法律状态公告日
法律状态信息
法律状态
2022-06-28
公开
发明专利申请公布
技术领域
本发明属于无线信道参数提取技术领域，尤其涉及一种不依赖于似然函数的信道全维参数提取方法。
背景技术
为了满足未来无线通信网络的需求(增加数据速率，减少延迟、能量和成本)，设计与评估不同通信系统中各种先进的无线通信技术，需要有能捕获上述技术在相应信道上展现的特征的能力。
准确定性无线电信道发生器(Quasi Deterministic Radio Channel Generator,QuaDRiGa)这种基于几何的统计射线追踪信道建模方式已被业界普遍认可，但要与具体应用场景适配，还需要为模型输入场景的各种大小尺度信道参数，而这些信道参数只能是从大量的实际信道测量数据中得到。
参数提取方面，要全面提取出信道的各维参数，目前使用最广泛的是空间交替广义期望最大化(Space Alternating Generalized Expectation-maximization,SAGE)算法。但由于SAGE是引入期望最大化算法(Expectation-Maximization，EM)的迭代来降低最大似然(Maximum Likelihood,ML)算法复杂度的基于似然函数的参数估计算法，每次迭代都要搜索子路径的各维参数使其满足最大似然条件，因而在子路径数目多时非常耗时。且由于EM算法的特性，当存在某几个参数相近的子路径或是初始参数值设置不合适，很容易就使得结果收敛于局部最优解，估计出虚假径。
发明内容
本发明的目的是提供一种不依赖于似然函数的信道全维参数提取方法，以提升信道参数提取的准确性。
本发明采用以下技术方案：一种不依赖于似然函数的信道全维参数提取方法，包括以下步骤：
通过多通道接收信号数据；其中信号数据为PN序列或CFR数据；
对信号数据进行预处理，得到信号数据的时延峰值；
以时延峰值为输入信息，采用前后向空域平滑MUSIC算法计算得到时延峰值中每个子路径对应的方位角和仰角；
根据每个子路径对应的方位角和仰角计算该子路径的复幅度；
集合时延峰值、每个子路径对应的方位角和仰角、以及复幅度，得到信道全维参数集。
优选的，当信号数据为PN序列时，预处理为：
对PN序列进行滑动相关。
优选的，对CFR数据进行预处理之前还包括：
对CFR数据做IFFT，得到CFR数据对应的CIR数据。
优选的，当信号数据为CFR数据时，预处理为：
利用循环前缀长度将CIR数据划分为噪声段和有效信号段；
根据噪声段确定第一噪声门限，并根据第一噪声门限选取有效信号段的第一时延位置；
确定不同接收通道接收的同一时隙CIR数据的第一时延位置的并集，得到第一时延位置集合；
对不同时隙的多个第一集合取交集，得到第二时延位置集合；
计算第二时延位置集合中每个元素对应的协方差矩阵，并对协方差矩阵进行特征值分解，得到最大特征值和最小特征值；
计算最大特征值和最小特征值的比值，在第二时延位置集合中选择比值大于第二噪声门限的元素组成第三时延位置集合，将第三时延位置集合作为信号数据的时延峰值。
优选的，当信号数据为PN序列时，根据每个子路径对应的方位角和仰角计算该子路径的复幅度之后还包括：
计算每个子路径不同时隙的相位差；
根据相位差确定子路径的多普勒频移；
基于多普勒频移构造本地PN序列；
采用本地PN序列对PN序列进行滑动相关，继续执行，直至再次得到每个子路径的复幅度。
优选的，当各个子路径之间的多普勒频移差值小于差值阈值时：
采用加权平均方法计算每个时延簇的平均多普勒频移；
基于平均多普勒频移生成本地PN序列。
优选的，当信号数据为PN序列时，信道全维参数集还包括：
每个子路径的多普勒频移。
本发明的另一种技术方案：一种不依赖于似然函数的信道全维参数提取装置，包括：
接收模块，用于通过多通道接收信号数据；其中信号数据为PN序列或CFR数据；
预处理模块，用于对信号数据进行预处理，得到信号数据的时延峰值；
第一计算模块，用于以时延峰值为输入信息，采用前后向空域平滑MUSIC算法计算得到时延峰值中每个子路径对应的方位角和仰角；
第二计算模块，用于根据每个子路径对应的方位角和仰角计算该子路径的复幅度；
集合模块，用于集合时延峰值、每个子路径对应的方位角和仰角、以及复幅度，得到信道全维参数集。
