CN115134012A - 一种入射方向角确定方法及计算装置 - Google Patents

一种入射方向角确定方法及计算装置 Download PDF

Info

Publication number
CN115134012A
CN115134012A CN202110324964.1A CN202110324964A CN115134012A CN 115134012 A CN115134012 A CN 115134012A CN 202110324964 A CN202110324964 A CN 202110324964A CN 115134012 A CN115134012 A CN 115134012A
Authority
CN
China
Prior art keywords
aoa
signal
subcarrier
eigenvector
target
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
Application number
CN202110324964.1A
Other languages
English (en)
Other versions
CN115134012B (zh
Inventor
王洁
王洪玉
王琪
杜振国
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.)
Dalian University of Technology
Huawei Technologies Co Ltd
Original Assignee
Dalian University of Technology
Huawei Technologies 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 Dalian University of Technology, Huawei Technologies Co Ltd filed Critical Dalian University of Technology
Priority to CN202110324964.1A priority Critical patent/CN115134012B/zh
Publication of CN115134012A publication Critical patent/CN115134012A/zh
Application granted granted Critical
Publication of CN115134012B publication Critical patent/CN115134012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/10—Monitoring; Testing of transmitters
    • H04B17/101—Monitoring; Testing of transmitters for measurement of specific parameters of the transmitter or components thereof
    • 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
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/40—Circuits
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例提供了一种入射方向角确定方法及计算装置。在该方案中：计算设备可以获取接收设备的天线阵列的信号测量数据，其中，该信号测量数据中包含天线阵列的信号幅度信息和相位信息；并根据该信号测量数据生成目标信号幅度相位特征向量(即多载波特征向量)；最后借助能够表示信号幅度相位特征向量和入射方向角(angle of arrive，AOA)的对应关系的AOA计算模型，确定所述目标信号幅度相位特征向量对应的目标AOA。显然，该方法可以不对天线阵列构成任何条件约束，因此，该方法可以在各种天线阵列条件下实现高性能的AOA估计，并保证AOA的计算精度。

