CN115906923A - 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法 - Google Patents

一种基于神经网络与卡尔曼滤波融合的波束角度预测方法 Download PDF

Info

Publication number
CN115906923A
CN115906923A CN202211403081.0A CN202211403081A CN115906923A CN 115906923 A CN115906923 A CN 115906923A CN 202211403081 A CN202211403081 A CN 202211403081A CN 115906923 A CN115906923 A CN 115906923A
Authority
CN
China
Prior art keywords
time
neural network
angle
initial
kalman filtering
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
Application number
CN202211403081.0A
Other languages
English (en)
Inventor
陈杰男
梁宸滔
匡进升
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.)
University of Electronic Science and Technology of China
CETC 20 Research Institute
Original Assignee
University of Electronic Science and Technology of China
CETC 20 Research Institute
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 University of Electronic Science and Technology of China, CETC 20 Research Institute filed Critical University of Electronic Science and Technology of China
Priority to CN202211403081.0A priority Critical patent/CN115906923A/zh
Publication of CN115906923A publication Critical patent/CN115906923A/zh
Pending legal-status Critical Current

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

本发明公开了一种基于神经网络与卡尔曼滤波融合的波束角度预测方法，属于毫米波通信技术领域。本发明方法采用一个没有激活函数的单层神经网络学习LSTM的行为，然后提取该单层神经网络的权重矩阵作为卡尔曼滤波算法的状态转移矩阵，同时通过执行卡尔曼滤波算法来进行波束追踪。本发明在波束追踪角度精准预测的基础上，融合了卡尔曼滤波算法较强的鲁棒性；同时由于LSTM具有强大的学习能力，故无需对通信目标进行密集观测，可根据成本人为设定观测间隔，大大降低了预测成本，提升了波束追踪系统的性能。

