I(i),Q(i)),I(i)表示第i个信号采样点在IQ域中I坐标的值,Q(i)表示第i个信号采样点在IQ域中Q坐标的值;
此处,利用现有分簇算法DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)将采样点分为Nc个簇;
当所有标签都处于未发送信息状态时,若在簇Ck中获取到所有信号,则将簇Ck记为根簇Croot;
此处,当所有标签都处于“睡眠”状态,即标签没有信息需要发送的时候,如果这时所有的信号落在簇Ck中,将簇Ck识别为根簇,记做Croot,根簇的电平组合为[L,L,…,L];
获取N个并发标签,将与簇Ck之间具有最高转移概率的N个簇作为邻居簇,记为Cnei(Ck);
此处,构建簇之间的连接,以N个标签并发传输为例,每一个簇Ck会有N个簇作为其邻居簇,这里将Ck的邻居簇记为Cnei(Ck),将那些与Ck转移概率最高的N个簇识别为Cnei(Ck);
获取任意一个簇Ck,获取其中信号采样点i,计算以i所在点(I(i),Q(i))为中心,d为半径的圆中采样点个数,将采样点个数作为信号采样点i的本地密度,记为dens(i),其中:
式中,Imax和Qmax分别为Ci所占面积在I轴及Q轴的最大值,Imin和Qmmn分别为Ci所占面积在I轴及Q轴的最小值,∈为调节d大小的参数,簇Ck的密度峰值位置为密度最大的采样点imax的位置坐标I(imax),Q(imax);
计算N个并发标签的初始信道参数,连接Croot的密度峰值位置与Croot所有邻居簇Cnei(Croot)的密度峰值位置,得到N条线段,其中,N条线段与I轴正方向的夹角即为N条线段所表示的N个并发标签的相位初始值,N条线段的长度即为N条线段所表示的N个并发标签的信号强度初始值。
本发明实施例通过利用分簇算法DBSCAN对转换至复平面域的信号采样点进行分簇处理,识别出信号参数的粗略估计结果,提升了信号识别准确率。
基于上述任一实施例,所述获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果,具体包括:
基于所述信道参数粗估计结果生成信号轨迹,获取所述若干个信号采样点到所述信号轨迹的若干距离,基于损失函数计算所述若干距离的损失值,提取具有最小损失值的若干距离集合;
基于所述梯度下降算法,对所述若干距离集合中的若干信号采样点进行搜索优化,得到所述若干信号采样点的下降梯度集合;
基于所述下降梯度集合,对所述信道参数粗估计结果进行更新,若任一信号的信号强度小于强度预设阈值,及任一信号的相位小于相位预设阈值,则停止更新,得到所述信道参数优化估计结果,否则执行新的更新步骤。
具体地,基于信道参数粗估计结果生成信号轨迹,计算各信号采样点i到信号轨迹的距离dist(i),假设信号轨迹由G=N·2N-1条线段构成,则dist(i)为:
dist(i)=min{dist1(i),…,distg(i),…,distG(i)},
式中,distg(i)代表第i个信号采样点到第g个线段的距离,min{·}为取最小值函数,则损失函数为:
此处,利用公式(1)以及粗估计获得的各个标签的信道参数初始值生成信号轨迹,如图3所示,为三个标签碰撞时的信号轨迹及采样点;
对任一参数αi或θi,计算αj或θi的当前值与上一轮值的差值:
本发明实施例采用梯度下降算法对信号参数出估计结果进行优化迭代,得到预设阈值范围内的优化结果,进一步提升了信号识别准确率。
基于上述任一实施例,所述获取若干并发标签发送的信号集合,还包括:
所述信号集合中的单个信号包括所述单个信号在复平面域的运动轨迹线段,所述运动轨迹线段包括所述单个信号稳定在低电平的信号采样点、所述单个信号稳定在高电平的信号采样点以及所述单个信号在所述低电平和高电平之间转移时的信号采样点。
本发明实施例通过对信号运动轨迹进行复平面域分解,通过三种状态的信号采样点进一步细化了信号的状态,为信号后续处理提供可量化的值。
图5为本发明实施例提供的并发信道参数估计系统结构图,如图5所示,包括:获取模块51、初始化模块52和优化模块53;其中:
获取模块51用于获取若干并发标签发送的信号集合;初始化模块52用于基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;优化模块53用于获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过对并发标签发送的碰撞信号进行信道参数的粗估计,并进一步通过梯度下降算法对粗略估计进行优化,得到精确的信道参数估计结果,实现了无需对并发标签信号进行拆分,能精确还原每个标签的信道参数。
基于上述任一实施例,该系统还包括预处理模块54,预处理模块54用于对所述信号采样点进行预分簇,并识别所述信号采样点状态。
基于上述任一实施例,所述初始化模块52包括:收集子模块521、分簇子模块522、识别子模块523、转移子模块524、获取子模块525、密度搜索子模块526和连接子模块527;其中:
收集子模块521用于将所述信号集合转换为复平面域信号,得到若干个信号采样点;分簇子模块522用于采用分簇算法将所述若干个信号采样点分成若干个簇;识别子模块523用于当所有标签均处于未发送信息状态时,若所述若干个簇中的其中一个簇获取到所有信号,则将所述其中一个簇记为根簇;转移子模块524用于计算所述若干个簇之间的转移概率,得到任意两个簇之间的转移概率集合;获取子模块525用于基于所述转移概率集合,获取与所述若干个簇中每个簇具有最高转移概率的邻居簇集合;密度搜索子模块526用于基于所述邻居簇集合,分别获取所述根簇及所述根簇所有邻居簇的密度峰值位置;连接子模块527用于将所述根簇的密度峰值位置和所述根簇所有邻居簇的密度峰值位置进行连接,得到所述若干并发标签的信道参数粗估计结果。
本发明实施例通过利用分簇算法DBSCAN对转换至复平面域的信号采样点进行分簇处理,识别出信号参数的粗略估计结果,提升了信号识别准确率。
基于上述任一实施例,所述优化模块53包括损失函数计算子模块531、梯度计算子模块532和更新子模块533;其中:
损失函数计算子模块531用于基于所述信道参数粗估计结果生成信号轨迹,获取所述若干个信号采样点到所述信号轨迹的若干距离,基于损失函数计算所述若干距离的损失值,提取具有最小损失值的若干距离集合;梯度计算子模块532用于基于所述梯度下降算法,对所述若干距离集合中的若干信号采样点进行搜索优化,得到所述若干信号采样点的下降梯度集合;更新子模块533用于基于所述下降梯度集合,对所述信道参数粗估计结果进行更新,若任一信号的信号强度小于强度预设阈值,及任一信号的相位小于相位预设阈值,则停止更新,得到所述信道参数优化估计结果,否则执行新的更新步骤。
本发明实施例通过对信号运动轨迹进行复平面域分解,通过三种状态的信号采样点进一步细化了信号的状态,为信号后续处理提供可量化的值。
基于上述任一实施例,所述获取模块51还用于所述信号集合中的单个信号包括所述单个信号在复平面域的运动轨迹线段,所述运动轨迹线段包括所述单个信号稳定在低电平的信号采样点、所述单个信号稳定在高电平的信号采样点以及所述单个信号在所述低电平和高电平之间转移时的信号采样点。
图6示例了电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:获取若干并发标签发送的信号集合;基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取若干并发标签发送的信号集合;基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.并发信道参数估计方法,其特征在于,包括:
获取若干并发标签发送的信号集合;
基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;
获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果;
所述基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果,具体包括:
将所述信号集合转换为复平面域信号,得到若干个信号采样点;
采用分簇算法将所述若干个信号采样点分成若干个簇;
当所有标签均处于未发送信息状态时,若所述若干个簇中的其中一个簇获取到所有信号,则将所述其中一个簇记为根簇;
计算所述若干个簇之间的转移概率,得到任意两个簇之间的转移概率集合;
基于所述转移概率集合,获取与所述若干个簇中每个簇具有最高转移概率的邻居簇集合;
基于所述邻居簇集合,分别获取所述根簇及所述根簇所有邻居簇的密度峰值位置;
将所述根簇的密度峰值位置和所述根簇所有邻居簇的密度峰值位置进行连接,得到所述若干并发标签的信道参数粗估计结果;
所述获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果,具体包括:
基于所述信道参数粗估计结果生成信号轨迹,获取所述若干个信号采样点到所述信号轨迹的若干距离,基于损失函数计算所述若干距离的损失值,提取具有最小损失值的若干距离集合;
基于所述梯度下降算法,对所述若干距离集合中的若干信号采样点进行搜索优化,得到所述若干信号采样点的下降梯度集合;
基于所述下降梯度集合,对所述信道参数粗估计结果进行更新,若任一信号的信号强度小于强度预设阈值,或任一信号的相位小于相位预设阈值,则停止更新,得到所述信道参数优化估计结果,否则执行新的更新步骤。
2.根据权利要求1所述的并发信道参数估计方法,其特征在于,所述基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果,之前还包括:
对所述信号采样点进行预分簇,并识别所述信号采样点状态。
3.根据权利要求1所述的并发信道参数估计方法,其特征在于,所述将所述信号集合转换为复平面域信号,得到若干个信号采样点,具体包括:
