CN112512116A - 一种基于5gsrs信号的自适应二次互相关toa估计方法 - Google Patents
一种基于5gsrs信号的自适应二次互相关toa估计方法 Download PDFInfo
- Publication number
- CN112512116A CN112512116A CN202011336112.6A CN202011336112A CN112512116A CN 112512116 A CN112512116 A CN 112512116A CN 202011336112 A CN202011336112 A CN 202011336112A CN 112512116 A CN112512116 A CN 112512116A
- Authority
- CN
- China
- Prior art keywords
- signal
- toa
- estimation
- sampling
- adaptive
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/29—Performance testing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Noise Elimination (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种基于5G SRS信号的自适应二次互相关TOA估计方法,针对5G信号在多路径衰落和高斯白噪声的环境下,TOA估计误差较大的不足,经过最小均方(LMS)自适应滤波和广义互相关(GCC)方法达到抑制衰落和噪声的效果,同时实现TOA的粗估计与精估计,达到TOA的超分辨率估计效果。本发明是对接收机部分的物理层算法创新,从时频和频域分别进行到达时间估计,精度较高,易于推广,且5G定位的发展前景较好,本发明有着较大的应用空间和商业价值。
Description
技术领域
本发明涉及5G物理层算法和信号处理领域,尤其是一种基于5GSRS信号的自适应二次互相关TOA估计方法。
背景技术
随着城市的发展,大型建筑日益增多,室内定位服务的需求正在迅速增长。商场、火车站、机场、写字楼、学校、酒店等提供相应服务时都越来越需要高精度的室内位置信息支持,尤其是在有紧急情况发生时,比如紧急救援、应急救灾等特殊场景。当前流行的定位技术以卫星导航系统全球定位系统(Global Positioning System,GPS)为主,但GPS在传播信号时会受到建筑物、位置环境等影响,因此难以提供高精度的室内位置信息。这就需要其他的定位技术来支持室内定位,常用的室内定位技术有:蓝牙定位技术、Wi-Fi定位技术和红外线定位技术等。蓝牙定位易受到环境的干扰,定位稳定性差;Wi-Fi定位易受到其他信号的干扰,从而影响精度;红外线定位只能进行视距定位,容易受其他灯光干扰,并且红外线的传输距离较短。随着5G技术的发展,5G定位的研究也越来越引起了广泛的关注。在5G的白皮书中将连续广域覆盖、热点高容量、低功耗大连接和低时延高可靠定义为5G的4个主要技术场景。一方面,这些场景给5G中的定位技术提出了新的需求;另一方面这些5G的关键技术也为高精度定位提供了新的方法。
常用的无线定位方法有:指纹定位方法、基于接收信号强度(Received SignalStrength Indication,RSSI)的定位方法、基于到达角(Angle of Arrival,AOA)的定位方法、基于到达时间(Time of Arrival,TOA)的定位方法等。指纹定位需要离线指纹采集,工作量大,由于环境的影响,容易出现匹配错误的问题。RSSI定位方法想要获得高精度的定位结果,必须预先知道信号路径的衰减模型,由于环境影响,路径衰减的模型是不断变化的,因此RSSI定位的稳定性差。AOA定位结果随着与基站距离增大,其定位误差也会增大。TOA定位方法不需要做离线的采集处理,也不需要预先知道信号路径的衰减模型,其定位误差也不会随着与基站的距离增大而增大。因此TOA定位方法,可以作为5G信号室内定位的重要方法。一种基于5GSRS信号的自适应二次互相关TOA估计方法,可以在衰落和噪声的环境下,实现超分辨率的TOA估计。
发明内容
本发明针对5G信号在多路径衰落和高斯白噪声的环境下,到达时间(Time ofArrival,TOA)估计误差较大的不足,经过最小均方(Least Mean Square,LMS)自适应滤波和广义互相关(Generalized Cross-Correlation,GCC)方法达到抑制衰落和噪声的效果,同时实现TOA的粗估计与精估计,达到TOA的超分辨率估计效果。本发明是对接收机部分的物理层算法改进,易于推广,且5G定位的发展前景较好,本发明有着较大的应用空间和商业价值。
本发明的具体技术方案是:
一种基于5G SRS信号的自适应二次互相关TOA估计方法,所述方法包括:
分别将接收到的SRS信号和本地生成的SRS信号作为输入,首先通过LMS估计方法,在时域上进行整数倍采样周期的TOA粗估计,然后在粗估计结果的基础上,将滤波后的序列通过插值算法进行过采样,然后用广义互相关算法,在频域上进行小数倍采样周期的TOA精估计,最终能够实现超分辨率的效果,达到高精度的TOA估计。
首先对于接收信号进行LMS滤波处理,来抑制多路径和噪声的影响,在采样周期的分辨率下,完成对于TOA的粗估计。然后通过三阶样条插值的方法对接收信号进行过采样处理,将过采样信号和参考信号通过广义互相关算法,求得在小数倍采样周期下的TOA精估计,从而实现了TOA的超分辨率精估计;具体步骤如下:
步骤1:接受到的信号为x(t),本地信号为d(t):
x(t)=a(t)d(t-τ)+n(t)
其中a(t)为信道衰减系数,τ为时延,n(t)表示加性高斯白噪声;
