CN112543409A - 一种到达时间toa估计方法及基站 - Google Patents
一种到达时间toa估计方法及基站 Download PDFInfo
- Publication number
- CN112543409A CN112543409A CN201910837371.8A CN201910837371A CN112543409A CN 112543409 A CN112543409 A CN 112543409A CN 201910837371 A CN201910837371 A CN 201910837371A CN 112543409 A CN112543409 A CN 112543409A
- Authority
- CN
- China
- Prior art keywords
- toa
- cross
- correlation data
- value
- correlation
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供一种到达时间TOA估计方法及基站,其中TOA估计方法包括:获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;对所述互相关数据进行聚类操作,得到多个聚类类别结果;针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。本发明实施例提高了TOA估计值的精准度。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种到达时间TOA估计方法及基站。
背景技术
第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)定义了多种通过测量3GPP无线通讯系统的自身定位参考信号的终端定位方法、到达时间差定位法(Observed Time Difference of Arrival,OTDOA)和上行链路信号到达时间差(UplinkTime Difference of Arrival,U-TDOA)等方法。这些方法的特点是基于无线通讯系统自身的定位参考信号(Positioning Reference Signal,PRS)定位,可在接收不到网络外部参考信号的环境里工作。
其中,通过测量参考信号进行TOA估计的方法是定位研究的一个热门方向,该方法的实现复杂度较低,在有直射(line of sight,LOS)径的情况下定位性能最佳,因此在第五代移动通信技术(5th generation mobile networks,5G)定位中也被广泛关注。但是,由于终端所处环境的复杂性以及多径等因素,导致TOA估计值的精度较低。
发明内容
本发明实施例提供一种到达时间TOA估计方法及基站,以提高TOA估计值的精度。
本发明实施例提供一种到达时间TOA估计方法,包括:
获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
对所述互相关数据进行聚类操作,得到多个聚类类别结果;
针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
本发明实施例提供一种到达时间TOA估计装置,包括:
第一获取模块,用于获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
第二获取模块,用于对所述互相关数据进行聚类操作,得到多个聚类类别结果;
估计模块,用于针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
本发明实施例提供一种基站,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程序,所述处理器执行所述程序时实现如下步骤:
获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
对所述互相关数据进行聚类操作,得到多个聚类类别结果;
针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
本发明实施例提供一种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所述的TOA估计方法的步骤。
本发明实施例提供的TOA估计方法及基站,通过获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据,然后对互相关数据进行聚类操作,得到多个聚类类别结果,然后针对多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值,实现了对互相关数据的分类,并且实现了通过与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,基于聚类类别结果与TOA估计算法的匹配性,使得TOA估计算法能够具有与之相匹配的数据支持,从而提高了TOA估计值的精度,进而提高了目标参考信号的定位精度,避免了现有技术中对所有数据采用一种固定的TOA估计算法进行TOA估计时精准度较低的问题。
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一简单地介绍,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为本发明实施例中TOA估计方法的步骤流程图;
图2为本发明实施例中TOA估计方法的整体流程示意图;
图3为本发明实施例中联合估计算法在室内场景下的仿真结果图;
图4为本发明实施例中联合估计算法在UMA场景下的仿真结果图;
图5为本发明实施例中联合估计算法在UMI场景下的仿真结果图;
图6为本发明实施例中TOA估计装置的模块框图;
图7为本发明实施例中基站的结构示意图。
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作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。
现有定位技术大多需要利用TOA/OTDOA信息进行用户的位置测量,但由于基站和用户所处环境的多变性,如何在复杂的环境下检测出LOS径,甚至在没有LOS径的情况下进行TOA时间估计,将是影响定位精度的关键所在。
