基于块稀疏贝叶斯算法的上下链路通信感知一体化方法
阅读说明：本技术 基于块稀疏贝叶斯算法的上下链路通信感知一体化方法 (Up-down link communication perception integrated method based on block sparse Bayesian algorithm ) 是由 程知群 郭昊阳 李航 于 2021-06-02 设计创作，主要内容包括：本发明公开了基于块稀疏贝叶斯算法的上下链路通信感知一体化方法,将OFDM技术与压缩感知算法结合,首先是将数字基带信号通过PSK或QAM调制成数据符号,对数据符号进行空间预编码,经过对采样数进行IFFT后将时域信号发送给各个射频单元。其次通过射频单元的阵列响应向量确定频域信道矩阵；通过信道矩阵和时域信号确定射频单元中上/下行链路的接收和发射信号；建立稀疏表示类on-grid延迟量化模型；然后确定块稀疏信号,将参数估计问题转化为MMV块稀疏问题；最后利用快速边缘化快稀疏贝叶斯学习算法进行参数估计。(The invention discloses an uplink and downlink communication perception integrated method based on a block sparse Bayesian algorithm, which combines an OFDM technology with a compressed perception algorithm, firstly modulates a digital baseband signal into a data symbol through PSK or QAM, performs spatial precoding on the data symbol, and transmits a time domain signal to each radio frequency unit after IFFT is performed on a sampling number. Secondly, determining a frequency domain channel matrix through an array response vector of the radio frequency unit; determining the receiving and transmitting signals of an uplink/downlink in the radio frequency unit through the channel matrix and the time domain signal; establishing a sparse representation type on-grid delay quantization model; then determining a block sparse signal, and converting the parameter estimation problem into an MMV block sparse problem; and finally, performing parameter estimation by using a fast marginalization fast sparse Bayesian learning algorithm.)
技术领域
本发明属于通信技术领域，涉及一种基于块稀疏贝叶斯算法的上下链路通信感知一体化方法。
背景技术
在当前越来越复杂的电磁环境中，传统的单一电子对抗的设备己经不是主流发展方向了，雷达通信一体化系统的研究变得越来越重要，电子对抗设备需要同时具有通信功能、雷达功能和信号处理功能等等，目前像这样的，即需要雷达的探测定位功能，又需要通信传送消息的功能的应用场合越来越多。雷达通信一体化系统的研究，涉及到雷达电子对抗领域和通信电子对抗领域，就需要研究雷达信号处理系统和通信信号处理系统的关系。
