CN112512116A - 一种基于5gsrs信号的自适应二次互相关toa估计方法 - Google Patents

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

一种基于5GSRS信号的自适应二次互相关TOA估计方法

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(f_s的取值需要满足30.72MHz的若干整数倍，且f_s>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)＝w^T(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)]

w^T(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，T_s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F_x(ω)和F_y(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×T_s，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)＝w^T(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]

w^T(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×T_s或11×T_s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，T_s为采样周期；a_i、b_i、c_i、d_i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；f_i(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F_x(ω)和F_y(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×T_s。

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f_s，f_s的取值要满足30.72MHz的整数倍，且f_s＞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)＝w^T(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)]

w^T(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，T_s为采样周期；a_i、b_i、c_i、d_i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；f_i(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F_x(ω)和F_y(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。

Images