本发明的另一种技术方案：一种不依赖于似然函数的信道全维参数提取装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种不依赖于似然函数的信道全维参数提取方法。
本发明的另一种技术方案：一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种不依赖于似然函数的信道全维参数提取方法。
本发明的有益效果是：本发明通过对信号进行预处理，可以降低多普勒频移对子路径复幅度估计的影响，使得估计的复幅度更加准确，相比于SAGE这类引入EM迭代的基于似然函数的参数估计算法，它不需要迭代、所需时间更短、不存在初始值设置不当所导致的收敛于局部最优解从而估计出虚假径的问题。
附图说明
图1为本发明实施例一种不依赖于似然函数的信道全维参数提取方法的流程图；
图2为本发明实施例中信道测量系统的发送端帧格式示意图；
图3为本发明实施例中NR系统的发送端帧格式示意图；
图4为本发明实施例中信道参数提取方法对输入数据的处理流程图；
图5为本发明实施例中前后向空域平滑处理的子阵列选取示意图；
图6为本发明实施例中提供的基于特征值辅助的时延位置选择示意图；
图7为本发明实施例中方法估计结果与SAGE运行时间对比图；
图8为本发明实施例中方法和前后向空域平滑MUSIC算法处理基站实采数据得到的参数绘制的角度功率谱图；
图9为本发明实施例中单用户视距场景下基站采集的数据使用所提方法获取角度域参数后重构的角度功率谱图；
图10为本发明实施例中方法和前后向空域平滑MUSIC算法处理基站实采数据得到的参数重构的波束接收功率与原波束接收功率对比图；
图11为本发明实施例一种不依赖于似然函数的信道全维参数提取装置的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
现行的5G新无线电(New Radio,NR)系统常采用波束赋形来提升系统容量，因而角度域参数的获取尤为重要。NR系统上行采用探测参考信号(Sounding Reference Signal,SRS)探测信道，但目前主要用其获得信道的频率响应(Channel Frequency Response,CFR)，从已有CFR中获得有效的角度信息对基站波束资源配置具有实用意义。
际应用中，时延估计常采用基于伪噪声(Pseudo-Noise,PN)或恒包络零自相关(Const Amplitude Zero Auto-Corelation,CAZAC)序列的滑动相关，其分辨力取决于码片宽度，随着目前无线发送设备可发送信号带宽的不断增大，码片宽度可以相应减少，因此基于这种方法的时延分辨力不断提升。
在估计角度方面，多信号分类(Multiple Signal Classification,MUSIC)这种特征结构算法在角度估计方面不仅估计时间更短且还具有较高分辨率，但是一般要求其已知来波数目且来波是不相关的，而信道中的路径数目往往是未知的且由于每条路径上都是相同的探测信号，因而不同路径的接收信号之间是相干的。
基站部署波束方面，目前大多NR系统对得到的多通道CFR数据仅做特征值分解处理，利用特征值信息来粗糙的部署波束和资源分配，或直接将CFR带入角度估计算法中仅从空域区分子路径并得到其角度。
实际上，通过对频域CFR进行快速傅里叶反变换(Inverse Fast FourierTransform,IFFT)得到时域信道冲击响应(Channel Impulse Response,CIR)，就可以利用系统时域分辨力在将路径进行初步分离得到时延簇，并用空域进一步分离从而提取更精细的角度信息，但是由于泄露机理的存在，不同路径的角度域信息会泄露到了不同的时延位置，因而需要一些预处理操作来保证所提取角度信息的质和量。
本发明公开了一种不依赖于似然函数的信道全维参数提取方法，如图1所示，包括以下步骤：步骤S110、通过多通道接收信号数据；其中信号数据为PN序列或CFR数据(即信道频率响应数据)；步骤S120、对信号数据进行预处理，得到信号数据的时延峰值；步骤S130、以时延峰值为输入信息，采用前后向空域平滑MUSIC算法计算得到时延峰值中每个子路径对应的方位角和仰角；步骤S140、根据每个子路径对应的方位角和仰角计算该子路径的复幅度；步骤S150、集合时延峰值、每个子路径对应的方位角和仰角、以及复幅度，得到信道全维参数集。