通过接收机对x(t)和d(t)进行采样,假设系统带宽BMHz,那么采样频率为(fs的取值需要满足30.72MHz的若干整数倍,且fs>B),经过接收机采样得到采样信号x(n)和d(n);
步骤2:将x(n)作为FIR滤波器的输入信号,滤波后得到序列:
y(n)=wT(n)X(n)
其中X(n)表示在n时刻的输入向量:
X(n)=[x(n-N+1),x(n-N+2),…,x(n+N+1)]
wT(n)为自适应滤波器的权系数,T表示转置,N是自适应滤波器选择的阶数,自适应滤波器的阶数N取值为50到100;
步骤3:将经过FIR滤波后的y(n)作为输入信号,d(n)作为参考信号,依次计算参考信号与输入信号之间的误差函数:
e(n)=d(n)-y(n)
步骤4:自动调节w(n),使x(n)不断逼近d(n),从而得到输出y(n):
w(n+1)=w(n)+μe(n)X(n)
其中,μ为滤波器每次调整权系数的步长,w(n)为自适应滤波器的权系数;
当y(n)与d(n)的误差函数e(n)的均方值最小时,滤波器收敛,自适应的权系数也达到最大值,粗估计的TOA值就是自适应滤波器权系数最大值所对应的时刻;
步骤5:对接受到的信号x(n)进行插值处理,得到过采样信号x1(t):
其中,Ts为采样周期;a1、b1、c1、d1为三阶样条插值系数,根据数据节点和边界条件求解得到样条插值的系数;f1(t)为插入信号x(n)的过采样值。
步骤6:对过采样信号和参考信号进行快速傅里叶变换,将参考信号取共轭,在频域利用信号的互功率谱P(ω)来计算互相关函数T(τ):
其中Fx(ω)和Fy(ω)为x1(n)和y(n)傅里叶变换后得到频谱;
根据粗估计TOA结果的正负两个采样周期的范围内寻找极大值。在范围内最高峰对应的点,减去过采样信号长度,所得到的时间点,即为精估计下的TOA值。
本发明利用二次估计的方法,通过LMS自适应滤波降低了多路径衰落和高斯白噪声的影响,实现了TOA的超分辨的估计,而且估计精度较高。本发明是对接收机部分的物理层算法改进,易于推广,且5G定位的发展前景较好,本发明有着较大的应用空间和商业价值。
附图说明
图1为5GSRS信号系统框图;
图2为本发明的流程图;
图3为本发明利用二次估计的TOA估计准确率示意图;
具体实施方式
实施例
本实施例基于5G的上行链路,采用SRS信号用于TOA的估计。信号带宽为100MHz,调制方式为64QAM,时延设置为10.5×Ts,信道的模型为瑞利衰落信道和高斯信道,接收机的采样频率为122880000Hz。对系统信噪比从0dB到20dB均进行了10000次的蒙特卡洛法仿真,最终求得不同情况下整数倍采样周期TOA粗估计值和小数倍采样周期TOA精估计值的准确率。
将接收机采样后的接受信号x(n)作为FIR滤波器的输入信号,滤波后得到序列:
y(n)=wT(n)X(n)
其中X(n)表示在n时刻的输入向量:
X(n)=[x(n-N+1),x(n-N+2),…,x(n+N+1]
wT(n)为自适应滤波器的权系数,T表示转置,N是自适应滤波器选择的阶数,自适应滤波器的阶数N取值为50;
将经过FIR滤波后的y(n)作为输入信号,d(n)作为参考信号,依次计算参考信号与输入信号之间的误差函数:
e(n)=d(n)-y(n)
自动调节w(n),使x(n)不断逼近d(n),从而得到输出y(n):
w(n+1)=w(n)+μe(n)X(n)
其中,μ为滤波器每次调整权系数的步长,w(n)为自适应滤波器的权系数;
当y(n)与d(n)的误差函数e(n)的均方值最小时,滤波器收敛,自适应的权系数也达到最大值,粗估计的TOA值就是自适应滤波器权系数最大值所对应的时刻,粗估计仅能估计出10×Ts或11×Ts的TOA值;
对接受到的信号x(n)进行插值处理,得到过采样信号x1(t):
其中,Ts为采样周期;ai、bi、ci、di为三阶样条插值系数,根据数据节点和边界条件求解得到样条插值的系数;fi(t)为插入信号x(n)的过采样值。
对过采样信号和参考信号进行快速傅里叶变换,将参考信号取共轭,在频域利用信号的互功率谱P(ω)来计算互相关函数R(τ):
其中Fx(ω)和Fy(ω)为x1(n)和y(n)傅里叶变换后得到频谱;
根据粗估计TOA结果的正负两个采样周期的范围内寻找极大值。在范围内最高峰对应的点,减去过采样信号长度,所得到的时间点,即为精估计下的TOA值10.5×Ts。
实验结果如图3所示,根据10000次实验后求得的准确率,在0dB到20dBd信噪比下,小数倍采样周期下的TOA精估计方法的准确率均要远远高于仅采用整数倍采样周期的TOA粗估计方法,且即使在低信噪比下,本发明的方法得到的估计值也有90%左右的估计准确率。可见本发明的基于5G SRS信号的自适应二次互相关TOA估计方法能够使TOA估计更加精确,利用二次估计的方法在低信噪比环境下也有较好的效果。
以上只是对本发明作进一步的说明,并非用以限制本发明,凡为本发明等效实施,均应包含于本发明的权利要求范围之内。
Claims (1)
1.一种基于5G SRS信号的自适应二次互相关TOA估计方法,其特征在于,该方法包括以下具体步骤:
步骤1:接受到的信号为x(t),本地信号为d(t):
x(t)=a(t)d(t-τ)+n(t)
其中a(t)为信道衰减系数,τ为时延,n(t)表示加性高斯白噪声;
通过接收机对x(t)和d(t)进行采样,设系统带宽BMHz,那么采样频率为fs,fs的取值要满足30.72MHz的整数倍,且fs>B,经过接收机采样得到采样信号x(n)和d(n);
步骤2:将x(n)作为FIR滤波器的输入信号,滤波后得到序列:
y(n)=wT(n)X(n)
其中X(n)表示在n时刻的输入向量:
X(n)=[x(n-N+1),x(n-N+2),...,x(n+N+1)]
wT(n)为自适应滤波器的权系数,T表示转置,N是自适应滤波器选择的阶数,N取值为50~100;