Description

一种入射方向角确定方法及计算装置
技术领域
本申请涉及通信技术领域，尤其涉及一种入射方向角(angle of arrive，AOA)确定方法及计算装置。
背景技术
AOA估计在目标定位、目标探测、无线通信等领域有着广阔的应用前景。例如，在定位领域，定位设备可基于AOA估计目标方向，或者利用多个AOA的交集定位目标的位置。在目标探测领域，定位设备可利用AOA信息探测目标的方向。在无线通信领域，AOA估计在支持波束赋形的通信系统的波束对齐中发挥了重要作用，此外，还在保密通信、绿色通信等方向亦有着良好的应用前景。
随着多输入多输出(multiple-input multiple-output，MIMO)技术的发展，终端设备将装配更多的射频通道以及更多数量的天线，这为实现高性能AOA估计提供了物理条件的支撑。
现有AOA估计方法在天线阵列的阵型规则、天线阵列中天线单元形态相同、天线阵列中天线单元数目较多的条件下可获得精确的AOA估计结果。
当射频信号由某个角度入射时，由天线阵列的阵型及入射角可以唯一确定射频信号到达各个天线单元的距离差，而该距离差将引起不同天线单元接收信号相位的差异。因此，基于不同天线单元的信号相位差异，可以估计出射频信号的入射方向，也就是AOA。
目前比较有代表性的AOA估计方法有多信号分类算法(multiple signalclassification algorithm，MUSIC)算法、旋转因子不变信号参数估计(estimatingsignal parameters via rotational invariance techniques，ESPRIT)算法、稀疏重构算法等。
然而，这些方法本质上均采用空间谱估计的思路来实现AOA估计，即通过构造空间谱并搜索谱峰，实现对目标AOA的估计，不仅计算复杂度较高，对天线阵列的条件要求也比较苛刻，否则无法达到计算精度。
发明内容
本申请提供一种AOA确定方法及计算装置，用以在各种天线阵列条件下保证AOA的精度。
第一方面，本申请实施例提供了一种AOA确定方法，下面以计算设备为执行主体，对该方法进行具体说明。该方法包括以下步骤：
计算设备获取接收设备的N个子载波对应的信号相位信息和信号幅度信息；其中，所述接收设备的天线阵列包含M个天线单元；任一个子载波对应的信号相位信息包含：所述M个天线单元接收到的信号在所述子载波上的相位；任一个子载波对应的信号幅度信息包含：所述M个天线单元接收到的信号在所述在子载波上的幅度；然后，所述计算设备根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量；最后，所述计算设备将所述目标多载波向量输入AOA计算模型，得到所述接收设备接收的信号的目标AOA；其中，所述AOA计算模型用于表示多载波特征向量与AOA的对应关系。
本申请实施例提供的方案可以借助数学模型的复杂关系逼近能力，通过训练数学模型学习出AOA与基于信号测量数据得到的信号幅度相位特征向量(即上述多载波特征向量)之间的关联关系。因此，由于本申请综合利用天线阵列的信号幅度信息和信号相位信息丰富天线阵列的信号测量数据，并借助数学模型建立信号测量数据(即信号幅度相位特征向量)与AOA的关联关系，从而可以在天线阵列的阵型不规则、混合形态的天线阵列、天线单元的数量有限的条件下实现高性能的AOA估计。另外，由于借助天线阵列的信号测量数据与AOA的关联关系实现AOA估计，因此该方案还可以降低计算设备计算AOA的复杂度。
在一种可能的设计中，所述计算设备可以通过以下步骤，根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量：
所述计算设备根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量；所述计算设备将所述N个子载波的单载波特征向量进行组合，得到所述目标多载波特征向量。
需要说明的是，本申请不对所述N个子载波的单载波特征向量的组合方式进行限定。示例的，第i个子载波的单载波特征向量可以用Fi表示，那么所述目标多载波特征向量可以表示为G＝[F1，F2，…，FN]。
在一种可能的设计中，所述计算设备可以通过以下步骤，根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量：
所述计算设备根据目标子载波对应的信号相位信息，生成第一特征向量；其中，所述目标子载波为所述N个子载波中的任一个子载波；所述第一特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的相位，或者所述第一特征向量包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的相位差；
所述计算设备根据所述目标子载波对应的信号幅度信息，生成第二特征向量；其中，所述第二特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的幅度，或者所述第二特征向量中包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的幅度差；
所述计算设备将所述第一特征向量和所述第二特征向量进行组合，得到所述目标子载波的单载波特征向量。
所述目标子载波的单载波特征向量可以表示为[第一特征向量，第二特征向量]，当然，还可以通过其他组合方式表示，本申请对此不作限定。通过该设计，可以提高计算单元生成单载波特征向量的灵活性，从而可以提高组合的多载波特征向量的灵活性。
在一种可能的设计中，所述计算设备在将所述第一特征向量和所述第二特征向量进行组合之前，还可以对所述第一特征向量和/或所述第二特征向量进行归一化处理。
在一种可能的设计中，当所述目标子载波为第i个子载波时，归一化处理后的所述第二特征向量为：
Figure BDA0002993920110000021
其中，i为小于或等于N的正整数，j为小于或等于M的正整数，Ai,j表示第j个天线单元接收到的信号在第i个子载波上的幅度。
在一种可能的设计中，所述AOA计算模型是根据多个AOA样本对应的多载波特征向量样本进行建模得到的；其中，任一个AOA样本对应的多载波特征向量样本为：在信号的AOA为所述AOA样本的情况下采集所述接收设备的所述N个子载波对应的信号相位信息样本和信号幅度信息样本，并根据所述信号相位信息样本和所述信号幅度信息样本生成的。
在一种可能的设计中，所述AOA计算模型为神经网络模型，所述神经网络模型的建模过程包括以下步骤：
根据所述接收设备的天线阵列包含的天线单元的数量M、子载波的数量N，确定所述神经网络模型的输入层节点数量；根据设定需要输出的AOA取值的总数量K，确定所述神经网络模型的输出层节点数量；根据所述输入层节点数量和所述输出层节点数量，构建所述神经网络模型；将设定角度空间量化为K个角度，并将所述K个角度作为K个AOA样本；获取所述K个AOA样本中每个AOA样本对应的至少一组信号测量数据；其中任一个AOA样本对应的至少一组信号测量数据为所述接收设备在信号的AOA为所述AOA样本时测量得到的，包含：所述N个子载波对应的信号相位信息样本和信号幅度信息样本；根据每个AOA样本对应的至少一组信号测量数据，生成每个AOA样本对应的至少一个多载波特征向量样本；根据每个AOA样本对应的至少一个多载波特征向量样本，训练所述神经网络模型，使其可以建立多载波特征向量与AOA的对应关系。
由于神经网络具有突出的复杂关系逼近能力，因此通过该设计，可以通过训练神经网络模型学习出AOA与基于信号测量数据得到的信号幅度相位特征向量(即多载波特征向量)之间的关联关系。因此，由于本申请提供的方法可以综合利用天线阵列的信号幅度信息和信号相位信息丰富天线阵列的信号测量数据，并借助神经网络模型建立信号测量数据(即信号幅度相位特征向量)与AOA的关联关系，从而可以在天线阵列的阵型不规则、混合形态的天线阵列、天线单元的数量有限的条件下实现高性能的AOA估计。另外，借助神经网络模型实现AOA估计，还可以降低计算设备计算AOA的复杂度。
第二方面，本申请实施例提供了一种计算装置，包括用于执行以上第一方面中各个步骤的单元。
第三方面，本申请实施例提供了一种计算设备，包括至少一个处理元件和至少一个存储元件，其中该至少一个存储元件用于存储程序和数据，该至少一个处理元件用于执行本申请第一方面提供的方法。
第四方面，本申请实施例还提供了一种计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述第一方面提供的方法。
第五方面，本申请实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，当所述计算机程序被计算机执行时，使得所述计算机执行上述第一方面提供的方法。
第六方面，本申请实施例还提供了一种芯片，所述芯片用于读取存储器中存储的计算机程序，执行上述第一方面提供的方法。
第七方面，本申请实施例还提供了一种芯片系统，该芯片系统包括处理器，用于支持计算机装置实现上述第一方面提供的方法。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器用于保存该计算机装置必要的程序和数据。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。
附图说明
图1为本申请实施例提供的一种神经网络的示意图；
图2为本申请实施例提供的一种通信系统的架构图；
图3为本申请实施例提供的一种通信设备的无线通信系统的结构示意图；
图4为本申请实施例提供的一种通信设备的结构图；
图5为本申请实施例提供的一种AOA确定方法的流程图；
图6为本申请实施例提供的一种神经网络模型的训练过程流程图；
图7为本申请实施例提供的一种神经网络模型的训练示意图；
图8为本申请实施例提供的一种利用神经网络模型进行AOA计算的示意图；
图9A为本申请实施例提供的一种天线阵列的天线单元分布实例图；
图9B为本申请实施例提供的一种全向天线和定性天线的方向图；
图9C为本申请实施例提供的一种神经网络模型的架构示意图；
图9D为本申请实施例提供的一种利用神经网络模型进行AOA计算的示意图；
图10为本申请实施例提供的一种计算装置的结构图；
图11为本申请实施例提供的一种计算设备的结构图。
具体实施方式
本申请提供一种AOA确定方法及计算装置，用于在各种天线阵列条件下保证AOA的精度。其中，方法和装置是基于同一技术构思的，由于方法及装置解决问题的原理相似，因此装置与方法的实施可以相互参见，重复之处不再赘述。
以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。
1)、神经网络，是模仿动物神经网络行为特征，类似于大脑神经突触连接的结构进行数据处理的算法。神经网络作为一种数学运算模型，由大量的节点(或称为神经元)之间相互连接构成。
神经网络中的节点如图1中的(a)所示，图中的圆圈左侧的a1～an为该节点的输入数据，w1～wn为该节点的权值，b为该节点的偏置。图中的圆圈代表该节点的内部计算，即一个特定的输出函数f，又称为激励函数。每个节点可以有多个输出数据z，但是值相同。
如图1中的(b)所示，神经网络由输入层、隐藏层、输出层组成。其中，输入层为神经网络的输入数据；输出层为神经网络的输出数据；而隐藏层由输入层和输出层之间的众多节点连接组成的，用于对输入数据进行运算处理。其中，隐藏层可以由一层或多层构成。神经网络中隐藏层的层数、节点数与该神经网络实际解决的问题的复杂程度、输入层的节点以及输出层的节点的个数有着直接关系。
