CN113438596B - 一种面向北斗与5g融合的毫米波低时延波束赋形方法 - Google Patents

一种面向北斗与5g融合的毫米波低时延波束赋形方法 Download PDF

Info

Publication number
CN113438596B
CN113438596B CN202110653195.XA CN202110653195A CN113438596B CN 113438596 B CN113438596 B CN 113438596B CN 202110653195 A CN202110653195 A CN 202110653195A CN 113438596 B CN113438596 B CN 113438596B
Authority
CN
China
Prior art keywords
representing
millimeter wave
output
beidou
terminal
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
Application number
CN202110653195.XA
Other languages
English (en)
Other versions
CN113438596A (zh
Inventor
张井合
潘跃明
朱春生
李战楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinhua Hangda Beidou Application Technology Co ltd
Original Assignee
Jinhua Hangda Beidou Application Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinhua Hangda Beidou Application Technology Co ltd filed Critical Jinhua Hangda Beidou Application Technology Co ltd
Priority to CN202110653195.XA priority Critical patent/CN113438596B/zh
Publication of CN113438596A publication Critical patent/CN113438596A/zh
Application granted granted Critical
Publication of CN113438596B publication Critical patent/CN113438596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W4/025—Services making use of location information using location based information parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种面向北斗与5G融合的毫米波低时延波束赋形方法，首先在初始接入流程的训练过程中，收集接入毫米波基站的终端的由北斗系统提供的有定位误差的历史定位信息，然后对终端的历史定位信息以及运动轨迹进行分析，并对终端的速度状态以及位置进行基于模型预测滤波的神经网络算法的预测；其次，在波束匹配阶段，通过终端速度状态与位置信息的结果，得到速度与定位误差范围内终端高概率位置，与毫米波基站各波束覆盖范围进行扫描匹配，波束匹配优先级的排序依据波束匹配的准确率，从而大幅度缩小波束训练范围，在低时延的范围内对高速移动终端发送波束。

Description

一种面向北斗与5G融合的毫米波低时延波束赋形方法
技术领域
本发明涉及低时延波束赋形技术领域，尤其涉及一种面向北斗与5G融合的毫米波低时延波束赋形方法。
背景技术
由于卫星与地球的距离太远，卫星信号容易被遮挡，北斗与5G通信的深度融合可以实现从室内到室外、从城市到无人区无缝连接的精准时空信息服务。5G中毫米波通信信号具有高损耗、强方向性、对障碍物敏感等特点，需要将毫米波与方向性天线技术相结合去解决路径损耗严重的问题。毫米波波束窄，为保证初始接入的精度和准确性，现有波束赋形训练方案时延普遍过长。毫米波通信对终端位置敏感，时延过长的链路建立将会导致初始接入算法错过最佳波束。
为了满足日益增长并且多样的数据要求，实现高安全的新一代信息时空体系，针对北斗与5G融合这一背景下毫米波通信系统的数据传播速率可以进一步提高的现状，本发明提出了一种面向北斗与5G融合的毫米波低时延波束赋形方法。
发明内容
本发明的目的是针对现有技术的缺陷，提供一种面向北斗与5G融合的毫米波低时延波束赋形方法。
为了实现以上目的，本发明采用以下技术方案：
一种面向北斗与5G融合的毫米波低时延波束赋形方法，包括步骤：
S1.接收北斗卫星获取的高速移动的终端用户的运动轨迹，根据获取的运动轨迹确认终端用户的位置信息，并根据确定的位置信息计算终端用户的速度信息；
S2.利用神经网络的滤波器预测终端用户的位置信息以及速度位置，并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差，得到误差函数；
