用于大规模天线角度估计的无迹卡尔曼滤波方法及装置制造方法及图纸

本发明专利技术公开了一种用于大规模天线角度估计的无迹卡尔曼滤波方法及装置，所述方法包括：对当前时刻的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态、预测协方差和预测观测值；计算所述预测观测值的自协方差矩阵，并将所述自协方差矩阵近似为两个低维矩阵的组合；根据所述两个低维矩阵计算无迹卡尔曼滤波增益矩阵；根据所述预测状态、所述预测协方差、所述预测观测值、所述无迹卡尔曼滤波增益矩阵和当前时刻的系统观测值，更新获得当前时刻的目标角度状态和协方差，从而降低运算复杂度，且降低算法运行时间。

Unscented Kalman filtering method and device for large-scale antenna angle estimation

【技术实现步骤摘要】
用于大规模天线角度估计的无迹卡尔曼滤波方法及装置
本专利技术涉及通信
，特别是指一种用于大规模天线角度估计的无迹卡尔曼滤波方法及装置。
技术介绍
随着科技的不断发展，探测获取目标的实时角度将在多种领域发挥越来越重要的作用。譬如，在雷达领域中，能否对目标来波方向进行精确估计将在很大程度上决定雷达系统在军、民用领域的各种应用中所体现的性能；在通信领域中，随着5G相关技术的发展完善，基于高精度波束指向的毫米波通信技术将得到越来越广泛的普及应用，而其中波束高精度指向与对准在很大程度上依赖于对目标方向的准确估计。一直以来，通过多天线对于目标方向/角度的估计得到了广泛的关注并经历了长足的发展，其中以多信号分类(MultipleSignalClassification，MUSIC)等算法为代表的静态超分辨算法占据着研究主导地位。然而这类算法在处理实时动态目标角度估计问题时，通常面临着对角度空间进行搜索带来的较高复杂度。卡尔曼滤波算法是一种在随机估计理论中引入状态空间相关原理的最优估计算法，长期以来一直受到研究者的关注，并已被成功应用至通信、气象、金融等各个领域中。传统卡尔曼滤波算法通过线性系统状态方程对目标状态与协方差进行预测，并根据线性观测方程对目标状态与协方差进行更新，并将更新结果进一步代入到下一时刻的算法中。上述两步骤交替进行，以完成对目标状态的实时序贯估计。为应对非线性的系统状态与观测模型，扩展卡尔曼滤波通过一阶泰勒近似可在一定程度上对非线性误差进行补偿。然而，在多天线目标角度估计场景下，系统观测模型将面临高度的非线性，以至于传统线性与扩展卡尔曼滤波算法皆失去作用。在这种背景下，无迹卡尔曼滤波通过对系统状态进行采样代替线性逼近，克服了高度非线性带来的误差，为多天线目标角度估计提供了一种高效稳定的方案。在未来，对于目标角度估计的分辨率要求越来越高，而信号频段的提升与天线设计的发展所驱动的大规模天线设计与部署被认为是提升目标角度估计分辨率的一种直接方案，并受到越来越广泛的关注。然而在这种大规模天线场景下，传统无迹卡尔曼滤波算法将面临天线数目大幅增加所带来的运算时间延长问题。具体来说，无迹卡尔曼滤波算法中的关键一步为计算卡尔曼增益矩阵G，该步骤包含对预测观测值向量的自协方差矩阵Py,y的求逆操作，该自协方差矩阵Py,y的维度为M×M，其中M为天线数量。以一般求逆方法对该矩阵进行求逆运算时，所需要的乘法次数为O(M3)。因此，在将无迹卡尔曼滤波算法应用于大规模天线场景(M≥256)中的目标角度估计时，该求逆运算将耗费大量的时间。这种大规模矩阵求逆操作带来的复杂度提升在一方面，将提升角度估计系统的能耗，不利于长时间序贯角度跟踪；另一方面，将延长算法运行时延，不利于目标角度的实时获取。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种用于大规模天线角度估计的无迹卡尔曼滤波方法及装置，能够降低运算复杂度，且降低算法运行时间。