CN112034419B - 一种用于5g定位的传播时延估计方法和装置 - Google Patents
一种用于5g定位的传播时延估计方法和装置 Download PDFInfo
- Publication number
- CN112034419B CN112034419B CN202010934644.3A CN202010934644A CN112034419B CN 112034419 B CN112034419 B CN 112034419B CN 202010934644 A CN202010934644 A CN 202010934644A CN 112034419 B CN112034419 B CN 112034419B
- Authority
- CN
- China
- Prior art keywords
- signal
- value
- matrix
- nlos
- path
- 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 94
- 239000011159 matrix material Substances 0.000 claims abstract description 171
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 32
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000000644 propagated effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000010363 phase shift Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 30
- 230000006870 function Effects 0.000 description 37
- 230000008569 process Effects 0.000 description 28
- 230000006854 communication Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000009365 direct transmission Effects 0.000 description 11
- 238000010295 mobile communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000021615 conjugation Effects 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0215—Interference
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0273—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves using multipath or indirect path propagation signals in position determination
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明实施例提供了一种用于5G定位的传播时延估计方法和装置，其中，方法可以包括获得发射信号经过信道后的接收信号；消除接收信号中NLOS路径对应的信号，得到消除后信号；计算消除后信号的协方差矩阵；基于非监督多径估计算法确定多径数目；基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；搜索MUSIC谱函数的峰值，并将峰值对应的时延作为传播时延估计值。通过本发明实施例提供的用于5G定位的传播时延估计方法和装置，能够实现在非视距传输场景下，降低时延估计的误差。
Description
技术领域
本发明涉及通信技术领域，特别是涉及一种用于5G定位的传播时延估计方法和装置。
背景技术
基于移动通信技术(5th generation mobile networks或5th generationwireless systems，5G)的定位方法主要包括：基于下行到达时间差(Down Link TimeDifference of Arrival，DL-TDOA)的定位方法、基于到达角度(Angle of Arrival，AOA)的定位方法，以及联合AOA与到达时间(Time of Arrival，TOA)的单基站定位方法等，其中，基于DL-TDOA和联合AOA与TOA的定位方法都需要对5G信号进行精确的传播时延估计。
时延估计算法可以分为基于相关的时延估计算法和基于子空间的超分辨率算法，基于子空间的超分辨率算法相比于基于相关的时延估计算法具有更高的传播时延估计精度，其中，多重信号分类算法(Multiple Signal Classification，MUSIC)是一种常用的基于子空间的超分辨率算法，它利用接收信号导向矢量与其协方差矩阵的噪声子空间的正交性进行时延估计。
现有的基于MUSIC的信号时延估计方法流程如图1所示，首先对接收信号进行互相关矩阵的运算，然后通过给定的已知的多径数进行矩阵的特征值分解，分解为信号子空间和噪声子空间，利用信号子空间的导向矢量与噪声子空间正交的原理，对MUSIC谱函数进行计算，并对MUSIC谱的峰值进行搜索，峰值所对应的时延就是信号传播时延的估计值。具体过程见如下描述：
在一个时延估计过程中，假设离散发射信号为sT(n)，经过多路径传输的接收信号为：
其中，sR(n)为接收信号，NM为多路径传输中的多径数目，k为路径标识，αk为每条路径的衰减，τk为每条路径的时延，n为信号采样点索引，ω(n)为噪声。将接收信息矩阵化表示：
SR＝Aλ+W
其中，SR＝[sR(0) sR(1) … sR(N-1)]T是接收信号的矩阵表示，N为基带信号的采样点数目，
A＝[a(τ0) a(τ1) … a(τK-1)]，a(τi)＝[sT(0-τi) sT(1-τi) … sT(N-1-τi)]T，
λ＝[α1 α2 … αK]T，W＝[ω(0) ω(1) … ω(N-1)]T
计算接收信号的协方差矩阵：
对协方差矩阵进行特征值分解，可以分解为信号子空间和噪声子空间：
其中，US为接收信号的信号子空间，Ue为接收信号的噪声子空间，Λ特征值的对角矩阵。利用正交性可得：
传统MUSIC算法采用如下谱函数进行谱峰搜索来估计传播时延：
传播时延的估计值为：
MUSIC算法用于时延估计具有优越的分辨能力，能够提高5G信号的测距能力。
现有的基于MUSIC算法的时延估计算法中，根据信号子空间的导向矢量与噪声子空间正交的原理，对MUSIC谱函数进行计算，信号越强，正交性越强，对应的谱峰越明显，进而可以对MUSIC谱的峰值进行搜索，以计算信号传播时延的估计值，如果信号太弱，则有可能影响时延估计的准确性。而在移动通信过程中会存在城市环境等复杂的通信环境，会存在非视距(Non Line of Sight，NLOS)传输。在非视距传输下折射信号强度大于直达透射信号(可以理解为直达透射径对应的信号)，会导致折射信号的谱峰将直达透射信号的谱峰淹没，如此会导致折射信号的谱峰明显，而直达透射信号的谱峰由于峰值不明显，易被当作是噪声，如此会导致时延估计的误差较大。
发明内容
本发明实施例的目的在于提供一种用于5G定位的传播时延估计方法和装置，以实现在非视距传输场景下，降低时延估计的误差。具体技术方案如下：
第一方面，本发明实施例提供了一种用于5G定位的传播时延估计方法，包括：
获得发射信号经过信道后的接收信号；
消除所述接收信号中非视距NLOS路径对应的信号，得到消除后信号；
计算所述消除后信号的协方差矩阵；
基于非监督多径估计算法确定多径数目；
基于所述多径数目，对所述协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；
根据所述消除后的信号对应的信号导向量和所述噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；
搜索所述MUSIC谱函数的峰值，并将所述峰值对应的时延作为传播时延估计值。
可选的，所述消除所述接收信号中非视距NLOS路径对应的信号，得到消除后信号，包括：
对所述接收信号进行互相关运算，得到互相关结果；
基于所述互相关结果，判断所述接收信号是否经过非视距NLOS传播；
当所述接收信号经过非视距NLOS传播时，则对经过NLOS传播的所述接收信号中NLOS路径对应的信号进行消除，得到消除后的信号。
可选的，所述基于所述互相关结果，判断所述接收信号是否经过非视距NLOS传播，包括：
对所述互相关结果进行梯度运算，得到所述互相关结果对应的梯度值；
基于所述梯度值得到每个路径的初始时延估计值，以及每个路径的初始时延估计值对应的相关值峰值；
查找每个路径的初始时延估计值中最小的初始时延估计值；
判断其他相关值峰值中是否存在大于所述最小的初始时延估计值所对应的相关值峰值；所述其他相关值峰值包括每个路径的初始时延估计值对应的相关值峰值中，除所述最小的初始时延估计值所对应的相关值峰值之外的相关性峰值；
如果其他相关值峰值中存在大于所述最小的初始时延估计值所对应的相关值峰值，则确定所述接收信号经过非视距NLOS传播；
所述对经过NLOS传播的所述接收信号中NLOS路径对应的信号进行消除，得到消除后的信号，包括：
消除所述接收信号中NLOS路径对应的非直射径信号，得到所述消除后的信号。
可选的，所述消除所述接收信号中NLOS路径对应的非直射径信号，包括：
计算各非直射径信号分量的幅度衰减；
基于各非直射径信号分量的幅度衰减，重构非直射径信号；
将所述接收信号减去所述非直射径信号，得到消除后的信号。
可选的，在所述根据所述消除后的信号对应的信号导向量和所述噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数之前，所述方法还包括：
对所述消除后的信号进行矩阵变换，得到所述消除后的信号对应的矩阵表示，所述矩阵表示包括所述消除后的信号对应的信号导向量。
可选的，所述基于非监督多径估计算法确定多径数目，包括：
对所述协方差矩阵进行特征值分解，得到所述协方差矩阵对应的特征值集合；
对所述特征值集合中的各特征值进行聚类；
统计聚类后离散点的数目，并将所述离散点的数目作为多径数目。
可选的，所述对所述特征值集合中的各特征值进行聚类，包括：
根据各特征值计算聚类半径和邻域密度阈值；
基于所述聚类半径和所述邻域密度阈值，通过基于密度的聚类算法DBSCAN，对所述特征值集合中的各特征值进行聚类。
可选的，所述基于所述多径数目，对所述协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵，包括：
从所述特征值集合中选取信号子空间矩阵对应的特征值，所述信号子空间矩阵对应的特征值为所述特征值集合中值最大的所述多径数目个特征值；
将所述特征值集合中除所述信号子空间矩阵对应的特征值之外的特征值作为噪声子空间矩阵对应的特征值；
获得噪声子空间矩阵对应的特征值所对应的特征向量，并将噪声子空间矩阵对应的特征值所对应的特征向量组成噪声子空间对应的噪声子空间矩阵。
可选的，在所述获得发射信号经过信道后的接收信号之前，所述方法还包括：
通过序列产生模块产生伪随机序列；
将所述伪随机序列进行正交相移键控QPSK映射，得到5G参考信号序列；
基于所述5G参考信号序列生成5G基带模拟信号；
对所述5G基带模拟信号进行模数转换，得到5G基带数字信号；
对所述5G基带数字信号进行调制，得到所述发射信号。
第二方面，本发明实施例提供了一种用于5G定位的传播时延估计装置，包括：
获得模块，用于获得发射信号经过信道后的接收信号；
消除模块，用于消除所述接收信号中NLOS路径对应的信号，得到消除后信号；
计算模块，用于计算所述消除后信号的协方差矩阵；
第一确定模块，用于基于非监督多径估计算法确定多径数目；
分解模块，用于基于所述多径数目，对所述协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；
第二确定模块，用于根据所述消除后的信号对应的信号导向量和所述噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；
搜索模块，用于搜索所述MUSIC谱函数的峰值，并将所述峰值对应的时延作为传播时延估计值。
本发明实施例有益效果：
本发明实施例提供的用于5G定位的传播时延估计方法和装置，可以获得发射信号经过信道后的接收信号；消除接收信号中NLOS路径对应的信号，得到消除后信号；计算消除后信号的协方差矩阵；基于非监督多径估计算法确定多径数目；基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；搜索MUSIC谱函数的峰值，并将峰值对应的时延作为传播时延估计值。
如此，能够避免NLOS路径对应的信号在非视距传输场景下对时延估计的影响，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差；且相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。同时，可以使得利用时延估计进行5G定位更加准确，提高针对存在非视距传输场景的复杂环境的定位精度。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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实施例。
图1为现有技术中时延估计方法的流程示意图；
图2为本发明实施例提供的用于5G定位的传播时延估计方法的一种流程图；
图3为本发明实施例中消除接收信号中NLOS路径对应的信号的流程示意图；
图4为本发明实施例在判断接收信号是否经过非视距NLOS传播的流程示意图；