其中，当隐藏层的层数较多时，神经网络可以称为深度神经网络。
2)、通信设备，为通信系统中具有无线通信功能的设备。本申请不限定通信设备的物理表现形式，可选的，所述通信设备可以为网络设备或者终端设备。
其中，网络设备，是通信系统中将终端设备接入到无线网络的设备。所述网络设备作为无线接入网中的节点，又可以称为基站，还可以称为无线接入网(radio accessnetwork，RAN)节点(或设备)。
目前，一些网络设备的举例为：新一代节点B(generated node B，gNB)、传输接收点(transmission reception point，TRP)、演进型节点B(evolved Node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(Node B，NB)、接入点(access point，AP)基站控制器(base station controller，BSC)、基站收发台(base transceiver station，BTS)、家庭基站(例如，home evolved NodeB，或home Node B，HNB)，或基带单元(base bandunit，BBU)等。另外，在一种网络结构中，所述网络设备可以包括集中单元(centralizedunit，CU)节点和分布单元(distributed unit，DU)节点。这种结构将网络设备的协议层拆分开，部分协议层的功能放在CU集中控制，剩下部分或全部协议层的功能分布在DU中，由CU集中控制DU。
终端设备，是一种向用户提供语音和/或数据连通性的设备。终端设备又可以称为用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端(mobileterminal，MT)、终端等。
例如，终端设备可以为具有无线连接功能的手持式设备、各种车载设备、路侧单元等。目前，一些终端设备的举例为：手机(mobile phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，MID)、智能销售终端(point of sale，POS)、可穿戴设备，站点(station，STA)、虚拟现实(virtual reality，VR)设备、增强现实(augmented reality，AR)设备、头戴式显示器(head mount display，HMD)、工业控制(industrial control)中的无线终端、无人驾驶(self-driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、各类智能仪表(智能水表、智能电表、智能燃气表)、eLTE-DSAUE、具有接入回传一体化(integrated access and backhaul，IAB)能力的设备、车载电子控制单元(electronic control unit，ECU)等、车载电脑、车载巡航系统、远程信息处理器(telematics box，T-BOX)等。
3)、天线阵列，为工作在同一载波下多个单个天线按照一定的要求进行馈电和空间排列构成，通过适当激励可以获得预定辐射特性的特殊天线，也叫天线阵、阵列天线。
其中，构成天线阵列的基本单元称为天线单元，又可以称为阵元、天线辐射单元。
4)、接收通道，用于通信设备接收射频信号的射频通道，可以通过Rx(Receiver)表示。具有天线阵列的通信设备，每个接收通道对应一个天线单元。
5)、“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
需要说明的是，本申请中所涉及的多个，是指两个或两个以上。至少一个，是指一个或多个。
另外，需要理解的是，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
下面结合附图对本申请实施例进行具体说明。
图2示出了本申请实施例提供的方法适用的通信系统示意图。参阅图2所示，所述系统中包括：两个通信设备。该两个通信设备可以建立无线通信连接，实现无线传输。
在一个示例中，在移动通信系统中，所述两个通信设备包括基站和终端设备，如图中所示。在该情况下，基站和终端设备之间可以通过空中接口(即Uu接口)连接，从而实现所述终端设备和所述基站之间的通信。
在另一个示例中，在直连(sidelink)通信系统中，所述两个通信设备均为终端设备。sidelink通信技术是一种终端设备之间能够直连的近场通信技术，又称为近距离服务(proximity services，ProSe)通信技术，或D2D通信技术。邻近的终端设备之间可以通过近距业务通信接口5(ProSe communication 5，PC5)接口，建立直连链路进行sidelink数据传输。
在又一个示例中，在无线保真(wireless-fidelity，WiFi)通信系统中，所述两个通信设备包括接入点和终端设备。终端设备可以通过AP模式和STA模式，通过空中接口与所述接入点建立连接。
在图1所示的通信系统中的至少一个通信设备装配了多个射频通道和天线阵列，以实现并行收发，提高通信容量。本申请不限定天线阵列的阵型、形态和包含的天线单元的数量。在一些场景中，天线阵列的阵型规则、天线形态相同、包含的天线单元的数量较多。而在另一些场景中，由于设备空间尺寸限制、天线多样性要求等各种因素的影响，天线阵列可能呈现不规则阵型，天线阵列可能由不同形态的天线单元组成，天线阵列中存在少量的天线单元。
在一种实施方式中，本通信系统可以支持单载波调制技术。即在信号传输过程中，发射设备可以使用一个子载波对信号进行调制。
在另一种实施方式中，本通信系统可以支持多载波调制技术。即在信号传输过程中，发射设备可以同时使用多个子载波对信号进行调制。
还需要指出的是，以上系统作为示例，并不对本申请实施例提供的方法适用的通信系统构成限定。总之，本申请实施例提供的方法，适用于包含支持多收能力的通信设备的各种通信系统和应用场景中，即本申请实施例还可以应用于各种类型和制式的通信系统，例如：第五代(The 5th Generation，5G)通信系统、长期演进(Long Term Evolution，LTE)通信系统、Wi-Fi系统、车到万物(vehicle to everything，V2X)、长期演进-车联网(LTE-vehicle，LTE-V)、车到车(vehicle to vehicle，V2V)、车联网、机器类通信(Machine TypeCommunications，MTC)、物联网(internet of things，IoT)、长期演进-机器到机器(LTE-machine to machine，LTE-M)、机器到机器(machine to machine，M2M)。
本申请实施例提供了一种配置有多个射频通道和天线阵列的通信设备作为接收设备时内部的无线通信系统的结构框图。参阅图3，该无线通信系统中可以包含：处理器、带通滤波器、低噪声放大器(low noise amplifier，LNA)和天线阵列。
所述处理器可以包括一个或多个处理单元。例如：处理器可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，神经网络处理器(neural-network processing unit，NPU)，控制器，视频编解码器，数字信号处理器(digitalsignal processor，DSP)，控制器等。其中，控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。
处理器中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器中的存储器为高速缓冲存储器。该存储器可以保存处理器刚用过或循环使用的指令或数据。如果处理器需要再次使用该指令或数据，可从所述存储器中直接调用。通过设置存储器可以避免处理器重复存取操作，减少了处理器的等待时间，因而提高了系统的效率。在一些实施例中，存储器还可以设置在处理器外，并与处理器相耦合。
另外，在本实施例中处理器可以包括基带(baseband，BB)，和/或，射频集成电路(radio frequency integrated circuit，RFIC)。
基带是指用来合成即将发射的基带信号，和/或，用于对接收到的基带信号进行解码。具体地说，就是在通信设备发射信号过程中，基带把语音或其他数据信号编码成用来发射的基带信号(基带码)；在通信设备接收信号过程中，把收到的基带信号(基带码)解码为语音或其他数据信号。基带中可以包括：编码器、解码器和基带处理器等部件。编码器用来合成即将发射的基带信号，解码器用于对接收到的基带信号进行解码。基带处理器可以为微处理器(MCU)，基带处理器可以用于控制编码器和解码器，例如，基带处理器可以用于完成编码和解码的调度，编码器和解码器之间的通信，以及外设驱动(可以通过向基带以外的部件发送使能信号，以使能基带以外的部件)等等。
射频集成电路用于将基带信号进行处理以形成射频信号，并将射频信号传递给功率放大器进行放大。另外，射频集成电路还可以用于对接收的射频信号进行处理以形成基带信号，并将形成的基带信号发送基带进行解码。其中，射频信号即为经过调制、具有一定发射频率的电波信号。示例性的，所述射频集成电路中可以包括以下器件：DFE、DAC、低通滤波器、混频器、信号放大器等。另外，每个射频集成电路中还可以包含振荡器；或者多个射频集成电路可以共享同一个振荡器。
处理器可以根据移动通信技术或无线通信技术对信号进行调频。移动通信技术可以包括全球移动通讯系统(global system for mobile communications，GSM)，通用分组无线服务(general packet radio service，GPRS)，码分多址接入(code divisionmultiple access，CDMA)，带宽码分多址(wideband code division multiple access，WCDMA)，时分码分多址(time-division code division multiple access，TD-SCDMA)，长期演进(long term evolution，LTE)，新兴的无线通信技术(又可称为第五代移动通信技术，英语：5th generation mobile networks或5th generation wireless systems、5th-Generation、5th-Generation New Radio，简称5G、5G技术或5G NR)等。无线通信技术可以包括无线局域网(wireless local area networks，WLAN)(如无线保真(wirelessfidelity，Wi-Fi)网络)，蓝牙(bluetooth，BT)，全球导航卫星系统(global navigationsatellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(nearfield communication，NFC)，红外技术(infrared，IR)等。
