一种基于大规模天线阵的分层分布式定位和测速方法

技术领域

本发明涉及信息处理技术领域，特别是涉及一种基于大规模天线阵的分层分布式定位和测速方法。

背景技术

大规模多输入多输出(Massive Multiple Input Multiple Output,大规模MIMO)技术作为第五代(5th Generation,5G)以及后续宽带移动通信的核心技术之一。与传统的MIMO相比，该技术以更大规模的三维天线阵列，采用复杂的三维空间复用技术，极大地提升了5G系统空口时间和频谱资源的复用能力，具有更高的通信容量和更好的服务能力。

测速和定位是无线信息系统的典型应用，和常规的均匀线性阵列和均匀圆形阵列相比，大规模阵列天线将天线单元的数量提高了一个数量级，天线单元数量的增加使得接收机可以获得更高的信号空间分辨能力，比如，可以进行方位和俯仰三维空间的分辨，大规模天线阵列结合空间谱(比如，MUSIC、ESPRIT等)，可以在密集的信号空间获得优于1度的空间分辨能力，在此基础之上，基于方位交叉可以获得更高的定位精度。

以ESPRIT为例：假设位于远场的辐射源同时发射出K个统计独立且具有相同波长的窄带信号，则有：

X

X

式中：A

对于整个阵列，接收到的来波信号矩阵X可以表示如下：

可得上式的协方差矩阵：

对协方差矩阵进行特征分解，得到：

式中，U

存在唯一的非奇异矩阵T，使得：

U

因此，

求解线性方程

在上述定位过程中，为了获得方位信息，需要对接收信号求协方差，再做特征值分解，然后，求解线性方程，在求解线性方程的过程中，需要对矩阵求逆。由于大规模天线阵列天线单元数成数量级的增加，相应地，矩阵运算的复杂度成数量级的平方倍增加。因此，传统的定位和测速方法，在大规模天线阵的体制下，存在实时计算复杂度过高的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于大规模天线阵的分层分布式定位和测速方法，以解决传统的定位和测速方法，在大规模天线阵的体制下，存在实时计算复杂度过高的问题。

一种基于大规模天线阵的分层分布式定位和测速方法，包括：

通过离线的深度神经网络训练得到多普勒测量深度神经网络模型和测速定位深度神经网络模型；

利用多普勒测量深度神经网络模型对大规模天线阵列的多路并行接收信号进行实时处理；

将多个分布式大规模天线阵列测量到的多普勒测量结果汇聚到中心站；

在中心站对各分布式大规模天线阵列的上报结果进行关联；

将关联上的多普勒测量结果，送入训练完成的测速定位深度神经网络模型，实时得到目标测速和定位结果。

根据本发明提供的基于大规模天线阵的分层分布式定位和测速方法，首先将目标测速和定位问题，分解为多普勒测量和测速定位问题，并用串联的两类神经网络(即多普勒测量深度神经网络模型和测速定位深度神经网络模型)，分别解决多普勒测量和测速定位问题，并将上述问题分为离线训练和在线实时计算两个阶段，将计算复杂的过程放在了离线训练阶段，用离线训练的深度神经网络模型对大规模天线阵列的多路并行接收信号进行智能化实时处理，实时计算的过程更加简单、快速，有效解决了在大规模天线阵的体制下，实时计算复杂度过高的问题。

另外，根据本发明上述的基于大规模天线阵的分层分布式定位和测速方法，还可以具有如下附加的技术特征：

其中，通过离线的深度神经网络训练得到多普勒测量深度神经网络模型的步骤具体包括：

构建信号训练集，信号训练集包含输入数据矩阵和输出结果集合，其中，输入数据矩阵是N×M维的矩阵，N表示大规模天线阵列的射频链路数，M表示一次训练的信号采样点数，一个输出结果集合由3组数据组成，第1组数据的维度是1×1，表示输入数据矩阵对应的多普勒频偏，第2组数据的维度是1×3，表示输入数据矩阵对应的目标相对速度，第3组数据的维度是1×3，表示输入数据矩阵对应的目标初始位置，一个输入数据矩阵与一个输出结果集合对应；

信号训练集分组，依次顺序地将两个输入节点编为一组，输入到一个预处理单元，进行预处理；

信号训练集预处理，每个预处理单元对应输入到预处理单元的两路信号之一，延时D个采样点，其中，D是非负数，另一个信号直通，对直通信号和延时信号进行相乘，并求乘法结果的均值；

深度神经网络训练，每个输入数据矩阵经过N/2个预处理单元处理后，得到的N/2个预处理结果，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果集合中的第1组数据，计算深度神经网络的性能，如此不断训练，直至深度神经网络的性能达到预设门限，得到多普勒测量深度神经网络模型。

其中，在计算深度神经网络的性能时，性能函数选用归一化均方根误差。

其中，通过离线的深度神经网络训练得到测速定位深度神经网络模型的步骤具体包括：

将K个分布式大规模天线阵列的训练集输入到训练完成的多普勒测量深度神经网络模型，K为正整数，对每个输入数据矩阵，得到K个多普勒频偏值；

将K个多普勒频偏值输入到测速定位深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果集合中的第2组数据和第3组数据，计算深度神经网络的性能，性能函数选用归一化加权均方根误差，计算方法如下：

其中，(v

最后，如此不断地训练，直至深度神经网络的性能达到预设门限，得到测速定位深度神经网络模型。

其中，利用多普勒测量深度神经网络模型对大规模天线阵列的多路并行接收信号进行实时处理的步骤具体包括：

在K个分布式大规模天线阵列，K为正整数，将实测数据，经过分组、预处理后，送入到训练完成的多普勒测量深度神经网络模型，实时得到多普勒频偏的分布式测量值，并记录测量时间和信号特征信息。