Description

一种基于神经网络与卡尔曼滤波融合的波束角度预测方法
技术领域
本发明属于毫米波通信技术领域，特别涉及一种基于神经网络与卡尔曼滤波融合的波束角度预测方法。
背景技术
第五代(5G)和超5G(B5G)技术已经在通信领域引起了极大的关注。按照未来B5G通信系统的设想，其吞吐量要比现有的通信系统快一千倍左右。同时，延迟预计将小于毫秒。因此，高带宽和高频率的通信系统在未来是必不可少的。大量的先进技术被提出来以支持上述要求，其中便包括毫米波(mmWave)和大规模多输入多输出(MIMO)技术。但值得注意的是，毫米波的信号传输会受到高路径损耗的衰减。采用具有高阵列增益的波束成形系统来克服高路径损耗。因此，大量的天线发射器被配备来形成较窄的波束。为此，持续的高精度波束跟踪对于保证高服务通信质量是非常重要的。
由于实际环境中通信目标的移动性和无线电环境的复杂变化，波束跟踪是一项具有挑战性的任务。为了提供持续的高跟踪精度，在通信过程中应尽量减少跟踪误差。因此，现有的主要波束跟踪技术需要额外的开销来获得最佳的波束排列方向。
在这种发展趋势下，近年来，已有部分学者将卡尔曼滤波算法以及纯神经网络利用在波束追踪问题的解决上。基于先前估计状态的波束跟踪技术也引起了研究人员的兴趣。一般而言，单纯通过卡尔曼滤波算法或神经网络进行波束追踪通常分别在角度预测的准确性与鲁棒性方面具有一定的缺陷。例如：V.Va等人在名为“Beam tracking for mobilemillimeter wave communication systems”的文献中提出了一种通过扩展卡尔曼滤波器(EKF)在移动毫米波通信系统中进行低复杂度的条件性波束跟踪算法。然而文献仿真结果表示，单纯卡尔曼滤波算法在波束追踪的AoA(Angle-of-Arrival，到达角)、AoD(Angle-of-departure，离去角)估计方面由于在低信噪比区域存在较强的噪声会导致较大的累积误差。而单纯使用神经网络进行波束追踪预测，例如：W.Jiang等人在名为“Recurrent neuralnetworks with long short-term memory for fading channel prediction”的文献中提出了一种基于循环神经网络(RNN)的预测器。在所提算法中，过去的信道状态信息(CSI)被用作输入，而输出包括下一个区间的AoA和AoD。该文献的的结果表明RNN是时间序列预测中的一个潜在的强大工具。然而，其结果也同时表明基于纯机器学习的波束跟踪问题对波束方向的突然变化，即波束路径的转移缺乏鲁棒性。
发明内容
本发明针对毫米波窄波束难以持续精确追踪、持续观测高开销、现有波束追踪算法的鲁棒性或精确性的问题，提出了一种基于神经网络与卡尔曼滤波融合的波束角度预测方法。与传统波束追踪仅利用卡尔曼滤波算法或机器学习算法不同，本发明充分利用LSTM(Long Short-Term Memory,LSTM)强大的学习能力，通过输入历史波束方向数据的变化来对下一时刻的角度信息进行精确地预测。在本发明中，采用一个没有激活函数的单层神经网络(SLNN)学习LSTM的行为，然后提取该单层神经网络的权重矩阵作为卡尔曼滤波算法的状态转移矩阵，同时通过执行卡尔曼滤波算法来进行波束追踪。本发明在波束追踪角度精准预测的基础上，融合了卡尔曼滤波算法较强的鲁棒性；同时由于LSTM具有强大的学习能力，故无需对通信目标进行密集观测，可根据成本人为设定观测间隔，大大降低了预测成本，提升了波束追踪系统的性能。
为实现上述发明目的，本发明提供了以下技术方案：
一种基于机器学习与卡尔曼滤波信息融合的波束追踪角度预测方法，其特征在于，包括以下步骤：
步骤1：设置初始时间为k＝0，0时刻至m时刻通过波束赋形得到初始化角度为[θl(0),…,θl(m)],m∈[ξ,K]；其中，l是实际环境中的路径数，ξ是计算加速度时设置的最小角度数，m为初始化终止时刻，K为系统终止时刻。因此，第m时刻的角速度ωl(m)、第m时刻的角加速度
Figure BDA0003935557890000021
和加速度的导数
Figure BDA0003935557890000022
通过差分计算得到；初始状态矢量xl(m)表示为：
Figure BDA0003935557890000023
将卡尔曼滤波算法中的初始估计的不确定性Σ(0|0)设置为一个随机常数；将观察矩阵C设置为维度为N×N的单位矩阵，N为基站上用于波速追踪的天线数量。
步骤2：在实际情况中，密集的观察操作可能导致大量的时间消耗。因此，在每个时间步长进行观测将导致高额的开销。当时间变量k是τ的整数倍时，将带噪声的观测值
Figure BDA0003935557890000024
作为观测变量z；当时间变量k不是τ的整数倍时，利用LSTM网络fN2输出的角度估计值
Figure BDA0003935557890000025
作为观测变量z：
Figure BDA0003935557890000026
其中τ是设置的间隔，n为正整数。
步骤3：将第k-1时刻对k-1时刻估计的状态向量
Figure BDA0003935557890000031
输入到一个没有激活函数的单层神经网络(SLNN)fN1，生成第k-1时刻对第k时刻的状态向量
Figure BDA0003935557890000032
在初始时刻时，单层神经网络fN1的输入为初始状态向量xl(m)。提取该单层神经网络fN1的权重矩阵作为状态转移矩阵F(k)：
Figure BDA0003935557890000033
其中，wN1为人为设置输入的神经网络权重。
步骤4：将状态转移矩阵F(k)代入公式(4)，计算协方差外推：
Σ(k+1|k)＝F(k)Σ(k|k)F(k)T+n(k)   (4)
其中，n(k)为过程噪声。
步骤5：将观察矩阵C与公式(4)的计算结果代入公式(5)计算卡尔曼增益K(k)：
K(k)＝Σ(k|k-1)CH(CΣ(k|k-1)CH+R(k))-1   (5)
其中，R(k)为人为设置的测量不确定度。
步骤6：将观测变量z代入公式(6)，更新第k时刻的状态向量
Figure BDA0003935557890000034