本发明通过对信号进行预处理，可以降低多普勒频移对子路径复幅度估计的影响，使得估计的复幅度更加准确，相比于SAGE这类引入EM迭代的基于似然函数的参数估计算法，它不需要迭代、所需时间更短、不存在初始值设置不当所导致的收敛于局部最优解从而估计出虚假径的问题。
具体的，信道测量系统中，发送端按一定帧格式发送经BPSK调制的PN序列，接收端由已知排布和天线方向图的阵列完成多通道接收；5G-NR系统类似，发送端由UE充当且按协议帧格式调制SRS(即探测参考信号)，接收端由BS充当并处理接收到的SRS得到多个接收通道的信道CFR数据。
在本发明实施例中，所获得的完整参数的信道数学模型表示为：
其中，h(τ,t)的时域响应，L和P
接收端所处理的均为多个射频通道采样下变频后的基带数据，且包含在指定参考系下的阵列排布以及天线方向图信息，以放置于XOZ平面的均匀平面阵为例，每一接收通道收到的信号(即接收的PN序列)表示为：
其中，N
而对于NR系统则为系统带宽的倒数。
其中，
更为具体的，如图2所示，在信道测量系统中，发送端使用全带宽按一定帧格式以周期T
优选的，当信号数据为PN序列时，预处理为：对PN序列进行滑动相关。具体的，根据QuaDRiGa信道模型理论中对信道空时特性的描述，小范围内运动的发送端与静止的接收端之间的无线信道的空域散射环境几乎不发生变化。因而用多snapshot(不同快照)接收PN序列数据或多slot(时隙)的SRS数据，完成信道勘探或角度域信息采集。信道测量系统中接收到的勘探信号在每个snapshot里用本地PN序列进行滑动相关，得到每一段PN序列的时延峰值。NR系统中BS处理得到的每slot的信道CFR，利用快速傅里叶反变换IFFT转换成时域信道冲击响应CIR。
在信道测量系统中，对NM接收通道上的接收信号用本地PN序列滑动相关：
其中，
在NR系统中，基站按照OFDM架构接收并处理所有通道接收的SRS信号，与滑动相关相对应的操作为对所获取的CFR数据做IFFT，得到每slot的基带CIR数据，其表达式如下：
其中，Y(k,t)是第t个slot的频域接收数据，
对于NR系统，由于基站的信道CFR数据经过IFFT得到的信道CIR具有明显的峰值泄露现象，因此，首先利用循环前缀(Cyclic Prefix,CP)长度将其划分为噪声段和有效信号段，以噪声段的幅度最大值作为噪声门限η。利用门限η选取有效信号段的时延位置Ω，并取多个接收通道上该时延位置集合的并集抵抗多径在阵列上引起的空间衰落：
不同slot的
由于一些时延位置上可能因为泄露的时延功率较少或者存在多条路径泄露来的功率，使得大量子路径的角度信息混杂难以用MUSIC区分。为了获得正确可靠的角度域信息，选择丢弃这些时延位置上的CIR峰值仅会损失少部分子路径角度信息的功率，但降低了噪声对ZF算法的不利影响，能为后续的幅值估计提供保障。有效的时延位置选择方法是基于特征值辅助的，对于任意时延位置
其中，
当λ
在一个实施例中，用前后向空域平滑MUSIC算法处理多个snapshot/slot的峰值，区分每个时延簇内子路径并得到其方位角和仰角。首先，向量化多个通道的峰值：
然后选取前后向空域平滑算法的子阵列，其中M列的阵元包含相互交错的p
其中，
接下来对
每得到一个峰值位置后，记录其方位角和仰角位置
在另一个实施例中，当信号数据为CFR数据时，预处理为：利用循环前缀长度将CIR数据划分为噪声段和有效信号段；根据噪声段确定第一噪声门限，并根据第一噪声门限选取有效信号段的第一时延位置；确定不同接收通道接收的同一时隙CIR数据的第一时延位置的并集，得到第一时延位置集合；对不同时隙的多个第一集合取交集，得到第二时延位置集合；计算第二时延位置集合中每个元素对应的协方差矩阵，并对协方差矩阵进行特征值分解，得到最大特征值和最小特征值；计算最大特征值和最小特征值的比值，在第二时延位置集合中选择比值大于第二噪声门限的元素组成第三时延位置集合，将第三时延位置集合作为信号数据的时延峰值。
用多个snapshot的PN序列接收数据或多个slot的SRS数据完成信道勘探或角度域信息采集。信道测量系统中接收到的勘探信号在每个snapshot里用本地PN序列进行滑动相关。NR系统中BS处理得到的每一slot的信道CFR利用IFFT转换成时域CIR。
系统时延分辨力用于区分时延簇，簇内子路径的区分及其方位角和仰角的估计依靠针对均匀平面阵的前后向空域平滑MUSIC算法完成，其中，均匀平面阵的子阵列选取方式如图5所示。将原先规模为N×M的阵列划分为p
利用已知的子路径角度和ZF算法解析时延簇l内P
可利用簇l内子路径的角度估计结果得到
使用T个snapshot/slot的
其中，κ(t)是用来抵消相位的2π周期性的因子，其计算表达式为：
得到了
其中，f
系统时延分辨力仅能区分时延簇，簇内子路径上承载的都是相同的信号因而各个子路径的接收信号是相干的。需要针对均匀平面阵列的前后向空域平滑MUSIC算法完成区分并计算其方位角和仰角。再针对均匀平面阵列的前后向空域平滑MUSIC算法完成区分并计算其方位角和仰角。不同snapshot或slot得到的子路径的复幅度之间的相位差用于子路径的多普勒频移的估计。
更为具体的，面对高速移动场景下的信道测量应用，由于子路径上的多普勒频移不可忽略，仅仅是单个PN码片的时间就会造成较明显的相位变化，使得PN滑动相关的自相关峰值降低，采用此相关峰值计算复幅度会有较大误差。
因此，首先对每snapshot的信道模型做如下调整：
在得到子路径多普勒频移估计后，可以用该结果去构造含多普勒频移的本地PN序列
这又分两种具体情况，当簇内子路径之间多普勒频移相差较大时(特殊场景)可以用每条子路径的多普勒频移构造相应的本地序列去提取子路径各自不含多普勒频移影响的复幅度。例如要提取第l簇内的第p条子路径时，首先进行滑动相关，得到对应时延簇l的峰值：
其中，N”(τ,t)为噪声与
其中，
当子路径之间的多普勒频移相差较小时，例如城市宏小区这样的一般场景，因子A的影响不可忽略，因而不可能为每一条路径单独消除多普勒频移的影响，而是尽可能地去抵消每个时延簇内子路径上的多普勒频移的影响。为保证幅值大的路径多普勒频移消除效果，采用加权平均的方式确定时延簇l上的平均多普勒频移
接下来采用
如图4所示，对于基于PN序列的信道测深应用，利用子路径的多普勒频移估计结果消除多普勒频移对子路径复幅度估计的影响。对于NR系统，由于采用LS估计的信道数据在时域存在如图6所示的功率泄露现象，因而用基于特征值辅助的时延位置选择方法进行预处理，确定出信噪比高、角度信息易于提取的时延位置，从而减小CIR泄露现象带来的不利影响。
具体的，当信号数据为PN序列时，根据每个子路径对应的方位角和仰角计算该子路径的复幅度之后还包括：计算每个子路径不同时隙的相位差；根据相位差确定子路径的多普勒频移；基于多普勒频移构造本地PN序列；采用本地PN序列对PN序列进行滑动相关，继续执行，直至再次得到每个子路径的复幅度。
在一个实施例中，当各个子路径之间的多普勒频移差值小于差值阈值时：采用加权平均方法计算每个时延簇的平均多普勒频移；基于平均多普勒频移生成本地PN序列。
最后，根据多个snapshot/slot得到的信道参数估计结果，计算大小尺度信道参数及其概率统计分布，绘制如图8、图9功率角谱(Power Azimuth Spectrum,PAS)等谱图。当信号数据为PN序列时，信道全维参数集还包括：每个子路径的多普勒频移。
综上，本发明提出的方法利用信道空时可分离特性区分信道中各个子路径并进一步提取参数，在时延域中，采用PN滑动相关或是IFFT区分路径并得到路径的时延信息，在空域中采用引入了基于前后向空域平滑的MUSIC算法区分路径内子路径并得到其方位角和俯仰角。之后利用角度信息和多个接收通道的相关峰值或CIR峰值来解析子路径复幅度，最后根据子路径复幅度在不同快照(snapshot)/时隙(slot)的相位差来估计相应的多普勒频移。此外，在复幅度估计模块引入多普勒频移消除可在高速移动场景下得到更准确的复幅度。在时延估计模块，引入基于特征值辅助的时延位置选择预处理方法，使得所提方法更有效地提取NR系统信道数据中的角度域信息。而且，仿真验证了该方法高效性，实测数据的处理结果说明了该方法所提取角度域信息的有效性。
以下内容为对本发明方法进行仿真验证。设置如表1所示的信道参数表来模拟无线多径信道中每一子路径的参数，并分别用SAGE和所提方法分别提取该信道参数。两种方法均采用长度K＝511的PN序列，每个码片宽度dt＝3.69*10
表1
表2
依次添加路径并记录每次所提算法和SAGE的运行结果，不同路径数时，两种算法的运行时间和SAGE的迭代次数如图7所示，具体的估计情况记录于表3中，且认为所估计出的各条路径时延偏差小于dt，角度偏差小于1°，多普勒频移小于1Hz，且幅度估计误差小于0.01时估计无误。