此外,测量信号是直射径时,TOA测量值最为准确,所以大量研究主要围绕区分直射径和非直射径进行展开。其中TOA测量技术主要围绕互相关函数进行TOA估计,一般为:将互相关函数最大值所对应的时间作为TOA的最大值准则估计法;或者根据信道情况或接收噪声情况设定一定门限,将第一个通过门限的时间作为TOA的门限准则法;或者基于一定搜索窗长度,以搜索窗内互相关值之和最大的时间点作为TOA的信号到达域测量法。但是在上述方法中,最大值估计法在最强径互相关值不是最高时有极大的性能损失,其他方法均需要根据用户所处场景或信道情况进行门限值/搜索窗等参数的调整,且其他方法对于多变环境的鲁棒性较差。
针对上述情况,本发明实施例基于聚类的思想进行TOA估计,来克服上述问题,找到符合准则要求的最优解,以提高在复杂环境下TOA估计的准确程度。
具体的,聚类是通过对于无标记训练样本的学习来揭示数据内在的性质及规律,其试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“类”。通过划分为进一步的数据分析提供基础。由于通信系统的发展,更大的带宽,更加庞大的数据可以被用来进行TOA估计。
需要说明的是,本发明实施例不仅可用于基于正交频分复用技术(OrthogonalFrequency Division Multiplexing,OFDM)进行定位的系统,还可以用于其他系统,在此并不对该实施例所应用的系统进行限制。
下面通过具体实施例对本发明进行具体介绍。
如图1所示,为本发明实施例中TOA估计方法的步骤流程图,该TOA估计方法包括:
步骤101:获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据。
在本步骤中,具体的,在对TOA进行估计时,可以先获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据,以为TOA估计提供数据支持。
当然,在得到互相关数据之前,还可以接收目标参考信号。
在此需要说明的是,该目标参考信号包括所有能够用于测量TOA的参考信号,例如包括能够用于传统的OTDOA/UTDOA定位的定位参考信号(Positioning Reference Signal,PRS)、小区状态指示参考符号(Cell Status Indicator Reference Signal,CIS-RS)和信道探测参考信号(Sounding Reference Signal)等。
还需要说明的是,该目标参考信号不局限于5G新空口(New Radio,NR)的下行参考信号,也可以是5G NR上行的SRS或者其他参考信号,或者是LTE的任意参考信号。
步骤102:对互相关数据进行聚类操作,得到多个聚类类别结果。
在本步骤中,具体的,在得到每个序列点所对应的互相关数据之后,可以对所有的互相关数据进行聚类操作,以得到多个聚类类别结果。
其中,在对所有的互相关数据进行聚类操作时,可以采用贝叶斯聚类理论和最大期望(Expectation Maximization,EM)算法,对互相关数据进行聚类,从而提高基于互相关数据进行TOA估计时的精度。
步骤103:针对多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
在本步骤中,具体的,在得到多个聚类类别结果之后,针对该多个聚类类别结果中的至少一个聚类类别结果,可以通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
此时基于已经将得到的所有互相关数据进行聚类,使得在采用与聚类类别结果相匹配的TOA估计算法进行TOA估计时,TOA估计算法能够具有与之相匹配的数据支持,从而使得能够提高TOA估计算法所估计得到的TOA估计值的精度,避免了现有技术中对所有数据采用一种固定的TOA估计算法进行TOA估计时精准度较低的问题。
此外,进一步地,本实施例在获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据时,可以通过下述任一方式进行获取:
其一,对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并将所述互相关函数值确定为所述互相关数据;
其二,对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并对所述互相关函数值进行平方操作,得到互相关平方函数值,将所述互相关平方函数值确定为所述互相关数据。
这样,通过对目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关操作,使得在此基础上能够得到确定为互相关数据的互相关函数值或互相关平方函数值,进而为TOA的估计提供了数据支持。
在此需要说明的是,得到互相关函数值的过程为现有技术,现基于PRS,对上述互相关操作进行举例说明。
其中,PRS信号可以表示如下:
其中,x[n]表示PRS信号,Xk表示伪随机序列,N表示伪随机序列的长度,n表示频域的子载波个数。
假设信道冲击响应建模表示如下:
其中,h(t)表示信道冲击响应模型,hi是复数,表示不同路径的信道增益,L表示多个路径的总数,ti表示信号通过不同路径到达接收端的时间,δ()表示单位冲击函数。
接收到的目标参考信号可以如下表示:
其中,y(t)表示接收到的目标参考信号,x(t-τi)表示经过数模转换后的时域信号,w(t)表示加性高斯白噪声,上式表示信道冲击响应与PRS的卷积。此外,射频信号经过数模转换后变为y(t)。此时,利用PRS良好的相关特性,在接收端将本地参考信号与接收到的目标参考信号进行互相关操作:
其中,Rxy[τ]表示互相关函数值;在没有经过采样时,N为x[n]与y[n]信号卷积后的长度,也是离散傅里叶逆变换(简称IDFT)变换的长度。τ表示时间延迟分量,是时间指示。在理想情况下,TOA估计值可以如下表示:
TOA测量的互相关函数值可以表示为:
其中,Rxx表示自相关函数值,h0表示首个路径的信道增益;τ0表示初始的延迟分量。
当然,在此需要说明的是,由于互相关函数值的平方,即互相关平方函数值可以扩大相干峰与噪声的分辨度,有利于更加精确的估计TOA,因此可以采用互相关平方函数值进行TOA估计,该估计式可以为:
当然,还需要首先对互相关平方函数值进行归一化处理:
这样,通过上述过程,可得到互相关函数值或者互相关平方函数值。当然,在此需要说明的是,在得到互相关函数值或者互相关平方函数值时可以参照现有技术资料,例如参见3GPP TS 36.211,Physical channels and modulation,Release 12等文献,在此不对此再进行过多具体的介绍。
