CN115856767A - 一种可重构智能超表面辅助的波到达方向估计方法 - Google Patents

一种可重构智能超表面辅助的波到达方向估计方法 Download PDF

Info

Publication number
CN115856767A
CN115856767A CN202310076521.4A CN202310076521A CN115856767A CN 115856767 A CN115856767 A CN 115856767A CN 202310076521 A CN202310076521 A CN 202310076521A CN 115856767 A CN115856767 A CN 115856767A
Authority
CN
China
Prior art keywords
signal
cost function
arrival direction
reconfigurable intelligent
norm
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
CN202310076521.4A
Other languages
English (en)
Other versions
CN115856767B (zh
Inventor
李迎松
余灿平
黄志祥
胡应节
李莉萍
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.)
Anhui Zhongke Xinglian Information Technology Co ltd
Original Assignee
Anhui University
China United Network Communications Corp Ltd Hefei Branch
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 Anhui University, China United Network Communications Corp Ltd Hefei Branch filed Critical Anhui University
Priority to CN202310076521.4A priority Critical patent/CN115856767B/zh
Publication of CN115856767A publication Critical patent/CN115856767A/zh
Application granted granted Critical
Publication of CN115856767B publication Critical patent/CN115856767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种可重构智能超表面辅助的波到达方向估计方法，包括，通过可重构智能超表面构建反射信号及干扰信号；基于反射信号及干扰信号，构建接收信号；计算所述可重构智能超表面构建的信号及接收信号的误差信号，基于误差信号构建重构代价函数，其中所述重构代价函数包括二阶误差正弦函数和范数稀疏约束；通过增广拉格朗日乘数法及交替方向乘子法对重构代价函数进行迭代更新计算，得到最终重构信号；对最终重构信号进行处理，得到波到达方向角度以实现波达到方向估计。