图5为本发明实施例中消除接收信号中NLOS路径对应的非直射径信号的流程示意图；
图6A为本发明实施例中基于非监督多径估计算法确定多径数目的流程示意图；
图6B为本发明实施例中聚类过程的代码示意图；
图7为本发明实施例中基于多径数目对协方差矩阵进行矩阵分解的流程示意图；
图8为本发明实施例中产生发射信号的流程示意图；
图9为本发明实施例中一具体实施例中产生发射信号的流程示意图；
图10为本发明实施例提供的用于5G定位的传播时延估计装置的结构示意图；
图11为本发明实施例提供的电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
5G定位在智能交通管理、车辆检测、自动驾驶、智能停车等领域起到了至关重要的作用。传统的定位方法采用以全球定位系统(Global Positioning System，GPS)、北斗、格洛纳斯、伽利略为代表的全球导航卫星系统(Global Navigation Satellite System，GNSS)，但在城市环境下和隧道等复杂环境下，GNSS信号较弱且非视距现象严重，导致定位误差较大。移动通信网广泛分布在城市环境且信号质量较好，能够有效弥补GNSS在城市环境中的缺陷。但是移动通信网有可听性(指终端可接收到基站数目的能力)不足的弊端。5G的特点之一是拥有着超密集的布网，这一特点提升了移动通信网络的可听性，为第5代移动通信应用在城市环境下的高精度定位带来了机遇。而基于DL-TDOA和联合AOA与TOA的定位方法都需要对5G信号进行精确的传播时延估计。
现有方式能够有效提升信号时延估计的精度和鲁棒性，但未针对城市环境中移动通信信号常见的NLOS传输场景进行改进。在非视距传输场景下折射信号强度大于直达透射信号，而现有的基于MUSIC的信号时延估计方法会导致折射信号的谱峰将直达透射信号的谱峰淹没，引起较大的时延估计误差。具体地，现有的基于MUSIC的信号时延估计方法中首先对接收信号进行互相关矩阵的运算，然后通过给定的已知的多径数进行矩阵的特征值分解，分解为信号子空间和噪声子空间，利用信号子空间的导向矢量与噪声子空间正交的原理，对MUSIC谱函数进行计算，并对MUSIC谱的峰值进行搜索，峰值所对应的时延就是信号传播时延的估计值。
非视距传输场景下的直达径信号微弱，因此谱峰不明显。在非视距传输场景过程中存在直达径谱峰被淹没现象，直达径穿透障碍物到达接收端，信号微弱，以及现有的基于MUSIC算法的时延估计算法中采用信号与噪声子空间乘积的倒数来进行谱运算，这将导致谱峰的高度与信号的强度呈现非线性关系，信号越强，正交性越好，谱峰的放大倍数越大，信号强度大的折射路径的谱峰会变得更高，而信号强度弱的直达径信号谱峰会变低，如此也会导致谱峰淹没现象。
而时延估计的实质就是搜索峰值，峰值所对应的时延就是需要估计的时延，由于噪声的存在，折射信号的谱峰将直达透射信号的谱峰淹没后，折射信号的峰值非常明显，而直达透射径的谱峰由于峰值不明显，易被当作是噪声，因此时延估计的结果是折射径的结果，不是发射接收天线的直线传播的时延结果，如此会导致时延估计的误差较大。
本发明实施例提供的用于5G定位的传播时延估计方法可以应用于电子设备，如终端、处理器等等。
本发明实施例提供了一种用于5G定位的传播时延估计方法，如图2所示，可以包括：
S101，获得发射信号经过信道后的接收信号；
S102，消除接收信号中非视距NLOS路径对应的信号，得到消除后信号；
S103，计算消除后信号的协方差矩阵；
S104，基于非监督多径估计算法确定多径数目；
S105，基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；
S106，根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；
S107，搜索MUSIC谱函数的峰值，并将峰值对应的时延作为传播时延估计值。
本发明实施例中，能够避免NLOS路径对应的信号在非视距传输场景下对时延估计的影响，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差；且相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。同时，可以使得利用时延估计进行5G定位更加准确，提高针对存在非视距传输场景的复杂环境的定位精度。
参见图2，对本发明实施例提供的用于5G定位的传播时延估计方法进行详细说明。本发明实施例提供的用于5G定位的传播时延估计方法可以包括：
S101，获得发射信号经过信道后的接收信号。
发射信号可以是基站发送的信号。
发射信号经过信道到达接收端，接收端可以接收该信号，即可以获得该接收信号。
S102，消除接收信号中非视距NLOS路径对应的信号，得到消除后信号。
一种可选的实施例中，如图3所示，S102可以包括：
S1021，对接收信号进行互相关运算，得到互相关结果。
对接收信号进行互相关运算，多路径传输下的离散互相关结果为：
其中，RA(τ)为互相关结果，KA＝KR+KT-1，KR为接收信号的序列长度，KT为发射信号的序列长度，KA为互相关结果的序列长度，sT(n-τ)为发射信号，τ为互相关结果的索引，n为信号采样点索引，为接收信号的共轭，/>为发射信号的共轭，K为信道多径的数目，τi为第i条多径的时延。
S1022，基于互相关结果，判断接收信号是否经过非视距NLOS传播。
具体地，如图4所示，可以包括：
S401，对互相关结果进行梯度运算，得到互相关结果对应的梯度值。
GA(τ)＝RA(τ)-RA(τ-1)
其中，GA(τ)为互相关结果的梯度值。
S402，基于梯度值得到每个路径的初始时延估计值，以及每个路径的初始时延估计值对应的相关值峰值。
初始时延估计值通过如下方式计算：
其中，τi为初始时延估计值，也可以理解为粗略的多径时延估计值，PT为互相关峰值检测的阈值，小于此阈值的峰值不作为多径时延，MP为估计的多径时延数。
每个多径时延对应的相关峰值Pi＝RA(τi)(i＝1,2,...,MP)。
S403，查找每个路径的初始时延估计值中最小的初始时延估计值。
S404，判断其他相关值峰值中是否存在大于最小的初始时延估计值所对应的相关值峰值。
其他相关值峰值包括每个路径的初始时延估计值对应的相关值峰值中，除最小的初始时延估计值所对应的相关值峰值之外的相关性峰值。
如果其他相关值峰值中存在大于最小的初始时延估计值所对应的相关值峰值，则执行步骤S405。
S405，确定接收信号经过非视距NLOS传播。
识别原则可以理解为：如果出现最小时延的相关峰值不是最大的相关峰值，说明信号经过了NLOS传播。
先找出估计的时延中，也即初始时延估计值中最小的一个所对应的相关峰值，然后将该相关峰值与所有相关峰值进行比较，如果该相关峰值小于所有峰值中至少一个时，则判断信号经过非视距NLOS传播。
S1023，当接收信号经过非视距NLOS传播时，则对经过NLOS传播的接收信号中NLOS路径对应的信号进行消除，得到消除后的信号。
消除接收信号中NLOS路径对应的非直射径信号，得到消除后的信号。
