【技术实现步骤摘要】
本专利技术涉及无线信息传输领域，具体涉及一种基于现场预训练的无人机信道到达角估计方法，尤其适用于确定的硬件系统和通信场景下基于现场预训练神经网络的到达角估计应用。
技术介绍
1、无人机通信有望成为6g空天地通信网络的重要组成部分，其中，通信感知一体化是实现智能通信的关键技术之一。在通感一体化系统中，基于信道状态信息的角度估计在目标定位和跟踪等许多应用中发挥着重要的作用。与地面移动设备相比，无人机具有更强的跨场景机动性，并表现出更明显的三维特征，如高度变化和任意飞行轨迹等，从而导致短时间内角度变化很快。因此，开发一种低延迟、高鲁棒性的无人机通信角度估计方法至关重要。
2、传统的角度估计方法主要包括谱估计算法，基于参数子空间的估计方法和确定性参数估计方法。谱估计算法包括多重信号分类(multiple signal classification，music)算法和capon算法。基于参数子空间的估计方法包括旋转不变(estimation signalparameter viarotational invariance techniques，esprit)算法及酉esprit算法。期望最大化算法和空间交替广义期望最大化算法是确定性参数估计方法的主要方法。然而，大多数这些方法都需要遍历所有可能的角度并找到最优的角度，导致运算时间过长。此外，在不同的场景和不同的硬件系统下，由于不同程度的相位误差、噪声和干扰，这些信号处理方法的性能波动很大。
3、近年来，基于机器学习的角度估计方法得到了广泛的关注，这些方法能够通过训练
技术实现思路
1、本专利技术的目的在于公开了一种基于现场预训练的无人机信道到达角估计方法，根据信道状态信息实时提取信道多路径，生成现场训练数据集，在每个应用场景中对神经网络进行相应的训练，从而实现实时角度估计。
2、为实现上述技术目的，本专利技术采取的技术方案为：
3、一种基于现场预训练的无人机信道到达角估计方法，所述无人机信道到达角估计方法包括以下步骤：
4、步骤a，设置信道测量设备频率和带宽，确定信道测量设备地面端位置和无人机飞行轨迹，飞行轨迹包含现场预训练阶段和实际应用阶段，现场预训练阶段和实际应用阶段采用相同飞行轨迹，现场预训练阶段时收发端存在视距传播路径；
5、步骤b，利用信道测量设备获得实测飞行过程的信道冲激响应数据并提取多径，并计算每根天线阵元对应的多径相位；
6、步骤c，构建反向传播神经网络，反向传播神经网络的输入为与天线阵元排列方式相同的相位向量，反向传播神经网络的输出为天线阵元排列面的角度数值；
7、步骤d，根据收发机的gps信息计算现场预训练阶段的视距传播路径的参考角度值，结合步骤b中信道测量设备测得的现场预训练阶段的视距传播路径的相位信息，对步骤c构建的反向传播神经网络进行现场训练；
8、步骤e，在实际应用阶段，实时获得实际应用阶段各个天线阵元各条传播路径的相位，输入到训练完成的反向传播神经网络中，实时估计信道多径角度。
9、进一步地，步骤b中，利用信道测量设备获得实测飞行过程的信道冲激响应数据并提取多径，并计算每根天线阵元对应的多径相位的过程包括以下步骤：
10、步骤b1，假设收发机通信包中包含信道传递函数，将第m个接收天线阵元的信道传递函数记作hm(f)，通过傅里叶反变换得到信道冲激响应数据hm(n)：
11、hm(n)＝ifft(hm(f)) (1)；
12、式中，ifft(·)是傅里叶反变换函数，f为频率变量，n为时延变量；
13、步骤b2，利用实时自适应多路径提取方法从信道冲激响应数据中识别出有效多径分量，动态噪声阈值thr[n]表示为：
14、
15、其中，w为去噪的滑动窗口大小，ξ＝(w-3)·(p-1/(w-3)-1)为阈值因子，p为虚警概率；
16、步骤b3，提取第l条多径的有效多径分量信息，表示为：
17、αm，l|i，q＝{hm[n]|i，q，whenpeak(hm[n])＞thr[n]} (3)；