自通信感知一体化的概念被提出以来，先后出现了多种一体化设计的方法，现在以基于线性调频(LFM)和基于正交频分复用(OFDM)用途最为广泛，在基于线性调频上有学者提出了分数阶傅里叶变换的改进设计方法，提高了一体化信号的通信速率；在基于OFDM上有学者将多输入多输出(MIMO)与OFDM相结合，提高了频带利用率。但是，目前关于一体化信号的参数估计的研究偏少，对一体化信号的感知性能的测试还不够具体。
发明内容
为解决上述问题，本发明技术方案包括以下步骤：
S1：利用多载波调制技术将基带信号调制到不同的子载波上，并将调制后的时域信号分配到不同的基站远距射频单元上；
S2：通过每个远距射频单元的均匀线性阵列雷达确定发射和接收天线的导向矢量aM(σ)；
S3：通过接收端和发射端的阵列响应向量确定在具有L个多径信号的信道中，在第t个OFDM符号上对应的第n个子载波上的频域信道矩阵Hn；
S4：确定上下行链路中远距射频单元的接收和发射信号yn,t，建立稀疏表示类on-grid测向方法量化延迟后的模型
S5：将参数估计问题转化为MMV块稀疏问题，得到Yt以及块稀疏信号，通过快速边缘化块稀疏贝叶斯学习算法得到参数的估计值。
优选地，所述利用多载波调制技术将基带信号调制到不同的子载波上，并将调制后的时域信号分配到不同的基站远距射频单元上，为首先通过正交幅度调制将数字基带信号调制成数据符号，然后对数据符号进行空间预编码，通过预编码，为接收端提供功率增益，和降低接收端的信号处理难度；然后对频域采样数据进行快速傅里叶逆变换，转换为时域数据；再把生成的复合时域信号x(t)分配给相应的远距射频单元。
优选地，所述通过每个远距射频单元的均匀线性阵列雷达确定发射和接收天线的导向矢量aM(σ)，为假设信号传播中存在平面波前，则有M个天线的均匀线性阵列(ULA)的导向矢量由下式给出：
aM(σ)＝[1,ejπsinσ,…,ejπ(M-1)sinσ]T (1)
其中，M是阵列天线个数，σ是到达角或离开角。
优选地，所述通过接收端和发射端的阵列响应向量确定在具有L个多径信号的信道中，在第t个OFDM符号上对应的第n个子载波上的频域信道矩阵Hn，令第l条多径的到达角或离开角分别表示为χl和σl，在有M1个发射天线和M2个接收天线的时域基带信号冲击响应为：
其中，bl是振幅值，τl是传播延迟，fD,l是相关的传播延迟；将接收到的信号被转换到频域进行处理，对于第t个OFDM块的第n个子载波处的频域信道矩阵由下式给出：
其中，是有效OFDM符号周期T，Ts是有效OFDM长度T加循环前缀长度Tp。
优选地，所述确定上下行链路中远距射频单元的接收和发射信号yn,t，建立稀疏表示类on-grid测向方法量化延迟后的模型为假设一共存在Q个远距射频单元，对于下行链路感知，每个远距射频单元从自身和其他Q-1个远距射频单元接收到反射的下行链路信号，其在第t个OFDM块的第n个子载波处的第q个远距射频单元处的接收信号可以表示为：
其中xq,n,t是第q个远距射频单元在第t个OFDM块的第n个子载波处的发射信号，bq,l，τq,l，χq,l，σq,l分别为第q个远距射频单元在第l个多径的复值振幅，传播时延，到达角和离开角；且其中
xn，t＝(x1，n，t，…，xO，n，t)T (7)
其中，U为阵元离开角的对角矩阵，或者的第l列为或者 zn,t为噪声；
同理，上行链路感知时远距射频单元的接收信号为：
其中bk,l，τk,l，χk,l，σk,l和fD,k,l分别为第k个远距射频单元在第l个多径的复值振幅，传播时延，到达角，离开角和多普勒频移；
然后考虑延迟量化后的on-grid稀疏模型，用K代表上行链路或下行链路中的发射端，即移动台或远距射频单元；用MT用于接收信号的阵元数量；用M表示用于接收的阵元数量，