将所述信号集合中的每个信号的信号强度和相位分别采用复数表示;
获取每两个信号之间的干扰信号集合,将所述干扰信号集合中的每个干扰信号的信号强度和相位分别采用复数表示。
4.根据权利要求1所述的并发信道参数估计方法,其特征在于,所述获取若干并发标签发送的信号集合,还包括:
所述信号集合中的单个信号包括所述单个信号在复平面域的运动轨迹线段,所述运动轨迹线段包括所述单个信号稳定在低电平的信号采样点、所述单个信号稳定在高电平的信号采样点以及所述单个信号在所述低电平和高电平之间转移时的信号采样点。
5.并发信道参数估计系统,其特征在于,包括:
获取模块,用于获取若干并发标签发送的信号集合;
初始化模块,用于基于信号采样点的位置分布,对所述信号集合的信道参数进行初始化估计,得到所述若干并发标签的信道参数粗估计结果;
优化模块,用于获取梯度下降算法,对所述信道参数粗估计结果进行优化,得到所述若干并发标签的信道参数优化估计结果;
所述初始化模块具体包括:
收集子模块,用于将所述信号集合转换为复平面域信号,得到若干个信号采样点;
分簇子模块,用于采用分簇算法将所述若干个信号采样点分成若干个簇;
识别子模块,用于当所有标签均处于未发送信息状态时,若所述若干个簇中的其中一个簇获取到所有信号,则将所述其中一个簇记为根簇;
转移子模块,用于计算所述若干个簇之间的转移概率,得到任意两个簇之间的转移概率集合;
获取子模块,用于基于所述转移概率集合,获取与所述若干个簇中每个簇具有最高转移概率的邻居簇集合;
密度搜索子模块,用于基于所述邻居簇集合,分别获取所述根簇及所述根簇所有邻居簇的密度峰值位置;
连接子模块,用于将所述根簇的密度峰值位置和所述根簇所有邻居簇的密度峰值位置进行连接,得到所述若干并发标签的信道参数粗估计结果;
所述优化模块具体包括:
损失函数计算子模块,用于基于所述信道参数粗估计结果生成信号轨迹,获取所述若干个信号采样点到所述信号轨迹的若干距离,基于损失函数计算所述若干距离的损失值,提取具有最小损失值的若干距离集合;
梯度计算子模块,用于基于所述梯度下降算法,对所述若干距离集合中的若干信号采样点进行搜索优化,得到所述若干信号采样点的下降梯度集合;
更新子模块,用于基于所述下降梯度集合,对所述信道参数粗估计结果进行更新,若任一信号的信号强度小于强度预设阈值,及任一信号的相位小于相位预设阈值,则停止更新,得到所述信道参数优化估计结果,否则执行新的更新步骤。
6.根据权利要求5所述的并发信道参数估计系统,其特征在于,该系统还包括:
预处理模块,用于对所述信号采样点进行预分簇,并识别所述信号采样点状态。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述并发信道参数估计方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述并发信道参数估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910965135.4A CN110995626B (zh) | 2019-10-11 | 2019-10-11 | 并发信道参数估计方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910965135.4A CN110995626B (zh) | 2019-10-11 | 2019-10-11 | 并发信道参数估计方法、系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110995626A CN110995626A (zh) | 2020-04-10 |
CN110995626B true CN110995626B (zh) | 2020-12-22 |
Family
ID=70081962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910965135.4A Active CN110995626B (zh) | 2019-10-11 | 2019-10-11 | 并发信道参数估计方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110995626B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8786440B2 (en) * | 2009-10-02 | 2014-07-22 | Checkpoint Systems, Inc. | Calibration of beamforming nodes in a configurable monitoring device system |