处理器可以包括至少一个基带和至少一个射频集成电路。在一些实施例中，每个基带对应一个射频集成电路，以根据一种或多种通信技术对信号进行调频。例如，第一基带和第一射频集成电路根据5G技术对信号进行调频，第二基带和第二射频集成电路根据4G技术对信号进行调频，第三基带和第三射频集成电路根据Wi-Fi技术对信号进行调频，第四基带和第四射频集成电路根据蓝牙技术对信号进行调频，等等。又例如，第一基带和第一射频集成电路可以同时根据4G技术和5G技术对信号进行调频，第二基带和第二射频集成电路根据Wi-Fi技术对信号进行调频，等等。在一些实施例中，一个基带还可以对应多个射频集成电路，以提高集成度，如图3中所示。
在一些实施例中，基带和射频集成电路可以与处理器中的其它部件集成在一个集成电路中。在一些实施例中，基带和射频集成电路可以分别为独立于处理器的一个独立器件。在一些实施例中，一个基带与其对应的至少一个射频集成电路可以集成为一个与处理器独立的器件中。在一些实施例中，基带与射频集成电路集成在不同的集成电路中，基带与射频集成电路封装在一起，例如封装在一个系统级芯片(System on a Chip，简称SOC)中。
在处理器中，不同的处理单元可以是独立的器件，也可以集成在一个或多个集成电路中。
天线阵列用于发射和接收电磁波信号(射频信号)，其中包含多个天线单元，如图中的天线单元1，……天线单元n。每个天线单元可用于覆盖单个或多个通信频带。
处理器与天线阵列相耦合，以实现发射和接收射频信号相关联的各种功能。
例如，当通信设备在发射信号过程中，基带将待发射的数据(数字信号)合成即将发射的基带信号，基带信号由射频集成电路转化为射频信号，射频信号经功率放大器进行放大、带通滤波器滤波处理，以及耦合器处理之后，最终经物理天线发射出去。
又例如，当通信设备在接收信号过程中，天线阵列接收到射频信号后，射频信号经由带通滤波器滤波、LNA放大处理之后，将处理之后的射频信号发送给射频集成电路，射频集成电路将射频信号处理为基带信号并发送给基带，基带将处理后的基带信号转化为数据后，发送给相应的应用处理器。
如图3中所示，天线阵列中的一个天线单元接收的射频信号经由带通滤波器滤波、LNA放大、射频集成电路射频处理最终生成基带信号的路径可以成为接收通道。在本申请实施例中，通信设备具有多个接收通道(Rx 1至Rx n)，例如2个接收通道、4个接收通道、8个接收通道等。
还需要说明的是，在上述无线通信系统中，基带可以对自身以及系统内的其他器件的工作参数进行管理和调整。具体的，基带可以具有多个管脚，用于分别连接其他器件的相应管脚，以实现向这些器件发送控制信号、调整其工作参数的目的。
应注意的是，在所述无线通信系统中，还包含信号测量模块。所述信号测量模块用于对各个天线单元接收的射频信号进行信号分析，得到该射频信号在各个子载波上的相位和幅度。可选的，所述信号测量模块可以为频谱分析仪等器件，可以通过对接收的射频信号进行傅里叶变换处理，从而实现信号分析功能。
所述信号测量模块通过对每个天线单元接收的射频信号进行分析，得到该通信设备的N个子载波对应的信号相位信息和信号幅度信息。其中，任一个子载波对应的信号相位信息包含：所有天线单元接收到的信号在所述子载波上的相位；任一个子载波对应的信号幅度信息包含：所有天线单元接收到的信号在所述在子载波上的幅度。所述信号测量模块可以将N个子载波对应的信号相位信息和信号幅度信息发送给处理器。所述处理器可以基于上述信息进行AOA估计，或者转发给其他计算设备进行AOA估计，最终得到发射设备发射的射频信号的AOA，从而可以进一步实现其他业务。
需要说明的是，图3作为一种通信设备的无线通信系统的结构示例，其不构成任何限定。在本申请另一些实施例中，通信设备可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。另外，图示的部件可以以硬件，软件，或软件和硬件的组合实现。
图4为本申请实施例提供的一种通信设备的结构示意图。所述通信设备可以适用于如图2所示的通信系统中，所述通信设备可以具有如图3所示的无线通信系统。参阅图4所示，所述通信设备400中可至少包括：至少一个收发射机401，至少一个处理器402，至少一个存储器403，以及天线阵列404。所述天线阵列404中包含多个天线单元，用于并行收发信号，从而提高通信设备的通信容量。所述至少一个存储器403用于存储程序指令和数据。所述至少一处理器402可调用所述至少一个存储器403中的程序指令和数据，从而使所述通信设备执行相关的方法，例如本申请实施例提供的AOA确定方法，以及AOA计算模型训练过程。所述至少一个处理器402和所述至少一个收发射机401、所述至少一个存储器403通过总线连接，以便实现数据交换。所述至少一个处理器202通过控制所述至少一个收发射机401，可以实现本申请实施例提供的AOA确定方法。
在如图2所示的通信系统中，具有天线阵列的通信设备在作为信号的接收设备时，可以确定发射设备发送的信号的AOA，以便实现目标定位、目标探测，或者波束对齐等业务。由于传统的AOA估计方法对天线阵列有严格的条件限制，否则无法达到AOA的计算精度。因此，如何在天线阵列的阵型不规则、混合形态的天线阵列、天线单元的数量有限的条件下，实现高性能AOA估计成为本领域亟待解决的技术难题。
为了克服上述难题，实现在各种天线阵列条件下保证AOA的精度，本申请提出一种AOA确定方法。在该方法中，不仅可以利用接收设备天线阵列的信号相位信息，还可以综合利用天线阵列的信号幅度信息来丰富天线阵列的信号测量数据，以便提高AOA的计算精度。
针对天线阵列阵型不规则、天线单元形态各异、天线单元的数量有限的问题，传统的AOA估计方法中无法建立AOA与信号测量数据之间的关联关系，本申请实施例提供的方案可以借助数学模型的复杂关系逼近能力，通过训练数学模型学习出AOA与基于信号测量数据得到的信号幅度相位特征向量之间的关联关系。因此，由于本申请综合利用天线阵列的信号幅度信息和信号相位信息丰富天线阵列的信号测量数据，并借助数学模型建立信号测量数据(即信号幅度相位特征向量)与AOA的关联关系，从而可以在天线阵列的阵型不规则、混合形态的天线阵列、天线单元的数量有限的条件下实现高性能的AOA估计。另外，由于借助天线阵列的信号测量数据与AOA的关联关系实现AOA估计，因此该方案还可以降低计算设备计算AOA的复杂度。
还需要说明的是，本申请提供的方案不仅可以适用于在上述条件下的高性能AOA估计，在其他条件下依然适用。例如在天线阵列的阵型规则、单一形态的天线阵列、天线单元的数量较多的条件下，该方案依然可以实现高性能AOA估计。
下面参阅图5所示的AOA确定方法流程图，对本申请实施例提供的AOA确定方法进行具体说明。本申请实施例以计算设备执行该方法，通信系统支持N个子载波调制，且接收设备的天线阵列中包含M个天线单元为例进行介绍。其中，所述计算设备可以为通信系统中的作为接收设备的通信设备，或者为其他设备，本申请对此不作限定。
S501：计算设备获取接收设备的N个子载波对应的信号相位信息和信号幅度信息。
其中，任一个子载波对应的信号相位信息包含：所述M个天线单元接收到的信号在所述子载波上的相位；任一个子载波对应的信号幅度信息包含：所述M个天线单元接收到的信号在所述在子载波上的幅度。
其中，信号的幅度可以通过信号的质量参数确定，信号的质量参数可以但不限于包含信号的强度、信号的接收功率等。
所述N个子载波对应的信号相位信息和信号幅度信息为所述接收设备测量的天线阵列的信号测量数据。
示例的，在本申请实施例中，第i个子载波对应的信号相位信息可以表示为向量θi＝[θi,1，θi,2，…，θi,M]中的各个元素，第i个子载波对应的信号幅度信息可以表示为向量Ai＝[Ai,1，Ai,2，…，Ai,M]中的各个元素。其中，i为小于或等于N的正整数，θi,j表示第j个天线单元接收到的信号在第i个子载波上的相位，Ai,j表示第j个天线单元接收到的信号在第i个子载波上的幅度。
S502：所述计算设备根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量。其中，所述目标多载波特征向量即信号幅度相位特征向量。
在一种实施方式中，所述计算设备可以通过以下步骤，执行S502：
A1：所述计算设备根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量。
A2：所述计算设备将所述N个子载波的单载波特征向量进行组合，得到所述目标多载波特征向量。
示例的，第i个子载波的单载波特征向量可以用Fi表示，那么所述目标多载波特征向量可以表示为G＝[F1，F2，…，FN]。当然，该示例仅为一种组合方式，在实际应用还可以通过其他方式组合，本申请对此不作限定。
可选的，在步骤A1中，所述计算设备可以但不限于通过方式，得到每个子载波的单载波特征向量：
B1：所述计算设备根据目标子载波对应的信号相位信息，生成第一特征向量。
其中，所述目标子载波为所述N个子载波中的任一个子载波；所述第一特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的相位，或者所述第一特征向量包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的相位差。
B2：所述设备根据所述目标子载波对应的信号幅度信息，生成第二特征向量。
其中，所述第二特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的幅度，或者所述第二特征向量中包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的幅度差。
B3：所述计算设备将所述第一特征向量和所述第二特征向量进行组合，得到所述目标子载波的单载波特征向量。与A2类似的，所述目标子载波的单载波特征向量可以表示为[第一特征向量，第二特征向量]，当然，还可以通过其他组合方式表示，本申请对此不作限定。
下面以第i个子载波为例说明。
第一种实施方式：
所述计算设备根据第i个子载波对应的信号相位信息，生成第一特征向量。所述第一特征向量包含M个天线单元中相邻两个天线单元接收到的信号在第i个子载波上的相位差。在该情况下，所述第一特征向量又可以称为信号相位差向量，可以表示为
Figure BDA0002993920110000111
Figure BDA0002993920110000112
所述计算设备根据第i个子载波对应的信号幅度信息，生成第二特征向量。所述第二特征向量包含M个天线单元中相邻两个天线单元接收到的信号在第i个子载波上的幅度差。在该情况下，所述第二特征向量又可以称为信号幅度差向量，可以表示为
Figure BDA0002993920110000113
Figure BDA0002993920110000114
在该实施方式下，第i个子载波的单载波特征向量可以表示为
Figure BDA0002993920110000115
第二种实施方式：
所述计算设备根据第i个子载波对应的信号相位信息，生成第一特征向量。所述第一特征向量包含M个天线单元接收到的信号在第i个子载波上的相位。在该情况下，所述第一特征向量又可以称为信号相位向量，可以表示为θi＝[θi,1，θi,2，…，θi,M]。
所述计算设备根据第i个子载波对应的信号幅度信息，生成第二特征向量。所述第二特征向量包含M个天线单元接收到的信号在第i个子载波上的幅度。在该情况下，所述第一特征向量又可以称为信号幅度向量，可以表示为Ai＝[Ai,1，Ai,2，…，Ai,M]。
在该实施方式下，第i个子载波的单载波特征向量可以表示为Fi＝[θi，Ai]。
