CN115714612A - 基于感知的通信波束跟踪方法 - Google Patents
基于感知的通信波束跟踪方法 Download PDFInfo
- Publication number
- CN115714612A CN115714612A CN202211365702.0A CN202211365702A CN115714612A CN 115714612 A CN115714612 A CN 115714612A CN 202211365702 A CN202211365702 A CN 202211365702A CN 115714612 A CN115714612 A CN 115714612A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- base station
- aerial vehicle
- drone
- predicted
- 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.)
- Pending
Links
- 230000006854 communication Effects 0.000 title claims abstract description 56
- 238000004891 communication Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000008447 perception Effects 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000007704 transition Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于感知的通信波束跟踪方法,包括如下步骤:在发射基站端,基于数据处理中心反馈给发射基站的无人机位置设计下一时刻的波束成形向量;基站发射出去的波束一方面被无人机接收,实现了通信信息的传输,另一方面波束经过无人机反射至分布式接收基站,接收基站将收集到的回波信号发送给数据处理中心;数据处理中心对无人机的状态转移模型和观测模型进行建模,将收集到的回波复信号作为观测数据,应用无迹卡尔曼滤波算法,估计并预测下一时刻无人机的位置信息,最终将预测的位置信息反馈给发射基站。本发明在降低导频开销,提高基站与无人机之间有用信息的通信速率的同时,提升了对无人机的跟踪性能。
Description
技术领域
本发明属于通信工程领域,具体涉及一种基于感知的通信波束跟踪方法,更具体涉及一种基于感知的大规模MIMO-OFDM(Multi Input Multi Output-OrthogonalFrequency Division Multiplexing,多输入多输出-正交频分复用)系统下的通信波束跟踪方法。
背景技术
考虑一个单基站-单无人机通信系统,基站端为了保证和无人机之间稳定的通信链路,需要掌握与无人机之间的信道信息。在传统的方案中,一般是通过波束训练和波束跟踪来完成的。
传统的基于反馈的波束跟踪方案流程如下:首先基站端进行波束训练,即循环地从预设的码本中选择所有可能的波束方向进行发射,将路径增益最强的信号方向作为无人机的方向,然后基站依据此方向设计相应的波束成形向量,发送OFDM符号块给无人机完成第一次通信。随后,为了确定基站与无人机下一时刻的信道信息,基站端发送导频信号给无人机,在无人机端完成信道估计后,将信道信息通过上行链路反馈给基站端,基站端重新设计新的波束成形向量,与无人机开始第二次通信,后续的跟踪过程依次类推。
在上述跟踪方案中,最为重要的一步是发射导频符号做信道估计,根据信道的不同状况,导频符号的排列也不同。在考虑时延扩展大于CP(Cyclic Prefix,循环前缀)长度的通信场景中,一般采用块状导频排列。块状导频周期性地使用整个OFDM符号的所有子载波作为导频,为了保证信道估计的效果,导频符号周期St需保持和相干时间一致,即(fDoppler为多普勒频率)。
分析上述基于反馈的波束跟踪方案可知,发射基站在每一次发射波束之前,都需要发送一段导频信号给无人机,无人机完成信道估计之后再反馈给发射基站,这存在两个问题。第一,由于跟踪过程中发射信号的周期是很短的,频繁地发送未携带通信信息的导频是一笔很大的开销,会降低有用信息的传输速率。第二,在跟踪的过程中每次只会将少量的OFDM符号作为导频发送出去,当接收基站收到导频信号之后做匹配滤波操作,会造成匹配滤波增益很低,从而影响信道估计的性能。