另外,进一步地,可以假设经过互相关操作的互相关数据服从高斯混合分布,此时可以根据贝叶斯理论和EM算法,基于高斯混合模型对互相关数据进行聚类操作。
具体的,本实施例在对互相关数据进行聚类操作,得到多个聚类类别结果时,可以对幅度值大于或等于第一阈值的互相关数据进行聚类,得到最大相关峰类类别结果;对幅度值小于或等于第二阈值的互相关数据进行聚类,得到噪声类类别结果;并对幅度值大于所述第二阈值且小于所述第一阈值的互相关数据进行聚类,得到旁瓣干扰类类别结果。
具体的,可以将数据幅度最高的一类认为是能够用来进行TOA估计的直射路径,因此可以将幅度值大于或等于第一阈值的互相关数据进行聚类,得到最大相关峰类类别;然后可以将数据幅度最低的一类认为是噪声,因此可以将幅度值小于或等于第二阈值的互相关数据进行聚类,得到噪声类类别;最后,可以将介于最高值和最低值之间的一类认为是被遮挡的路径,或者是用于进行互相关的伪随机序列不理想,造成的互相关旁瓣以及较大的噪声,因此可以将幅度值大于第二阈值且小于第一阈值的互相关数据进行聚类,得到旁瓣干扰类类别。
在此需要说明的是,第一阈值和第二阈值的设定可以根据实际情况进行限定,在此并不具体限定第一阈值和第二阈值的具体数值。
还需要说明的是,通过高斯混合模型进行聚类为现有技术,在此不再对高斯混合模型如何进行聚类进行具体赘述。但是,在本实施例中,可以对高斯混合模型进行聚类时的参数进行限定。例如,可以将聚类类别设定为3,初始化参数属于最大相关峰类类别结果的幅度值应当最高,此类的均值可以初始化为1,方差可以初始化为0.2;同理,属于噪声类类别结果的幅度值应该最低,此类的均值可以初始化为0,方差可以初始化为0.2;最后属于旁瓣干扰类类别结果的均值可以初始化为0.5,方差可以初始化为0.2。此外,循环结束条件可以设定为|uj i-uj i-1|<0.05,其中i为循环次数,j为聚类类别的总数,即为3。这样,通过上述方式,可以对所有互相关数据进行聚类,得到最大相关峰类、噪声类和旁瓣干扰类三类类别结果。
另外,进一步地,在上述实施例的基础上,在通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值时,可以包括如下其一和其二两种或任意一种方式:
其一,通过与最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于最大相关峰类类别结果范围内的互相关数据,对TOA进行估计,得到第一TOA估计值。
具体的,最大值准则TOA估计算法可以缓解多径衰落对相干估计器造成的影响,但是在多径信道下,由于信号路径的复杂性,信号的时延、相位均难以有效估计,因此非相干估计值通常是有偏的。在此情况下,会造成首径的能量值未必最大,这造成最大值准则TOA估计算法的性能有所下降。
针对此,本实施例先聚类得到最大相关峰类,修正了首径衰减,使得估计器在首径能力不是最强时,即在首径没有衰减或衰减幅度有限时,可以通过最大相关峰类类别结果范围内的互相关数据,正确估计出信号到达时间,即正确估计出第一TOA估计值,从而提高了所得到的第一TOA估计值的准确性。
当然,本实施例在通过与最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于最大相关峰类类别结果范围内的互相关数据,对TOA进行估计时,可以基于最大相关峰类类别结果范围内的互相关数据,通过下述公式,对TOA进行估计,得到第一TOA估计值:
即可以采用上述公式,将最大相关峰类类别结果范围内的互相关数据中,第一个属于最大相关峰类类别结果内的互相关数据所对应的序列点,确定为第一TOA估计值,从而保证了第一TOA估计值的准确性。
其二,通过与噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对TOA进行估计,得到第二TOA估计值。
具体的,在聚类得到噪声类类别结果时,可以将门限准则TOA估计算法确定为与噪声类类别结果相匹配的TOA估计算法,且此时可以基于所有互相关数据,对TOA进行估计,得到第二TOA估计值。
其中,在通过与噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对TOA进行估计,得到第二TOA估计值时,可以根据噪声类类别结果范围内的互相关数据,对门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值;然后根据门限准则TOA估计算法和目标门限值,基于所有互相关数据,对TOA进行估计,得到第二TOA估计值。
具体的,在直射径信号经过了严重的衰减,以至于其幅度值与噪声值接近时,采用最大值准则TOA估计算法则无法准确寻找出TOA。此时,可以采用门限准则TOA估计算法对TOA进行估计,该门限准则TOA估计算法能够缓解直射径被遮挡,其能量不是最高时带来的估计问题。其中,门限准则TOA估计算法能够基于信道特征、用户环境等因素灵活设计门限条件,并且将符合要求的第一个互相关数据所对应的序列点作为TOA值。但是门限的设计往往需要不同的参数加以约束,门限的选择对于TOA的估计精度有极大的影响。
基于上述论述,本实施例根据噪声类类别结果范围内的互相关数据,对门限准则TOA估计算法所对应的门限值进行设定,从而得到目标门限值,进而使得能够基于所有互相关数据,根据该目标门限值,对TOA进行估计,得到第二TOA估计值。
这样,通过噪声类类别结果范围内的互相关数据,对门限值进行设定,实现了无需参数设计即可得到目标门限值,增加了门限准则TOA估计算法的鲁棒性;此外,TOA估计的性能受到噪声以及干扰的影响,且对于OFDM系统而言,在不同的OFDM符号间的信号进行平均处理,除少数干扰极强的情况,噪声的估计对于门限的设定有着重要的地位,而本实施例通过聚类的方式分辨噪声,省去了复杂的噪声分辨方法,无需其他参数设置,且通过逐个对互相关数据进行聚类,最大程度上还原了属于噪声的互相关数据,实现了对噪声的正确估计,从而使得基于噪声类类别结果范围内的互相关数据,对门限值进行设定时,得到的目标门限值更加准确,进而使得基于该目标门限值进行TOA估计时,所得到的第二TOA估计值更加准确。
此外,具体的,本实施例在根据噪声类类别结果范围内的互相关数据,对门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值时,可以根据噪声类类别结果范围内的互相关数据,通过下述公式,对门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值:
具体的,Vmax为非相干估计器求得的所有互相关数据中的最大值,在经过归一化之后,其值为1。
这样,通过噪声类类别结果范围内的互相关数据,得到目标门限值,基于噪声类结果范围内的互相关数据为通过聚类得到,最大程度上还原了属于噪声的互相关数据,实现了对噪声的正确估计,从而保证了根据噪声类类别结果范围内的互相关数据所得到的目标门限值的准确性和合理性。
另外,具体的,在根据门限准则TOA估计算法和目标门限值,基于所有互相关数据,对TOA进行估计,得到第二TOA估计值时,可以基于所有互相关数据,根据目标门限值,通过下述公式,对TOA进行估计,得到第二TOA估计值;
τB=atgmin{Rτ},s.t.{Rτ}≥Vth;
其中,τB表示第二TOA估计值,Rτ表示所有的互相关数据,Vth表示目标门限值。
通过上述公式,即对所有互相关数据进行比对,将所有互相关数据中第一个超过目标门限值的互相关数据所对应的序列点,作为第二TOA估计值。
此时,基于目标门限值的准确性和合理性,保证了通过门限准则TOA估计算法得到的第二TOA估计值的准确性。
这样,本实施例通过上述两种或其中任意一种方式对TOA进行估计,基于通过对逐个数据进行聚类并得到三种聚类类别结果,使得每个聚类类别结果范围内的互相关数据均最大程度上还原了该聚类类别的特性,从而使得在采用聚类类别结果范围内的互相关数据进行TOA估计或进行门限值设定进而进行TOA估计时,能够确保所得到的TOA估计值的准确性。
另外,进一步地,为了进一步保证所得到的TOA估计值的准确性,本实施例还可以结合上述两种方式,对TOA估计方式进行进一步改进,即可以在上述实施例的基础上,在通过与噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对TOA进行估计,得到第二TOA估计值之后,还可以对第二TOA估计值所对应的互相关数据进行类型判断。
此时,当确定第二TOA估计值所对应的互相关数据处于噪声类类别结果范围内时,将第一TOA估计值确定为最终的TOA估计值;当确定第二TOA估计值所对应的互相关数据不处于噪声类类别结果范围内时,将第二TOA估计值确定为最终的TOA估计值。
在此需要说明的是,在将第一TOA估计值确定为最终的TOA估计值之前,若没有计算得到第一TOA估计值,则需要先通过与最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于最大相关峰类类别结果范围内的互相关数据,对TOA进行估计,得到第一TOA估计值。
这样,通过再次利用聚类类别结果对第二TOA估计值对应的互相关数据进行检测,此时若确定第二TOA估计值所对应的互相关数据处于噪声类类别结果范围内时,则说明存在较大可能将幅度值较高的噪声错误的估计为TOA值,在这种情况下,则认为第二TOA估计值是存在偏差的,则需要将第一TOA估计值确定为最终的TOA估计值;当然,当确定第二TOA估计值所对应的互相关数据不处于噪声类类别结果范围内时,此时则可以认为第二TOA估计值更为精准,则可以直接将该第二TOA估计值确定为最终的TOA估计值;这样通过区分不同情况确定最终的TOA估计值,进一步保证了所得到的最终TOA估计值的准确性。
具体的,参见图2,下面通过其中一个具体过程对本实施例的整体TOA估计流程进行说明。
具体的,在进行TOA估计时,先进入步骤201,将接收信号与本地产生信号进行互相关,得到互相关数据,即将接收到的目标参考信号中的每个序列点与本地参考信号中相对应序列点进行互相关,得到互相关数据。
然后,进入步骤202,将得到的所有互相关数据进行聚类操作,得到多个聚类类别结果。
然后,进入步骤203,对聚类类别结果进行聚类类别判别,此时针对最大相关峰类类别结果,进入步骤204,即针对最大相关峰类类别结果范围内的互相关数据,采用最大值准则TOA估计算法进行TOA估计;针对噪声类类别结果,进入步骤205,使用噪声数据进行门限设计,进而进行TOA估计,即根据噪声类类别结果范围内的互相关数据,对门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值,然后基于所有互相关数据,根据目标门限值,通过门限准则TOA估计算法,对TOA进行估计。
然后,进入步骤206,判断第二TOA估计值所对应的互相关数据是否属于噪声类类别结果,此时若属于,则进入步骤207,即将第一TOA估计值作为最终的TOA估计值;若不属于,则进入步骤208,即将该第二TOA估计值作为最终的TOA估计值。
这样,通过上述步骤,使得能够使用峰值类类别的互相关数据,根据最大值准则TOA估计算法进行TOA估计,解决了现有技术中在直射径遇到障碍物时,能量降低,使用最大值准则TOA估计算法进行TOA估计时出现偏差的问题;同样使得能够使用噪声类类别的互相关数据,进行门限准则TOA估计算法的门限值的设定,进而进行TOA估计,实现了无需其他参数设定即可设计出合理的门限值,使得TOA估计结果更为精准;还使得能够同时依据最大值准则TOA估计算法和门限准则TOA估计算法所得到的TOA值的判别,联合进行TOA估计得到最终的TOA估计值,避免了最大值准则TOA估计算法和门限准则TOA估计算法的缺陷,进一步保证了所得到的最终TOA估计值的精准性。
下面可以通过具体的仿真结果对联合估计法(即当确定第二TOA估计值所对应的互相关数据处于所述噪声类类别结果范围内时,将第一TOA估计值确定为最终的TOA估计值;当确定第二TOA估计值所对应的互相关数据不处于噪声类类别结果范围内时,将第二TOA估计值确定为最终的TOA估计值)在不同场景下的性能进行说明。
例如,本实施例可以给出联合估计法在50MHZ的带宽下,在城市宏小区(UrbanMacro cell,UMA)、城市微小区(Urban Microcell,UMI)场景和室内场景下的仿真结果。与此同时,可以将该联合估计法的性能与现有技术中的自适应门限法、循环法以及最大值准则TOA估计算法进行对比,以对其性能进行较为直观的说明。
具体的,如图3所示,为室内场景下的仿真结果图,从图3中可以看出,由于在室内环境下,例如办公环境以及购物商场等,站点间的距离很近(20米左右),直射径是最强径的概率较大,即使遇到遮挡,也可以通过聚类的方式进行修正,使其被正确测量,从而使得联合估计法在该场景下的性能提升最为明显。
如图4所示,为在UMA场景下的仿真结果图,由于随着站点间距离的增加(增加到500米左右),首径是最强径的可能性较低,算法将倾向于使用门限法进行估计,对于有较大时延拓展的信道,聚类的方法可以更加准确的分辨信号与噪声,而门限法可以根据噪声大小改变门限,从而减少误判,提升了复杂信道条件下的健壮性,这使得联合估计算法的性能有所提升。