S3.根据得到的误差函数对神经网络预测模型进行优化，得到优化后的位置预测模型；
S4.通过优化后的位置预测模型预测当前终端用户的速度信息、位置信息，并根据预测得到的速度信息、位置信息对当前终端进行波束匹配；
S5.对波束匹配的波束进行波束赋形训练，根据波束宽度、预测的位置信息与基站的夹角，计算不同波束覆盖范围对应的终端用户的运动速度；
S6.将计算得到的运动速度进行量化，将量化后得到的运动速度对应到相应速度范围内，得到所有不同波束的对准波束概率；
S7.根据不同对准波束概率，对对准波束概率由高到低的优先级进行波束匹配；
S8.判断对准波束概率是否大于设定阈值，若否，则预测误差过大，预测过程失败或LOS路径不可用，重复执行步骤S6-S8；若是，则毫米波链路建立成功，进行波束数据传输。
进一步的，所述步骤S1具体为：
设获取的运动轨迹序列表示为：J＝{d1,…,dt}，其中，d表示位置信息；dt表示t时刻的位置信息；则位置信息d与速度v状态变量表示为：
y(t)＝Hx(t)+v(t)
其中，H为变换矩阵。
进一步的，所述步骤S2中误差函数，表示为：
Figure BDA0003112618560000021
其中，
Figure BDA0003112618560000022
表示误差函数；Δt表示经过的时间；
Figure BDA0003112618560000023
表示第k阶状态变量；T表示一共T个时刻；R表示噪声的方差；
Figure BDA0003112618560000024
表示k阶测量输出向量；yk+1表示k+1阶测量输出向量；
Figure BDA0003112618560000025
Figure BDA0003112618560000026
Figure BDA0003112618560000031
Figure BDA0003112618560000032
其中，Pi表示u(t)出现在h(t)第i个分量hi(t)微分中的最低阶数；
Figure BDA0003112618560000033
表示标量函数
Figure BDA0003112618560000034
关于向量场
Figure BDA0003112618560000035
的一阶导数。
进一步的，所述步骤S2中神经网络预测模型的滤波器的性能指标函数表示为：
Figure BDA0003112618560000036
其中，L(u(t))表示滤波器的性能指标函数。
进一步的，所述步骤S3具体为：
S31.设定神经网络各层权值和阈值的初始值为小的随机数，赋值误差函数e，计算隐含层神经元输出
Figure BDA0003112618560000037
以及输出层神经元的净输出
Figure BDA0003112618560000038
S32.假设y(t+1)＝yd，根据误差函数，得到神经元的期望输出值y(t+1)与输出层神经元的净输出
Figure BDA0003112618560000039
并计算得到神经网络的误差估计
Figure BDA00031126185600000310
S33.根据误差估计
Figure BDA00031126185600000311
和当前隐含层的神经元输出
Figure BDA00031126185600000312
得到下个时刻隐含层的神经元输出
Figure BDA00031126185600000313
S34.由隐含层神经元输出的更新值
Figure BDA00031126185600000314
逆向推出隐含层的权值wj，完成权值更新；
S35.对步骤S31-S34进行隐含层权值迭代更新，直到神经网络输出的均方误差满足给定的精度，神经网络训练结束，得到优化后的位置预测模型。
进一步的，所述步骤S31中计算隐含层神经元输出
Figure BDA00031126185600000315
的计算公式为表示为：
Figure BDA00031126185600000316
其中，wji表示输入层的第i个神经元到隐含层第j个神经元的连接权；θj表示隐含层第j个神经元的阈值；
Figure BDA0003112618560000041
表示隐含层神经元输出；xi表示输入的状态变量；
计算输出层神经元的净输出
Figure BDA0003112618560000042
的计算方式表示为：
Figure BDA0003112618560000043
其中，w(t)表示输出层权值矩阵；θ(t)表示隐含层t时刻神经元的阈值。
进一步的，所述步骤S32中神经网络的误差估计
Figure BDA0003112618560000044
表示为：
Figure BDA0003112618560000045
其中，
Figure BDA0003112618560000046
表示t时刻输出层各神经元的净输出(netk)；yd表示期望输出；
Figure BDA0003112618560000047
进一步的，所述步骤S5中对波束匹配的波束进行波束赋形训练具体为：
设终端用户当前定位信息坐标为
Figure BDA0003112618560000048
用户与基站之间的距离为
Figure BDA0003112618560000049
位置信息与基站的夹角为α，终端用户的定位误差为σq；
计算波束搜索角度
Figure BDA00031126185600000410
表示为：
Figure BDA00031126185600000411