Figure BDA0003935557890000035
步骤7：通过公式(7)更新第k时刻估计的不确定性：
Σ(k|k)＝(I-K(k)C)Σ(k|k-1)(I-K(k)C)H+K(k)R(k)K(k)H   (7)
其中，I表示单位矩阵。
步骤8：提取第k时刻状态向量
Figure BDA0003935557890000036
中的角度估计值
Figure BDA0003935557890000037
并输入到LSTM网络fN2，在初始时刻时，LSTM网络fN2的输入为初始化角度[θl(0),…,θl(m)]；输出为第k+1时刻的角度估计值
Figure BDA0003935557890000038
Figure BDA0003935557890000039
其中，在初始时刻时，LSTM网络fN2的输入为初始化角度[θl(0),…,θl(m)]，wN2是该神经网络的权重参数。
步骤9：重复步骤2至步骤8，得到每一轮循环时刻的波束追踪的预测角度值。
与现有技术相比，本发明的有益效果：
1.本发明通过将状态转移方程转化为一个等价的数据驱动问题。为了使卡尔曼滤波算法部分能够获得恰当的状态转移方程；本发明采用一个没有激活函数的单层神经网络来学习LSTM的行为，因此，该单层神经网络充当了在LSTM网络中嵌入式模型的端到端学习过程。
2.本发明结合了卡尔曼滤波算法的鲁棒性和机器学习的预测准确性。在实际应用中，波束方向的变化在每一个特定场景下都具有一定的规律性；因此，从波束方向数据的历史变化中进行变化特征的学习，会使基于机器学习的波束追踪算法表现出较高的预测精度。而目前在基于机器学习的波束追踪算法中存在的问题是，由于波束路径的变化在某些时刻具有一定的随机性与突变性，这种波束路径的跳变会大大削弱基于机器学习的波束追踪算法的鲁棒性。另一方面，基于卡尔曼滤波的波束追踪算法由于其算法的自身特性，具有较强的能力来权衡算法计算所获得的预测结果和直接获取的观察结果，这一权衡特性使得基于卡尔曼滤波得波束追踪算法相较于唯一基于机器学习的波束追踪算法具有更高的鲁棒性。因此，本发明继承了机器学习和卡尔曼滤波算法精准预测与强鲁棒性的优点。
附图说明
图1为所述基于LSTM及单层神经网络机器学习与卡尔曼滤波信息融合的波束追踪角度预测系统算法步骤执行框图。
图2为本发明示例性实施例的基于LSTM及单层神经网络机器学习与卡尔曼滤波信息融合的波束追踪角度预测系统的工作环境。
图3为本发明示例性实施例的一种基于LSTM及单层神经网络机器学习与卡尔曼滤波信息融合的波束追踪角度预测系统流程实施框图。
图4为本发明示例性实施例相比其他波束追踪方法的预测角度情况的均方差(MSE)随信噪比(SNR)变化。
具体实施方式
下面结合说明书附图及具体实施例对本发明技术方案作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。图2给出了本发明基于神经网络与卡尔曼滤波融合的波束角度预测方法的工作环境。其中静态基站能够定期通过穷搜方法对用户端移动设备进行观测以获得包括其角度、角速度、角加速度以及角加速度导数信息；在进行两次穷搜方法的时间间隔之间，静态基站会执行本发明的基于神经网络与卡尔曼滤波融合的波束角度预测方法对用户端设备角度信息进行非观测性预测。所述用户端设备能够在静态基站正常功率下的工作范围内进行自由移动。
本实施例的一种基于神经网络与卡尔曼滤波融合的波束角度预测方法，其流程框图如图3所示。
本实施例在校园环境下进行波束追踪预测，给出了一种基于机器学习与卡尔曼滤波信息融合的波束追踪角度预测方法，包括以下步骤：
步骤1：设置初始时间为k＝0，0时刻至m时刻通过波束赋形得到初始化角度为[θl(0),…,θl(m)],m∈[ξ,K]；其中，l是实际环境中的路径数，本实施例中l＝1；ξ是计算加速度时设置的最小角度数，本实施例中ξ＝1；m为初始化终止时刻，本实施例中m＝4；K为系统终止时刻,本实施例中K＝1000。因此，第m时刻的角速度ωl(m)，第m时刻的角加速度
Figure BDA0003935557890000051
和加速度的导数
Figure BDA0003935557890000052
通过差分计算得到；初始状态矢量xl(m)表示为：
Figure BDA0003935557890000053
将卡尔曼滤波算法中的初始估计的不确定性Σ(0|0)设置为一个随机常数,本实施例中设置为1；将观察矩阵C设置为维度为N×N的单位矩阵，N为基站上用于波速追踪的天线数量。
步骤2：在实际情况中，密集的观察操作可能导致大量的时间消耗。因此，在每个时间步长进行观测将导致高额的开销。当时间变量k是τ的整数倍时，将带噪声的观测值
Figure BDA0003935557890000054
作为观测变量z；当时间变量k不是τ的整数倍时，利用LSTM网络fN2输出的角度估计值
Figure BDA0003935557890000055
作为观测变量z：
Figure BDA0003935557890000056
其中τ是设置的间隔，本实施例中τ在4次仿真实验中分别取值1，2，3，4；n为正整数。
步骤3：将第k-1时刻对k-1时刻估计的状态向量
Figure BDA0003935557890000057
输入到一个没有激活函数的单层神经网络(SLNN)fN1，生成第k-1时刻对第k时刻的状态向量
Figure BDA0003935557890000058
在初始时刻时，单层神经网络fN1的输入为初始状态向量xl(m)。提取该单层神经网络fN1的权重矩阵作为状态转移矩阵F(k)：
Figure BDA0003935557890000059
其中，wN1为人为设置输入的神经网络权重。
步骤4：将状态转移矩阵F(k)代入公式(4)，计算协方差外推：
Σ(k|k-1)＝F(k)Σ(k-1|k-1)F(k)T+n(k)   (4)
其中，n(k)为过程噪声。
步骤5：将观察矩阵C与公式(4)的计算结果代入公式(5)计算卡尔曼增益K(k)：
K(k)＝Σ(k|k-1)CH(CΣ(k|k-1)CH+R(k))-1   (5)
其中，R(k)为人为设置的测量不确定度。