对识别出的经过NLOS传输的信号进行NLOS路径消除处理，消除强度较大的非直射径信号，减少在MUSIC算法中非直射径信号对直径透射信号的淹没。
消除接收信号中NLOS路径对应的非直射径信号，如图5所示，可以包括：
S501，计算各非直射径信号分量的幅度衰减。
通过如下公式计算各非直射径信号分量的幅度衰减。
其中，Ami为各非直射径信号分量的幅度衰减，RA(τi)为τi对应的互相关结果。
S502，基于各非直射径信号分量的幅度衰减，重构非直射径信号。
通过如下公式重构非直射径信号sNLOS：
S503，将接收信号减去非直射径信号，得到消除后的信号。
将接收信号减去重构的非直射径信号，可以得到消除后的信号：sNC(n)＝sR(n)-sNLOS(n)。
通过互相关结果判断接收信号是否经过NLOS传播，如果判断接收信号经过NLOS传输，则通过互相关结果进行对NLOS路径对应的信号，并消除NLOS路径传播时延估计。
一种可实现方式中，可以将sNC(n)作为接收信号进行二次消除，以避免由于互相关过程得到时延估计并不准确，而导致NLOS路径消除会有残余。
在根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数之前，还可以包括：
对消除后的信号进行矩阵变换，得到消除后的信号对应的矩阵表示，矩阵表示包括消除后的信号对应的信号导向量。
消除后的信号有可能仍存在直射径和多径残余分量，消除后的信号可以表示为：
其中，NNC为NLOS路径消除后的多径数目，βi为各多径幅度衰减，τi为各多径时延，ω(n)为噪声。
矩阵表示为SNC＝Aλ+W；A为消除后的信号对应的信号导向量，λ为对角矩阵，W为噪声。
其中，SNC＝[sNC(0) sNC(1) … sNC(N-1)]T， W＝[ω(0) ω(1) … ω(N-1)]T。
S103，计算消除后信号的协方差矩阵。
通过公式计算消除后信号的协方差矩阵R：R＝E[sNC(n)sNC(n)H]。
S104，基于非监督多径估计算法确定多径数目。
非监督多径估计部分为时延估计提供较准确的多径数目估计，首先通过对特征值进行聚类，理论上可以聚为噪声特征值和信号特征值两类，但由于噪声在传播过程中比较平稳，而不同路径的时延与信号衰减相差较大，所以噪声子空间对应的特征值可以聚为一类，信号子空间对应的特征值不能聚为一类。可以通过对聚类结果进行反向估计，即将不能聚为一类的离散点作为信号子空间对应的特征值，这些离散点的个数就是多径数目。如此可以提供更加准确的多径数目。
一种可选的实施例中，S104：基于非监督多径估计算法确定多径数目，如图6A所示，可以包括：
S1041，对协方差矩阵进行特征值分解，得到协方差矩阵对应的特征值集合。
通如下公式进行特征值分解：
R＝UΛU-1
其中，U为协方差矩阵R的特征向量组成的矩阵，Λ为R的特征值组成的对角矩阵。
λ＝[λ1 λ2 … λN]为R的特征值集合。
S1042，对特征值集合中的各特征值进行聚类。
可以采用基于密度的聚类(Density-Based Spatial Clustering ofApplications with Noise，DBSCAN)算法作为非监督多径估计算法的聚类算法。
通过对聚类结果进行反向估计，即将不能聚为一类的离散点作为信号子空间对应的特征值，这些离散点的个数就是多径数目。
一种可实现方式中，可以根据各特征值计算聚类半径和邻域密度阈值；基于聚类半径和邻域密度阈值，通过基于密度的聚类算法DBSCAN，对特征值集合中的各特征值进行聚类。
可以通过如下公式计算聚类半径radius：
DBSCAN是一种基于密度的聚类方法，它的主要参数为聚类半径和邻域密度阈值，聚类半径影响参与邻域密度判断的范围，邻域密度阈值影响聚类结果中一个类的最小密度。
具体地聚类过程可以通过如图6B所示代码实现：
图6B中算法1中输入：特征值集合λ，聚类半径radius和邻域密度阈值Pts；输出：多径数目NNC。具体过程：将λ的所有元素标记为未访问；随机选取一个未访问的元素p；将p标记为已访问；CP为与p距离小于radius的元素的集合；NP←Lenth(Cp)；如果NP大于等于Pts，建立一个新类，将p加入该类中；针对CP中的每个元素p/，如果p/是未访问的将p/标记为已访问；CP/为与p/距离小于radius的元素的集合；如果Lenth(Cp/)大于等于Pts，将CP/中所有元素放入当前类中；如果p/不属于除当前类外的任何一类，将p/加入当前类中。Nmode是具有最多元素数的元素个数；NNC为Lenth(λ)减去Nmode。
总的来讲，算法1实现过程：根据各特征值计算聚类半径radius和邻域密度阈值Pts；基于聚类半径和邻域密度阈值，通过基于密度的聚类算法DBSCAN，对特征值集合中的各特征值进行聚类，将多个特征值聚为不同类和离散点，即可以将不能聚为一类的离散点作为信号子空间对应的特征值，这些离散点的个数就是多径数目。
S1043，统计聚类后离散点的数目，并将离散点的数目作为多径数目。
传统的MUSIC算法是需要外部提供多径数目的，然而实际运用中只能根据环境估算一个多径数目用于MUSIC算法。如果多径数目不准确的话会导致信号子空间与噪声子空间的区分出现误差(由于信号子空间和噪声子空间的计算是由特征值和多径数目决定的)，进而导致谱函数出现误差，本发明实施例中的非监督多径估计不需要通过经验值给定多径数目，是根据协方差矩阵的特征值自适应计算出来的，相比较于经验值更准确，如此会使得用于时延估计时使得时延估计误差降低。
S105，基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵。
非监督多径估计部分为时延估计提供较准确的多径数目。
一种可选的实施例中，S105：基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵，如图7所示，可以包括：
S1051，从特征值集合中选取信号子空间矩阵对应的特征值，信号子空间矩阵对应的特征值为特征值集合中值最大的多径数目个特征值。
S1052，将特征值集合中除信号子空间矩阵对应的特征值之外的特征值作为噪声子空间矩阵对应的特征值。
S1053，获得噪声子空间矩阵对应的特征值所对应的特征向量，并将噪声子空间矩阵对应的特征值所对应的特征向量组成噪声子空间对应的噪声子空间矩阵。
如步骤S1041中对协方差矩阵进行特征值分解，可以得到协方差矩阵对应的特征值集合，以及各个特征值分别对应的特征向量组成的矩阵U。
当确定噪声子空间矩阵对应的特征值，即可确定特征值分解得到的特征值集合中哪个特征值是噪声子空间矩阵对应的特征值，则可以基于对协方差矩阵进行矩阵分解的结果，得到噪声子空间矩阵对应各个特征值所对应的特征向量，即从U中获取噪声子空间矩阵对应各个特征值所对应的特征向量。
如此，可以将噪声子空间矩阵对应的特征值所对应的特征向量组成噪声子空间对应的噪声子空间矩阵。
其中，信号子空间矩阵对应的特征值组成的对角矩阵可以作为信号子空间矩阵对应的对角矩阵；噪声子空间矩阵对应的特征值组成的对角矩阵可以作为噪声子空间矩阵对应的对角矩阵。