根据毫米波LOS链路模型计算半功率波束宽度θ-3dB，表示为：
Figure BDA00031126185600000412
其中，Pr、Pt和n1分别表示接收功率、发射功率和毫米波LOS通信指数；通过波束搜索范围得到所需要的发送波束个数，表示为：
Figure BDA00031126185600000413
其中，B表示发送波束个数。
进一步的，所述步骤S6中得到所有不同波束的对准波束概率，表示为：
Figure BDA00031126185600000414
其中，
Figure BDA0003112618560000051
表示发射端与终端通信的最佳波束bk的概率；
Figure BDA0003112618560000052
表示上一周期内平均运动速度；x1表示上一周期用户运动距离；vki表示第k个波束时刻i的速度。
进一步的，步骤S9中若对准波束概率小于设定阈值，则计算基站与用户的相对距离，并通过给出的定位精度，计算波束扫描角度，根据半功率波束宽度确定发送的波束个数，对定位误差范围内的剩余波束，通过终端运动的状态转移概率和每个波束的覆盖速度范围进行匹配概率计算，按概率优先级从高到低匹配相应发送波束。
与现有技术相比，本发明有效利用了北斗位置资源和数据资源，减少波束赋形训练过程的复杂性，同时在终端加入一段时间内的北斗系统给出的定位信息进行终端速度预测，可以很大程度减少波束赋形训练过程中的扫描范围，保证波束赋形的精确度，从而降低了波束接入时延及算法的复杂度，增加定位的精确度。
附图说明
图1是实施例一提供的一种面向北斗与5G融合的毫米波低时延波束赋形方法流程图；
图2是实施例一提供的毫米波计算时空一体化示意图；
图3是实施例一提供的波束扫描示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种面向北斗与5G融合的毫米波低时延波束赋形方法。
实施例一
本实施例提供一种面向北斗与5G融合的毫米波低时延波束赋形方法，如图1-2所示，包括步骤：
S1.接收北斗卫星获取的高速移动的终端用户的运动轨迹，根据获取的运动轨迹确认终端用户的位置信息，并根据确定的位置信息计算终端用户的速度信息；
S2.利用神经网络的滤波器预测终端用户的位置信息以及速度位置，并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差，得到误差函数；
S3.根据得到的误差函数对神经网络预测模型进行优化，得到优化后的位置预测模型；
S4.通过优化后的位置预测模型预测当前终端用户的速度信息、位置信息，并根据预测得到的速度信息、位置信息对当前终端进行波束匹配；
S5.对波束匹配的波束进行波束赋形训练，根据波束宽度、预测的位置信息与基站的夹角，计算不同波束覆盖范围对应的终端用户的运动速度；
S6.将计算得到的运动速度进行量化，将量化后得到的运动速度对应到相应速度范围内，得到所有不同波束的对准波束概率；
S7.根据不同对准波束概率，对对准波束概率由高到低的优先级进行波束匹配；
S8.判断对准波束概率是否大于设定阈值，若否，则预测误差过大，预测过程失败或LOS路径不可用，重复执行步骤S6-S8；若是，则毫米波链路建立成功，进行波束数据传输。
本实施例，首先在初始接入流程的训练过程中，收集接入毫米波基站的终端的由北斗系统提供的有定位误差的历史定位信息，然后对终端的历史定位信息以及运动轨迹进行分析，并对终端的速度状态以及位置进行基于模型预测滤波的神经网络算法的预测；其次，在波束匹配阶段，通过终端速度状态与位置信息的结果，得到速度与定位误差范围内终端高概率位置，与毫米波基站各波束覆盖范围进行扫描匹配，波束匹配优先级的排序依据波束匹配的准确率，从而大幅度缩小波束训练范围，在低时延的范围内对高速移动终端发送波束。
在步骤S1中，接收北斗卫星获取的高速移动的终端用户的运动轨迹，根据获取的运动轨迹确认终端用户的位置信息，并根据确定的位置信息计算终端用户的速度信息。
高速移动的终端具有一定的随机性，但其速度是连续变化的矢量，在充分的历史位置信息与速度信息的条件下，可以更准确得出运动位置信息，同时利用计算时空一体化，对北斗微卫星给出的位置信息以及数据进行计算机中心处理，可以对高速移动的终端进行精准预测并实现低时延波束赋形
在对终端的速度信息进行记录时，时间是离散连续的，终端速度信息的变化可视为一条离散但连续的序列，即速度信息v随时间t的变化可表示为序列vt-n,vt-n+1,…,vt+n-1,vt+n。
本实施例取{vt,t＝1,2,…,T}预测终端的移动速度。由于毫米波基站多分布在密集城市区域中，终端移动速度不能过快，将终端移动速度的取值范围设定为「0,1,2,…,99」m/h，选取相应加速度at的变化范围为[-5.0,-4.9,…,+4.8,+4.9}m/s2，终端的运动位置信息可以由重要位置序列表示J＝{d1,…,dt}，其中d表示位置信息，dt表示时刻t的位置信息。以上位置信息d与速度信息v称为状态变量，则位置信息状态变量和速度信息状态变量的理想估计可以写成紧凑的矩阵形式：
Figure BDA0003112618560000071
其中，
Figure BDA0003112618560000072
为状态变化矩阵，
Figure BDA0003112618560000073
为控制矩阵，u(t)＝at为控制向量；vt为噪声服从高斯分布,E[v(t)]＝0,E[v(t)vT(t)＝R]。