从图7可以看出，路径数较少时所提算法和SAGE估计性能相当但运行时间更短。SAGE的收敛情况取决于其子路径构成，事先无法确定收敛所需的迭代次数，当存在同时到达路径时，对其估计效果并不好，容易收敛于局部最优解，导致与实际情况不符合估计失效，而本发明所提方法对此问题的处理更贴合实际情况。SAGE算法初始化的运行时间随路径数目的增加而增加，而本发明所提方法的运行时间主要随着簇的数目增加而增加，而SAGE算法迭代的时间主要与迭代次数和路径数目相关。
表3
如图9所示，为单用户视距(Line of Sight,LOS)场景下基站采集的数据使用所提方法获取角度域参数后重构的角度功率谱，带有标号的圆圈位置代表基站侧32个接收单元使用离散傅里叶变换(Discrete Fourier Transform,DFT)码本形成的32个波束的指向。如图8所示，为直接将基站各个通道的CFR数据带入前后向空域平滑MUSIC算法中提取角度域参数后重构的角度谱。可以看到本发明方法与后者各自构造的角度谱的主功率区域相同，但是本发明方法构造的角度功率谱更加精细。为验证其有效性，用各自提取的角度域参数分别重构了接收CFR在32波束上的功率占比并与原先32波束上的功率占比对比，结果如图10所示，可以看到本发明方法的恢复的功率占比与原始波束功率占比更接近，此外，还可以看到在角度谱主功率区的正是接收功率强的波束功率重构性能更好，验证了其有效性。
本发明方法相比于SAGE这类引入EM迭代的基于似然函数的参数估计算法，它不需要迭代、所需时间更短、不存在初始值设置不当所导致的收敛于局部最优解从而估计出虚假径的问题。相比于各种关于信道参数的估计算法，它能够有效地区分出时延簇内子路径并得到其的方位角、仰角、复幅度、多普勒频移这些参数。本发明不仅利用了5G大带宽的特点，使用时延域的高分辨能力区分信道内时延簇，还利用了5G大规模天线的特点，使用对相干信源具有较高的角度分辨能力的前后向空域平滑MUSIC算法来区分簇内子路径，因此可从时域和空域提取出大量子路径并用其参数来精准地刻画信道。此外，针对基于PN序列的5G信道测深应用，提供了多普勒频率消除方法，减小了其对子路径复幅度估计的影响。针对NR系统，提供了利用该算法从信道CIR数据中提取角度域参数相应的预处理方法，其效果优于用前后向空域平滑MUSIC处理CFR，所获取的角度信息更加完整与可靠。
本发明还公开了一种不依赖于似然函数的信道全维参数提取装置，如图11所示，包括：接收模块210，用于通过多通道接收信号数据；其中信号数据为PN序列或CFR数据；预处理模块220，用于对信号数据进行预处理，得到信号数据的时延峰值；第一计算模块230，用于以时延峰值为输入信息，采用前后向空域平滑MUSIC算法计算得到时延峰值中每个子路径对应的方位角和仰角；第二计算模块240，用于根据每个子路径对应的方位角和仰角计算该子路径的复幅度；集合模块250，用于集合时延峰值、每个子路径对应的方位角和仰角、以及复幅度，得到信道全维参数集。
需要说明的是，上述装置的模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还公开了一种不依赖于似然函数的信道全维参数提取装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种不依赖于似然函数的信道全维参数提取方法。
装置可以是桌上小型计算机、笔记本、掌上电脑及云端服务器等计算设备。该装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，该装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述装置的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
本发明还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种不依赖于似然函数的信道全维参数提取方法。
计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