步骤6：将观测变量z代入公式(6)，更新第k时刻的状态向量
Figure BDA0003935557890000061
Figure BDA0003935557890000062
步骤7：通过公式(7)更新第k时刻估计的不确定性：
Σ(k|k)＝(I-K(k)C)Σ(k|k-1)(I-K(k)C)H+K(k)R(k)K(k)H   (7)
其中，I表示单位矩阵。
步骤8：提取第k时刻状态向量
Figure BDA0003935557890000066
中的角度估计值
Figure BDA0003935557890000063
并输入到LSTM网络fN2，在初始时刻时，LSTM网络fN2的输入为初始化角度[θl(0),…,θl(m)]；输出为第k+1时刻的角度估计值
Figure BDA0003935557890000064
Figure BDA0003935557890000065
其中，在初始时刻时，LSTM网络fN2的输入为初始化角度[θl(0),…,θl(m)]，wN2是该神经网络的权重参数。
步骤9：重复步骤2至步骤8，得到每一轮循环时刻的波束追踪的预测角度值。
本发明实施例预测角度的均方值随信噪比变化的性能曲线在图4给出。在校园测试环境下，与传统的基于卡尔曼滤波算法和纯LSTM预测方案相比，本发明方法在移动目标的到达角(AoA)和发射角(AoD)准确预测方面分别实现了67.21％和33.5％的提升。此外，与基于数据驱动的预测方案相比，当移动目标角度状态值发生跳变时，本发明方法具有更强的鲁棒性，在低跟踪开销的情况下实现了持续和稳健的高跟踪精度。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于机器学习与卡尔曼滤波信息融合的波束追踪角度预测方法，其特征在于，包括以下步骤：
步骤1：设置初始时间为k＝0，0时刻至m时刻通过波束赋形得到初始化角度为[θl(0),…,θl(m)],m∈[ξ,K]；其中，l是实际环境中的路径数，ξ是计算加速度时设置的最小角度数，m为初始化终止时刻，K为系统终止时刻；因此，第m时刻的角速度ωl(m)、第m时刻的角加速度
Figure FDA0003935557880000011
和加速度的导数
Figure FDA0003935557880000012
通过差分计算得到；初始状态矢量xl(m)表示为：
Figure FDA0003935557880000013
将卡尔曼滤波算法中的初始估计的不确定性Σ(0|0)设置为一个随机常数；将观察矩阵C设置为维度为N×N的单位矩阵，N为基站上用于波速追踪的天线数量；
步骤2：当时间变量k是τ的整数倍时，将带噪声的观测值
Figure FDA0003935557880000014
作为观测变量z；当时间变量k不是τ的整数倍时，利用LSTM网络fN2输出的角度估计值
Figure FDA0003935557880000015
作为观测变量z：
Figure FDA0003935557880000016
其中τ是设置的间隔，n为正整数；
步骤3：将第k-1时刻对k-1时刻估计的状态向量
Figure FDA0003935557880000017
输入到一个没有激活函数的单层神经网络(SLNN)fN1，生成第k-1时刻对第k时刻的状态向量
Figure FDA0003935557880000018
在初始时刻时，单层神经网络fN1的输入为初始状态向量xl(m)；提取该单层神经网络fN1的权重矩阵作为状态转移矩阵F(k)：
Figure FDA0003935557880000019
其中，wN1为人为设置输入的神经网络权重；
步骤4：将状态转移矩阵F(k)代入公式(4)，计算协方差外推：
Σ(k+1|k)＝F(k)Σ(k|k)F(k)T+n(k)      (4)
其中，n(k)为过程噪声；
步骤5：将观察矩阵C与公式(4)的计算结果代入公式(5)计算卡尔曼增益K(k)：
K(k)＝Σ(k|k-1)CH(CΣ(k|k-1)CH+R(k))-1      (5)
其中，R(k)为人为设置的测量不确定度；
步骤6：将观测变量z代入公式(6)，更新第k时刻的状态向量
Figure FDA0003935557880000021
Figure FDA0003935557880000022
步骤7：通过公式(7)更新第k时刻估计的不确定性：
Σ(k|k)＝(I-K(k)C)Σ(k|k-1)(I-K(k)C)H+K(k)R(k)K(k)H      (7)
其中，I表示单位矩阵；
步骤8：提取第k时刻状态向量
Figure FDA0003935557880000023
中的角度估计值
Figure FDA0003935557880000024
并输入到LSTM网络fN2，在初始时刻时，LSTM网络fN2的输入为初始化角度[θl(0),…,θl(m)]；输出为第k+1时刻的角度估计值
Figure FDA0003935557880000025
Figure FDA0003935557880000026
其中，在初始时刻时，LSTM网络fN2的输入为初始化角度[θl(0),…,θl(m)]，wN2是该神经网络的权重参数；
步骤9：重复步骤2至步骤8，得到每一轮循环时刻的波束追踪的预测角度值。
CN202211403081.0A 2022-11-10 2022-11-10 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法 Pending CN115906923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211403081.0A CN115906923A (zh) 2022-11-10 2022-11-10 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211403081.0A CN115906923A (zh) 2022-11-10 2022-11-10 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法