US8436758B2 (en) * | 2010-03-22 | 2013-05-07 | Decawave Ltd. | Adaptive ternary A/D converter for use in an ultra-wideband communication system |
EP2648131B1 (en) * | 2011-01-14 | 2018-10-17 | Siemens Aktiengesellschaft | Method and device for locating RFID tags |
CN107944316B (zh) * | 2017-10-16 | 2019-08-02 | 西北大学 | 一种反向散射协议中多标签信号并行解码方法及系统 |
CN110220586A (zh) * | 2019-06-19 | 2019-09-10 | 清华大学 | 基于毫米波的振动监测方法及系统 |
-
2019
- 2019-10-11 CN CN201910965135.4A patent/CN110995626B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110995626A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10438091B2 (en) | Method and apparatus for recognizing image content | |
CN104200237B (zh) | 一种基于核化相关滤波高速自动多目标跟踪方法 | |
CN110998606B (zh) | 生成标记数据用于深度对象跟踪 | |
CN108304859B (zh) | 图像识别方法及云端系统 | |
CN105930873B (zh) | 一种基于子空间的自步跨模态匹配方法 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN110072183B (zh) | 基于群智感知的被动式定位指纹库构建方法 | |
CN106162652A (zh) | 一种基于路测数据的基站位置定位方法 | |
Zhang et al. | CSI-based human activity recognition with graph few-shot learning | |
CN112446399A (zh) | 标签确定方法、装置和系统 | |
Cui et al. | Research on data fusion algorithm and anti-collision algorithm based on internet of things | |
CN108053424A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN103295026B (zh) | 基于空间局部聚合描述向量的图像分类方法 | |
Chu et al. | A time-efficient protocol for unknown tag identification in large-scale RFID systems | |
CN110995626B (zh) | 并发信道参数估计方法、系统、电子设备和存储介质 | |
CN112364916B (zh) | 基于迁移学习的图像分类方法、相关设备及存储介质 | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
CN109359664A (zh) | 自我学习更新训练样本的高效质检模型构建方法及系统 | |
Umelo et al. | Efficient Tag Grouping RFID Anti-Collision Algorithm for Internet of Things Applications Based on Improved K-Means Clustering | |
Li et al. | Flexible heterogeneous data fusion strategy for object positioning applications in edge computing environment | |
CN115713112A (zh) | 基于空间拓扑和身份聚合的目标域数据的多目标跟踪方法 | |
Hu et al. | Reliability verification‐based convolutional neural networks for object tracking | |
CN112040401B (zh) | 室内定位方法、装置、电子设备和存储介质 | |
CN112003733B (zh) | 一种智慧园区物联网综合管理方法及管理平台 |
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 |