申请/专利权人：重庆邮电大学

申请日：2022-04-25

公开（公告）日：2024-03-29

公开（公告）号：CN114885288B

主分类号：H04W4/021

分类号：H04W4/021;H04W4/33;H04W64/00;H04B7/08;H04B7/06;G01S17/894;G01S17/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明提出了一种基于多重信号分类MUltipleSignalClassification,MUSIC和匹配追踪MatchingPursuit,MP融合的参数估计方法。首先，本方法将获取的信道状态信息ChannelStateInformation,CSI数据从子载波、天线两个维度来构建二维矩阵。其次，将二维矩阵进行信号子空间和噪声子空间分解，从而构造谱函数。在谱函数的基础上，通过一维MUSIC算法对信号的飞行时间TimeofFlight,ToF进行估计。最后，将估计得到的ToF带入MP算法中构造字典矩阵对到达角AngleofArrival,AoA进行估计。本发明设计的融合参数估计方法在利用MUSIC算法的优势保障参数估计精度的同时又利用MP算法运行速度快的优势，降低了融合后的算法复杂度，从而实现二维参数估计的性能指标优化。

主权项：1.一种基于MUSIC和MP融合的参数估计方法，包括以下步骤：步骤一：在Wi-Fi系统中有K个信号源，N个子载波，接收端的接收机包含M根天线，接收来自信号源的CSI信息，利用不同天线、不同子载波的CSI信息构造二维矩阵X＝{xm,n}M×N，其中，xm,n表示第m根天线上第n个子载波的CSI信息，其中，1≤m≤M,1≤n≤N；步骤二：对矩阵X进行特征分解以求解噪声子空间和信号子空间，具体的算法流程如下所示：计算矩阵X的协方差矩阵：R＝E{XXΗ}＝APAΗ+σ2I其中，R为空间信号的协方差矩阵，P为正定矩阵，σ2为噪声功率，I为单位矩阵，[]Η表示对[·]的共轭转置，E[·]表示对[·]求取期望；A为阵列流行矩阵，表示为： 其中，Δf为相邻子载波的间隔，τk为信号沿第k条传播路径到达天线阵列的传播时延，其中，1≤k≤K；矩阵A是N×K维的范德蒙德阵，只要τk≠τj，其中，k≠j，它的列就相互独立；P为正定矩阵，属于非奇异阵，则APAΗ共有K个正特征值；噪声功率σ2＞0，而APAΗ的特征值为正，R为满秩阵，因此R有N个正特征值，按降序可排列为λ1≥λ2≥…≥λN；其中，较大的K个特征值对应着信号分量，它们分别等于APAΗ的各特征值与σ2之和；其余较小的N-K个特征值对应着噪声分量，它们都等于σ2，即σ2为R的最小特征值，它是N-K重的；同时，将与信号有关的K个特征值对应的信号分量看作是信号子空间ES＝[ν1,ν2,…,νK]，其余的N-K个特征值对应的噪声分量看作是噪声子空间EN＝[νK+1,νK+2,…,νN]，νi表示第i个特征值对应的特征向量，其中，1≤i≤N；因此只要将天线各阵元输出数据的协方差矩阵进行特征值分解，找出最小特征值的个数nE，据此就可以求出信号源的个数K；假设R的最小特征值为λmin，它是nE重的，对应着nE个相互正交的最小特征向量，即EN，则有Rνi＝λminνi,i＝K+1,…N，从而APAΗνi+σ2-λminνi＝0其中，λmin＝σ2，所以APAΗνi＝0；A是范德蒙德阵，P是正定矩阵，所以AΗνi＝0，表明R的各个最小特征向量与矩阵A的各列正交；最后得到相互正交的噪声子空间和信号子空间；步骤三：构造空间谱函数，具体的算法如下所示：信号源沿第k条传播路径到达天线阵列时，显然有： 其中，aτk为与矩阵A的列向量阵列流型相同的N×1维方向矢量；由于协方差矩阵R是根据有限次观测数据估计得到，对其进行特征分解时，最小特征值σ2和重数nE的确定以及最小特征向量的估计存在误差；当EN存在偏差时，上式右边不是零向量，这时可取使得的范数为最小值的作为第k个信号源飞行时间的估计值；利用噪声子空间与信号子空间的正交性，构造如下空间谱函数： 通过搜索谱函数的峰值得到对应的ToF参数估计值τtof；步骤四：由步骤三中得到的τtof，带入二维MP参数估计中进行字典矩阵的构造，具体的算法流程如下：AoA的搜索角度值组成的向量为长度为l；因此，由AoA的第i个搜索角度构造的原子即为： 其中，1≤i≤l，f为信号频点，d为天线之间的间距，c为光速，[·]T表示对[·]的转置，ψ的维度为M×l；ToF参数估计值为τtof，则由ToF构造的原子为： 其中，Φ＝φτtof，Φ的维度为N×1；因此，由第i个搜索角度和τtof确定时延构造的字典矩阵即为： 其中，Ψi；τtof的维度为MN×l，表示张量积；步骤五：寻找最优原子，具体流程如下：初始化迭代次数t＝0，残差r0＝X；将字典矩阵中的每一个原子分别与残差进行内积运算，找到字典矩阵中与残差的投影系数最大的原子，即：λt＝argmax||rt-1,bj||其中，λt为第t次迭代中内积最大值，bj为字典矩阵Ψi；τtof中的原子，其中，1≤j≤l，argmax[·]表示对[·]求取最大参数，||·||表示范数，·表示内积运算，rt-1为上一轮迭代中找到最优原子后所更新的残差值，即： 步骤六：将最优原子从字典矩阵中删掉，增加迭代次数t＝t+1，重复步骤五的内积运算与更新残差值，直到满足迭代终止条件t＞K，此时，K表示待估计的信源个数；因此待估计信号的AoA参数就等于每次迭代中找出的最优原子对应的AoA。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于MUSIC和MP融合的参数估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD