用于非线性轨迹的智能波束预测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开一种用于非线性轨迹的智能波束预测方法、装置、设备及介质，获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；根据估计方法和映射表分别计算基于所述接收导频信号的移动终端投影位置估计值和速度估计值，以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；根据所述模型输出的移动终端投影位置和速度，结合映射表，计算预测时刻的移动终端投影位置；根据所述预测时刻的移动终端投影位置，实现波束预测。本发明专利技术有助于极大地降低波束对齐和跟踪中的波束训练开销和指令下达时延，提升频谱效率。提升频谱效率。提升频谱效率。

【技术实现步骤摘要】
用于非线性轨迹的智能波束预测方法、装置、设备及介质


[0001]本专利技术涉及毫米波MIMO无线移动通信
，尤其涉及一种用于非线性轨迹的智能波束预测方法、装置、设备及介质。

技术介绍

[0002]毫米波多用户多输入多输出(MIMO)无线通信使用大规模天线和波束赋形技术来解决高频段下的路径损耗问题，实现空分复用，提高频谱效率。但是，大规模天线下的移动场景尤其是高速铁路场景，波束对齐和跟踪具有大量的波束训练开销和显著的指令下达时延。因此，减少波束训练开销和指令下达时延这两个问题是目前移动无线通信中的关键。现有的波束管理框架在上述问题解决方面仍有很大的提升空间，长时细时间颗粒度的波束预测技术能够极大地降低波束训练开销，并避免指令下达造成的时延。
[0003]无线通信中基于模型驱动的方法具有好的理论保证和可解释性，但是在面对包含不明确先验的非线性复杂场景时，模型驱动方法不能有效解决，性能显著下降。

技术实现思路

[0004]技术目的：针对现有技术中的缺陷，本专利技术公开了一种用于非线性轨迹的智能波束预测方法、装置、设备及介质，有助于极大地降低波束对齐和跟踪中的波束训练开销和指令下达时延，提升频谱效率。
[0005]技术方案：为实现上述技术目的，本专利技术采用以下技术方案：一种用于非线性轨迹的智能波束预测方法，包括以下步骤：
[0006]获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
[0007]根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号的移动终端投影位置估计值和速度估计值，以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；
[0008]根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；
[0009]根据所述预测时刻的移动终端投影位置，实现波束预测。
[0010]进一步的，所述概率论的参数估计方法包括似然估计方法和/或贝叶斯估计方法。
[0011]进一步的，根据概率论的参数估计方法以及所述接收导频信号，确定基于接收导频信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于接收导频信号的移动终端投影位置估计值和速度估计值；
[0012]根据概率论的参数估计方法以及所述测量信号，确定基于测量信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于测量信号的移动终端投影位置估计值和速度估计值。
[0013]进一步的，所述映射表的构造方法包括：
[0014]通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中；
[0015]所述绝对路径长度为移动终端以初始投影位置为起点在非线性轨迹上的积分路径长度。
[0016]进一步的，在两个迭代计算中均包括：根据所述映射表获得除最后一个观测时刻外的其他任意一个观测时刻的移动终端投影位置，包括：
[0017]从所述映射表中查找最后一个观测时刻移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
[0018]计算移动终端在所述其他任意一个观测时刻的投影位置和最后一个观测时刻投影位置之间的相对路径长度，记为第二相对路径长度；
[0019]将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度；
[0020]根据第三绝对路径长度，在映射表中查找获得所述其他任意一个观测时刻的移动终端投影位置。
[0021]进一步的，所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度估计值的方差及速度估计值的偏差；
[0022]根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；
[0023]根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。
[0024]进一步的，所述位置网络和速度网络均包括方差子网络和偏置子网络，所述方差子网络和偏置子网络均为包括两个隐层的神经网络模型；
[0025]所述方差子网络用于输出方差，所述偏置子网络用于输出偏差。
[0026]进一步的，所述根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置，包括：
[0027]从所述映射表中查找模型输出的移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
[0028]根据模型输出的移动终端速度，计算移动终端在预测时刻的投影位置和模型输出的移动终端投影位置之间的相对路径长度，记为第二相对路径长度；
[0029]将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度，作为预测时刻的移动终端投影位置对应的绝对路径长度；
[0030]根据第三绝对路径长度，在映射表中查找获得预测时刻的移动终端投影位置。
[0031]进一步的，根据所述预测时刻的移动终端投影位置，实现波束预测，包括：
[0032]根据所述预测时刻的移动终端投影位置，得到移动终端接收端的信道LOS的出发角，进而得到基站发射端和移动终端接收端的模拟预编码；
[0033]根据所述预测时刻的移动终端投影位置和所述移动终端接收端的信道LOS的出发角，得到虚拟信道，根据所述虚拟信道得到基站发射端数字预编码；
[0034]所述基站发射端模拟预编码和所述基站发射端数字预编码均用于供基站发射数据信号，所述移动终端接收端的模拟预编码用于供移动终端接收基站发射的数据信号。
[0035]一种用于非线性轨迹的智能波束预测装置，包括：
[0036]获取模块，用于获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
[0037]位置和速度估计模块，用于根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置估计值和速度；
[0038]位置预测模块，用于根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；
[0039]波束预测模块，用于根据所述预测时刻的移动终端投影位置，实现波束预测。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于非线性轨迹的智能波束预测方法，其特征在于，包括以下步骤：获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号的移动终端投影位置估计值和速度估计值，以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；根据所述预测时刻的移动终端投影位置，实现波束预测。2.根据权利要求1所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：所述概率论的参数估计方法包括似然估计方法和/或贝叶斯估计方法。3.根据权利要求1所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：根据概率论的参数估计方法以及所述接收导频信号，确定基于接收导频信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于接收导频信号的移动终端投影位置估计值和速度估计值；根据概率论的参数估计方法以及所述测量信号，确定基于测量信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于测量信号的移动终端投影位置估计值和速度估计值。4.根据权利要求1所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：所述映射表的构造方法包括：通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中；所述绝对路径长度为移动终端以初始投影位置为起点在非线性轨迹上的积分路径长度。5.根据权利要求3所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：在两个迭代计算中均包括：根据所述映射表获得除最后一个观测时刻外的其他任意一个观测时刻的移动终端投影位置，包括：从所述映射表中查找最后一个观测时刻移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；计算移动终端在所述其他任意一个观测时刻的投影位置和最后一个观测时刻投影位置之间的相对路径长度，记为第二相对路径长度；将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度；根据第三绝对路径长度，在映射表中查找获得所述其他任意一个观测时刻的移动终端投影位置。6.根据权利要求1所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度
估计值的方差及速度估计值的偏差；根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。7.根据权利要求6所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：所述位置网络和速度网络均包括方差子网络和偏置子网络，所述方差子网络和偏置子网络均为包括两个隐层的神经网络模型；所述方差子网络用于输出方差，所述偏置子网络用于输出偏差。8.根据权利要求1所述的一种用于非线性轨迹的智能波束预测方法，其特征在于：...

【专利技术属性】
技术研发人员：孟帆，黄永明，尤肖虎，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：