Description

一种可重构智能超表面辅助的波到达方向估计方法
技术领域
本发明涉及信号处理技术领域，特别涉及一种可重构智能超表面辅助的波到达方向估计方法。
背景技术
信号的波到达方向估计一直是无线通信、雷达等领域的研究热点。特别是近些年来，通信和感知一体化、通信雷达一体化技术快速发展，将通信和传感功能、通信和雷达功能整合到一个设备上，利用无线通信信号同时实现通信和传感功能或者雷达探测功能受到越来越多的关注，其中利用无线通信信号进行波到达方向估计的无源传感技术和探测技术是当前的研究热点之一。采用无源传感技术的波到达方向估计系统结构简单且易于实现，但该系统通常具有多个接收通道，增加了计算复杂性和成本，因此需要优化系统结构，使系统波到达方向估计计算更加简单、准确。
波到达方向估计的研究最开始采用的是基于傅里叶变换的方法，但这种方法存在多种局限。目前最流行的技术是基于稀疏重建和压缩感知的超分辨率方法，通常采用
Figure SMS_1
范数或核范数构建代价函数，结合/>
Figure SMS_2
范数或混合/>
Figure SMS_3
范数对目标信号进行重构表示，构建目标函数。但这些方法通常只考虑在网的情况，且紧紧考虑高斯噪声下的波到达方向估计问题，估计性能受到网格的影响，难以提升，而且在复杂噪声环境下性能难以得到保障，因此需要提高估计的鲁棒性，消除网格限制，提高估计精度。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种可重构智能超表面辅助的波到达方向估计方法，该方法估计精确度高，且收敛速度快、计算复杂度低、鲁棒性好、抗噪性能优异。
为实现上述技术目的，本发明提供了如下技术方案：一种可重构智能超表面辅助的波到达方向估计方法，包括：
通过可重构智能超表面构建反射信号及干扰信号；
基于反射信号及干扰信号，构建接收信号；
计算通过可重构智能超表面构建的信号及接收信号的误差信号，基于误差信号构建重构代价函数，其中所述重构代价函数包括二阶误差正弦函数和范数稀疏约束；
通过增广拉格朗日乘数法及交替方向乘子法对重构代价函数进行迭代更新计算，得到最终重构信号；
对最终重构信号进行处理，得到波到达方向角度以实现波达到方向估计。
可选的，所述反射信号及干扰信号的构建过程包括：
通过可重构智能超表面对来自目标的发送信号及来自基站的干扰信号进行反射，并调整反射的信号幅度相位，使反射的信号聚焦到同一路径，得到反射信号及干扰信号。
可选的，所述接收信号r为：
Figure SMS_4
其中，
Figure SMS_6
为可重构智能超表面的测量矩阵，/>
Figure SMS_8
为可重构智能超表面的导向控制矩阵，/>
Figure SMS_10
为可重构智能超表面的导向控制矢量，/>
Figure SMS_7
为目标信号到可重构智能超表面的到达方向，/>
Figure SMS_9
干扰信号到可重构智能超表面的到达方向，/>
Figure SMS_11
为系统噪声，/>
Figure SMS_12
为反射信号，
Figure SMS_5
为干扰信号。
可选的，系统噪声为高斯噪声或非高斯噪声，其中所述非高斯噪声包括脉冲噪声。
可选的，重构代价函数的构建过程包括：
基于误差信号构建二阶误差正弦函数的代价函数，采用范数稀疏约束最小化方法对所述二阶误差正弦函数的代价函数进行约束，得到重构代价函数。
可选的，所述二阶误差正弦函数的代价函数
Figure SMS_13
为：
Figure SMS_14
其中，
Figure SMS_15
为通过可重构智能超表面构建的信号，/>
Figure SMS_16
为常数。
可选的，所述重构代价函数为：
Figure SMS_17
其中，
Figure SMS_18
为期望，/>
Figure SMS_19
为稀疏度控制正则化参数，/>
Figure SMS_20
为重构信号，/>
Figure SMS_21
为范数正则化约束，/>
Figure SMS_22
为常数。
可选的，结合范数正则化约束相关理论，所述重构代价函数等价为：
Figure SMS_23
Figure SMS_25
为与/>
Figure SMS_28
维数相同的任意信号，/>
Figure SMS_31
为待优化变量，/>
Figure SMS_26
为可重构智能超表面的单元数目，/>
Figure SMS_29
为以/>
Figure SMS_30
为矩阵的第一行构建的托普利兹矩阵，/>
Figure SMS_34
为迹，/>
Figure SMS_24
为/>
Figure SMS_27