其中，Cn是量化延迟对角矩阵且且NP≤gN；P是一个Np×L矩形排列矩阵，它将来自用户/远距射频单元的信号映射到其多径信号，并且每行只有一个值为1的非零元素。
优选地，所述将参数估计问题转化为MMV块稀疏问题，得到Yt以及块稀疏信号，通过快速边缘化块稀疏贝叶斯学习算法得到参数的估计值，为将(10)重新写为：
其中为量化延迟向量且 是的单位矩阵；为KR积；其中Pl是矩阵PT的第l列；
此时，的前半部分为已知信号且依赖于子载波n，将作为行向量得到观察矩阵Yt：
其中W为感知矩阵，其第n行为已知信号 为块稀疏矩阵，由于块稀疏矩阵中只有L个元素不为零，将该块稀疏矩阵称为L-sparsity，L称为稀疏度；此时参数估计问题被转化为多测量矢量的块稀疏问题，观察矩阵为Yt，感知矩阵为W，块稀疏矩阵为
将块稀疏矩阵按网格分解为
由于块稀疏矩阵为L-sparsity块稀疏矩阵，则其只有在第l(l∈L)个分块上不为零，所以可得
将块稀疏矩阵中非零矩阵按发射阵元个数K表示为则可得：
通过计算Bl,k行列之间的互相关可得到到达角或离开角的估计值，
本发明至少具有如下有益效果：本发明针对通信感知一体化信号的雷达感知功能，提出了一种利用稀疏贝叶斯算法估计传感参数的方案，该方案通过基站和移动台之间的频域信道矩阵以及天线的阵列响应向量确定一体化信号的发射和回波信号，并且采用on-grid测向方法，假设信号无误差的落在网格之上，从而可以直接运用稀疏表示类方法通过重构稀疏信号来实现对信号来向的估计。然后我们使用块稀疏贝叶斯学习重构算法对信号的离开角、到达角、多普勒频移等参数进行估计。最后的仿真结果证明了在接收信噪比足够高的情况下，估计是相当稳健和准确的。
附图说明
图1为本发明实施例基于块稀疏贝叶斯算法的上下链路通信感知一体化方法的均匀线性阵列示意图；
图2为本发明实施例基于块稀疏贝叶斯算法的上下链路通信感知一体化方法的流程示意图；
图3为本发明实施例基于块稀疏贝叶斯算法的上下链路通信感知一体化方法的上行链路到达角的仿真示意图；
图4为本发明实施例基于块稀疏贝叶斯算法的上下链路通信感知一体化方法的下行链路到达角仿真示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1是本发明均匀线性阵列(ULA)示意图。其中三角表示均匀线性阵列中的射频单元，用于发射和接收信号；箭头表示接收到的多径信号中的其中一条多径信号；θ表示到达角AoA。
参见图2是本发明设计流程示意图，针对现有技术在一体化的参数感知方面的缺失，申请人针对通信感知一体化信号的雷达感知功能，提出了一种利用块稀疏贝叶斯算法估计传感参数的方案，该方案通过基站和移动台之间的频域信道矩阵以及天线的阵列响应向量确定一体化信号的发射和回波信号，并且采用网格上(on-grid)测向方法，即我们对源信号到达方向作网格采样，假设信号无误差的落在网格之上，从而可以直接运用稀疏表示类方法通过重构稀疏信号来实现对信号来向的估计。然后我们使用块稀疏贝叶斯学习重构算法对信号的离开角、到达角、多普勒频移等参数进行估计。最后的仿真结果证明了在接收信噪比足够高的情况下，估计是相当稳健和准确的。
本发明基于块稀疏贝叶斯算法的上下链路通信感知一体化方案包括以下几个步骤：
S1：利用OFDM多载波调制技术将基带信号调制到不同的子载波上。并将调制后的时域信号分配到不同的基站远距射频单元上。
该步骤首先通过QAM调制将数字基带信号调制成数据符号，然后对数据符号进行空间预编码，通过预编码，可以为接收端提供功率增益(power gain)，另一方面也可以降低接收端的信号处理难度；然后对频域采样数据进行IFFT，转换为时域数据；然后把生成的复合时域信号x(t)分配给相应的远距射频单元。
S2：通过每个远距射频单元的均匀线性阵列雷达(ULA)确定发射和接收天线的阵列响应向量aM(σ)。
假设信号传播中存在平面波前，则有M个天线的均匀线性阵列(ULA)的导向矢量由下式给出：
aM(σ)＝[1,ejπsinσ,…,ejπ(M-1)sinσ]T (1)
其中M是阵列天线个数，σ是到达角(AoA)或离开角(AoD)。
S3：通过接收端和发射端的阵列响应向量确定在具有L个多径信号的信道中在第t个OFDM符号上对应的第n个子载波上的频域信道矩阵Hn。
我们让第l条多径的到达角(AoA)或离开角(AoD)分别表示为χl和σl，在有M1个发射天线和M2个接收天线的时域基带信号冲击响应为：
其中bl是振幅值，τl是传播延迟，fD,l是相关的传播延迟。将接收到的信号被转换到频域进行处理。对于第t个OFDM块的第n个子载波处的频域信道矩阵由下式给出：
其中是有效OFDM符号周期T，Ts是有效OFDM长度T加循环前缀长度Tp。
S4：确定上下行链路中远距射频单元的接收和发射信号yn,t，建立稀疏表示类on-grid测向方法量化延迟后的模型
假设一共存在Q个远距射频单元，对于下行链路感知，每个远距射频单元从自身和其他Q-1RRU接收到反射的下行链路信号。其在第t个OFDM块的第n个子载波处的第q个远距射频单元处的接收信号可以表示为：
其中xq,n,t是第q个远距射频单元在第t个OFDM块的第n个子载波处的发射信号，bq,l，τq,l，χq,l，σq,l分别为第q个远距射频单元在第l个多径的复值振幅，传播时延，到达角和离开角；且其中
xn，t＝(x1，n，t，…，xO，n，t)T (7)
其中U为阵元离开角的对角矩阵，或者的第l列为或者 zn,t为噪声。
同理，上行链路感知时远距射频单元的接收信号为：
其中bk,l，τk,l，χk,l，σk,l和fD,k,l分别为第k个远距射频单元在第l个多径的复值振幅，传播时延，到达角，离开角和多普勒频移；
然后考虑延迟量化后的on-grid稀疏模型,此时用K代表上行链路或下行链路中的发射端，即移动台或远距射频单元；用MT用于接收信号的阵元数量；用M表示用于接收的阵元数量。
其中Cn是量化延迟对角矩阵且且NP≤gN；P是一个Np×L矩形排列矩阵，它将来自用户/远距射频单元的信号映射到其多径信号，并且每行只有一个值为1的非零元素；
S5：将参数估计问题转化为MMV块稀疏问题，得到观察矩阵Yt以及块稀疏信号，通过快速边缘化块稀疏贝叶斯学习算法得到参数的估计值。
将(10)重新写为：
其中为量化延迟向量且 是MTk×MTk的单位矩阵；为KR积；其中Pl是矩阵PT的第l列；
此时，的前半部分为已知信号且依赖于子载波n，将作为行向量得到观察矩阵Yt：
其中W为感知矩阵，其第n行为已知信号 为块稀疏矩阵，由于块稀疏矩阵中只有L个元素不为零，所以我们将该块稀疏矩阵称为L-sparsity，L称为稀疏度。此时参数估计问题被转化为多测量矢量的块稀疏问题，观察矩阵为Yt，感知矩阵为W，块稀疏矩阵为
将块稀疏矩阵按网格分解为
由于块稀疏矩阵为L-sparsity块稀疏矩阵，则其只有在第l(l∈L)个分块上不为零，所以可得
将块稀疏矩阵中非零矩阵按发射阵元个数K表示为则可得：
通过计算Bl,k行列之间的互相关可得到到达角(AoA)或离开角(AoD)的估计值。
图3和图4分别是是本发明上行链路到达角和下行链路到达角仿真示意图。假设该系统具有4个远距射频单元(RRU)，通过多用户MIMO向4个用户提供连接。每个RRU有4根天线，每个移动台有1根天线。载频为2.35gHz，信号带宽为100mHz，λ＝c/2.35gHz。每个RRU/MS的多径信号是按照偏移为[-75,75]度，距离为[50，180]米，移动速度为[-40，40]米每秒的均匀分布生成的，模拟来自对象的反射信号。在图3和图4中，加号和圆分别表示估计值和实际值。我们可以看出，使用该方法估计出的多径信号到达角的估计值和实际值在50米到150米时符合较好，在150米以上有误差但仍然可以接受。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：频域相关系数的估计方法、装置和通信设备