通过基站对终端位置信息测量所需用的传传感器实际测量运动信息的状态变量，表示为：
y(t)＝Hx(t)+v(t) (2)
其中H为变换矩阵，作用是将真实状态位置映射到测量位置；vt为噪声。
在步骤S2中，利用神经网络的滤波器预测终端用户的位置信息以及速度位置，并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差，得到误差函数。
因为卫星与地球的距离太远，卫星信号无法穿透屋顶、桥面等建筑物。也就是说，卫星信号很容易被遮挡，而一旦信号被遮挡，那就无法提供服务了。然而，人们80％的活动是在室内，也就是说位置服务最多的应用场景恰恰是来自于室内。虽然空中有卫星定位系统，但是在隧道、地下车库、室内等“最后一公里”的应用中，卫星定位系统就遇上了大麻烦。所以本实施例会利用移动终端的历史定位信息，先训练移动终端的数据，然后模型进行位置和速度预测。
根据上述内容，北斗卫星定位系统位置信息状态估计和实际测量的位置信息状态估计的关系如下：
Figure BDA0003112618560000081
观测估计泰勒展开为：
Figure BDA0003112618560000082
式中
Figure BDA0003112618560000083
Figure BDA0003112618560000084
Figure BDA0003112618560000085
其中，Pi是u(t)出现在h(t)第i个分量hi(t)微分中的最低阶数；
Figure BDA0003112618560000086
是标量函数
Figure BDA0003112618560000087
关于向量场
Figure BDA0003112618560000088
的一阶导数；
定义预测滤波性能指标函数如下：
Figure BDA0003112618560000089
满足以上公式性能指标的模型误差估计函数
Figure BDA00031126185600000810
为：
Figure BDA00031126185600000811
其中，
Figure BDA0003112618560000091
在步骤S3中，根据得到的误差函数对神经网络预测模型进行优化，得到优化后的位置预测模型。
本实施例采用的神经网络为三层前向神经网络，其传递关系为：
Figure BDA0003112618560000092
Figure BDA0003112618560000093
其中，wji为输入层的第i个神经元到隐含层第j个神经元的连接权；θj为隐含层第j个神经元的阈值；wkj为隐含层的第j个神经元到输出层的第k个神经元的连接权；θk是输出层第k个神经元的阈值；p(.)为S型激活函数，满足：
Figure BDA0003112618560000094
设第k个输出神经元的期望输出为yd，实际输出为yk，则北斗卫星定位系统均方误差为：
Figure BDA0003112618560000095
对于任意前向神经网络，假设隐含层每个神经元的输出为位置信息和速度信息状态变量，输出层每个神经元的净输出为量测量。则前向神经网络的时变特性可用如下的状态方程和量测方程表示：
Figure BDA0003112618560000096
其中，w(t)是输出层权值矩阵为：
Figure BDA0003112618560000097
其中，n和m分别为输出层和隐含层的神经元个数。
Figure BDA0003112618560000101
Figure BDA0003112618560000102
θ(t)＝(θ1(t),…,θn(t)) (16)
在公式(14)的状态方程中，
Figure BDA0003112618560000103
为神经网络模型误差，由公式式(9)的误差估计求得。神经网络中误差估计表示为：
Figure BDA0003112618560000104
其中，
Figure BDA0003112618560000105
为t时刻输出层各神经元的净输出(netk)；yd为期望输出。
在本实施例中，步骤S4具体包括：
S31.设定神经网络各层权值和阈值的初始值为小的随机数，赋值误差函数e，输入矩阵X，经过预测滤波得到目标输出yd，经过神经网络计算得到真实输出yk，根据公式(10)计算隐含层神经元输出
Figure BDA0003112618560000106
以及根据公式(14)计算输出层神经元的净输出
Figure BDA0003112618560000107
S32.假设y(t+1)＝yd，根据误差函数的公式(9)，得到神经元的期望输出值y(t+1)与输出层神经元的净输出
Figure BDA0003112618560000108
并计算得到神经网络的误差估计
Figure BDA0003112618560000109
S33.根据公式(14)、误差估计
Figure BDA00031126185600001010
和当前隐含层的神经元输出
Figure BDA00031126185600001011
得到下个时刻隐含层的神经元输出
Figure BDA00031126185600001012
S34.由隐含层神经元输出的更新值
Figure BDA00031126185600001013
逆向推出隐含层的权值wj，完成权值更新；