发明内容
发明目的:针对现有技术存在的缺陷,本发明提出一种基于感知的大规模MIMO-OFDM系统下的通信波束跟踪方法,在降低导频开销,提高系统有用信息的通信速率的同时提高发射基站对无人机的跟踪性能。
技术方案:基于感知的大规模MIMO-OFDM系统通信波束跟踪方法及性能分析,包含以下步骤:
(1)在一体化发射基站端,接收来自数据处理中心反馈的无人机的预测位置信息,根据所述预测位置信息设计对无人机的波束成形向量,并发射相应的波束与无人机完成通信;
(2)发射基站发射出去的波束经过无人机表面反射至分布式接收基站,所述分布式接收基站将观测到的回波信号发送给数据处理中心进行统一处理;
(3)数据处理中心首先对无人机的状态转移模型和观测模型进行建模,并对回波复信号进行实数化和拉直处理,接下来根据UKF(Unscented Kalman Filter,无迹卡尔曼滤波)算法和处理后的回波数据对当前时刻无人机的位置信息进行跟踪,并对下一时刻无人机的位置信息进行预测,将预测的结果反馈给发射基站;
(4)重复所述步骤(1)(2)(3),发射基站在对无人机进行轨迹跟踪的同时,完成与无人机之间的通信。
进一步的,所述步骤(1)中包括如下步骤:
数据处理中心根据t-1时刻的无人机位置信息估计值预测出来t时刻无人机的位置 并且根据和以及发射基站的位置计算出t时刻无人机的预测发射角t时刻相应的波束成形向量可以表示为其中k表示无人机的序号,t表示不同的估计时刻,表示第k个无人机在t-1时刻的估计位置,表示第k个无人机在t时刻的预测位置,和分别表示t时刻无人机的预测位置的横坐标、纵坐标、预测速度的横坐标、纵坐标,表示t时刻无人机的预测发射角。
进一步的,所述步骤(2)中包含如下步骤:
步骤(1)中设计好的波束发射之后经过无人机表面发射至分布式接收基站中的每一个接收基站,每一个接收基站都是独立的,对于第r个接收基站而言,其收到的回波信号经过匹配滤波之后的表达式 其中,K表示通感一体化系统的监控区域内的无人机数量,Q表示每次发射机发射出去的OFDM符号块中包含的OFDM符号个数,Mt表示发射基站的发射天线个数,Mr表示接收基站的接收天线个数,fr,k代表第k个无人机相对于发射基站和第r个接收基站的多普勒频移, τr,k代表发射信号经过第k个无人机到达第r个接收基站的时延,τr,k=(||pt-pk||2+||pr-pk||2)/c,表示从发射基站经过第k个无人机到达第r个接收基站的衰减系数,θr,k表示第r个接收基站对于第k个无人机的接收角,βk表示发射基站对于第k个无人机的发射角, 表示经过归一化的对于第k个无人机的发射导向向量,表示经过归一化的对于第k个无人机和第r个接收基站的接收导向向量;其中,||x||2表示向量x的2范数。
进一步的,所述步骤(3)中包含如下步骤:
1)确定无人机的系统状态模型和系统观测模型:
数据处理中心将无人机的状态表征为二维位置坐标(pk,x[t],pk,y[t])和速度坐标(vk,x[t],vk,y[t]),对无人机采用恒定速度模型,观测模型依据从接收基站群反馈回来的回波,考虑无人机时延τr,k、多普勒频移fr,k因素对回波模型建模;
2)初始化无人机的状态信息和估计方差矩阵:
在对无人机开始跟踪前,利用估计算法(如MUSIC(Multiple SignalClassification,多信号分类)、OMP(Orthogonal Matching Pursuit,正交匹配追踪))对无人机的位置进行初步估计,估计结果为sk,0,数据处理中心据此进行初始化:此外,估计方差矩阵需满足正定矩阵的条件:Mk[-1|-1]=Mk,0,Mk,0为一个正定阵;其中和Mk[-1|-1]分别表示初始化的位置和方差矩阵;
3)一步预测无人机状态和估计方差矩阵:
对进行UT(Unscented Transformation,无迹变换)得到第一组Sigma采样点并根据采样策略计算各采样点的权值;最终,通过权值将所有采样点结合成一步预测状态sk[t|t-1],据此计算预测方差矩阵Mk[t|t-1];
4)一步预测观测回波:
依据3)中sk[t|t-1]和Mk[t|t-1],进行UT变换产生第二组Sigma采样点,通过权值将所述第二组Sigma采样点结合成观测回波的一步预测yk[t|t-1],并据此计算观测回波的预测方差矩阵Mk,zz[t-1|t]以及状态和观测回波之间的预测协方差矩阵Mk,sz[t-1|t];
5)更新无人机状态和估计方差矩阵:
根据3)和4)中的一步预测结果sk[t|t-1]、Mk[t|t-1]、yk[t|t-1]、Mk,zz[t-1|t]和Mk,sz[t-1|t],计算卡尔曼增益Kk[t],更新当前时刻无人机状态信息并计算估计方差矩阵Mk[t|t]。
进一步的,所述步骤(4)中包含如下步骤:
有益效果:本发明适用于5G大规模MIMO-OFDM系统场景下的通信波束跟踪场景,相比传统的基于反馈的波束跟踪方案,避免了每次跟踪前发射导频的开销,将更多的通信资源用于发送有用信息,提高了有用信息的通信速率;将整个OFDM符号块作为观测信号参与跟踪过程,提高了接收信号的匹配滤波增益,增强了无人机的跟踪性能。相比于传统的基于EKF(Extended Kalman Filter,扩展卡尔曼滤波)的跟踪算法,应用UKF算法能够避免计算复杂耗时的雅可比矩阵,实时性更好,并且性能优于EKF算法。
附图说明
图1是本发明的实时通信和跟踪的通感一体化系统模型图;
图2是本发明的基于通信反馈的波束跟踪示意图;
图3是本发明的块状导频排列图;
图4是本发明的基于一体化信号的波束跟踪示意图;
图5是本发明的基于UKF和基于反馈的跟踪性能对比图;
图6是本发明的基于UKF和基于反馈的通信性能对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明提出了一种基于感知的通信波束跟踪方法,在传统的基于纯通信的波束跟踪中引入雷达,并应用UKF算法,不仅降低了导频开销,提高了有用信息的传输速率,而且也提升了感知精度和跟踪性能。本发明提出的方案具体如下:
1:系统模型:
考虑如图1所示的实时通信和跟踪的通感一体化系统模型,设定系统中有1个发射基站,R个分布式接收基站,每个发射基站配有Mt根天线,每个接收基站配有Mr根天线。假设有K个无人机,每个无人机配置单天线。这里,MIMO-OFDM系统采用频分的多址方式,每个子载波独立设计波束成形向量。
(1)通信信号模型
假设发射的通信基带信号包含Q个OFDM符号,每个OFDM符号包含L个子载波,wk,l代表第l个子载波对第k个无人机的波束成形向量,δk,l表示子载波选择因子,即第l个子载波是否分配给第k个无人机,Δf表示子载波之间的间隔,表示第q个OFDM符号的第l个子载波发送给第k个无人机的通信信息,To表示OFDM符号的符号长度,并且To=T+Tcp,T表示有效长度,Tcp表示CP长度,那么第q个OFDM符号的基带信号可以写成 (q-1)To≤t≤qTo,其中,t∈[0,To]时,ξ(t)=1,否则ξ(t)=0。因此,整个OFDM符号块中的发射信号就可以表示成在进入信道之前还需要进行上变频操作,上变频之后的信号可以表示成其中fc代表载波频率,Re(x)表示对x取实部操作。假设第k个无人机的状态信息可以表示成其中pk,x[t]和pk,y[t]分别代表第k个无人机的横纵坐标位置,vk,x[t]和vk,y[t]分别代表第k个无人机的横纵坐标速度。按照之前的假定,无人机采用恒定速度模型,那么第k个无人机的状态转移模型可以表示成:
其中,uk,x[t]和uk,y[t]分别代表对第k个无人机横纵坐标速度的扰动噪声,遵循零均值,方差为的高斯分布。在t时刻,通感一体化系统利用Q个OFDM符号实现对t+1时刻的K个目标的位置和速度信息的预测。
(2)基于感知的波束跟踪
如图2所示,基于反馈的波束跟踪方法每一次通信之前都需要发射基站重新发送导频进行信道估计,对于频率选择性信道而言,一般选择如图3所示的块状导频作为导频排列方式,频繁的通信过程导致了严重的导频开销。而如图4所示的基于感知的波束跟踪方法使用整个OFDM数据块作为观测数据跟踪无人机,不再需要导频。在窄带信号的假设下,对于第r个接收基站而言,其收到的回波信号经过下变频之后可以表示成 其中fr,k代表第k个无人机相对于发射基站和第r个接收基站的多普勒频移,可以表示成τr,k代表发射信号经过第k个无人机到达第r个接收基站的时延,可以表示成 表示从发射基站经过第k个无人机到达第r个接收基站的衰减系数, 表示第r个接收基站对于第k个无人机的接收角,表示发射基站对于第k个无人机的发射角,表示经过归一化的对于第k个无人机的发射导向向量, 表示经过归一化的对于第k个无人机和第r个接收基站的接收导向向量。