基于上述目的本专利技术提供的用于大规模天线角度估计的无迹卡尔曼滤波方法，包括：对当前时刻的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态、预测协方差和预测观测值；计算所述预测观测值的自协方差矩阵，并将所述自协方差矩阵近似为两个低维矩阵的组合；根据所述两个低维矩阵计算无迹卡尔曼滤波增益矩阵；根据所述预测状态、所述预测协方差、所述预测观测值、所述无迹卡尔曼滤波增益矩阵和当前时刻的系统观测值，更新获得当前时刻的目标角度状态和协方差。进一步地，所述对当前时刻的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态、预测协方差和预测观测值，具体包括：获取上一时刻k-1的目标角度状态Xk-1|k-1和协方差Pk-1|k-1；对上一时刻k-1的目标角度状态Xk-1|k-1进行随机采样，获得采样点集χk-1(i)；根据所述采样点集χk-1(i)，对当前时刻k的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态Xk|k-1、预测协方差Pk|k-1和预测观测值Yk|k-1。进一步地，所述根据所述采样点集χk-1(i)，对当前时刻k的目标角度状态、协方差和系统观测值进行预测，获得预测状态Xk|k-1、预测协方差Pk|k-1和预测观测值Yk|k-1，具体包括：给所述采样点集χk-1(i)中的每个采样点分配状态权重ωs(i)和协方差权重ωc(i)；对每个采样点进行状态预测和观测值预测；根据每个采样点的状态权重ωs(i)和预测的状态χk(i)，对当前时刻k的目标角度状态进行预测，获得所述预测状态Xk|k-1；根据所述预测状态Xk|k-1、每个采样点的协方差权重ωc(i)和预测的状态χk(i)，对当前时刻k的目标角度协方差进行预测，获得所述预测协方差Pk|k-1；根据每个采样点的状态权重ωs(i)和预测的观测值Yk(i)，对当前时刻k的系统观测值进行预测，获得所述预测观测值Yk|k-1。进一步地，所述采样点集χk-1(i)为：所述状态权重ωs(i)为：所述协方差权重ωc(i)为：所述预测状态Xk|k-1为：所述预测协方差Pk|k-1为：所述预测观测值Yk|k-1为：其中，((N+θ)Pk-1|k-1)C为矩阵(N+λ)Pk-1|k-1的平方根分解，N为状态向量的维度，λ为缩放比例参数，α为控制采样点分布状态的参数，β为系统先验信息参数，为采样点集χk-1(i)的转移函数，为采样点集χk-1(i)的观测函数。进一步地，所述计算所述预测观测值的自协方差矩阵，具体包括：根据每个采样点的协方差权重ωc(i)和预测的观测值Yk(i)，计算所述预测观测值Yk|k-1的自协方差矩阵Py,y；其中，进一步地，所述将所述自协方差矩阵近似为两个低维矩阵的组合，具体包括：从所述自协方差矩阵Py,y的列向量中随机选取s个列向量，并将选取的s个列向量组合为随机采样矩阵S；根据所述自协方差矩阵Py,y和所述随机采样矩阵S，计算低维表征矩阵C和低维权重矩阵U，以使所述自协方差矩阵Py,y近似为所述低维表征矩阵C和所述低维权重矩阵U的组合CUCT；C＝Py,yS，C∈RM×s；U＝(STPy,yS)*，U∈Rs×s；其中，M为天线数目。进一步地，所述根据所述两个低维矩阵计算无迹卡尔曼滤波增益矩阵，具体包括：根据所述预测状态Xk|k-1、所述预测观测值Yk|k-1、每个采样点的协方差权重ωc(i)和预测的观测值Yk(i)，计算所述预测观测值Yk|k-1与所述采样点集χk-1(i)的互相关矩阵Px,y；根据所述互相关矩阵Px,y、所述低维表征矩阵C和所述低维权重矩阵U，计算无迹卡尔曼滤波增益矩阵G。进一步地，所述互相关矩阵Px,y为：所述无迹卡尔曼滤波增益矩阵G为：G＝Px,y[(σ2)-1IM-(σ2)-1C(σ2U-1+CTC)CT]；其中，IM为维度为M的单位矩阵，σ2为方差。进一步地，当前时刻k的目标角度状态Xk|k为：Xk|k＝Xk|k-1+G(Yk-Yk|k-1)；当前时刻k的目标角度协方差Pk|k为：Pk|k＝Pk|k-1-GPy,yGT其中，Yk为当前时刻k的系统观测值。本专利技术还提供一种用于大规模天线角度估计的无迹卡尔曼滤波装置，能够实现上述用于大规模天线角度估计的无迹卡尔曼滤波方法的所有流程，所述装本文档来自技高网...