S35.对步骤S31-S35进行隐含层权值迭代更新，直到神经网络输出的均方误差满足给定的精度，神经网络训练结束，得到优化后的位置预测模型。
在步骤S5中，对波束匹配的波束进行波束赋形训练，根据波束宽度、预测的位置信息与基站的夹角，计算不同波束覆盖范围对应的终端用户的运动速度。
波束训练的步骤包括：
如图3所示，忽略高度的差异，假定用户此时定位信息坐标为
Figure BDA00031126185600001014
则用户与基站之间的距离为
Figure BDA00031126185600001015
定位位置与基站的夹角为α。
进行波束赋形训练时，用户在定位误差为σq的北斗卫星定位系统下，定位误差是给定的。
对于给定的定位误差标准差σq，由于定位误差在高度固定的情况下在X,Y维度服从均匀分布，定位误差范围在半径为2σq的圆内可以确保终端落在定位区域的概率达到95％以上。
因此可计算波束搜索角度
Figure BDA0003112618560000111
表示为：
Figure BDA0003112618560000112
根据毫米波LOS链路模型，可计算系统半功率波束宽度θ-3dB，表示为：
Figure BDA0003112618560000113
其中，Pr、Pt和nl分别为北斗卫星定位系统的接收功率、发射功率和毫米波LOS通信指数，参考距离d0＝5米；假设波束不发生重叠，则进而通过波束搜索范围得到所需要的发送波束个数B，表示为：
Figure BDA0003112618560000114
在发射端B个波束中，北斗卫星定位系统的发射端与移动终端通信的最佳波束为bk的概率
Figure BDA0003112618560000115
即为移动终端实际位置在bk覆盖范围内的概率，进而可得其对应速度。若此时波束赋形训练的波束宽度表示为θ，用户在上一周期T内运动的距离为x0，则根据几何关系分别计算不同波束覆盖范围对应的终端运动速度。
在步骤S6中，将计算得到的运动速度进行量化，将量化后得到的运动速度对应到相应速度范围内，得到所有不同波束的对准波束概率。
将速度进行量化后得到速度状态位置，并将状态位置对应到相应速度范围内，如表1所示，由于上一周期用户运动距离为x1，d表示天线元素间距，则上一周期内平均运动速度为
Figure BDA0003112618560000116
将移动终端的速度划分为100个可能状态：速度区间「0,1)划分为状态S1，速度区间「1,2)划分为状态S2，以此类推，速度区间[99,100)划分为状态S100。对速度进行取整，则对应速度状态为
Figure BDA0003112618560000117
若
Figure BDA0003112618560000121
则b1对应速度v1范围
Figure BDA0003112618560000122
则最佳对准波束为b1的概率即为终端速度状态为
Figure BDA0003112618560000123
下一时刻的转移为v1范围内
Figure BDA0003112618560000124
的转移概率之和，即：
Figure BDA0003112618560000125
同理可得同一终端其他波束的对准概率，表示为：
Figure BDA0003112618560000126
Figure BDA0003112618560000127
表1发送训练波束与移动终端速度对应值
在步骤S8中，判断对准波束概率是否大于设定阈值，若否，则预测误差过大，预测过程失败或LOS路径不可用，重复执行步骤S6-S8；若是，则毫米波链路建立成功，进行波束数据传输。
其中若对准波束概率小于设定阈值，则继续执行步骤S7-S9具体为：计算基站与用户的相对距离，并通过给出的定位精度，计算波束扫描角度，根据半功率波束宽度确定发送的波束个数，对定位误差范围内的剩余波束，通过终端运动的状态转移概率和每个波束的覆盖速度范围进行匹配概率计算，按概率优先级从高到低匹配相应发送波束。
在本实施例中，终端运动的状态转移概率具体为：
由于预测概率大小以预测结果为中心，向两旁递减，故为了减小计算复杂度和数据开销，在预测结果中，可只输出预测的最大概率匹配波束，当所预测的波束匹配失败时，认为预测结果虽然出现一定偏差，但依然具有一定参考价值，故在预测波束匹配失败时，认为剩余波束对准概率以预测波束为中心，向两旁递减，按优先级顺序以预测波束为中心向两旁逐级降低搜索的波束编号。
假定终端运动的状态转移概率为Pij，则其表示终端速度状态此刻为状态Si，下一时刻状态转移为Sj的概率，由于终端下一时刻的速度状态仅与当前时刻相关，那么Pij表示为:
Pij＝P{vt+1＝j|vt＝i}
状态转移公式表示为：
Figure BDA0003112618560000131
其中，Nij表示在相邻时刻，终端运动速度由状态Si变到状态Sj的次数。终端速度的状态转移概率矩阵P由每个状态的状态转移概率Pij构成，矩阵的第i行表示此时速度处于状态Si，下一时刻转移到状态位置各个状态的概率，且
Figure BDA0003112618560000132
需要说明的是，本实施例中的匹配概率计算如步骤S7-S9中波束对准概率计算和匹配方法，在此不多做赘述。
本实施例采用基于预测滤波的神经网络算法对高速移动的终端进行位置预测，利用系统观测的北斗卫星提供的历史速度位置信息进行训练，预测输出并跟踪测量输出，从而估计出系统的模型误差，并对其进行修正，以弥补模型误差对神经网络权值更新的影响，利用学习后的神经网络得到高速移动终端的状态转移概率，预测将来终端的状态。得到预测的位置信息后，利用位置信息进行波束匹配。根据以上预测模型预测的移动终端速度与位置，在系统定位误差的范围内进行波束扫描，计算各个波束的对准概率，根据波束对准概率从高到低优先级顺序匹配波束建立毫米波通信链路，发送波束。有效利用了北斗位置资源和数据资源，减少波束赋形训练过程的复杂性，同时在终端加入一段时间内的北斗系统给出的定位信息进行终端速度预测，可以很大程度减少波束赋形训练过程中的扫描范围，保证波束赋形的精确度，从而降低了波束接入时延及算法的复杂度，增加定位的精确度。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，包括步骤：
S1.接收北斗卫星获取的高速移动的终端用户的运动轨迹，根据获取的运动轨迹确认终端用户的位置信息，并根据确定的位置信息计算终端用户的速度信息；
S2.利用神经网络的滤波器预测终端用户的位置信息以及速度信息，并根据预测得到的位置信息以及速度信息与步骤S1确定的位置信息和速度信息估计神经网络的误差，得到误差函数；
S3.根据得到的误差函数对神经网络预测模型进行优化，得到优化后的位置预测模型；
S4.通过优化后的位置预测模型预测当前终端用户的速度信息、位置信息，并根据预测得到的速度信息、位置信息对当前终端进行波束匹配；
S5.对波束匹配的波束进行波束赋形训练，根据波束宽度、预测的位置信息与基站的夹角，计算不同波束覆盖范围对应的终端用户的运动速度；
S6.将计算得到的运动速度进行量化，将量化后得到的运动速度对应到相应速度范围内，得到所有不同波束的对准波束概率；
S7.根据不同对准波束概率，对对准波束概率由高到低的优先级进行波束匹配；
S8.判断对准波束概率是否大于设定阈值，若否，则预测误差过大，预测过程失败或LOS路径不可用，重复执行步骤S6-S8；若是，则毫米波链路建立成功，进行波束数据传输。
2.根据权利要求1所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S1具体为：
设获取的运动轨迹序列表示为：J＝{d1，...，dt}，其中，d表示位置信息；dt表示t时刻的位置信息；则位置信息d与速度v状态变量表示为：
y(t)＝Hx(t)+v(t)
其中，H为变换矩阵；v(t)表示噪声。
3.根据权利要求2所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S2中误差函数，表示为：
Figure FDA0003528101760000021
其中，
Figure FDA0003528101760000022
表示误差函数；Δt表示经过的时间；
Figure FDA0003528101760000023
表示第k阶状态变量；T表示一共T个时刻；R表示噪声的方差；
Figure FDA0003528101760000024
表示k阶测量输出向量；yk+1表示k+1阶测量输出向量；
Figure FDA0003528101760000025
Figure FDA0003528101760000026
Figure FDA0003528101760000027
Figure FDA0003528101760000028
其中，Pi表示u(t)出现在h(t)第i个分量hi(t)微分中的最低阶数；
Figure FDA0003528101760000029
表示标量函数
Figure FDA00035281017600000210
关于向量场
Figure FDA00035281017600000211
的一阶导数；
Figure FDA00035281017600000212
表示标量函数。
4.根据权利要求3所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S2中神经网络预测模型的滤波器的性能指标函数表示为：
Figure FDA00035281017600000213
其中，L(u(t))表示滤波器的性能指标函数；
Figure FDA00035281017600000214
表示观测估计。
5.根据权利要求1所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S3具体为：
S31.设定神经网络各层权值和阈值的初始值为小的随机数，赋值误差函数e，计算隐含层神经元输出
Figure FDA00035281017600000215
以及输出层神经元的净输出
Figure FDA00035281017600000216
S32.假设y(t+1)＝yd，根据误差函数，得到神经元的期望输出值y(t+1)与输出层神经元的净输出
Figure FDA0003528101760000031
并计算得到神经网络的误差估计
Figure FDA0003528101760000032
S33.根据误差估计
Figure FDA0003528101760000033
和当前隐含层的神经元输出
Figure FDA0003528101760000034
得到下个时刻隐含层的神经元输出
Figure FDA0003528101760000035
S34.由隐含层神经元输出的更新值
Figure FDA0003528101760000036
逆向推出隐含层的权值wj，完成权值更新；