可选的，所述计算设备在得到目标子载波的第一特征向量和第二特征向量之后在执行步骤B3之前，还可以对所述第一特征向量和/或所述第二特征向量进行归一化处理。示例性的，在上述第一种实施方式中，所述计算设备可以对所述第二特征向量进行归一化处理(归一化后的信号幅度差向量可以称为信号幅度差归一化向量)，归一化后的第二特征向量可以表示为
Figure BDA0002993920110000116
在仅对第二特征向量进行归一化处理的情况下，第i个子载波的单载波特征向量可以表示为
Figure BDA0002993920110000117
即：
Figure BDA0002993920110000118
还需要说明的是，本申请不对归一化处理的计算方式进行限定，其他归一化处理的计算方式本申请实施例同样适用。
S503：所述计算设备将所述目标多载波向量输入AOA计算模型，得到所述接收设备接收的信号的目标AOA；其中，所述AOA计算模型用于表示多载波特征向量与AOA的对应关系。
在一种实施方式中，所述AOA计算模型是根据多个AOA样本对应的多载波特征向量样本进行建模得到的。其中，任一个AOA样本对应的多载波特征向量样本为：在所述接收设备接收的信号的AOA为所述AOA样本的情况下采集所述接收设备的所述N个子载波对应的信号相位信息样本和信号幅度信息样本，并根据所述信号相位信息样本和所述信号幅度信息样本生成的。
其中，AOA计算模型是通过离散训练得到的，在离散训练阶段，依据在各个AOA样本下接收设备测量的天线阵列的信号测量数据得到的多载波特征向量构建训练样本集，并对AOA计算模型进行训练，使得所述AOA计算模型可以建立多载波特征向量与AOA之间的对应关系。这样，在AOA计算阶段，计算设备可以根据接收设备当前测量的天线阵列的信号测量数据得到目标多载波特征向量，并将所述目标多载波特征向量输入到所述AOA计算模型，使AOA计算模型直接输出目标AOA。
本申请实施例提供了一种AOA确定方法，在该方法中，计算设备可以获取接收设备的天线阵列的信号测量数据，其中，该信号测量数据中包含天线阵列的信号幅度信息和相位信息；并根据该信号测量数据生成目标信号幅度相位特征向量；最后借助能够表示信号幅度相位特征向量和AOA的对应关系的AOA计算模型，确定所述目标信号幅度相位特征向量对应的目标AOA。显然，该方法可以不对天线阵列构成任何条件约束，因此，无论通信系统中的接收设备的天线阵列是什么条件，通过该方案，计算设备均可以实现高性能的AOA估计，即该方法可以在各种天线阵列条件下保证AOA的精度。
下面以AOA计算模型为神经网络模型为例，参考图6所示的AOA计算模型训练流程图，对所述AOA计算模型的训练过程进行说明。需要说明的是，本申请实施例提供的AOA计算模型不限定为神经网络模型，还可以通过其他机器学习算法进行建模得到。
S601：训练设备依据接收设备天线单元的数量M、通信系统支持的子载波的数量N，以及设定需要输出的AOA取值的总数量K，确定神经网络架构，构建神经网络模型。其中，M、N和K均为正整数。
其中，所述训练设备与利用AOA计算模型进行AOA计算的计算设备可以为同一设备，也可以为不同的设备。当所述训练设备与所述计算设备不同时，所述训练设备在训练好所述AOA计算模型后，可以将所述AOA计算模型传输给所述计算设备。
所述训练设备可以根据接收设备天线单元的数量M，通信系统支持的子载波的数量N，确定多载波特征向量(即信号幅度相位特征向量)中元素的个数，从而可以确定神经网络模型的输入层节点的数量。
以多载波特征向量为图5所示的AOA确定方法中的第一种实施方式为例，由于每个子载波对应的单载波特征向量为信号相位差向量和信号幅度差向量组合得到的，因此，每个子载波对应的单载波特征向量中元素的个数为2*(M-1)。那么，多载波特征向量是由N个子载波对应的单载波特征向量组合得到的，因此多载波特征向量中元素的个数为2*(M-1)*N。因此神经网络模型的输入层节点的数量为2*(M-1)*N。
需要输出的AOA取值的总数量K即为神经网络模型输出层节点的数量。
因此，所述训练可以构建输入层节点数量为2*(M-1)*N，输出层节点为K的神经网络模型。
S602：所述训练设备将设定角度空间量化为K个角度。
可选的，所述设定角度空间可以为空间360度。所述训练设备可以采用等间距量化的方法，将所述设定角度空间量化为K个角度。
S603：所述训练设备将所述K个角度作为K个AOA样本。在接收设备在每个AOA样本下测量P次天线阵列的信号测量数据之后，所述训练设备对每次测量的天线阵列的信号测量数据进行处理，得到每个AOA样本对应的P个多载波特征向量样本。
其中，在任一个AOA样本下测量得到的天线阵列的信号测量数据包括：N个子载波对应的信号相位信息样本和信号幅度信息样本。
因此，训练设备根据一个AOA样本下测量的天线阵列的信号测量数据进行处理，得到该AOA样本对应的多载波特征向量样本的过程可参考S501-S502，此处不再赘述。
S604：训练设备根据每个AOA样本对应的P个多载波特征向量样本，训练神经网络模型，使其可以建立多载波特征向量与AOA之间的对应关系。
如图7所示，K个AOA样本中每个AOA样本对应的P个多载波特征向量样本可以训练样本集。在步骤S604中，所述训练设备可以针对每个训练样本对所述神经网络模型进行调整(例如调整隐藏层中节点的权值和/或偏置)，从而使所述神经网络模型可以逼近多载波特征向量与AOA之间的对应关系。
具体的，所述训练设备可以训练样本中的多载波特征向量样本输入到神经网络模型中，并将神经网络模型输出的估计AOA和训练样本中的AOA样本进行对比，计算二者之间的误差，并根据该误差调整所述神经网络模型。经过多次调整，所述神经网络模型可以尽可能的逼近多载波特征向量与AOA之间的对应关系。
最后，在所述神经网络模型训练完成后，所述计算设备在执行AOA确定方法时，可以根据接收设备当前测量的天线阵列的信号测量数据得到目标多载波特征向量，并将所述目标多载波特征向量输入到所述AOA计算模型，使AOA计算模型直接输出目标AOA，如图8所示。
其中，图6中的神经网络中的输入层节点的数量为多载波特征向量样本中的包含的元素个数，输出层节点的数量为空间360度等间隔划分的角度数量。
由于神经网络具有突出的复杂关系逼近能力，因此本申请实施例可以通过训练神经网络模型学习出AOA与基于信号测量数据得到的信号幅度相位特征向量之间的关联关系。因此，由于本申请提供的方法可以综合利用天线阵列的信号幅度信息和信号相位信息丰富天线阵列的信号测量数据，并借助神经网络模型建立信号测量数据(即信号幅度相位特征向量)与AOA的关联关系，从而可以在天线阵列的阵型不规则、混合形态的天线阵列、天线单元的数量有限的条件下实现高性能的AOA估计。另外，借助神经网络模型实现AOA估计，还可以降低计算设备计算AOA的复杂度。
基于以上实施例，本申请还提供了一种AOA确定实例。在本实例中通信系统中的配置如下：
1、通信系统工作在2.4GHz的频段上。
2、该通信系统中的第一通信设备具有4个射频通道和天线阵列，每个射频通道对应天线阵列中的一个天线单元。
3、第一通信设备中4个射频通道对应的4个天线单元呈不规则四边形分布，如图9A所示，4个天线单元中相邻两个天线单元的距离分别为5厘米、6厘米、7厘米，和10厘米。
4、第一通信设备的4个射频通道对应的4个天线单元包含：全向天线2根，和定向天线2根，其中全向天线和定性天线的方向图分别如图9B所示。
5、通信系统采用30个子载波的多载波调制技术。
本实施例用于在第一通信设备作为接收设备的情况下，确定所述第一通信设备接收的信号的AOA。本实例继续以每个子载波对应的单载波特征向量为信号相位差向量和信号幅度差向量组合得到的。
第一阶段：构建神经网络模型(AOA计算模型)：
根据第一通信设备中天线单元的数量4，通信系统支持的子载波的数量30，训练设备可以确定信号幅度相位特征向量(即图5所示的实施例中的多载波特征向量)中元素的数量为2*(4-1)*30＝180，即确定神经网络模型中输入层节点的数量为180。
假设需要输出的AOA数量为360个，那么训练设备可以确定输出层节点的数量为360。
所述训练设备可以采用Python编写5层的神经网络模型，其架构如图9C所示，特性如下：
1、神经网络模型的从输入层到输出层各层包含的节点数量依次为：180、4096、1024、512、360。
2、神经网络模型的训练过程采用自适应学习率的随机梯度下降学习算法。
3、神经网络模型的前4层之间采用全连接结构，第5层采用softmax分类器函数实现。
4、神经网络模型的非线性激活函数采用ReLU函数，即
Figure BDA0002993920110000141
5、神经网络模型的代价函数采用估计AOA向量和AOA样本向量的交叉熵L表示。其中，交叉熵L符合以下公式：
Figure BDA0002993920110000142
其中，yi表示第i个AOA样本向量，yi表示第i个估计AOA向量。
第二阶段：对神经网络模型的离线训练过程。
1、训练设备将空间360度等间距量化为360个角度。
2、将该360个角度作为360个AOA样本。接收设备在每个AOA样本角度下测量100次，每次均测量4个天线单元在30个子载波上的信号幅度及信号相位信息。训练设备获取每个AOA样本对应的100次测量结果，并根据每次测量结果中的4个天线单元在30个子载波上的信号幅度及信号相位信息，构建包含180个元素的信号幅度相位特征向量。最终生成每个AOA样本对应的100个信号幅度相位特征向量。
3、利用在各个AOA样本角度下测量获得的信号幅度相位特征向量，构建神经网络模型的训练样本集。该训练样本集中包含360个种类(每个AOA样本对应一个种类)，每个种类的信号幅度相位特征向量样本的数量为100个。
4、基于自适应学习率的随机梯度下降学习算法训练神经网络模型，使之可以建立信号幅度相位特征向量与AOA之间的对应关系，从而可以利用信号幅度相位特征向量正确识别AOA。
第三阶段：神经网络模型的在线估计阶段。
1、在接收设备测量当前时刻4个天线单元在30个子载波上的信号幅度信息及信号相位信息，计算设备获取该信号测量数据，并基于该信号测量数据构建长度为180的目标信号幅度相位特征向量。
2、计算设备将生成的目标信号幅度相位特征向量输入至神经网络模型，神经网络模型输出目标AOA，参阅图9D所示。
基于以上实例，本申请实施例还提供了遍历360度空间仿真分析通过不同的测量参数计算各个角度下的AOA的计算误差，误差统计特性如表1所示。该表中给出了单独使用幅度信息、相位信息，以及本申请综合使用幅度信息及相位信息时AOA的计算误差情况，统计了误差在±8度以内的分布情况。
表1
Figure BDA0002993920110000143
Figure BDA0002993920110000151
如表1所示，当仅利用信号相位信息时，AOA计算误差在±2度、±5度、±8度以内的概率分别为82.62％、83.71％、83.81％；当仅利用信号幅度信息时，AOA计算误差在±2度、±5度、±8度以内的概率分别为72.04％、92.18％、96.19％；当综合利用信号幅度信息和信号相位信息作为阵列天线的信号测量信息时，AOA的误差在±2度、±5度、±8度以内的概率分别为98.42％、99.72％、99.81％。上述结果表明，本申请综合利用天线阵列的信号幅度信息和信号相位信息来丰富天线阵列的信号测量数据，这样通过二者构建的信号幅度相位特征向量作为神经网络模型的输入实现AOA计算，可以显著提高AOA的计算精度。另外，该表中的最后一行中的精度也可以表明利用神经网络模型构建信号幅度相位特征向量与AOA的关联关系的思路是可行的，可以有效地实现了在天线阵列的阵型不规则、混合形态的天线阵列、天线单元数量有限条件下实现高性能AOA估计。