如图5所示,为在UMI场景下的仿真结果图,从图中可以看出,联合估计算法的性能同样有较大的提升。
这样,本实施例通过获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据,然后对互相关数据进行聚类操作,得到多个聚类类别结果,最后针对多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值,实现了通过与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,基于聚类类别结果与TOA估计算法的匹配性,使得TOA估计算法能够具有与之相匹配的数据支持,从而提高了TOA估计值的精度,进而提高了目标参考信号的定位精度,避免了现有技术中对所有数据采用一种固定的TOA估计算法进行TOA估计时精准度较低的问题。
此外,如图6所示,为本发明实施例中TOA估计装置的模块框图,该TOA估计装置包括:
第一获取模块601,用于获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
第二获取模块602,用于对所述互相关数据进行聚类操作,得到多个聚类类别结果;
估计模块603,用于针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
可选地,第二获取模块602用于,对幅度值大于或等于第一阈值的互相关数据进行聚类,得到最大相关峰类类别结果;对幅度值小于或等于第二阈值的互相关数据进行聚类,得到噪声类类别结果;对幅度值大于所述第二阈值且小于所述第一阈值的互相关数据进行聚类,得到旁瓣干扰类类别结果。
可选地,所述估计模块603包括:
第一估计单元,用于通过与所述最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于所述最大相关峰类类别结果范围内的互相关数据,对所述TOA进行估计,得到第一TOA估计值;和/或,
第二估计单元,用于通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
可选地,还包括:
第一确定模块,用于当确定所述第二TOA估计值所对应的互相关数据处于所述噪声类类别结果范围内时,将所述第一TOA估计值确定为最终的TOA估计值;
第二确定模块,用于当确定所述第二TOA估计值所对应的互相关数据不处于所述噪声类类别结果范围内时,将所述第二TOA估计值确定为最终的TOA估计值。
可选地,所述第二估计单元具体用于,根据所述噪声类类别结果范围内的互相关数据,对所述门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值;根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
在此需要说明的是,本实施例中的装置能够实现上述方法实施例的所有方法步骤,并能够达到相同的技术效果,在此不再对本实施例中与方法实施例内的相同部分以及技术效果等进行赘述。
此外,如图7所示,为本发明实施例提供的基站的实体结构示意图,该基站可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储在存储器730上并可在处理器710上运行的计算机程序,以执行下述方法步骤:
获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;对所述互相关数据进行聚类操作,得到多个聚类类别结果;针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
可选地,所述获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据,包括:对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并将所述互相关函数值确定为所述互相关数据;或者,对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并对所述互相关函数值进行平方操作,得到互相关平方函数值,将所述互相关平方函数值确定为所述互相关数据。
可选地,所述对所述互相关数据进行聚类操作,得到多个聚类类别结果,包括:对幅度值大于或等于第一阈值的互相关数据进行聚类,得到最大相关峰类类别结果;对幅度值小于或等于第二阈值的互相关数据进行聚类,得到噪声类类别结果;对幅度值大于所述第二阈值且小于所述第一阈值的互相关数据进行聚类,得到旁瓣干扰类类别结果。
可选地,所述通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值,包括:通过与所述最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于所述最大相关峰类类别结果范围内的互相关数据,对所述TOA进行估计,得到第一TOA估计值;和/或,通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
可选地,所述通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值之后,所述处理器执行所述程序时还实现如下步骤:当确定所述第二TOA估计值所对应互相关数据处于所述噪声类类别结果范围内时,将所述第一TOA估计值确定为最终的TOA估计值;当确定所述第二TOA估计值所对应的互相关数据不处于所述噪声类类别结果范围内时,将所述第二TOA估计值确定为最终的TOA估计值。
可选地,所述通过与所述最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于所述最大相关峰类类别结果范围内的互相关数据,对所述TOA进行估计,得到第一TOA估计值,包括:基于所述最大相关峰类类别结果范围内的互相关数据,通过下述公式,对所述TOA进行估计,得到第一TOA估计值;
可选地,所述通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值,包括:
根据所述噪声类类别结果范围内的互相关数据,对所述门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值;
根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
可选地,所述根据所述噪声类类别结果范围内的互相关数据,对所述门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值,包括:根据所述噪声类类别结果范围内的互相关数据,通过下述公式,对所述门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值;
可选地,所述根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值,包括:基于所有互相关数据,根据所述目标门限值,通过下述公式,对所述TOA进行估计,得到所述第二TOA估计值;
τB=argmin{Rτ},s.t.{Rτ}≥Vth;
其中,τB表示所述第二TOA估计值,Rτ表示所有的互相关数据,Vth表示所述目标门限值。
此外,上述的存储器730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。
本发明实施例还提供一种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方法,例如包括:获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;对所述互相关数据进行聚类操作,得到多个聚类类别结果;基于所述多个聚类类别结果,对到达时间TOA进行估计,得到TOA估计值。
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 (20)
1.一种到达时间TOA估计方法,其特征在于,包括:
获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
对所述互相关数据进行聚类操作,得到多个聚类类别结果;
针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
2.根据权利要求1所述的TOA估计方法,其特征在于,所述获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据,包括:
对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并将所述互相关函数值确定为所述互相关数据;或者,
对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并对所述互相关函数值进行平方操作,得到互相关平方函数值,将所述互相关平方函数值确定为所述互相关数据。
3.根据权利要求1所述的TOA估计方法,其特征在于,所述对所述互相关数据进行聚类操作,得到多个聚类类别结果,包括:
对幅度值大于或等于第一阈值的互相关数据进行聚类,得到最大相关峰类类别结果;
对幅度值小于或等于第二阈值的互相关数据进行聚类,得到噪声类类别结果;
对幅度值大于所述第二阈值且小于所述第一阈值的互相关数据进行聚类,得到旁瓣干扰类类别结果。
4.根据权利要求3所述的TOA估计方法,其特征在于,所述通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值,包括:
通过与所述最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于所述最大相关峰类类别结果范围内的互相关数据,对所述TOA进行估计,得到第一TOA估计值;和/或,
通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
5.根据权利要求4所述的TOA估计方法,其特征在于,所述通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值之后,还包括:
当确定所述第二TOA估计值所对应的互相关数据处于所述噪声类类别结果范围内时,将所述第一TOA估计值确定为最终的TOA估计值;
当确定所述第二TOA估计值所对应的互相关数据不处于所述噪声类类别结果范围内时,将所述第二TOA估计值确定为最终的TOA估计值。
7.根据权利要求4所述的TOA估计方法,其特征在于,所述通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值,包括:
根据所述噪声类类别结果范围内的互相关数据,对所述门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值;
根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
9.根据权利要求7所述的TOA估计方法,其特征在于,所述根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值,包括:
基于所有互相关数据,根据所述目标门限值,通过下述公式,对所述TOA进行估计,得到所述第二TOA估计值;
τB=argmin{Rτ},s.t.{Rτ}≥Vth;
其中,τB表示所述第二TOA估计值,Rτ表示所有的互相关数据,Vth表示所述目标门限值。
10.一种到达时间TOA估计装置,其特征在于,包括:
第一获取模块,用于获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
第二获取模块,用于对所述互相关数据进行聚类操作,得到多个聚类类别结果;
估计模块,用于针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
11.一种基站,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程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据;
对所述互相关数据进行聚类操作,得到多个聚类类别结果;
针对所述多个聚类类别结果中的至少一个聚类类别结果,通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值。
12.根据权利要求11所述的基站,其特征在于,所述获取所接收到的目标参考信号中每个序列点与本地参考信号中相对应序列点之间的互相关数据,包括:
对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并将所述互相关函数值确定为所述互相关数据;或者,
对所述目标参考信号中每个序列点与本地参考信号中相对应序列点进行互相关,得到所述每个序列点所对应的互相关函数值,并对所述互相关函数值进行平方操作,得到互相关平方函数值,将所述互相关平方函数值确定为所述互相关数据。