的共轭转置，/>
Figure SMS_32
为矩阵半正定，/>
Figure SMS_33
为范数最小化约束矩阵。
可选的，对重构代价函数进行迭代更新计算的过程包括：
将所述重构代价函数转换为增广拉格朗日函数，基于所述增广拉格朗日函数构建
Figure SMS_35
时刻迭代更新方程：/>
Figure SMS_36
其中，
Figure SMS_53
为第/>
Figure SMS_46
次迭代的参数值/>
Figure SMS_50
表示第/>
Figure SMS_51
次迭代的重构信号，
Figure SMS_55
表示第/>
Figure SMS_57
次迭代的干扰信号，/>
Figure SMS_58
表示第/>
Figure SMS_49
次迭代的与/>
Figure SMS_54
维数相同的任意信号，/>
Figure SMS_37
待优化变量，/>
Figure SMS_44
表示第/>
Figure SMS_47
次迭代的可重构智能超表面构建的信号，/>
Figure SMS_48
表示第/>
Figure SMS_52
次迭代的范数最小化约束矩阵，/>
Figure SMS_56
表示第/>
Figure SMS_39
次迭代的对范数最小化约束矩阵约束的拉格朗日乘子，/>
Figure SMS_42
表示第/>
Figure SMS_40
次迭代的对可重构智能超表面构建的信号约束的拉格朗日乘子，/>
Figure SMS_43
表示第/>
Figure SMS_38
次迭代的范数最小化约束矩阵，/>
Figure SMS_41
表示第/>
Figure SMS_45
次迭代的对范数最小化约束矩阵约束的拉格朗日乘子；
对所述迭代更新方程进行迭代更新计算，得到最终重构信号。
可选的，所述波到达方向角度的获得过程包括：
通过多重信号分类算法对最终重构信号进行处理，得到空间谱谱峰位置。
本发明具有如下技术效果：
本发明公开了一种可重构智能超表面辅助的波到达方向估计方法，根据天线接收到的实际信号和可重构智能超表面辅助系统构建的接收信号之差构建二阶误差正弦函数，以抑制非高斯噪声和脉冲噪声等对系统的干扰；为提高对稀疏信号的重构，采用范数稀疏约束最小化对目标信号进行稀疏重构，构建二阶误差正弦函数和范数稀疏约束的代价函数，将代价函数转化为增广拉格朗日函数形式，通过增广拉格朗日乘数法和交替方向乘子法对各个参数进行迭代更新，得到重构信号，利用多信号分类技术估计重构信号空间谱，获取谱峰位置，最终实现波到达方向估计。引入可重构智能超表面对反射信号的幅度和相位进行控制，将其聚焦到一条路径上，提高波达方向估计的精度，降低计算复杂度，利用二阶误差正弦函数可以减小大异常值误差的干扰，抑制脉冲噪声的影响，降低复杂噪声干扰对估计结果的干扰，提高复杂噪声环境下的波达方向估计精度，利用范数稀疏约束最小化可以克服网格对估计精度的限制，提高估计精度和估计效率。由此可见，本发明提出的一种可重构智能超表面辅助的波到达方向估计方法，为提高无源感知系统的波到达方向估计精度、收敛速度、抗噪性能提供了一种解决方案，且计算复杂度低。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的应用场景示意图；
图2为本发明实施例提供的方法流程示意图；
图3为本发明实施例提供的波到达方向估计方法的估计结果示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明提供了一种可重构智能超表面辅助的波到达方向估计方法，通过可重构智能超表面构建反射信号及干扰信号；基于反射信号及干扰信号，构建接收信号；计算所述可重构智能超表面构建的信号（包含反射信号和干扰信号）及接收信号的误差信号，基于误差信号构建重构代价函数，其中所述重构代价函数包括二阶误差正弦函数和范数稀疏约束；通过增广拉格朗日乘数法及交替方向乘子法对重构代价函数进行迭代更新计算，得到最终重构信号；对最终重构信号进行处理，得到波到达方向角度以实现波达到方向估计。
如图1为实施实例的应用场景示意图，包含：基站（BS）、目标（Targets）、可重构智能超表面（RIS）和接收传感器（Sensor）；
基站用于发射无线通信信号，波达方向估计的目标信号为无线接入点--目标--可重构智能超表面路径上的信号，干扰信号为基站与可重构智能超表面直接路径上的信号；
目标反射来自基站的信号到可重构智能超表面；
可重构智能超表面用于对来自目标的反射信号和干扰信号进行反射，调整其幅度相位，使之聚焦到一条路径上，实现基于可重构智能超表面的目标反射信号和干扰信号构建，同时对反射信号进行增强，提高可重构智能超表面到接收传感器的信号功率，消除接收传感器接收到的来自其他路径信号的干扰；