其中,pk,l代表发送给第k个无人机的第l个子载波的功率,在数字波束成形中,波束的形状、方向和能量都可以通过波束成形向量在发射基站进行设计。为了在接收基站处得到最大的信噪比,发射基站采用并且通过在发射基站采用大规模MIMO阵列,在不同的方向上导向向量能实现近似正交,即对于βk≠βk,所以可以在接收基站处隔离开不同无人机的回波信号。此外,对于公式(2)中未知的变量是通过在数据处理中心预测出下一时刻第k个无人机的位置信息之后估计出来的。因此,对于第k个无人机,在数据处理中心可以得到一个四维(即接收基站维、接收天线维、OFDM符号维、子载波维)的信号。为了能够将这个四维复信号作为观测数据应用于UKF流程中,还需要将该信号从复信号转化成实信号,分别取四维复信号中的每一个复数的实部和虚部并拉直,因此对于第k个无人机可以得到一个实信号向量其中,y′k表示有用信号,ηk表示噪声信号。最终,数据处理中心将t时刻的yk应用于UKF算法流程中,预测出t+1时刻的发射角设计好相应的波束成形向量发射基站据此完成波束发射。
对于K个无人机,总体的传输速率Rall可以表示为: 其中L表示子载波数量, 表示发射基站和第k个无人机之间的信道信息,f′k表示第k个无人机的多普勒频移,表示待估变量,τ′k表示第k个无人机的时延,表示第k个无人机接收到的通信信号噪声。
2:基于UKF的波束跟踪:
(1)对无人机的状态转移方程和观测方程进行建模。根据前面的描述,可以分别抽象出来第k个无人机的状态转移方程和观测方程。状态转移方程可以表示成sk[t]=Fsk[t-1]+ωk[t],观测方程可以表示成yk[t]=h(sk[t])+ck[t],其中,sk[t]表示第k个无人机t时刻的状态,sk[t-1]表示第k个无人机t-1时刻的状态,F可以表示成:
yk[t]中每一项的具体形式可以写成:
(3)对无人机状态进行一步预测。首先进行UT变换,由于状态变量是P维,因此需要产生2P+1个Sigma点,对于p=0的时候,Sigma点 对于p=1,2,…,P的时候,对于p=P+1,…,2P,而则是通过估计误差矩阵分解操作后的第p行经过转置得到的向量,可以表示为 将每一个Sigma点都带入到状态转移方程中,即转移后的Sigma点那么无人机状态变量的一步预测可以表示成所有变量的加权和,即 其中ω(p)表示第p个Sigma点的权值,其值是根据Sigma采样点的采样策略来确定的。除此之外,一步预测的估计方差矩阵可以表示成 为状态转移方程中的噪声方差。其中,λ表示人为设置的超参数。
(4)对接收基站处观测回波进行一步预测。和步骤(3)中一样进行UT变换,值得注意的是,该步UT变换使用的是步骤(3)中一步预测之后的结果sk[t|t-1]和Mk[t|t-1],并将产生的Sigma点带入到观测模型中得到观测回波的一步预测值yk[t|t-1],并计算得到观测回波的预测方差矩阵Mk,zz[t-1|t]以及无人机状态和观测回波之间的预测协方差矩阵Mk,sz[t-1|t],计算方法和步骤(3)类似。
(5)对无人机状态和估计方差矩阵进行更新。首先对t时刻的卡尔曼增益Kk[t]进行更新,可以表示成Kk[t]=Mk,sz[t|t-1](Mk,zz[t|t-1])-1,并依据t时刻数据处理中心收集自分布式接收机的经过实数化、拉直之后的回波数据yk[t],更新t时刻的状态变量和估计方差矩阵Mk[t|t]=Mk[t|t-1]-Kk[t]Mk,zz[t|t-1](Kk[t])T。
如图5所示,横坐标表示无人机的运动时间,纵坐标表示两种跟踪算法下估计的无人机位置(横坐标)的均方根误差。在图中可以看到,点划线代表基于反馈的波束跟踪,误差范围在10-2-102,实线代表基于UKF的波束跟踪,误差范围在10-4-100。通过分析图中结果,除了滤波开始阶段的波动期,随着时间推移,无人机靠近基站,接收端信噪比增大,两种跟踪算法的估计性能变好,而后随着无人机远离基站,接收端信噪比减小,两种跟踪算法的估计性能变差。但是过程中基于UKF的跟踪方法的RMSE(Root Mean Square Error,均方根误差)小于基于反馈的波束跟踪方法。并且,远离基站之后,基于反馈的跟踪方法的性能下降地太快,而基于UKF的跟踪方法则下降缓慢。
图6比较了基于UKF的波束跟踪和基于反馈的波束跟踪两种方法下基站与无人机之间的通信性能,横坐标是无人机的运动时间,纵坐标是通信速率。实线表示UKF下的通信速率,点划线表示基于反馈下的通信速率。分析图中结果,前6秒中,基于反馈的通信速率基本能跟上基于UKF的通信速率,7秒后,基于反馈的通信速率开始震荡下降,并在8.9秒的时候急剧下降,这是由于8.9秒的时候基于反馈的方法的跟踪性能太差,基站端难以发射对准无人机的波束,造成通信速率急剧下降。而基于UKF的方法跟踪性能更优,没有出现通信速率急剧下降的情况,并且整个跟踪过程能达到的峰值速率更大,总体通信质量也更优。