【技术保护点】
1.一种用于大规模天线角度估计的无迹卡尔曼滤波方法，其特征在于，包括：对当前时刻的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态、预测协方差和预测观测值；计算所述预测观测值的自协方差矩阵，并将所述自协方差矩阵近似为两个低维矩阵的组合；根据所述两个低维矩阵计算无迹卡尔曼滤波增益矩阵；根据所述预测状态、所述预测协方差、所述预测观测值、所述无迹卡尔曼滤波增益矩阵和当前时刻的系统观测值，更新获得当前时刻的目标角度状态和协方差。

【技术特征摘要】
1.一种用于大规模天线角度估计的无迹卡尔曼滤波方法，其特征在于，包括：对当前时刻的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态、预测协方差和预测观测值；计算所述预测观测值的自协方差矩阵，并将所述自协方差矩阵近似为两个低维矩阵的组合；根据所述两个低维矩阵计算无迹卡尔曼滤波增益矩阵；根据所述预测状态、所述预测协方差、所述预测观测值、所述无迹卡尔曼滤波增益矩阵和当前时刻的系统观测值，更新获得当前时刻的目标角度状态和协方差。2.根据权利要求1所述的用于大规模天线角度估计的无迹卡尔曼滤波方法，其特征在于，所述对当前时刻的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态、预测协方差和预测观测值，具体包括：获取上一时刻k-1的目标角度状态Xk-1|k-1和协方差Pk-1|k-1；对上一时刻k-1的目标角度状态Xk-1|k-1进行随机采样，获得采样点集χk-1(i)；根据所述采样点集χk-1(i)，对当前时刻k的目标角度状态、协方差和系统观测值进行预测，获得当前时刻的预测状态Xk|k-1、预测协方差Pk|k-1和预测观测值Yk|k-1。3.根据权利要求2所述的用于大规模天线角度估计的无迹卡尔曼滤波方法，其特征在于，所述根据所述采样点集χk-1(i)，对当前时刻k的目标角度状态、协方差和系统观测值进行预测，获得预测状态Xk|k-1、预测协方差Pk|k-1和预测观测值Yk|k-1，具体包括：给所述采样点集χk-1(i)中的每个采样点分配状态权重ωs(i)和协方差权重ωc(i)；对每个采样点进行状态预测和观测值预测；根据每个采样点的状态权重ωs(i)和预测的状态χk(i)，对当前时刻k的目标角度状态进行预测，获得所述预测状态Xk|k-1；根据所述预测状态Xk|k-1、每个采样点的协方差权重ωc(i)和预测的状态χk(i)，对当前时刻k的目标角度协方差进行预测，获得所述预测协方差Pk|k-1；根据每个采样点的状态权重ωs(i)和预测的观测值Yk(i)，对当前时刻k的系统观测值进行预测，获得所述预测观测值Yk|k-1。4.根据权利要求3所述的用于大规模天线角度估计的无迹卡尔曼滤波方法，其特征在于，所述采样点集χk-1(i)为：所述状态权重ωs(i)为：所述协方差权重ωc(i)为：所述预测状态Xk|k-1为：所述预测协方差Pk|k-1为：所述预测观测值Yk|k-1为：其中，((N+λ)Pk-1|k-1)C为矩阵(N+λ)Pk-1|k-1的平方根分解，N为状态向量的维度，λ为缩放比例参数，α为控制采样点分布状态的参数，β为系统先验信息参数，为采样点集χk-1(i)的转移函数，为采样点集χk-1(i)的观测函数。5.根据权利要求3所述的...

【专利技术属性】
技术研发人员：李斌，陶艺文，赵成林，许方敏，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11