13.根据权利要求11所述的基站,其特征在于,所述对所述互相关数据进行聚类操作,得到多个聚类类别结果,包括:
对幅度值大于或等于第一阈值的互相关数据进行聚类,得到最大相关峰类类别结果;
对幅度值小于或等于第二阈值的互相关数据进行聚类,得到噪声类类别结果;
对幅度值大于所述第二阈值且小于所述第一阈值的互相关数据进行聚类,得到旁瓣干扰类类别结果。
14.根据权利要求13所述的基站,其特征在于,所述通过预先确定的与聚类类别结果相匹配的TOA估计算法,对TOA进行估计,得到TOA估计值,包括:
通过与所述最大相关峰类类别结果相匹配的最大值准则TOA估计算法,基于所述最大相关峰类类别结果范围内的互相关数据,对所述TOA进行估计,得到第一TOA估计值;和/或,
通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
15.根据权利要求14所述的基站,其特征在于,所述通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值之后,所述处理器执行所述程序时还实现如下步骤:
当确定所述第二TOA估计值所对应互相关数据处于所述噪声类类别结果范围内时,将所述第一TOA估计值确定为最终的TOA估计值;
当确定所述第二TOA估计值所对应的互相关数据不处于所述噪声类类别结果范围内时,将所述第二TOA估计值确定为最终的TOA估计值。
17.根据权利要求14所述的基站,其特征在于,所述通过与所述噪声类类别结果相匹配的门限准则TOA估计算法,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值,包括:
根据所述噪声类类别结果范围内的互相关数据,对所述门限准则TOA估计算法所对应的门限值进行设定,得到目标门限值;
根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值。
19.根据权利要求17所述的基站,其特征在于,所述根据所述门限准则TOA估计算法和所述目标门限值,基于所有互相关数据,对所述TOA进行估计,得到第二TOA估计值,包括:
基于所有互相关数据,根据所述目标门限值,通过下述公式,对所述TOA进行估计,得到所述第二TOA估计值;
τB=argmin{Rτ},s.t.{Rτ}≥Vth;
其中,τB表示所述第二TOA估计值,Rτ表示所有的互相关数据,Vth表示所述目标门限值。
20.一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9任一项所述的TOA估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837371.8A CN112543409B (zh) | 2019-09-05 | 2019-09-05 | 一种到达时间toa估计方法及基站 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837371.8A CN112543409B (zh) | 2019-09-05 | 2019-09-05 | 一种到达时间toa估计方法及基站 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112543409A true CN112543409A (zh) | 2021-03-23 |
CN112543409B CN112543409B (zh) | 2021-11-12 |
Family
ID=75012202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910837371.8A Active CN112543409B (zh) | 2019-09-05 | 2019-09-05 | 一种到达时间toa估计方法及基站 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112543409B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113489662A (zh) * | 2021-09-08 | 2021-10-08 | 深圳市海豚科技创新有限公司 | 消除基站超声波噪音的方法、装置、计算机设备及介质 |
WO2023284457A1 (zh) * | 2021-07-16 | 2023-01-19 | 大唐移动通信设备有限公司 | 终端设备的定位方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090067318A1 (en) * | 2007-09-06 | 2009-03-12 | Sharp Laboratories Of America, Inc. | Systems and methods for designing a reference signal to be transmitted in a multiplexed cellular system |
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 |
CN104933444A (zh) * | 2015-06-26 | 2015-09-23 | 南京邮电大学 | 一种面向多维属性数据的多层聚类融合机制的设计方法 |
CN109001789A (zh) * | 2018-06-05 | 2018-12-14 | 西安交通大学 | 一种基于互相关熵配准的无人车定位融合方法 |
-
2019
- 2019-09-05 CN CN201910837371.8A patent/CN112543409B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090067318A1 (en) * | 2007-09-06 | 2009-03-12 | Sharp Laboratories Of America, Inc. | Systems and methods for designing a reference signal to be transmitted in a multiplexed cellular system |
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 |
CN104933444A (zh) * | 2015-06-26 | 2015-09-23 | 南京邮电大学 | 一种面向多维属性数据的多层聚类融合机制的设计方法 |
CN109001789A (zh) * | 2018-06-05 | 2018-12-14 | 西安交通大学 | 一种基于互相关熵配准的无人车定位融合方法 |
Non-Patent Citations (2)
Title |
---|
TRUEPOSITION: ""R2-094416 Definitions and support for UTDOA method[1]"", 《3GPP》 * |
刘立红: "无线定位中TOA估计算法的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023284457A1 (zh) * | 2021-07-16 | 2023-01-19 | 大唐移动通信设备有限公司 | 终端设备的定位方法、装置及存储介质 |
CN113489662A (zh) * | 2021-09-08 | 2021-10-08 | 深圳市海豚科技创新有限公司 | 消除基站超声波噪音的方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112543409B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2698918C1 (ru) | Обнаружение преамбулы и оценка времени прихода преамбулы произвольного доступа однотонального сигнала со скачкообразной перестройкой частоты | |
Xu et al. | Maximum likelihood TOA and OTDOA estimation with first arriving path detection for 3GPP LTE system | |
CN110022523B (zh) | 用于终端设备定位的方法、装置及系统 | |
US8509207B2 (en) | Defining adaptive detection thresholds | |
Wu et al. | CSI-based indoor localization | |
EP2798366B1 (en) | Method and system for localization | |
Li et al. | A passive WiFi source localization system based on fine-grained power-based trilateration | |
Turlapaty et al. | Range and velocity estimation of radar targets by weighted OFDM modulation | |
Braun et al. | On the single-target accuracy of OFDM radar algorithms | |
CN112543409B (zh) | 一种到达时间toa估计方法及基站 | |
CN114615122B (zh) | 通信信号的频偏确定方法及装置 | |
Topal et al. | Identification of smart jammers: Learning based approaches using wavelet representation | |
KR102416604B1 (ko) | 무선통신 시스템의 정밀 측위 방법 및 장치 | |
Zhang et al. | Pilot-based delay and Doppler estimation in 6G integrated communication and sensing networks | |
Noschese et al. | A low-complexity approach for time of arrival estimation in OFDM systems | |
Wang et al. | Improved time-of-arrival estimation algorithm for cellular signals in multipath fading channels | |
CN106162620B (zh) | 一种基于信道多普勒效应的主用户仿真攻击检测方法 | |
US9769687B2 (en) | Method and related mobile device for determining a reference signal received power | |
Liu et al. | Blind parameter estimation for OFDM interception receiver with iterative cyclostationary analysis | |
US11428774B2 (en) | Method and device for estimating a time of arrival of a radio signal | |
CN115988629B (zh) | 定时估计方法、装置、设备及可读存储介质 | |
Li et al. | Integrating Passive Bistatic Sensing into mmWave B5G/6G Networks: Design and Experiment Measurement | |
Schmidt et al. | Indoor positioning via WLAN channel state information and machine learning classification approaches | |
Lee et al. | An improved synchronization scheme for OFDMA systems with initial ranging transmissions | |
Khalek | A simulation study of using communication signals for ranging |
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 |