仿真证明,本发明提出的基于感知的大规模MIMO-OFDM系统的通信波束跟踪方法可以在降低导频开销的情况下,提高有用信息的通信速率,并且比传统的基于反馈的波束跟踪的方法跟踪性能更优,验证了理论的正确性。
Claims (5)
1.基于感知的通信波束跟踪方法,包含以下步骤:
(1)在一体化发射基站端,接收来自数据处理中心反馈的无人机的预测位置信息,根据所述预测位置信息设计对无人机的波束成形向量,并发射相应的波束与无人机完成通信;
(2)发射基站发射出去的波束经过无人机表面反射至分布式接收基站,所述分布式接收基站将观测到的回波信号发送给数据处理中心进行统一处理;
(3)数据处理中心首先对无人机的状态转移模型和观测模型进行建模,并对回波复信号进行实数化和拉直处理,接下来根据UKF算法和处理后的回波数据对当前时刻无人机的位置信息进行跟踪,并对下一时刻无人机的位置信息进行预测,将预测的结果反馈给发射基站;
(4)重复所述步骤(1)(2)(3),发射基站在对无人机进行轨迹跟踪的同时,完成与无人机之间的通信。
3.根据权利要求2所述的基于感知的通信波束跟踪方法,其特征在于,所述步骤(2)中包括如下步骤:
步骤(1)中设计好的波束发射之后经过无人机表面发射至分布式接收基站中的每一个接收基站,每一个接收基站都是独立的,对于第r个接收基站而言,其收到的回波信号经过匹配滤波之后的表达式 其中,K表示通感一体化系统的监控区域内的无人机数量,Q表示每次发射机发射出去的OFDM符号块中包含的OFDM符号个数,Mt表示发射基站的发射天线个数,Mr表示接收基站的接收天线个数,fr,k代表第k个无人机相对于发射基站和第r个接收基站的多普勒频移, τr,k代表发射信号经过第k个无人机到达第r个接收基站的时延,τr,k=(||pt-pk||2+||pr-pk||2)/c,表示从发射基站经过第k个无人机到达第r个接收基站的衰减系数,θr,k表示第r个接收基站对于第k个无人机的接收角,βk表示发射基站对于第k个无人机的发射角, 表示经过归一化的对于第k个无人机的发射导向向量,表示经过归一化的对于第k个无人机和第r个接收基站的接收导向向量;其中,||x||2表示向量x的2范数。
4.根据权利要求2所述的基于感知的通信波束跟踪方法,其特征在于,所述步骤(3)中包括如下步骤:
1)确定无人机的系统状态模型和系统观测模型:
数据处理中心将无人机的状态表征为二维位置坐标(pk,x[t],pk,y[t])和速度坐标(vk,x[t],vk,y[t]),对无人机采用恒定速度模型,观测模型依据从接收基站群反馈回来的回波,考虑无人机时延τr,k、多普勒频移fr,k因素对回波模型建模;
2)初始化无人机的状态信息和估计方差矩阵:
在对无人机开始跟踪前,利用估计算法对无人机的位置进行初步估计,估计结果为sk,0,数据处理中心据此进行初始化:此外,估计方差矩阵需满足正定矩阵的条件:Mk[-1|-1]=Mk,0,Mk,0为一个正定阵;其中和Mk[-1|-1]分别表示初始化的位置和方差矩阵;
3)一步预测无人机状态和估计方差矩阵:
4)一步预测观测回波:
依据3)中sk[t|t-1]和Mk[t|t-1]进行无迹变换产生第二组Sigma采样点,通过权值将所述第二组Sigma采样点结合成观测回波的一步预测yk[t|t-1],并据此计算观测回波的预测方差矩阵Mk,zz[t-1|t]以及状态和观测回波之间的预测协方差矩阵Mk,sz[t-1|t];
5)更新无人机状态和估计方差矩阵:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211365702.0A CN115714612A (zh) | 2022-10-31 | 2022-10-31 | 基于感知的通信波束跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211365702.0A CN115714612A (zh) | 2022-10-31 | 2022-10-31 | 基于感知的通信波束跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115714612A true CN115714612A (zh) | 2023-02-24 |
Family