步骤3:将经过FIR滤波后的y(n)作为输入信号,d(n)作为参考信号,依次计算参考信号与输入信号之间的误差函数:
e(n)=d(n)-y(n)
步骤4:自动调节w(n),使x(n)不断逼近d(n),从而得到输出y(n):
w(n+1)=w(n)+μe(n)X(n)
其中,μ为滤波器每次调整权系数的步长,w(n)为自适应滤波器的权系数;
当y(n)与d(n)的误差函数e(n)的均方值最小时,滤波器收敛,自适应的权系数也达到最大值,粗估计的TOA值就是自适应滤波器权系数最大值所对应的时刻;
步骤5:对接受到的信号x(n)进行插值处理,得到过采样信号x1(t):
其中,Ts为采样周期;ai、bi、ci、di为三阶样条插值系数,根据数据节点和边界条件求解得到样条插值的系数;fi(t)为插入信号x(n)的过采样值;
步骤6:对过采样信号和参考信号进行快速傅里叶变换,将参考信号取共轭,在频域利用信号的互功率谱P(ω)来计算互相关函数R(τ):
其中Fx(ω)和Fy(ω)为x1(n)和y(n)傅里叶变换后得到频谱;
根据粗估计TOA结果的正负两个采样周期的范围内寻找极大值;在范围内最高峰对应的点,减去过采样信号长度,所得到的时间点,即为精估计下的TOA值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011336112.6A CN112512116B (zh) | 2020-11-25 | 2020-11-25 | 一种基于5gsrs信号的自适应二次互相关toa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011336112.6A CN112512116B (zh) | 2020-11-25 | 2020-11-25 | 一种基于5gsrs信号的自适应二次互相关toa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112512116A true CN112512116A (zh) | 2021-03-16 |
CN112512116B CN112512116B (zh) | 2022-12-02 |
Family
ID=74959890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011336112.6A Active CN112512116B (zh) | 2020-11-25 | 2020-11-25 | 一种基于5gsrs信号的自适应二次互相关toa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112512116B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117955792A (zh) * | 2024-03-26 | 2024-04-30 | 厦门大学 | 基于最大后验迭代的ofdm信号toa估计方法 |
CN117955792B (zh) * | 2024-03-26 | 2024-07-26 | 厦门大学 | 基于最大后验迭代的ofdm信号toa估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106772271A (zh) * | 2017-01-18 | 2017-05-31 | 哈尔滨工业大学 | 一种基于匹配自相关算法的雷达信号toa估计方法 |
CN108957403A (zh) * | 2018-06-09 | 2018-12-07 | 西安电子科技大学 | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 |
US20200279548A1 (en) * | 2017-09-15 | 2020-09-03 | Harman International Industries, Incorporated | Frequency-based causality binary limiter for active noise control systems |
CN111856401A (zh) * | 2020-07-02 | 2020-10-30 | 南京大学 | 一种基于互谱相位拟合的时延估计方法 |
-
2020
- 2020-11-25 CN CN202011336112.6A patent/CN112512116B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106772271A (zh) * | 2017-01-18 | 2017-05-31 | 哈尔滨工业大学 | 一种基于匹配自相关算法的雷达信号toa估计方法 |
US20200279548A1 (en) * | 2017-09-15 | 2020-09-03 | Harman International Industries, Incorporated | Frequency-based causality binary limiter for active noise control systems |
CN108957403A (zh) * | 2018-06-09 | 2018-12-07 | 西安电子科技大学 | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 |
CN111856401A (zh) * | 2020-07-02 | 2020-10-30 | 南京大学 | 一种基于互谱相位拟合的时延估计方法 |
Non-Patent Citations (3)
Title |
---|
景源等: "广义二次相关时延估计算法改进", 《辽宁大学学报(自然科学版)》 * |