S35.对步骤S31-S34进行隐含层权值迭代更新，直到神经网络输出的均方误差满足给定的精度，神经网络训练结束，得到优化后的位置预测模型。
6.根据权利要求5所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S31中计算隐含层神经元输出
Figure FDA0003528101760000037
的计算公式为表示为：
Figure FDA0003528101760000038
其中，wji表示输入层的第i个神经元到隐含层第j个神经元的连接权；θj表示隐含层第j个神经元的阈值；
Figure FDA0003528101760000039
表示隐含层神经元输出；xi表示输入的状态变量；p(netj)表示隐含层神经元输出；
计算输出层神经元的净输出
Figure FDA00035281017600000310
的计算方式表示为：
Figure FDA00035281017600000311
其中，w(t)表示输出层权值矩阵；θ(t)表示隐含层t时刻神经元的阈值。
7.根据权利要求6所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S32中神经网络的误差估计
Figure FDA00035281017600000312
表示为：
Figure FDA00035281017600000313
其中，
Figure FDA00035281017600000314
表示t时刻输出层各神经元的净输出(netk)；yd表示期望输出；
Figure FDA00035281017600000315
8.根据权利要求1所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S5中对波束匹配的波束进行波束赋形训练具体为：
设终端用户当前定位信息坐标为
Figure FDA0003528101760000041
用户与基站之间的距离为
Figure FDA0003528101760000042
位置信息与基站的夹角为α，终端用户的定位误差为σq；
计算波束搜索角度
Figure FDA0003528101760000043
表示为：
Figure FDA0003528101760000044
其中，σq表示定位误差；ds表示用户与基站之间的距离；
根据毫米波LOS链路模型计算半功率波束宽度θ-3dB，表示为：
Figure FDA0003528101760000045
其中，Pr、Pt和nl分别表示接收功率、发射功率和毫米波LOS通信指数；d0表示参考距离；通过波束搜索范围得到所需要的发送波束个数，表示为：
Figure FDA0003528101760000046
其中，B表示发送波束个数。
9.根据权利要求8所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，所述步骤S6中得到所有不同波束的对准波束概率，表示为：
Figure FDA0003528101760000047
其中，
Figure FDA0003528101760000048
表示发射端与终端通信的最佳波束bk的概率；
Figure FDA0003528101760000049
表示上一周期内平均运动速度；x1表示上一周期用户运动距离；vki表示第k个波束时刻i的速度。
10.根据权利要求9所述的一种面向北斗与5G融合的毫米波低时延波束赋形方法，其特征在于，步骤S9中若对准波束概率小于设定阈值，则计算基站与用户的相对距离，并通过给出的定位精度，计算波束扫描角度，根据半功率波束宽度确定发送的波束个数，对定位误差范围内的剩余波束，通过终端运动的状态转移概率和每个波束的覆盖速度范围进行匹配概率计算，按概率优先级从高到低匹配相应发送波束。
CN202110653195.XA 2021-06-11 2021-06-11 一种面向北斗与5g融合的毫米波低时延波束赋形方法 Active CN113438596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110653195.XA CN113438596B (zh) 2021-06-11 2021-06-11 一种面向北斗与5g融合的毫米波低时延波束赋形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110653195.XA CN113438596B (zh) 2021-06-11 2021-06-11 一种面向北斗与5g融合的毫米波低时延波束赋形方法

Publications (2)

Publication Number Publication Date
CN113438596A CN113438596A (zh) 2021-09-24
CN113438596B true CN113438596B (zh) 2022-05-31

Family

ID=77755645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110653195.XA Active CN113438596B (zh) 2021-06-11 2021-06-11 一种面向北斗与5g融合的毫米波低时延波束赋形方法

Country Status (1)

Country Link
