【技术实现步骤摘要】
本专利技术涉及通信，尤其涉及一种智能卡尔曼滤波的毫米波波束预测方法、装置及存储介质。
技术介绍
1、状态估计是众多科学领域中的公共问题，是信号处理、无线通信、机器人学等应用领域中的关键技术，以毫米波多输入多输出(multiple-input multiple-output，mimo)无线通信为例，波束预测-跟踪是获取信道状态信息的有效方法。现行的波束预测-跟踪方法主要可以分成两类，即基于经典的卡尔曼滤波方法的波束预测-跟踪算法和基于机器学习技术的波束预测-跟踪方法。
2、经典的卡尔曼滤波方法需要通过手动推导的方式获取系统演化的动力学方程，而基于机器学习技术的预测模型具有较高的样本复杂度和/或计算复杂度，从而导致经典的卡尔曼滤波方法和基于机器学习技术的方法适用范围非常受限且难于适应复杂多变的场景。
技术实现思路
1、针对现有技术存在的问题，本专利技术实施例提供一种智能卡尔曼滤波的毫米波波束预测方法、装置及存储介质。
2、本专利技术提供一种智能卡尔曼滤波的毫米波波束预测方法，包括：
3、基于预设训练集对构建的概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型；所述预设训练集包括多条波束方向轨迹；
4、将所述隐式系统动力学模型转化为显式系统动力学模型；
5、将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测。
6、在一些实施例中，所述基于预设训练集对构建的概率机器学习模型的目
7、基于分层贝叶斯建模方法，构建所述概率机器学习模型；所述概率机器学习模型的目标参数的先验分布服从均值为零的高斯分布；
8、基于所述预设训练集，将所述目标参数的先验分布更新为后验分布；
9、从所述后验分布中提取所述目标参数的最大后验估计；
10、基于所述目标参数的最大后验估计，确定损失函数；
11、基于所述预设训练集和所述损失函数，对所述概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型。
12、在一些实施例中，所述将所述隐式系统动力学模型转化为显式系统动力学模型，包括：
13、将所述隐式系统动力学模型中基本高斯过程的核函数进行傅里叶变换，确定功率谱密度函数；
14、基于所述功率谱密度函数，确定传递函数；
15、基于所述传递函数，确定显式系统动力学模型；所述显式系统动力学模型包括：系统状态演化方程和观测方程。
16、在一些实施例中，所述将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测，包括：
17、将所述系统状态演化方程和观测方程进行离散化处理，确定离散形式的系统状态方程和观测方程；
18、将采集到的当前毫米波波束的轨迹输入所述离散形式的系统状态方程和观测方程，利用卡尔曼滤波算法，对毫米波波束的方向进行预测。
19、在一些实施例中，所述将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测之后，还包括：
20、基于目标时刻的系统状态，确定任意时刻的毫米波波束的方向。
21、在一些实施例中，所述预设训练集通过以下方式确定：
22、基于采样时刻，以及所述采样时刻对应的波束方向，确定波束方向轨迹样本；
23、基于所述波束方向轨迹样本，确定所述预设训练集。
24、本专利技术还提供一种智能卡尔曼滤波的毫米波波束预测装置，包括：
25、优化模块，用于基于预设训练集对构建的概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型；所述预设训练集包括多条波束方向轨迹；
26、转化模块，用于将所述隐式系统动力学模型转化为显式系统动力学模型；
27、预测模块，用于将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测。
28、在一些实施例中，所述优化模块，用于：
29、基于分层贝叶斯建模方法，构建所述概率机器学习模型；所述概率机器学习模型的目标参数的先验分布服从均值为零的高斯分布；
30、基于所述预设训练集，将所述目标参数的先验分布更新为后验分布；
31、从所述后验分布中提取所述目标参数的最大后验估计；
32、基于所述目标参数的最大后验估计，确定损失函数；
33、基于所述预设训练集和所述损失函数，对所述概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型。
34、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述智能卡尔曼滤波的毫米波波束预测方法。
35、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述智能卡尔曼滤波的毫米波波束预测方法。
36、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述智能卡尔曼滤波的毫米波波束预测方法。
37、本专利技术提供的智能卡尔曼滤波的毫米波波束预测方法、装置及存储介质，通过预设训练集对构建的概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型，并将隐式系统动力学模型转化为显示系统动力学模型，即使用机器学习技术隐式地学习卡尔曼滤波所需的系统动力学方程，无需显式推导系统动力学方程，能够应用于较复杂的场景，并降低了毫米波波束方向预测方法的计算复杂度。
本文档来自技高网...【技术保护点】
1.一种智能卡尔曼滤波的毫米波波束预测方法，其特征在于，包括：
2.根据权利要求1所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述基于预设训练集对构建的概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型，包括：
3.根据权利要求1所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述将所述隐式系统动力学模型转化为显式系统动力学模型，包括：
4.根据权利要求3所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测，包括：
5.根据权利要求3所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测之后，还包括：
6.根据权利要求1所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述预设训练集通过以下方式确定：
7.一种智能卡尔曼滤波的毫米波波束预测装置，其特征在于，包括：
8.根据权利要求7所述的智能卡
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述智能卡尔曼滤波的毫米波波束预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述智能卡尔曼滤波的毫米波波束预测方法。
...【技术特征摘要】
1.一种智能卡尔曼滤波的毫米波波束预测方法，其特征在于，包括：
2.根据权利要求1所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述基于预设训练集对构建的概率机器学习模型的目标参数进行优化，确定隐式系统动力学模型，包括：
3.根据权利要求1所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述将所述隐式系统动力学模型转化为显式系统动力学模型，包括：
4.根据权利要求3所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫米波波束的方向进行预测，包括：
5.根据权利要求3所述的智能卡尔曼滤波的毫米波波束预测方法，其特征在于，所述将采集到的当前毫米波波束的轨迹输入所述显式系统动力学模型，对毫...
【专利技术属性】
技术研发人员：黄永明，章建军，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：
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。