18、其中，|i，q表示复数，αm，l表示第m个接收天线的信道冲激响应的第l条多径的振幅，peak(·)为峰值运算，存在直射路径时，l＝1表示直射径；
19、步骤b4，根据步骤b3获得的有效多径分量的复振幅，第l条多径的有效多径分量的相位表示为：
20、
21、其中，angle(·)为计算复数元素相位值的算子。
22、进一步地，步骤c中，所述反向传播神经网络包括依次连接的输入层、隐藏层和输出层；
23、所述隐藏层设为两层，每层包含10个神经元。
24、进一步地，步骤d中，根据收发机的gps信息计算现场预训练阶段的视距传播路径的参考角度值，结合步骤b中信道测量设备测得的现场预训练阶段的视距传播路径的相位信息，对步骤c构建的反向传播神经网络进行现场训练的过程包括以下步骤：
25、步骤d1，根据收发机位置分别计算出现场预训练阶段的视距传播路径的到达方位角和俯仰角
26、
27、
28、其中，(x1，y1，z1)和(x2，y2，z2)分别为现场预训练阶段的收发机坐标向量；
29、步骤d2，根据获得的现场预训练阶段各个天线阵元视距传播路径的相位集合构建原始数据集，m为接收天线阵元数目；其中，若天线阵列沿水平面排列，构建原始数据集为若天线阵列沿垂直面排列，构建原始数据集为
30、步骤d3，将原始数据集按照p：q的比例随机分为训练集和数据集，分别表示为和
31、步骤d4，使用步骤d3的训练集数据训练反向传播神经网络，定义网络损失函数为l(w，b，σ)，根据随机梯度下降理论，将权值矩阵和偏置矩阵更新为：
32、
33、
34、其中，为偏导运算，和分别为网络中第k层的第j个神经元与前一层中的第i个神经元之间的连接权重值和偏置值，w，b分别为权重矩阵和偏置矩阵，σ为激活函数，lr为神经网络的学习率，mf为动量因子；
35、步骤d5，将步骤d3的测试集数据输入训练的反向传播神经网络，定义均方根误差验证函数用来评估网络训练性能，重复训练直到均方根误差小于预设阈值。
36、与现有技术相比，本专利技术的有益效果如下：
37、第一，本专利技术的基于现场预训练的无人机信道到达角估计方法，构建了一个基于bpnn的角度估计网络，与基于矩阵运算的信号处理估计方法相比，训练后的网络计算速度更快，提高了角度估计实时性，对于无人机动态信道角度估计和未来本文档来自技高网...
【技术保护点】
1.一种基于现场预训练的无人机信道到达角估计方法，其特征在于，所述无人机信道到达角估计方法包括以下步骤：
2.根据权利要求1所述的基于现场预训练的无人机信道到达角估计方法，其特征在于，步骤B中，利用信道测量设备获得实测飞行过程的信道冲激响应数据并提取多径，并计算每根天线阵元对应的多径相位的过程包括以下步骤：
3.根据权利要求1所述的基于现场预训练的无人机信道到达角估计方法，其特征在于，步骤C中，所述反向传播神经网络包括依次连接的输入层、隐藏层和输出层；
4.根据权利要求1所述的基于现场预训练的无人机信道到达角估计方法，其特征在于，步骤D中，根据收发机的GPS信息计算现场预训练阶段的视距传播路径的参考角度值，结合步骤B中信道测量设备测得的现场预训练阶段的视距传播路径的相位信息，对步骤C构建的反向传播神经网络进行现场训练的过程包括以下步骤：
【技术特征摘要】
1.一种基于现场预训练的无人机信道到达角估计方法，其特征在于，所述无人机信道到达角估计方法包括以下步骤：
2.根据权利要求1所述的基于现场预训练的无人机信道到达角估计方法，其特征在于，步骤b中，利用信道测量设备获得实测飞行过程的信道冲激响应数据并提取多径，并计算每根天线阵元对应的多径相位的过程包括以下步骤：
3.根据权利要求1所述的基于现场预训练的无人机信道到达角估...
【专利技术属性】
技术研发人员：毛开，雷泰雅，叶旭超，杨羽欣，朱秋明，李涵刚，宋茂忠，黄瑜霆，郑永丰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。