接收传感器用于接收来自可重构智能超表面的反射信号。
图2所示，一种可重构智能超表面辅助的波到达方向估计方法的方案流程，包括如下步骤：
S1.基于可重构智能超表面的反射信号和干扰信号构建，即通过可重构智能超表面构建反射信号和干扰信号；
具体的，利用可重构智能超表面对来自目标的信号和干扰信号进行反射，调整其幅度相位，使之聚焦到一条路径上，实现基于可重构智能超表面的反射信号和干扰信号构建，降低计算的复杂度。
S2.依据实际工作系统，构建接收信号矩阵，即通过反射信号及干扰信号，构建接收信号；
具体的，获得接收信号
Figure SMS_59
，其中，/>
Figure SMS_63
是可重构智能超表面的测量矩阵，M为可重构智能超表面的单元数目，在N个不同时隙下改变可重构智能超表面单元的幅度和相位，/>
Figure SMS_65
是目标通过可重构智能超表面反射的信号，/>
Figure SMS_61
是干扰信号，/>
Figure SMS_64
和/>
Figure SMS_67
为可重构智能超表面的导向控制矩阵，/>
Figure SMS_68
是目标信号到可重构智能超表面的到达方向，/>
Figure SMS_60
是干扰信号到可重构智能超表面的到达方向，可重构智能超表面的导向控制矩阵/>
Figure SMS_62
，导向控制矢量
Figure SMS_66
是系统噪声；
在所述可重构智能超表面辅助的波到达方向估计中，经过可重构智能超表面反射的来自目标的信号
Figure SMS_69
是目标数，系统噪声/>
Figure SMS_70
可以是高斯噪声或者非高斯噪声（包含脉冲噪声）。
S3.将天线接收信号与经可重构智能超表面构建的信号（包含反射信号和干扰信号）的误差作为误差信号，构建重构代价函数即二阶误差正弦函数和范数稀疏约束的代价函数，实现对目标稀疏特性的信号重建，即计算所述的信号及接收信号的误差信号，基于误差信号构建重构代价函数，其中所述代价函数包括二阶误差正弦函数和范数稀疏约束，需要说明的是范数稀疏约束包括原子范数、1范数、0范数和混合范数；
具体的，令
Figure SMS_71
为通过可重构智能超表面构建的信号即来自目标的反射信号和来自基站的干扰信号经过可重构智能超表面构建的信号之和，所述二阶误差正弦函数代价函数/>
Figure SMS_72
，其中/>
Figure SMS_73
表示误差不能大于/>
Figure SMS_74
，且/>
Figure SMS_75
为常数；
为了重构目标信号稀疏特性，采用范数稀疏约束最小化方法对二阶误差正弦函数代价函数施加约束，构建二阶误差正弦函数和范数稀疏约束的代价函数，实现对目标稀疏特性的信号重建。利用范数稀疏约束和波达方向估计的最小化优化方法，原子范数旨在重构目标信号稀疏特性，范数稀疏约束表示为
Figure SMS_76
，其中/>
Figure SMS_77
表示重构信号；构建的二阶误差正弦函数和范数稀疏约束代价函数为：
Figure SMS_78
为了对本发明的技术进行更具体的阐述，采用原子范数对范数稀疏约束进行操作，根据原子范数的定义和性质，重构代价函数等价为：
Figure SMS_79
其中
Figure SMS_87
是稀疏度控制正则化参数，/>
Figure SMS_82
为与/>
Figure SMS_84
原子维数相同的任意信号，/>
Figure SMS_95
为一个待优化变量，/>
Figure SMS_97
为可重构智能超表面的单元数目，/>
Figure SMS_96
为以/>
Figure SMS_99
为矩阵的第一行构建的托普利兹矩阵，/>
Figure SMS_88
为迹，/>
Figure SMS_91
为/>
Figure SMS_81
的共轭转置，/>
Figure SMS_85
为矩阵半正定。获得增广拉格朗日函数为/>
Figure SMS_83
，其中/>
Figure SMS_90
为对原子范数最小化约束矩阵约束的拉格朗日乘子，对原子范数最小化约束矩阵/>
Figure SMS_93
进行约束，/>
Figure SMS_98
为对可重构智能超表面构建的信号约束的拉格朗日乘子，对可重构智能超表面构建的信号/>
Figure SMS_86
进行约束，/>
Figure SMS_89
为一个与/>
Figure SMS_92
维度相同的矩阵，/>
Figure SMS_94
为一个与/>
Figure SMS_80
大小相同的向量。
S4.利用增广拉格朗日乘数法和交替方向乘子法得出迭代更新方程，获得最终重构信号，即通过增广拉格朗日乘数法及交替方向乘子法对重构代价函数进行迭代更新计算，得到最终重构信号；
具体的，获得重构信号各个参数的迭代更新方程为
Figure SMS_100
其中
Figure SMS_114
表示第/>
Figure SMS_103
次迭代的参数值，/>
Figure SMS_107
表示第/>
Figure SMS_104
次迭代的重构信号，/>
Figure SMS_108
表示第/>
Figure SMS_111
次迭代的干扰信号，/>
Figure SMS_115
表示第/>
Figure SMS_109
次迭代的与/>
Figure SMS_112
原子维数相同的任意信号，/>
Figure SMS_101
待优化变量，/>
Figure SMS_106
表示第/>
Figure SMS_116
次迭代的可重构智能超表面构建的信号，/>
Figure SMS_119
表示第/>
Figure SMS_118
次迭代的原子范数最小化约束矩阵，/>
Figure SMS_121
表示第/>
Figure SMS_117
次迭代的对原子范数最小化约束矩阵约束的拉格朗日乘子，/>
Figure SMS_120
表示第/>
Figure SMS_122
次迭代的对可重构智能超表面构建的信号约束的拉格朗日乘子，/>
Figure SMS_123
表示第/>
Figure SMS_102
次迭代的原子范数最小化约束矩阵，/>
Figure SMS_105
表示第/>
Figure SMS_110
次迭代的对原子范数最小化约束矩阵约束的拉格朗日乘子。最终可以得到重构信号/>
Figure SMS_113
；
S5.基于得到的最终重构信号，由多信号分类技术获得空间谱谱峰位置，完成波到达方向估计，即对最终重构信号进行处理，得到空间谱谱峰位置，基于空间谱谱峰位置，得到波达到方向估计结果；具体的，对所述得到的重构信号，由多重信号分类算法获得空间谱谱峰位置，间谱谱峰位置即波到达方向结果，完成波到达方向估计。
图3为一种可重构智能超表面辅助的波到达方向估计方法的估计结果，其中，1）FFT方法：FFT为快速傅里叶变换估计空间谱；2）L2 and ANM方法：ANM为原子范数最小化，利用L2范数和原子范数构建代价函数实现波达方向估计；3）SDP方法：SDP为半正定编程方法，实现波达方向估计（DOA）。RMSE是均方根偏差，SNR为信噪比。从图3中可以看出，本发明的方法具有最小的估计误差，且与SDP方法相比，具有更低的计算复杂度。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种可重构智能超表面辅助的波到达方向估计方法，其特征在于，包括：
通过可重构智能超表面构建反射信号及干扰信号；
基于反射信号及干扰信号，构建接收信号；
计算通过可重构智能超表面构建的信号及接收信号的误差信号，基于误差信号构建重构代价函数，其中所述重构代价函数包括二阶误差正弦函数和范数稀疏约束；
通过增广拉格朗日乘数法及交替方向乘子法对重构代价函数进行迭代更新计算，得到最终重构信号；
对最终重构信号进行处理，得到波到达方向角度以实现波达到方向估计。
2.根据权利要求1所述的波到达方向估计方法，其特征在于：
所述反射信号及干扰信号的构建过程包括：
通过可重构智能超表面对来自目标的发送信号及来自基站的干扰信号进行反射，并调整反射的信号幅度相位，使反射的信号聚焦到同一路径，得到反射信号及干扰信号。
3.根据权利要求1所述的波到达方向估计方法，其特征在于：
所述接收信号r为：
Figure QLYQS_2
其中，/>
Figure QLYQS_5
为可重构智能超表面的测量矩阵，/>
Figure QLYQS_7
为可重构智能超表面的导向控制矩阵，/>
Figure QLYQS_3
为可重构智能超表面的导向控制矢量，/>
Figure QLYQS_6
为目标信号到可重构智能超表面的到达方向，/>
Figure QLYQS_8
为干扰信号到可重构智能超表面的到达方向，/>
Figure QLYQS_9
为系统噪声，/>
Figure QLYQS_1
为反射信号，/>
Figure QLYQS_4
为干扰信号。
4.根据权利要求3所述的波到达方向估计方法，其特征在于：
系统噪声为高斯噪声或非高斯噪声，其中所述非高斯噪声包括脉冲噪声。
5.根据权利要求1所述的波到达方向估计方法，其特征在于：
重构代价函数的构建过程包括：