综上，与传统的AOA估计方法相比，本申请实施例综合利用天线阵列的信号相位信息，以及天线阵列的信号幅度信息构建信号幅度相位特征向量作为天线阵列的信号测量数据实现AOA估计，并利用神经网络模型构建天线阵列的信号幅度相位特征向量与AOA的关联关系，有效地实现了不规则阵型、混合形态天线阵列、天线单元数量有限条件下的高性能AOA估计。传统的MUSIC算法、ESPRIT算法、稀疏重构算法无法在上述条件下进行AOA估计；同时，即使在天线阵列分布规则的条件下，现有的MUSIC算法、ESPRIT算法、稀疏重构算法仅可以利用天线阵列的信号相位信息，无法借助天线阵列的信号幅度信息提升AOA估计性能。因此，本申请提供的方案不仅解决了在天线阵列分布不规则、混合形态天线阵列、天线单元数量有限的条件下进行AOA估计难题，同时，还综合利用天线阵列的信号相位信息及信号幅度信息来提升AOA的计算精度。
基于相同的技术构思，本申请实施例还提供了一种计算装置，可选的，所述装置可以应用于如图2所示的通信系统中的通信设备中，或者服务器、计算机等其他计算设备，并可以实现如图5所示AOA确定方法。参阅图10所示，所述装置1000中包含获取单元1001、处理单元1002和计算单元1003。下面对该计算装置1000中的各个单元的功能进行介绍。
获取单元1001，用于获取接收设备的N个子载波对应的信号相位信息和信号幅度信息；其中，所述接收设备的天线阵列包含M个天线单元；任一个子载波对应的信号相位信息包含：所述M个天线单元接收到的信号在所述子载波上的相位；任一个子载波对应的信号幅度信息包含：所述M个天线单元接收到的信号在所述在子载波上的幅度；
处理单元1002，用于根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量；
计算单元1003，用于将所述目标多载波向量输入AOA计算模型，得到所述接收设备接收的信号的目标AOA；其中，所述AOA计算模型用于表示多载波特征向量与AOA的对应关系。
在一种实现方式中，所述处理单元1002，具体用于：
根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量；
将所述N个子载波的单载波特征向量进行组合，得到所述目标多载波特征向量。
在一种实现方式中，所述处理单元1002，在根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量时，具体用于：
根据目标子载波对应的信号相位信息，生成第一特征向量；其中，所述目标子载波为所述N个子载波中的任一个子载波；所述第一特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的相位，或者所述第一特征向量包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的相位差；
根据所述目标子载波对应的信号幅度信息，生成第二特征向量；其中，所述第二特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的幅度，或者所述第二特征向量中包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的幅度差；
将所述第一特征向量和所述第二特征向量进行组合，得到所述目标子载波的单载波特征向量。
在一种实现方式中，所述处理单元1002，还用于：
在将所述第一特征向量和所述第二特征向量进行组合之前，对所述第一特征向量和/或所述第二特征向量进行归一化处理。
在一种实现方式中，当所述目标子载波为第i个子载波时，归一化处理后的所述第二特征向量为：
Figure BDA0002993920110000161
其中，i为小于或等于N的正整数，j为小于或等于M的正整数，Ai,j表示第j个天线单元接收到的信号在第i个子载波上的幅度。
在一种实现方式中，所述AOA计算模型是根据多个AOA样本对应的多载波特征向量样本进行建模得到的；
其中，任一个AOA样本对应的多载波特征向量样本为：在信号的AOA为所述AOA样本的情况下采集所述接收设备的所述N个子载波对应的信号相位信息样本和信号幅度信息样本，并根据所述信号相位信息样本和所述信号幅度信息样本生成的。
在一种实现方式中，所述AOA计算模型为神经网络模型，所述装置1000还包括建模单元1004；所述建模单元1004，用于：
根据所述接收设备的天线阵列包含的天线单元的数量M、子载波的数量N，确定所述神经网络模型的输入层节点数量；根据设定需要输出的AOA取值的总数量K，确定所述神经网络模型的输出层节点数量；
根据所述输入层节点数量和所述输出层节点数量，构建所述神经网络模型；
将设定角度空间量化为K个角度，并将所述K个角度作为K个AOA样本；
获取所述K个AOA样本中每个AOA样本对应的至少一组信号测量数据；其中任一个AOA样本对应的至少一组信号测量数据为所述接收设备在信号的AOA为所述AOA样本时测量得到的，包含：所述N个子载波对应的信号相位信息样本和信号幅度信息样本；
根据每个AOA样本对应的至少一组信号测量数据，生成每个AOA样本对应的至少一个多载波特征向量样本；
根据每个AOA样本对应的至少一个多载波特征向量样本，训练所述神经网络模型，使其可以建立多载波特征向量与AOA的对应关系。
本申请实施例提供了一种计算装置，计算装置可以获取接收设备的天线阵列的信号测量数据，其中，该信号测量数据中包含天线阵列的信号幅度信息和相位信息；并根据该信号测量数据生成目标信号幅度相位特征向量(即目标多载波特征向量)；最后借助能够表示信号幅度相位特征向量(即多载波特征向量)和AOA的对应关系的AOA计算模型，确定所述目标信号幅度相位特征向量对应的目标AOA。显然，该方法可以不对天线阵列构成任何条件约束，因此，该方法可以在各种天线阵列条件下实现高性能的AOA估计。
需要说明的是，本申请以上实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，本申请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全部或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)或处理器(processor)执行本申请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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于以上实施例，本申请实施例还提供了一种计算设备，该计算设备用于实现如图5所示的AOA确定方法，具有如图10所示的计算装置的功能。参阅图11所示，所述计算设备1100包括：通信模块1101、处理器1102以及存储器1103。其中，所述通信模块1101、所述处理器1102以及所述存储器1103之间相互连接。
可选的，所述通信模块1101、所述处理器1102以及所述存储器1103之间通过总线1104相互连接。所述总线1104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。所述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11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。
所述通信模块1101，用于接收和发送数据，实现与其他设备之间的通信。可选的，所述通信模块1101可以通过无线连接与其他设备进行通信。例如，所述通信模块1101可以为RF电路、WiFi模块等。又例如，所述通信模块1101可以具有图3所示的无线通信系统中的全部或部分器件。所述通信模块704也可以通过物理连接与其他设备进行通信，例如，所述通信模块704可以为通信接口。示例性的，当所述计算设备1100为图2所示的通信系统中的通信设备时，所述计算设备1100中的通信模块1101为无线通信模块，又称为收发器，其中不仅包含一些无线通信电路(RF电路、WiFi模块等)，还可以包括天线。在另一些示例中，所述计算设备1100还可以为服务器、计算机等设备，所述计算设备1100中的通信模块1101可以为通信接口。
所述处理器1102，用于实现如图5所示的实施例提供的AOA确定方法，具体可以参照以上实施例中的描述，此处不再赘述。
所述存储器1103，用于存放程序指令和数据等。具体地，程序指令可以包括程序代码，该程序代码包括计算机操作指令；所述存储器1103存储的数据可以包括AOA计算模型等。存储器1103可能包含随机存取存储器(random access memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。处理器1102执行存储器1103所存放的程序指令，并使用所述存储器1103中存储的数据，实现上述功能，从而实现上述实施例提供的频点的信号质量信息确定方法。
可以理解，本申请图11中的存储器1103可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。
基于以上实施例，本申请实施例还提供了一种计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行以上实施例提供的AOA确定方法。
基于以上实施例，本申请实施例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中存储有计算机程序，所述计算机程序被计算机执行时，使得计算机执行以上实施例提供的AOA确定方法。
其中，存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
基于以上实施例，本申请实施例还提供了一种芯片，所述芯片用于读取存储器中存储的计算机程序，实现以上实施例提供的AOA确定方法。
基于以上实施例，本申请实施例提供了一种芯片系统，该芯片系统包括处理器，用于支持计算机装置实现以上实施例中计算装置或计算设备所涉及的功能。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器用于保存该计算机装置必要的程序和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。
综上所述，本申请实施例提供了一种AOA确定方法及计算装置，在该方案中：计算设备可以获取接收设备的天线阵列的信号测量数据，其中，该信号测量数据中包含天线阵列的信号幅度信息和相位信息；并根据该信号测量数据生成目标信号幅度相位特征向量(即多载波特征向量)；最后借助能够表示信号幅度相位特征向量和AOA的对应关系的AOA计算模型，确定所述目标信号幅度相位特征向量对应的目标AOA。显然，该方法可以不对天线阵列构成任何条件约束，因此，该方法可以在各种天线阵列条件下实现高性能的AOA估计，并保证AOA的计算精度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (17)

