定位估计方法、装置及终端制造方法及图纸

本发明专利技术提供一种定位估计方法、装置及终端，解决现有对DoA和ToA的估计方法，在低信噪比下性能不佳的问题。本发明专利技术的方法：获取接收信号对应的CFR；根据CFR，得到反映所述接收信号的信噪比的参考值；在参考值小于预设阈值的情况下，将CFR依次通过滤噪神经网络和估计神经网络，得到接收信号的DoA估计值和ToA估计值；或者，在参考值大于或者等于预设阈值的情况下，将CFR通过估计神经网络，得到接收信号的DoA估计值和ToA估计值；其中，滤噪神经网络与估计神经网络级联。本发明专利技术对于低信噪比下的CFR，通过滤噪神经网络对其进行滤波，能够增强信号，减少噪声，有助于提高定位估计的精度。有助于提高定位估计的精度。有助于提高定位估计的精度。

【技术实现步骤摘要】
定位估计方法、装置及终端


[0001]本专利技术涉及通信
，尤其涉及一种定位估计方法、装置及终端。

技术介绍

[0002]无线信号的到达角度(Direction of arrival，DoA)和到达时间(Time of arrival，ToA)的精确测量在商业，军事中都有广泛的应用，例如室内定位，水下/空中目标跟踪和监视以及一些智能机器人的应用等。在这些应用下如精确定位，往往需要同时获得DoA和ToA的估计值。在高信噪比条件下，对ToA和DoA进行估计相对简单，然而在复杂环境下，传输的信号受到衰落和干扰的影响，此时信噪比较低，接收信号中的有效分量少，此时对ToA和DoA的估计极具挑战性。
[0003]现有技术中DoA和ToA的估计方法，可以基于多信号分类(Multiple Signal Classification，MUSIC)算法进行估计，也可采用近似极大似然估计(Approximate maximum likelihood，AML)算法进行估计，还可采用基于数据驱动的深度神经网络进行估计。但是上述估计方法均存在低信噪比下性能不佳的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种定位估计方法、装置及终端，用以解决现有对DoA和ToA的估计方法，在低信噪比下性能不佳的问题
[0005]为了实现上述目的，本专利技术实施例提供一种方法，包括：
[0006]获取接收信号对应的信道频率响应CFR；
[0007]根据CFR，得到反映所述接收信号的信噪比的参考值；
[0008]在所述参考值小于预设阈值的情况下，将所述CFR依次通过滤噪神经网络和估计神经网络，得到所述接收信号的到达角度DoA估计值和到达时间ToA估计值；或者，
[0009]在所述参考值大于或者等于所述预设阈值的情况下，将所述CFR通过所述估计神经网络，得到所述接收信号的DoA估计值和ToA估计值；
[0010]其中，所述滤噪神经网络与所述估计神经网络级联，所述滤噪神经网络用于对所述CFR进行噪声滤波，所述估计神经网络用于对所述接收信号的DoA和ToA进行估计。
[0011]其中，根据CFR，得到反映所述接收信号的信噪比的参考值，包括：
[0012]根据CFR，计算得到所述接收信号的采样协方差矩阵；
[0013]对所述接收信号的采样协方差矩阵进行特征值分解，得到信号空间的特征值和噪声空间的特征值；
[0014]将所述信号空间的特征值与所述噪声空间的特征值进行比值计算，得到反映所述接收信号的信噪比的参考值。
[0015]其中，获取接收信号对应的信道频率响应CFR之前，所述方法还包括：
[0016]将基于预设模拟仿真环境，仿真生成的接收信号对应的CFR，作为第一训练数据集，并构建滤噪神经网络模型，其中，所述接收信号对应的CFR包括对应不同信噪比下的
CFR；
[0017]利用所述第一训练数据集，对所述滤噪神经网络模型进行训练，得到完成训练后的滤噪神经网络，其中，所述滤噪神经网络的输入为有噪条件下的接收信号对应的CFR，输出为无噪条件下的接收信号对应的CFR。
[0018]其中，在对所述滤噪神经网络模型进行训练的过程中，基于最小化均方误差MSE进行反向传播，以更新所述滤噪神经网络模型的参数。
[0019]其中，获取接收信号对应的信道频率响应CFR之前，所述方法还包括：
[0020]将基于预设模拟仿真环境，仿真生成的满足预设信噪比条件下的接收信号对应的CFR、接收信号的DoA和ToA，作为第二训练数据集，并构建估计神经网络模型；
[0021]利用所述第二训练数据集，对所述估计神经网络模型进行训练，得到完成训练后的估计神经网络，其中，所述估计神经网络的输入为满足预设信噪比条件下的接收信号对应的CFR，输出分别为接收信号的DoA和ToA。
[0022]其中，在对所述估计神经网络模型进行训练的过程中，基于交叉熵损失进行反向传播，以更新所述估计神经网络模型的参数。
[0023]其中，所述预设模拟仿真环境所需设置的环境参数包括下述中的至少一者：
[0024]接收阵列；
[0025]天线极化方式；
[0026]阵元间隔；
[0027]子载波个数；
[0028]子载波间隔；
[0029]DoA角度间隔；
[0030]DoA角度变化范围；
[0031]DoA分类精度；
[0032]ToA变化范围；
[0033]ToA采样间隔；
[0034]环境噪声的信噪比。
[0035]为了实现上述目的，本专利技术实施例还提供一种终端，包括：存储器、收发机，处理器：存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行以下操作：
[0036]获取接收信号对应的信道频率响应CFR；
[0037]根据CFR，得到反映所述接收信号的信噪比的参考值；