其中，将多个分布式大规模天线阵列测量到的多普勒测量结果汇聚到中心站的步骤具体包括：

将测量到的多普勒频偏和对应记录的测量时间和信号特征信息，经有线网或无线网，上报至中心站点。

其中，在中心站对各分布式大规模天线阵列的上报结果进行关联的步骤中，关联规则为：测量时间的时间偏差小于预设门限，并且信号特征的归一化偏差小于预设门限。

其中，在中心站对各分布式大规模天线阵列的上报结果进行关联时，若缺少信号特征的记录，则只依据测量时间进行关联。

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例提供的基于大规模天线阵的分布式定位和测速方法的流程示意图；

图2是本发明一实施例提供的基于大规模天线阵的分布式定位和测速方法的原理示意图；

图3是对每个预处理单元进行运算的原理示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

请参阅图1和图2，本发明一实施例的基于大规模天线阵的分布式定位和测速方法，包括步骤S101～S105。

S101，通过离线的深度神经网络训练得到多普勒测量深度神经网络模型和测速定位深度神经网络模型。

本实施例中，步骤S101具体包括以下步骤：

第一步：大规模天线阵列有N＝32个射频链路数，构建测试集时，空中无人机与大规模天线阵列设置1000种不同的相对运动速度和初始位置，每个射频链路连续采样M＝1024点，记录1000个32×1024维输入数据矩阵，并依据设置的相对运动速度和初始位置，计算对应的多普勒频偏，形成1000个输出结果集合，1000个32×1024维输入数据矩阵和1000个输出结果集合形成训练集，一个输出结果集合有3组数据组成，第1组数据的维度是1×1，表示输入数据矩阵对应的多普勒频偏，第2组数据的维度是1×3，表示输入数据矩阵对应的目标相对速度，第3组数据的维度是1×3，表示输入数据矩阵对应的目标初始位置，一个输入数据矩阵与一个输出结果集合对应。

第二步：多普勒测量深度神经网络训练：首先，输入数据矩阵的每一行对应大规模天线阵列一个射频链路，对应输入到一个输入节点，即第1行输入到第1个输入节点，第2行输入到第2个输入节点，以此类推；

然后，训练集分组：依次顺序地将两个输入节点编为一组，输入到一个预处理单元，进行预处理。

接着，训练集预处理：如图3所示，每个预处理单元对输入到预处理单元的两路信号之一，延时D＝0个采样点，另一个信号直通。对直通信号和延时信号进行相乘，并求乘法结果的均值。

最后，深度神经网络训练：每个输入数据矩阵经过16个预处理单元处理后，得到的16个预处理结果，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果集合中的第1组数据，计算深度神经网络的性能，性能函数选用归一化均方根误差，如此不断地训练，直至深度神经网络的性能达到预设门限，得到多普勒测量深度神经网络模型。

第三步：测速定位神经网络训练：在中心站，首先，将3个分布式大规模天线阵列的训练集输入到第二步训练完成的深度神经网络模型，对每个输入数据矩阵，得到3个多普勒频偏值。

接着，3个多普勒频偏值输入到测速定位深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果集合中的第2组数据和第3组数据，计算深度神经网络的性能，性能函数选用归一化加权均方根误差，计算方法如下：

其中，(v

最后，如此不断地训练，直至深度神经网络的性能达到预设门限，得到测速定位深度神经网络模型。

S102，利用多普勒测量深度神经网络模型对大规模天线阵列的多路并行接收信号进行实时处理。

本实施例中，在3个分布式大规模天线阵列，将实测数据，经过分组、预处理后，送入到训练完成的深度神经网络模型，实时得到多普勒频偏的分布式测量值，并记录测量时间和信号特征信息。

S103，将多个分布式大规模天线阵列测量到的多普勒测量结果汇聚到中心站。

本实施例中，3个分布式大规模天线阵列，将测量到的多普勒频偏和对应记录的测量时间和信号特征信息(比如：中心频率、调制方式)，经以太网或5G网，上报至中心站点，中心站是3个分布式大规模天线阵列之一或其它的设备。

S104，在中心站对各分布式大规模天线阵列的上报结果进行关联。

本实施例中，中心站依据测量时间和信号特征对多普勒频偏测量结果进行关联，关联的准则如下：

测量时间的时间偏差小于预设门限(比如，10毫秒)，并且信号特征的归一化偏差小于预设门限(比如：2％)。

在上述关联的过程中，若缺少信号特征的记录，则只依据测量时间进行关联。

S105，将关联上的多普勒测量结果，送入训练完成的测速定位深度神经网络模型，实时得到目标测速和定位结果。

其中，将关联上的多普勒测量结果，送入训练完成的测速定位深度神经网络模型，即可实时得到目标测速和定位结果。

实际测试表明本实施例的定位的归一化均方误差优于3R％，其中，R表示目标距离。

综上，根据本发明提供的基于大规模天线阵的分布式定位和测速方法，首先将目标测速和定位问题，分解为多普勒测量和测速定位问题，并用串联的两类神经网络(即多普勒测量深度神经网络模型和测速定位深度神经网络模型)，分别解决多普勒测量和测速定位问题，并将上述问题分为离线训练和在线实时计算两个阶段，将计算复杂的过程放在了离线训练阶段，用离线训练的深度神经网络模型对大规模天线阵列的多路并行接收信号进行智能化实时处理，实时计算的过程更加简单、快速，有效解决了在大规模天线阵的体制下，实时计算复杂度过高的问题。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。