1.一种入射方向角AOA确定方法，其特征在于，包括：
获取接收设备的N个子载波对应的信号相位信息和信号幅度信息；其中，所述接收设备的天线阵列包含M个天线单元；任一个子载波对应的信号相位信息包含：所述M个天线单元接收到的信号在所述子载波上的相位；任一个子载波对应的信号幅度信息包含：所述M个天线单元接收到的信号在所述在子载波上的幅度；
根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量；
将所述目标多载波向量输入AOA计算模型，得到所述接收设备接收的信号的目标AOA；其中，所述AOA计算模型用于表示多载波特征向量与AOA的对应关系。
2.如权利要求1所述的方法，其特征在于，根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量，包括：
根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量；
将所述N个子载波的单载波特征向量进行组合，得到所述目标多载波特征向量。
3.如权利要求2所述的方法，其特征在于，根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量，包括：
根据目标子载波对应的信号相位信息，生成第一特征向量；其中，所述目标子载波为所述N个子载波中的任一个子载波；所述第一特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的相位，或者所述第一特征向量包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的相位差；
根据所述目标子载波对应的信号幅度信息，生成第二特征向量；其中，所述第二特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的幅度，或者所述第二特征向量中包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的幅度差；
将所述第一特征向量和所述第二特征向量进行组合，得到所述目标子载波的单载波特征向量。
4.如权利要求3所述的方法，其特征在于，在将所述第一特征向量和所述第二特征向量进行组合之前，所述方法还包括：
对所述第一特征向量和/或所述第二特征向量进行归一化处理。
5.如权利要求4所述的方法，其特征在于，当所述目标子载波为第i个子载波时，归一化处理后的所述第二特征向量为：
Figure FDA0002993920100000011
其中，i为小于或等于N的正整数，j为小于或等于M的正整数，Ai,j表示第j个天线单元接收到的信号在第i个子载波上的幅度。
6.如权利要求1-5任一项所述的方法，其特征在于，
所述AOA计算模型是根据多个AOA样本对应的多载波特征向量样本进行建模得到的；
其中，任一个AOA样本对应的多载波特征向量样本为：在信号的AOA为所述AOA样本的情况下采集所述接收设备的所述N个子载波对应的信号相位信息样本和信号幅度信息样本，并根据所述信号相位信息样本和所述信号幅度信息样本生成的。
7.如权利要求6所述的方法，其特征在于，所述AOA计算模型为神经网络模型，所述神经网络模型的建模过程包括：
根据所述接收设备的天线阵列包含的天线单元的数量M、子载波的数量N，确定所述神经网络模型的输入层节点数量；根据设定需要输出的AOA取值的总数量K，确定所述神经网络模型的输出层节点数量；
根据所述输入层节点数量和所述输出层节点数量，构建所述神经网络模型；
将设定角度空间量化为K个角度，并将所述K个角度作为K个AOA样本；
获取所述K个AOA样本中每个AOA样本对应的至少一组信号测量数据；其中任一个AOA样本对应的至少一组信号测量数据为所述接收设备在信号的AOA为所述AOA样本时测量得到的，包含：所述N个子载波对应的信号相位信息样本和信号幅度信息样本；
根据每个AOA样本对应的至少一组信号测量数据，生成每个AOA样本对应的至少一个多载波特征向量样本；
根据每个AOA样本对应的至少一个多载波特征向量样本，训练所述神经网络模型，使其可以建立多载波特征向量与AOA的对应关系。
8.一种计算装置，其特征在于，包括：
获取单元，用于获取接收设备的N个子载波对应的信号相位信息和信号幅度信息；其中，所述接收设备的天线阵列包含M个天线单元；任一个子载波对应的信号相位信息包含：所述M个天线单元接收到的信号在所述子载波上的相位；任一个子载波对应的信号幅度信息包含：所述M个天线单元接收到的信号在所述在子载波上的幅度；
处理单元，用于根据所述N个子载波对应的信号相位信息和信号幅度信息，生成目标多载波特征向量；
计算单元，用于将所述目标多载波向量输入AOA计算模型，得到所述接收设备接收的信号的目标AOA；其中，所述AOA计算模型用于表示多载波特征向量与AOA的对应关系。
9.如权利要求8所述的装置，其特征在于，所述处理单元，具体用于：
根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量；
将所述N个子载波的单载波特征向量进行组合，得到所述目标多载波特征向量。
10.如权利要求9所述的装置，其特征在于，所述处理单元，在根据每个子载波对应的信号相位信息和信号幅度信息，生成每个子载波的单载波特征向量时，具体用于：
根据目标子载波对应的信号相位信息，生成第一特征向量；其中，所述目标子载波为所述N个子载波中的任一个子载波；所述第一特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的相位，或者所述第一特征向量包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的相位差；
根据所述目标子载波对应的信号幅度信息，生成第二特征向量；其中，所述第二特征向量中包含所述M个天线单元接收到的信号在所述目标子载波上的幅度，或者所述第二特征向量中包含所述M个天线单元中相邻两个天线单元接收到的信号在所述目标子载波上的幅度差；
将所述第一特征向量和所述第二特征向量进行组合，得到所述目标子载波的单载波特征向量。
11.如权利要求10所述的装置，其特征在于，所述处理单元，还用于：
在将所述第一特征向量和所述第二特征向量进行组合之前，对所述第一特征向量和/或所述第二特征向量进行归一化处理。
12.如权利要求11所述的装置，其特征在于，当所述目标子载波为第i个子载波时，归一化处理后的所述第二特征向量为：
Figure FDA0002993920100000031
其中，i为小于或等于N的正整数，j为小于或等于M的正整数，Ai,j表示第j个天线单元接收到的信号在第i个子载波上的幅度。
13.如权利要求8-12任一项所述的装置，其特征在于，
所述AOA计算模型是根据多个AOA样本对应的多载波特征向量样本进行建模得到的；
其中，任一个AOA样本对应的多载波特征向量样本为：在信号的AOA为所述AOA样本的情况下采集所述接收设备的所述N个子载波对应的信号相位信息样本和信号幅度信息样本，并根据所述信号相位信息样本和所述信号幅度信息样本生成的。
14.如权利要求13所述的装置，其特征在于，所述AOA计算模型为神经网络模型，所述装置还包括建模单元；所述建模单元，用于：
根据所述接收设备的天线阵列包含的天线单元的数量M、子载波的数量N，确定所述神经网络模型的输入层节点数量；根据设定需要输出的AOA取值的总数量K，确定所述神经网络模型的输出层节点数量；
根据所述输入层节点数量和所述输出层节点数量，构建所述神经网络模型；
将设定角度空间量化为K个角度，并将所述K个角度作为K个AOA样本；
获取所述K个AOA样本中每个AOA样本对应的至少一组信号测量数据；其中任一个AOA样本对应的至少一组信号测量数据为所述接收设备在信号的AOA为所述AOA样本时测量得到的，包含：所述N个子载波对应的信号相位信息样本和信号幅度信息样本；
根据每个AOA样本对应的至少一组信号测量数据，生成每个AOA样本对应的至少一个多载波特征向量样本；
根据每个AOA样本对应的至少一个多载波特征向量样本，训练所述神经网络模型，使其可以建立多载波特征向量与AOA的对应关系。
15.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令和数据；
通信模块，用于接收和发送数据；
处理器，用于调用存储在所述存储器中的所述程序指令和数据，执行如权利要求1-7任一项所述的方法。
16.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机程序，当所述计算机程序被计算机执行时，使得所述计算机执行如权利要求1-7任一项所述的方法。
17.一种芯片，其特征在于，所述芯片用于读取存储器中存储的计算机程序，执行如权利要求1-7任一项所述的方法。
CN202110324964.1A 2021-03-26 2021-03-26 一种入射方向角确定方法及计算装置 Active CN115134012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324964.1A CN115134012B (zh) 2021-03-26 2021-03-26 一种入射方向角确定方法及计算装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324964.1A CN115134012B (zh) 2021-03-26 2021-03-26 一种入射方向角确定方法及计算装置