Publications (1)

Publication Number Publication Date
CN115906923A true CN115906923A (zh) 2023-04-04

Family

ID=86493188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211403081.0A Pending CN115906923A (zh) 2022-11-10 2022-11-10 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法

Country Status (1)

Country Link
CN (1) CN115906923A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117192063A (zh) * 2023-11-06 2023-12-08 山东大学 基于耦合卡尔曼滤波数据同化的水质预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117192063A (zh) * 2023-11-06 2023-12-08 山东大学 基于耦合卡尔曼滤波数据同化的水质预测方法及系统
CN117192063B (zh) * 2023-11-06 2024-03-15 山东大学 基于耦合卡尔曼滤波数据同化的水质预测方法及系统

Similar Documents

Publication Publication Date Title
Dvorecki et al. A machine learning approach for Wi-Fi RTT ranging
CN108089183B (zh) 一种用于异步多基地雷达系统的检测跟踪一体化方法
Zhu et al. BLS-location: A wireless fingerprint localization algorithm based on broad learning
Burghal et al. A machine learning solution for beam tracking in mmWave systems
Zhang et al. An efficient machine learning approach for indoor localization
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
CN112162244B (zh) 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法
CN114363949B (zh) 一种用于uwb定位系统的异常数据检测方法
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
CN115906923A (zh) 一种基于神经网络与卡尔曼滤波融合的波束角度预测方法
Ma et al. Deep learning assisted mmWave beam prediction with prior low-frequency information
Wu et al. UAV-based target tracking: Integrating sensing into communication signals
Dehkordi et al. Adaptive beam tracking based on recurrent neural networks for mmWave channels
Kia et al. A CNN approach for 5G mm wave positioning using beamformed CSI measurements
Xie et al. Networked sensing with AI-empowered interference management: Exploiting macro-diversity and array gain in perceptive mobile networks
Yin et al. Tracking of time-variant radio propagation paths using particle filtering
Paulino et al. Evaluating a novel Bluetooth 5.1 AoA approach for low-cost indoor vehicle tracking via simulation
Ginanjar et al. Real-time SLFN-based node localization using UAV
CN116634358A (zh) 终端定位方法、装置及非易失性存储介质
Elzanaty et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing
Qin et al. A ML-based direct localization method for multiple sources with moving arrays
Liouane et al. Novel DV-Hop algorithm-based machines learning technics for node localization in range-free wireless sensor networks
Ulmschneider et al. User Tracking with Multipath Assisted Positioning-based Fingerprinting and Deep Learning
Kamil et al. Multisource spatiotemporal tracking using sparse large aperture arrays
Guo et al. Rss-based localization using a single robot in complex environments

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