CN (1) CN113438596B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023197226A1 (zh) * 2022-04-13 2023-10-19 北京小米移动软件有限公司 波束选择方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108769928A (zh) * 2018-06-08 2018-11-06 清华大学 基于船舶位置的海域通信波束协同控制方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105634578A (zh) * 2015-12-29 2016-06-01 九派逐浪（北京）网络通讯技术股份有限公司 用于波束赋形的装置、智能天线、无线通信设备
US11516051B2 (en) * 2018-03-06 2022-11-29 Samsung Electronics Co., Ltd. Method and apparatus for AI-based UE speed estimation using uplink SRS measurements
CN110492911B (zh) * 2019-07-10 2021-10-15 鹰潭泰尔物联网研究中心 一种用于无人机通信的波束追踪方法与系统
CN111565060A (zh) * 2020-04-14 2020-08-21 中国联合网络通信集团有限公司 波束赋形方法和天线设备
CN112073106B (zh) * 2020-08-14 2022-04-22 清华大学 毫米波波束预测方法及装置、电子设备、可读存储介质
CN112788613B (zh) * 2021-01-13 2023-04-25 上海闻泰信息技术有限公司 波束赋形的方法和装置、通信设备、电子终端和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108769928A (zh) * 2018-06-08 2018-11-06 清华大学 基于船舶位置的海域通信波束协同控制方法和系统

Also Published As

Publication number Publication date
CN113438596A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
Li et al. Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation
CN109916410B (zh) 一种基于改进平方根无迹卡尔曼滤波的室内定位方法
CN110012428B (zh) 一种基于WiFi的室内定位方法
CN110244715B (zh) 一种基于超宽带技术的多移动机器人高精度协同跟踪方法
CN112584306B (zh) 一种基于卡尔曼滤波的室内机器人定位算法
CN112946624B (zh) 一种基于航迹管理方法的多目标跟踪方法
CN109188355B (zh) 一种多点定位系统接收天线优化及最优布站方法
CN112991391A (zh) 一种基于雷达信号和视觉融合的车辆检测与跟踪方法
CN110446160B (zh) 一种基于多路径信道状态信息的车辆位置估计的深度学习方法
CN110388926B (zh) 一种基于手机地磁和场景图像的室内定位方法
CN111913484B (zh) 一种变电站巡检机器人在未知环境下的路径规划方法
CN113438596B (zh) 一种面向北斗与5g融合的毫米波低时延波束赋形方法
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
CN112612001A (zh) 一种基于bp神经网络算法的轨迹预测方法及装置
CN111982102A (zh) 一种复杂环境下基于bp-ekf的uwb-imu定位方法
CN114537477B (zh) 一种基于tdoa的列车定位追踪方法
CN114928811A (zh) 一种基于神经网络的超宽带矿井下人员精确定位方法
CN113794983B (zh) 一种基于非线性几何约束优化的多目标室内定位方法
CN110658492A (zh) 一种室内目标与散射体位置优化的迭代方法
KR102119196B1 (ko) 머신러닝 기반의 실내 측위 방법 및 시스템
CN114034298B (zh) 一种基于可重构智能表面的车辆定位方法
Kardaş et al. Wireless indoor localization problem with artificial neural network
CN112800889B (zh) 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法
Souli et al. Adaptive frequency band selection for accurate and fast positioning utilizing SOPs
CN114048549A (zh) 一种基于量子蜻蜓算法的飞行器无源定位方法

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