[0038]在所述参考值小于预设阈值的情况下，将所述CFR依次通过滤噪神经网络和估计神经网络，得到所述接收信号的到达角度DoA估计值和到达时间ToA估计值；或者，
[0039]在所述参考值大于或者等于所述预设阈值的情况下，将所述CFR通过所述估计神经网络，得到所述接收信号的DoA估计值和ToA估计值；
[0040]其中，所述滤噪神经网络与所述估计神经网络级联，所述滤噪神经网络用于对所述CFR进行噪声滤波，所述估计神经网络用于对所述接收信号的DoA和ToA进行估计。
[0041]其中，所述处理器用于读取所述存储器中的程序指令并执行以下操作：
[0042]根据CFR，计算得到所述接收信号的采样协方差矩阵；
[0043]对所述接收信号的采样协方差矩阵进行特征值分解，得到信号空间的特征值和噪声空间的特征值；
[0044]将所述信号空间的特征值与所述噪声空间的特征值进行比值计算，得到反映所述接收信号的信噪比的参考值。
[0045]其中，所述处理器用于读取所述存储器中的程序指令并执行以下操作：
[0046]将基于预设模拟仿真环境，仿真生成的接收信号对应的CFR，作为第一训练数据集，并构建滤噪神经网络模型，其中，所述接收信号对应的CFR包括对应不同信噪比下的CFR；
[0047]利用所述第一训练数据集，对所述滤噪神经网络模型进行训练，得到完成训练后的滤噪神经网络，其中，所述滤噪神经网络的输入为有噪条件下的接收信号对应的CFR，输出为无噪条件下的接收信号对应的CFR。
[0048]其中，在对所述滤噪神经网络模型进行训练的过程中，基于最小化均方误差MSE进行反向传播，以更新所述滤噪神经网络模型的参数。
[0049]其中，所述处理器用于读取所述存储器中的程序指令并执行以下操作：
[0050]将基于预设模拟仿真环境，仿真生成的满足预设信噪比条件下的接收信号对应的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种定位估计方法，其特征在于，包括：获取接收信号对应的信道频率响应CFR；根据CFR，得到反映所述接收信号的信噪比的参考值；在所述参考值小于预设阈值的情况下，将所述CFR依次通过滤噪神经网络和估计神经网络，得到所述接收信号的到达角度DoA估计值和到达时间ToA估计值；或者，在所述参考值大于或者等于所述预设阈值的情况下，将所述CFR通过所述估计神经网络，得到所述接收信号的DoA估计值和ToA估计值；其中，所述滤噪神经网络与所述估计神经网络级联，所述滤噪神经网络用于对所述CFR进行噪声滤波，所述估计神经网络用于对所述接收信号的DoA和ToA进行估计。2.根据权利要求1所述的方法，其特征在于，根据CFR，得到反映所述接收信号的信噪比的参考值，包括：根据CFR，计算得到所述接收信号的采样协方差矩阵；对所述接收信号的采样协方差矩阵进行特征值分解，得到信号空间的特征值和噪声空间的特征值；将所述信号空间的特征值与所述噪声空间的特征值进行比值计算，得到反映所述接收信号的信噪比的参考值。3.根据权利要求1所述的方法，其特征在于，获取接收信号对应的信道频率响应CFR之前，所述方法还包括：将基于预设模拟仿真环境，仿真生成的接收信号对应的CFR，作为第一训练数据集，并构建滤噪神经网络模型，其中，所述接收信号对应的CFR包括对应不同信噪比下的CFR；利用所述第一训练数据集，对所述滤噪神经网络模型进行训练，得到完成训练后的滤噪神经网络，其中，所述滤噪神经网络的输入为有噪条件下的接收信号对应的CFR，输出为无噪条件下的接收信号对应的CFR。4.根据权利要求3所述的方法，其特征在于，在对所述滤噪神经网络模型进行训练的过程中，基于最小化均方误差MSE进行反向传播，以更新所述滤噪神经网络模型的参数。5.根据权利要求1所述的方法，其特征在于，获取接收信号对应的信道频率响应CFR之前，所述方法还包括：将基于预设模拟仿真环境，仿真生成的满足预设信噪比条件下的接收信号对应的CFR、接收信号的DoA和ToA，作为第二训练数据集，并构建估计神经网络模型；利用所述第二训练数据集，对所述估计神经网络模型进行训练，得到完成训练后的估计神经网络，其中，所述估计神经网络的输入为满足预设信噪比条件下的接收信号对应的CFR，输出分别为接收信号的DoA和ToA。6.根据权利要求5所述的方法，其特征在于，在对所述估计神经网络模型进行训练的过程中，基于交叉熵损失进行反向传播，以更新所述估计神经网络模型的参数。7.根据权利要求3或5所述的方法，其特征在于，所述预设模拟仿真环境所需设置的环境参数包括下述中的至少一者：接收阵列；天线极化方式；阵元间隔；
子载波个数；子载波间隔；DoA角度间隔；DoA角度变化范围；DoA分类精度；ToA变化范围；ToA采样间隔；环境噪声的信噪比。8.一种终端，其特征在于，包括：存储器、收发机，处理器：存储器，用于存储程序指令；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的程序指令并执行以下操作：获取接收信号对应的信道频率响应CFR；根据CFR，得到反映所述接收信号的信噪比的参考值；在所述参考值小于预设阈值的情况下，将所述CFR依次通过滤噪神经网络和估计神经网络，得到所述接收信号的到达角度DoA估计值和到达时间ToA估计值；或者，在所述参考值大于或者等于所述预设阈值的情况下，将所述CFR通过所述...

【专利技术属性】
技术研发人员：范绍帅，郑超凡，田辉，任斌，李刚，方荣一，张振宇，达人，孙韶辉，
申请(专利权)人：大唐移动通信设备有限公司，
类型：发明
国别省市：