S106，根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数。
通过如下公式：
Pnorm＝|a(τi)Ue|
其中，PMUSIC为MUSIC谱函数，a(τi)为消除后的信号对应的信号导向量。
S107，搜索MUSIC谱函数的峰值，并将峰值对应的时延作为传播时延估计值。
其中，为传播时延估计值。
传播时延估计值也即直达信号的传播时延估计值。联合由非监督多径估计得到的多径数目对消除后的信号进行MUSIC谱峰搜索，使得得到的直达信号传播时延估计值更加准确。
本发明实施例中在采用MUSIC算法对传播时延进行估计前对接收信号做相关运算，识别出经过NLOS传播的信号并将NLOS路径对应的信号进行消除，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差。
且在MUSIC算法进行信号子空间与噪声子空间分解时，采用自适应多径数目判别方法估计接收信号的多径数目，实现信号子空间与噪声子空间分解。相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。
以及在采用MUSIC算法对信号时延进行估计时采用谱函数
的计算，可以突出非视距传输场景下的直达透射信号的峰值，如此，可以使直达透射径的峰值更加明显，更能准确的在MUSIC谱中找到直达透射径峰值，得到准确的时延估计。
本发明实施例在现代城市峡谷环境的NLOS环境下有明显的优势，为5G定位方法中的DL-TDOA、TOA+AOA等定位方法提供了一个高精度的时延估计方式，能够有效提高5G载具定位在现代城市环境等复杂环境下的定位精度。
一种可选的实施例中，在S101获得发射信号经过信道后的接收信号之前，如图8所示，还可以包括：
S801，通过序列产生模块产生伪随机序列。
伪随机序列可以采用31阶gold码，其生成方式如下：
c(n)＝(x1(n+NC)+x2(n+NC))mod 2
x1(n+31)＝(x1(n+3)+x1(n))mod 2
x2(n+31)＝(x2(n+3)+x2(n+2)+x2(n+1)+x2(n))mod 2
其中，NC＝1600，第一个m序列x1(n)初始值为x1(0)＝1,x1(n)＝0,n＝1,2,...,30，第二个m序列x2(n)的初始值为cinit取决于参考信号的用途，NC为一个固定的参数，表示从m序列的第1600位之后开始取值，c(n)为gold序列。
S802，将伪随机序列进行正交相移键控QPSK映射，得到5G参考信号序列。
5G参考信号序列r(m)由31阶gold序列进行QPSK符号映射，映射方式如下：
其中，m为gold序列的索引，表示第m位gold序列，j为虚数单位。
S803，基于5G参考信号序列生成5G基带模拟信号。
其中，s(t)为时域上连续的5G基带模拟信号，NSC为信号中子载波的数目，m0为初始的基带信号频率偏移，Δf为子载波间隔，TCP为循环前缀的时间。
S804，对5G基带模拟信号进行模数转换，得到5G基带数字信号。
实际应用过程中5G基带信号是由基带芯片产生的数字离散信号，为了符合实际定位情况，可以将5G基带信号进行离散表示：
其中，sD(n)为时域上离散的5G基带数字信号，TC为基带信号采样间隔，r(k)为5G参考信号序列，k为子载波的索引，k0为起始子载波的索引，TC为5G信号的最小时间单元，TCP为5G信号循环前缀长度。
S805，对5G基带数字信号进行调制，得到发射信号。
调制可以采用已有的调制方式。
一种可实现方式中，5G下行信号基于CP-OFDM产生，5G参考信号的产生方式如图9所示，产生随机序列(sequence generation)后进行资源映射(Resource Mapping)，然后对映射得到结果进行快速傅里叶逆变换(IFFT)，然后对进行IFFT后的进行循环前缀(CyclicPrefix)，然后进行模数变换(D/A)，调制后产生发射信号发射出去，调制过程中可以结合FC进行调制，FC表示载波中心频率。
通过序列产生模块产生伪随机序列，用于保证终端可重构参考信号和与其他信号的正交。然后将伪随机序列进行QPSK符号映射，得到5G参考信号序列，将参考信号序列根据不同用途采用不同的映射方式映射到5G资源上。然后对资源块进行逆傅里叶变换，产生5G时域信号，并通过循环前缀、数模转换及载波调制，生成射频信号发射。
对应于上述实施例提供的用于5G定位的传播时延估计方法，本发明实施例提供了一种用于5G定位的传播时延估计装置，如图10所示，可以包括：
获得模块1001，用于获得发射信号经过信道后的接收信号；
消除模块1002，用于消除接收信号中非视距NLOS路径对应的信号，得到消除后信号；
计算模块1003，用于计算消除后信号的协方差矩阵；
第一确定模块1004，用于基于非监督多径估计算法确定多径数目；
分解模块1005，用于基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；
第二确定模块1006，用于根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；
搜索模块1007，用于搜索MUSIC谱函数的峰值，并将峰值对应的时延作为传播时延估计值。
本发明实施例中，能够避免NLOS路径对应的信号在非视距传输场景下对时延估计的影响，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差；且相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。同时，可以使得利用时延估计进行5G定位更加准确，提高针对存在非视距传输场景的复杂环境的定位精度。
可选的，消除模块1002，具体用于对接收信号进行互相关运算，得到互相关结果；基于互相关结果，判断接收信号是否经过非视距NLOS传播；当接收信号经过非视距NLOS传播时，则对经过NLOS传播的接收信号中NLOS路径对应的信号进行消除，得到消除后的信号。
可选的，消除模块1002，具体用于对互相关结果进行梯度运算，得到互相关结果对应的梯度值；基于梯度值得到每个路径的初始时延估计值，以及每个路径的初始时延估计值对应的相关值峰值；查找每个路径的初始时延估计值中最小的初始时延估计值；判断其他相关值峰值中是否存在大于最小的初始时延估计值所对应的相关值峰值；其他相关值峰值包括每个路径的初始时延估计值对应的相关值峰值中，除最小的初始时延估计值所对应的相关值峰值之外的相关性峰值；如果其他相关值峰值中存在大于最小的初始时延估计值所对应的相关值峰值，则确定接收信号经过非视距NLOS传播：消除接收信号中NLOS路径对应的非直射径信号，得到消除后的信号。
可选的，消除模块1002，具体用于计算各非直射径信号分量的幅度衰减；基于各非直射径信号分量的幅度衰减，重构非直射径信号；将接收信号减去非直射径信号，得到消除后的信号。
可选的，装置还用于在根据消除后的信号对应的信号导向量和噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数之前，对消除后的信号进行矩阵变换，得到消除后的信号对应的矩阵表示，矩阵表示包括消除后的信号对应的信号导向量。
可选的，第一确定模块1004，具体用于对协方差矩阵进行特征值分解，得到协方差矩阵对应的特征值集合；对特征值集合中的各特征值进行聚类；统计聚类后离散点的数目，并将离散点的数目作为多径数目。
可选的，第一确定模块1004，具体用于根据各特征值计算聚类半径和邻域密度阈值；基于聚类半径和邻域密度阈值，通过基于密度的聚类算法DBSCAN，对特征值集合中的各特征值进行聚类。
可选的，分解模块1005，具体用于从特征值集合中选取信号子空间矩阵对应的特征值，信号子空间矩阵对应的特征值为特征值集合中值最大的多径数目个特征值；将特征值集合中除信号子空间矩阵对应的特征值之外的特征值作为噪声子空间矩阵对应的特征值；获得噪声子空间矩阵对应的特征值所对应的特征向量，并将噪声子空间矩阵对应的特征值所对应的特征向量组成噪声子空间对应的噪声子空间矩阵。
可选的，该装置还用于通过序列产生模块产生伪随机序列；将伪随机序列进行正交相移键控QPSK映射，得到5G参考信号序列；基于5G参考信号序列生成5G基带模拟信号；对5G基带模拟信号进行模数转换，得到5G基带数字信号；对5G基带数字信号进行调制，得到发射信号。
本发明实施例的用于5G定位的传播时延估计装置是应用上述用于5G定位的传播时延估计方法的装置，则上述用于5G定位的传播时延估计方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例还提供了一种电子设备，如图11所示，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信。
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现上述用于5G定位的传播时延估计方法的方法步骤。
本发明实施例中，能够避免NLOS路径对应的信号在非视距传输场景下对时延估计的影响，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差；且相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。同时，可以使得利用时延估计进行5G定位更加准确，提高针对存在非视距传输场景的复杂环境的定位精度。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的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(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述用于5G定位的传播时延估计方法的方法步骤。
本发明实施例中，能够避免NLOS路径对应的信号在非视距传输场景下对时延估计的影响，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差；且相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。同时，可以使得利用时延估计进行5G定位更加准确，提高针对存在非视距传输场景的复杂环境的定位精度。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述用于5G定位的传播时延估计方法的方法步骤。
本发明实施例中，能够避免NLOS路径对应的信号在非视距传输场景下对时延估计的影响，避免出现时延估计过程中谱函数的峰值被淹没，降低时延估计的误差；且相比较于通过经验值估算，基于非监督多径估计算法确定多径数目更准确，如此降低多径数目在传播时延估计过程中的影响，使得基于多径数目，对协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵更加准确，使得通过搜索根据消除后的信号对应的信号导向量和噪声子空间矩阵确定的MUSIC谱函数的峰值更加准确，进一步降低时延估计的误差。同时，可以使得利用时延估计进行5G定位更加准确，提高针对存在非视距传输场景的复杂环境的定位精度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。
Claims (8)
1.一种用于5G定位的传播时延估计方法，其特征在于，包括：
获得发射信号经过信道后的接收信号；
消除所述接收信号中非视距NLOS路径对应的信号，得到消除后信号；
计算所述消除后信号的协方差矩阵；
基于非监督多径估计算法确定多径数目；
基于所述多径数目，对所述协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；
根据所述消除后的信号对应的信号导向量和所述噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；
搜索所述MUSIC谱函数的峰值，并将所述峰值对应的时延作为传播时延估计值；
所述消除所述接收信号中非视距NLOS路径对应的信号，得到消除后信号，包括：
对所述接收信号进行互相关运算，得到互相关结果；
基于所述互相关结果，判断所述接收信号是否经过非视距NLOS传播；
当所述接收信号经过非视距NLOS传播时，则对经过NLOS传播的所述接收信号中NLOS路径对应的信号进行消除，得到消除后的信号；
所述基于所述互相关结果，判断所述接收信号是否经过非视距NLOS传播，包括：
对所述互相关结果进行梯度运算，得到所述互相关结果对应的梯度值；
基于所述梯度值得到每个路径的初始时延估计值，以及每个路径的初始时延估计值对应的相关值峰值；
查找每个路径的初始时延估计值中最小的初始时延估计值；
判断其他相关值峰值中是否存在大于所述最小的初始时延估计值所对应的相关值峰值；所述其他相关值峰值包括每个路径的初始时延估计值对应的相关值峰值中，除所述最小的初始时延估计值所对应的相关值峰值之外的相关性峰值；
如果其他相关值峰值中存在大于所述最小的初始时延估计值所对应的相关值峰值，则确定所述接收信号经过非视距NLOS传播；
所述对经过NLOS传播的所述接收信号中NLOS路径对应的信号进行消除，得到消除后的信号，包括：
消除所述接收信号中NLOS路径对应的非直射径信号，得到所述消除后的信号。
2.根据权利要求1所述的方法，其特征在于，所述消除所述接收信号中NLOS路径对应的非直射径信号，包括：
计算各非直射径信号分量的幅度衰减；
基于各非直射径信号分量的幅度衰减，重构非直射径信号；
将所述接收信号减去所述非直射径信号，得到消除后的信号。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述消除后的信号对应的信号导向量和所述噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数之前，所述方法还包括：
对所述消除后的信号进行矩阵变换，得到所述消除后的信号对应的矩阵表示，所述矩阵表示包括所述消除后的信号对应的信号导向量。
4.根据权利要求1所述的方法，其特征在于，所述基于非监督多径估计算法确定多径数目，包括：
对所述协方差矩阵进行特征值分解，得到所述协方差矩阵对应的特征值集合；
对所述特征值集合中的各特征值进行聚类；
统计聚类后离散点的数目，并将所述离散点的数目作为多径数目。
5.根据权利要求4所述的方法，其特征在于，所述对所述特征值集合中的各特征值进行聚类，包括：
根据各特征值计算聚类半径和邻域密度阈值；
基于所述聚类半径和所述邻域密度阈值，通过基于密度的聚类算法DBSCAN，对所述特征值集合中的各特征值进行聚类。
6.根据权利要求4所述的方法，其特征在于，所述基于所述多径数目，对所述协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵，包括：
从所述特征值集合中选取信号子空间矩阵对应的特征值，所述信号子空间矩阵对应的特征值为所述特征值集合中值最大的所述多径数目个特征值；
将所述特征值集合中除所述信号子空间矩阵对应的特征值之外的特征值作为噪声子空间矩阵对应的特征值；
获得噪声子空间矩阵对应的特征值所对应的特征向量，并将噪声子空间矩阵对应的特征值所对应的特征向量组成噪声子空间对应的噪声子空间矩阵。
7.根据权利要求1至6任一项所述的方法，其特征在于，在所述获得发射信号经过信道后的接收信号之前，所述方法还包括：
通过序列产生模块产生伪随机序列；
将所述伪随机序列进行正交相移键控QPSK映射，得到5G参考信号序列；
基于所述5G参考信号序列生成5G基带模拟信号；
对所述5G基带模拟信号进行模数转换，得到5G基带数字信号；
对所述5G基带数字信号进行调制，得到所述发射信号。
8.一种用于5G定位的传播时延估计装置，其特征在于，包括：
获得模块，用于获得发射信号经过信道后的接收信号；
消除模块，用于消除所述接收信号中非视距NLOS路径对应的信号，得到消除后信号；
计算模块，用于计算所述消除后信号的协方差矩阵；
第一确定模块，用于基于非监督多径估计算法确定多径数目；
分解模块，用于基于所述多径数目，对所述协方差矩阵进行矩阵分解，得到噪声子空间对应的噪声子空间矩阵；
第二确定模块，用于根据所述消除后的信号对应的信号导向量和所述噪声子空间矩阵，确定多重信号分类算法MUSIC谱函数；
搜索模块，用于搜索所述MUSIC谱函数的峰值，并将所述峰值对应的时延作为传播时延估计值；
所述消除模块，具体用于对所述接收信号进行互相关运算，得到互相关结果；基于所述互相关结果，判断所述接收信号是否经过非视距NLOS传播；当所述接收信号经过非视距NLOS传播时，则对经过NLOS传播的所述接收信号中NLOS路径对应的信号进行消除，得到消除后的信号；
所述基于所述互相关结果，判断所述接收信号是否经过非视距NLOS传播，包括：对所述互相关结果进行梯度运算，得到所述互相关结果对应的梯度值；基于所述梯度值得到每个路径的初始时延估计值，以及每个路径的初始时延估计值对应的相关值峰值；查找每个路径的初始时延估计值中最小的初始时延估计值；判断其他相关值峰值中是否存在大于所述最小的初始时延估计值所对应的相关值峰值；所述其他相关值峰值包括每个路径的初始时延估计值对应的相关值峰值中，除所述最小的初始时延估计值所对应的相关值峰值之外的相关性峰值；如果其他相关值峰值中存在大于所述最小的初始时延估计值所对应的相关值峰值，则确定所述接收信号经过非视距NLOS传播；所述对经过NLOS传播的所述接收信号中NLOS路径对应的信号进行消除，得到消除后的信号，包括：消除所述接收信号中NLOS路径对应的非直射径信号，得到所述消除后的信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010934644.3A CN112034419B (zh) | 2020-09-08 | 2020-09-08 | 一种用于5g定位的传播时延估计方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010934644.3A CN112034419B (zh) | 2020-09-08 | 2020-09-08 | 一种用于5g定位的传播时延估计方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112034419A CN112034419A (zh) | 2020-12-04 |
| CN112034419B true CN112034419B (zh) | 2024-02-06 |
Family
ID=73585661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010934644.3A Active CN112034419B (zh) | 2020-09-08 | 2020-09-08 | 一种用于5g定位的传播时延估计方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112034419B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115706684B (zh) * | 2021-08-03 | 2024-06-07 | 大唐移动通信设备有限公司 | 信道参数的估计方法、装置及存储介质 |
| CN115508875B (zh) * | 2022-09-21 | 2024-08-13 | 中国第一汽车股份有限公司 | 目标车辆的定位方法、装置及车辆 |
| CN115355907A (zh) * | 2022-10-19 | 2022-11-18 | 东南大学 | 基于毫米波通感一体化无人设备的自主导航系统及方法 |
| CN117674961B (zh) * | 2023-11-20 | 2024-05-28 | 航天恒星科技有限公司 | 基于时空特征学习的低轨卫星网络时延预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1605725A1 (en) * | 2004-06-09 | 2005-12-14 | NTT DoCoMo, Inc. | Wireless positioning approach using time delay estimates of multipath components |
| CN103200136A (zh) * | 2013-03-07 | 2013-07-10 | 东南大学 | 一种频域超分辨率多径时延估计方法 |
| CN106488557A (zh) * | 2016-10-28 | 2017-03-08 | 中国人民解放军信息工程大学 | 基于WiFi信号的LDCC‑PDF分级时延估计方法 |
| CN107132505A (zh) * | 2017-05-19 | 2017-09-05 | 中国人民解放军信息工程大学 | 直达与非直达混合场景中的多目标直接定位方法 |
| CN108387864A (zh) * | 2018-03-02 | 2018-08-10 | 北京邮电大学 | 一种到达角计算方法及装置 |