ID=85232117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211365702.0A Pending CN115714612A (zh) | 2022-10-31 | 2022-10-31 | 基于感知的通信波束跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115714612A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582163A (zh) * | 2023-07-07 | 2023-08-11 | 北京邮电大学 | 一种无线感知协同的多用户波束对准方法 |
-
2022
- 2022-10-31 CN CN202211365702.0A patent/CN115714612A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582163A (zh) * | 2023-07-07 | 2023-08-11 | 北京邮电大学 | 一种无线感知协同的多用户波束对准方法 |
CN116582163B (zh) * | 2023-07-07 | 2023-12-05 | 北京邮电大学 | 一种无线感知协同的多用户波束对准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
CN110492911B (zh) | 一种用于无人机通信的波束追踪方法与系统 | |
CN112511201B (zh) | 天波大规模mimo通信方法及模型和系统 | |
CN106909779A (zh) | 基于分布式处理的mimo雷达克拉美罗界计算方法 | |
CN114636970A (zh) | 一种基于被动合成孔径的多无人机协同直接定位方法 | |
CN114024586B (zh) | 用于非线性轨迹的智能波束预测方法、装置、设备及介质 | |
CN112994770B (zh) | 基于部分csi的ris辅助多用户下行鲁棒无线传输方法 | |
CN115714612A (zh) | 基于感知的通信波束跟踪方法 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
CN110380994A (zh) | 快速贝叶斯匹配追踪海上稀疏信道估计方法 | |
CN113422745A (zh) | 一种基于深度学习的空海无线信道估计方法 | |
Mai et al. | A UAV air-to-ground channel estimation algorithm based on deep learning | |
Chen et al. | Joint initial access and localization in millimeter wave vehicular networks: a hybrid model/data driven approach | |
CN113376607A (zh) | 机载分布式雷达小样本空时自适应处理方法 | |
CN115021843B (zh) | 一种毫米波通信多用户系统合作感知方法 | |
CN110086734B (zh) | 一种时变大规模mimo系统中的信道追踪和恢复方法 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
CN111291511A (zh) | 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法 | |
CN110928328B (zh) | 一种波束倾斜效应下无人机系统时变信道跟踪方法 | |
CN115664471A (zh) | 基于宽学习的毫米波mimo基站协作波束选择方法 | |
CN114629751A (zh) | 一种毫米波通信系统的信道估计方法及系统 | |
CN114039633B (zh) | 用于线性轨迹的智能波束预测方法、装置、设备及介质 | |
CN113311404B (zh) | 一种mimo雷达实时角分辨率提升方法 | |
CN115514436B (zh) | 一种面向Massive MIMO LEO通信的星间链路信道预测方法 | |
CN115459814B (zh) | 一种基于监督学习的分布式mimo雷达目标定位性能界的方法 |
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 |