基于误差信号构建二阶误差正弦函数的代价函数，采用范数稀疏约束最小化方法对所述二阶误差正弦函数的代价函数进行约束，得到重构代价函数。
6.根据权利要求5所述的波到达方向估计方法，其特征在于：
所述二阶误差正弦函数的代价函数
Figure QLYQS_10
为：/>
Figure QLYQS_11
其中，/>
Figure QLYQS_12
为通过可重构智能超表面构建的信号，/>
Figure QLYQS_13
为常数。
7.根据权利要求1所述的波到达方向估计方法，其特征在于：
所述重构代价函数为：
Figure QLYQS_14
其中，/>
Figure QLYQS_15
为期望，/>
Figure QLYQS_16
为稀疏度控制正则化参数，/>
Figure QLYQS_17
为重构信号，/>
Figure QLYQS_18
为范数正则化约束，/>
Figure QLYQS_19
为常数。
8.根据权利要求7所述的波到达方向估计方法，其特征在于：
结合范数正则化约束和稀疏理论，所述重构代价函数等价为：
Figure QLYQS_21
Figure QLYQS_30
为与/>
Figure QLYQS_31
维数相同的任意信号，/>
Figure QLYQS_22
为待优化变量，/>
Figure QLYQS_24
为可重构智能超表面的单元数目，/>
Figure QLYQS_26
为以/>
Figure QLYQS_27
为矩阵的第一行构建的托普利兹矩阵，/>
Figure QLYQS_20
为迹，/>
Figure QLYQS_25
为/>
Figure QLYQS_28
的共轭转置，/>
Figure QLYQS_29
为矩阵半正定，/>
Figure QLYQS_23
为范数最小化约束矩阵。
9.根据权利要求8所述的波到达方向估计方法，其特征在于：
对重构代价函数进行迭代更新计算的过程包括：
将所述重构代价函数转换为增广拉格朗日函数，基于所述增广拉格朗日函数构建
Figure QLYQS_45
时刻迭代更新方程：
Figure QLYQS_48
其中，
Figure QLYQS_53
表示第/>
Figure QLYQS_33
次迭代的参数值，/>
Figure QLYQS_36
表示第/>
Figure QLYQS_39
次迭代的重构信号，/>
Figure QLYQS_41
表示第/>
Figure QLYQS_35
次迭代的干扰信号，/>
Figure QLYQS_46
表示第/>
Figure QLYQS_54
次迭代的与/>
Figure QLYQS_55
维数相同的任意信号，
Figure QLYQS_44
待优化变量，/>
Figure QLYQS_47
表示第/>
Figure QLYQS_50
次迭代的可重构智能超表面构建的信号，/>
Figure QLYQS_52
表示第/>
Figure QLYQS_38
次迭代的范数最小化约束矩阵，/>
Figure QLYQS_43
表示第/>
Figure QLYQS_49
次迭代的对范数最小化约束矩阵约束的拉格朗日乘子，/>
Figure QLYQS_51
表示第/>
Figure QLYQS_32
次迭代的对可重构智能超表面构建的信号约束的拉格朗日乘子，/>
Figure QLYQS_37
表示第/>
Figure QLYQS_40
次迭代的范数最小化约束矩阵，/>
Figure QLYQS_42
表示第
Figure QLYQS_34
次迭代的对范数最小化约束矩阵约束的拉格朗日乘子；
对所述迭代更新方程进行迭代更新计算，得到最终重构信号。
10.根据权利要求1所述的波到达方向估计方法，其特征在于：
所述波到达方向角度的获得过程包括：
通过多重信号分类算法对最终重构信号进行处理，得到空间谱谱峰位置，空间谱谱峰位置即波到达方向角度。
CN202310076521.4A 2023-02-08 2023-02-08 一种可重构智能超表面辅助的波到达方向估计方法 Active CN115856767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310076521.4A CN115856767B (zh) 2023-02-08 2023-02-08 一种可重构智能超表面辅助的波到达方向估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310076521.4A CN115856767B (zh) 2023-02-08 2023-02-08 一种可重构智能超表面辅助的波到达方向估计方法