| CN108761383A (zh) * | 2018-04-13 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于二维矩阵束的时延与角度联合估计方法 |
| CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9207305B2 (en) * | 2012-09-05 | 2015-12-08 | Khalifa University Of Science, Technology And Research | Methods and devices for channel identification |
| 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 |
-
2020
- 2020-09-08 CN CN202010934644.3A patent/CN112034419B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1605725A1 (en) * | 2004-06-09 | 2005-12-14 | NTT DoCoMo, Inc. | Wireless positioning approach using time delay estimates of multipath components |
| CN103200136A (zh) * | 2013-03-07 | 2013-07-10 | 东南大学 | 一种频域超分辨率多径时延估计方法 |
| CN106488557A (zh) * | 2016-10-28 | 2017-03-08 | 中国人民解放军信息工程大学 | 基于WiFi信号的LDCC‑PDF分级时延估计方法 |
| CN107132505A (zh) * | 2017-05-19 | 2017-09-05 | 中国人民解放军信息工程大学 | 直达与非直达混合场景中的多目标直接定位方法 |
| CN108387864A (zh) * | 2018-03-02 | 2018-08-10 | 北京邮电大学 | 一种到达角计算方法及装置 |
| CN108761383A (zh) * | 2018-04-13 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于二维矩阵束的时延与角度联合估计方法 |
| CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Angle of Arrival Passive Location Algorithm Based on Proximal Policy Optimization;Yao Zhang 等;《electronics》;第1558卷(第8期);1-17 * |
| 基于扩展子空间传播算子的时延与角度联合估计;李海文 等;《信息工程大学学报》;第20卷(第1期);1-6 * |
| 基于逼近噪声子空间的求根时延估计算法;巴斌;胡捍英;郑娜娥;任修坤;;太赫兹科学与电子信息学报(第04期);148-153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112034419A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112034419B (zh) | 一种用于5g定位的传播时延估计方法和装置 | |
| CN109085630B (zh) | 一种信号捕获方法及装置 | |
| CN110417697B (zh) | 高动态微弱mpsk信号的精确测频方法 | |
| GB2286506A (en) | Co-channel interference suppression system | |
| CN112702290B (zh) | 一种信道估计方法和设备 | |
| CN114944974B (zh) | 一种频偏估计方法、装置及电子设备 | |
| CN116594004A (zh) | 一种智能网联车辆定位方法和装置 | |
| Park et al. | High‐resolution time delay estimation via sparse parameter estimation methods | |
| CN113452643A (zh) | 频域帧同步的方法、装置、电子设备及存储介质 | |
| Rezaei et al. | Hybrid anti‐jamming approach for kinematic global positioning system receivers | |
| Abdelbari et al. | PESO: Probabilistic evaluation of subspaces orthogonality for wideband DOA estimation | |
| CN117915259A (zh) | 基于通信信号的动态目标定位及测速方法和装置 | |
| CN116299166A (zh) | 一种用于chirp信号的低复杂度融合测距方法 | |
| CN116381669A (zh) | 主被动协同感知方法及装置 | |
| CN109412982B (zh) | 一种基于信道观测冲激响应模型的多径数目估计方法 | |
| CN116390024A (zh) | 一种wifi室内定位方法、装置及介质 | |
| CN113938358B (zh) | 时延确定方法和终端 | |
| CN107181708B (zh) | 频率估计方法及定位接收机 | |
| CN114910863A (zh) | 一种基于平行因子的高精度时延估计方法 | |
| CN112152651B (zh) | 5g系统面向gnss接收机的干扰源定位方法、存储介质及设备 | |
| Zhu et al. | A Novel Parameter Estimation Method of FHSS Signal with Low SNR | |
| Tsakalaki et al. | On application of the correlation vectors subspace method for 2-dimensional angle-delay estimation in multipath ofdm channels | |
| CN111766559A (zh) | 一种测向方法、装置、系统、计算机设备以及存储介质 | |
| US20230082198A1 (en) | Positioning Measurements | |
| CN111510852B (zh) | 一种共频带定位系统中定位信号的捕获方法及装置 |
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 |