Publications (2)

Publication Number Publication Date
CN115134012A true CN115134012A (zh) 2022-09-30
CN115134012B CN115134012B (zh) 2023-04-18

Family

ID=83374249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324964.1A Active CN115134012B (zh) 2021-03-26 2021-03-26 一种入射方向角确定方法及计算装置

Country Status (1)

Country Link
CN (1) CN115134012B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1533194A (zh) * 2003-03-26 2004-09-29 世代通信（深圳）有限公司 频分双工无线通讯系统实现智能天线技术的装置和方法
CN106664119A (zh) * 2014-05-23 2017-05-10 德卡维务有限责任公司 在超宽带通信系统中测量入射角
US20180227878A1 (en) * 2017-02-03 2018-08-09 Apple Inc. Estimation of incidence angles in phased antenna arrays
CN108802669A (zh) * 2018-07-13 2018-11-13 中国人民解放军陆军工程大学 二维波达方向估计方法、二维波达方向估计装置及终端
CN110333478A (zh) * 2018-03-30 2019-10-15 华为技术有限公司 一种到达角度、出发角度确定方法及通信装置
CN111123215A (zh) * 2019-11-11 2020-05-08 南京长峰航天电子科技有限公司 一种基于多通道的全极化目标实现系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1533194A (zh) * 2003-03-26 2004-09-29 世代通信（深圳）有限公司 频分双工无线通讯系统实现智能天线技术的装置和方法
CN106664119A (zh) * 2014-05-23 2017-05-10 德卡维务有限责任公司 在超宽带通信系统中测量入射角
US20180227878A1 (en) * 2017-02-03 2018-08-09 Apple Inc. Estimation of incidence angles in phased antenna arrays
CN110333478A (zh) * 2018-03-30 2019-10-15 华为技术有限公司 一种到达角度、出发角度确定方法及通信装置
CN108802669A (zh) * 2018-07-13 2018-11-13 中国人民解放军陆军工程大学 二维波达方向估计方法、二维波达方向估计装置及终端
CN111123215A (zh) * 2019-11-11 2020-05-08 南京长峰航天电子科技有限公司 一种基于多通道的全极化目标实现系统及方法

Also Published As

Publication number Publication date
CN115134012B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
US20240142560A1 (en) Device-free subject localization methods and systems using wireless signals
CN114144977B (zh) 波束赋形方法、装置、无线接入网设备及可读存储介质
CN109462886A (zh) 基于CSI的Wi-Fi单接入点测距定位方法、系统及电子设备
CN106792506B (zh) 一种WiFi定位方法及服务器
US20220294511A1 (en) Method and apparatus for beam management in antenna array sharing radar and communication systems
CN112152741A (zh) 信道模型的训练方法及装置
US10547359B2 (en) Calibration data
CN114978382A (zh) 基于空间划分的数据处理方法和通信装置
Kapoor et al. Unmanned aerial vehicle (UAV) communications using multiple antennas
CN115134012B (zh) 一种入射方向角确定方法及计算装置
JP7566791B2 (ja) Ｍｉｍｏシステムにおけるチャネルサウンディングフィードバックを最適化する方法
WO2023123062A1 (zh) 虚拟信道样本的质量评估方法和设备
US11799529B2 (en) Device and method of performing subcarrier grouping and/or codebook size selection in real-time for beamforming feedback and wireless communication system including the same
Berruet et al. E-loc: Enhanced csi fingerprinting localization for massive machine-type communications in wi-fi ambient connectivity
CN111917671B (zh) 用于无线通信的装置和方法
US20220393825A1 (en) Electronic device for allocating resource in wlan system and operating method thereof
US20230319592A1 (en) Device and method for controlling antenna in wireless communication system
EP4366405A1 (en) Framework for agnosticizing positioning measurement reports
WO2023185890A1 (zh) 一种数据处理方法及相关装置
WO2024197673A1 (zh) 参考信号传输方法和通信装置
WO2023160459A1 (zh) 一种人工智能算法模型获取方法及装置
CN115293318A (zh) 分布式学习方法及装置
CN116455510A (zh) 通信方法及装置
CN117916732A (zh) 数据处理的方法和装置
CN115242274A (zh) 波束搜索方法、装置，以及，电子设备

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