Publications (2)

Publication Number Publication Date
CN115856767A true CN115856767A (zh) 2023-03-28
CN115856767B CN115856767B (zh) 2023-05-05

Family

ID=85657733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310076521.4A Active CN115856767B (zh) 2023-02-08 2023-02-08 一种可重构智能超表面辅助的波到达方向估计方法

Country Status (1)

Country Link
CN (1) CN115856767B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540172A (zh) * 2023-07-05 2023-08-04 南京理工大学 入射信号来波方向的估计方法、装置、电子设备及介质
CN116774136A (zh) * 2023-04-28 2023-09-19 安徽大学 一种组合约束的洛伦兹高精度测向方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112444809A (zh) * 2020-10-28 2021-03-05 浙江大学 一种基于智能反射面的分布式计算成像方法
CN113671439A (zh) * 2021-09-06 2021-11-19 东南大学 基于非均匀智能超表面阵列的无人机集群测向系统及方法
WO2022110530A1 (zh) * 2020-11-24 2022-06-02 佛山读图科技有限公司 基于spect数据采样与噪声特性的断层图像重建方法
CN114781196A (zh) * 2022-06-20 2022-07-22 四川大学 一种基于稀疏采集模型的谐波检测方法
CN115166629A (zh) * 2022-07-05 2022-10-11 东南大学 一种基于智能反射面的无源被动感知设备与方法
CN115226129A (zh) * 2022-07-08 2022-10-21 东南大学 基于智能反射面的无源感知装置及其感知方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112444809A (zh) * 2020-10-28 2021-03-05 浙江大学 一种基于智能反射面的分布式计算成像方法
WO2022110530A1 (zh) * 2020-11-24 2022-06-02 佛山读图科技有限公司 基于spect数据采样与噪声特性的断层图像重建方法
CN113671439A (zh) * 2021-09-06 2021-11-19 东南大学 基于非均匀智能超表面阵列的无人机集群测向系统及方法
CN114781196A (zh) * 2022-06-20 2022-07-22 四川大学 一种基于稀疏采集模型的谐波检测方法
CN115166629A (zh) * 2022-07-05 2022-10-11 东南大学 一种基于智能反射面的无源被动感知设备与方法
CN115226129A (zh) * 2022-07-08 2022-10-21 东南大学 基于智能反射面的无源感知装置及其感知方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STEVEN HERBERT 等: "Computationally simple MMSE (A-optimal) adaptive beam-pattern design for MIMO active sensing systems via a linear-Gaussian approximation" *
马向进 等: "可重构智能超表面设计及其无线通信系统应用" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774136A (zh) * 2023-04-28 2023-09-19 安徽大学 一种组合约束的洛伦兹高精度测向方法
CN116774136B (zh) * 2023-04-28 2024-04-26 安徽大学 一种组合约束的洛伦兹高精度测向方法
CN116540172A (zh) * 2023-07-05 2023-08-04 南京理工大学 入射信号来波方向的估计方法、装置、电子设备及介质
CN116540172B (zh) * 2023-07-05 2023-09-22 南京理工大学 入射信号来波方向的估计方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN115856767B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN101149429B (zh) 适用于均匀圆阵的阵列互耦校正与信源测向方法
Dandekar et al. Experimental study of mutual coupling compensation in smart antenna applications
Tayem et al. L-shape 2-dimensional arrival angle estimation with propagator method
Nai et al. Iterative robust minimum variance beamforming
CN115856767A (zh) 一种可重构智能超表面辅助的波到达方向估计方法
CN108683619B (zh) 一种低复杂度的大规模mimo信道参数估计方法
CN108957387B (zh) 一种卫星信号二维到达角估计方法及系统
Wang et al. Direction of arrival estimation of wideband sources using sparse linear arrays
CN107561484A (zh) 基于内插互质阵列协方差矩阵重建的波达方向估计方法
CN106855622A (zh) 一种子阵级相控阵雷达的测角方法
CN107302391A (zh) 基于互质阵列的自适应波束成形方法
CN108710758A (zh) 基于嵌套阵和协方差矩阵重构的自适应波束形成算法
CN104243001A (zh) 宽带波束切换系统、宽带波束切换方法
CN110824414A (zh) 一种到达角估计的装置及方法
Liu et al. Efficient and accurate frequency-invariant beam pattern synthesis utilizing iterative spatiotemporal Fourier transform
Feng et al. Phased array beamforming with practical constraints
CN106680779B (zh) 脉冲噪声下的波束成形方法及装置
Zheng et al. Robust and efficient adaptive beamforming using nested subarray principles
CN115226129A (zh) 基于智能反射面的无源感知装置及其感知方法
Yang et al. Robust adaptive beamforming of coherent signals in the presence of the unknown mutual coupling
Chen et al. Super-resolution direction finding with far-separated subarrays using virtual array elements
Lee et al. Two‐stage DOA estimation method for low SNR signals in automotive radars
Al-Sadoon et al. A more efficient AOA method for 2D and 3D direction estimation with arbitrary antenna array geometry
Tuncer et al. Narrowband and wideband DOA estimation for uniform and nonuniform linear arrays
CN112731279B (zh) 一种基于混合天线子阵列的到达角估计方法

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
TR01 Transfer of patent right

Effective date of registration: 20240222

Address after: Room 712-A, Building 2, Hefei Innovation Institute, No. 2666 Xiyou Road, High tech Zone, Hefei City, Anhui Province, 230094

Patentee after: Anhui Zhongke Xinglian Information Technology Co.,Ltd.

Country or region after: China

Address before: 230601 No. 111 Jiulong Road, Shushan District, Hefei City, Anhui Province

Patentee before: ANHUI University

Country or region before: China

Patentee before: Hefei Branch of China United Network Communications Co.,Ltd.

TR01 Transfer of patent right