王宝仁等: "基于RLS自适应滤波算法的广义互相关时延估计方法研究", 《组合机床与自动化加工技术》 * |
程方晓等: "基于改进时延估计的声源定位算法", 《吉林大学学报(理学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117955792A (zh) * | 2024-03-26 | 2024-04-30 | 厦门大学 | 基于最大后验迭代的ofdm信号toa估计方法 |
CN117955792B (zh) * | 2024-03-26 | 2024-07-26 | 厦门大学 | 基于最大后验迭代的ofdm信号toa估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112512116B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Blind adaptive algorithms for minimum variance CDMA receivers | |
JP4584994B2 (ja) | パイロットを用いたチャネル推定のための方法および装置 | |
EP2571214A2 (en) | Method and apparatus for cooperative communications between groups of communication units using a time reversed channel response | |
Kusuma et al. | Sampling with finite rate of innovation: Channel and timing estimation for UWB and GPS | |
Martin et al. | Bandwidth efficient cooperative TDOA computation for multicarrier signals of opportunity | |
US11956001B2 (en) | Millimeter wave (mmWave) system and methods | |
CN108521282B (zh) | 一种基于噪声消除的到达时间估计方法 | |
CN104885370A (zh) | 用于改善信号接收的方法和设备 | |
WO2015073135A1 (en) | Method and apparatus for ranging using channel estimation with interference rejection | |
CN103095357A (zh) | 智能天线自适应波束形成方法 | |
CN108337197B (zh) | 一种直射径提取方法及装置 | |
CN112512116B (zh) | 一种基于5gsrs信号的自适应二次互相关toa估计方法 | |
US20130315216A1 (en) | Channel estimation in wireless communication systems | |
CA2577647C (en) | Estimating time delays in a simulcast communication system | |
CN102508265B (zh) | 基于信号分离估计理论的卫星导航信号多径干扰抑制方法 | |
JP4425919B2 (ja) | 適応フィルタ | |
Wang et al. | Adaptive time delay estimation algorithm for indoor near‐field electromagnetic ranging | |
KR20100009981A (ko) | 첫번째 다중 경로 성분에서의 동기화를 통한 초광대역 무선 통신 수신기에서의 동기화 방법 및 이를 이용한 초광대역 무선 통신 수신기 | |
Staudinger et al. | TDoA subsample delay estimator with multiple access interference mitigation and carrier frequency offset compensation for OFDM based systems | |
US7286593B1 (en) | System and method for channel estimation in a radio frequency receiver | |
Gu et al. | High resolution time of arrival estimation algorithm for B5G indoor positioning | |
US10177797B2 (en) | Filter for use in time-of-arrival estimation in wireless communications | |
Cyganski et al. | Performance of a precision indoor positioning system using a multi-carrier approach | |
Wang et al. | A linear method for TDOA estimation of frequency-hopping signal | |
Exel et al. | ToA ranging using subsample peak estimation and equalizer-based multipath reduction |
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 |