一种基于深度学习的雷达辅助多波束预测方法与系统技术方案

本发明专利技术是一种基于深度学习的雷达辅助多波束预测方法与系统，该方法首先基于基站上的FMCW雷达，在每一帧中对范围内多个目标进行测量，将接收端的发射信号和回波信号进行正交混频和低通滤波，得到中频信号，再进行采样，得到包含范围内目标的距离、速度、到达角的原始数据矩阵。之后将原始数据进行一系列FFT预处理，来降低数据的复杂度。最后通过训练优化LeNet模型，将预处理后的数据映射到范围内多个目标所对应的若干波束序号上，通过选取这些波束，基站可以实现与移动目标的低时延通信。本发明专利技术将多波束预测问题转化为多标签分类问题，可以在雷达一帧测量后实现对多个用户的波束赋形，有效地降低了成本，增强了高频段通信的性能和数据传输算法的稳健性。

【技术实现步骤摘要】

本专利技术属于通信领域，具体涉及在毫米波/太赫兹通信系统中，在高移动性场景下，使用雷达感知多个目标，建立lenet深度神经网络模型解决多标签分类问题，利用雷达数据辅助完成多个波束的选择，以实现高移动性通信场景下的多波束对准问题。

技术介绍

1、在毫米波/太赫兹通信场景下，基站和用户需要完成窄波束对准的过程，以实现高速数据传输和低延迟通信。使用波束预测方法可以显著提升通信的性能，减少空间波束遍历，但是目前的波束预测方法主要是针对场景内单个用户进行的，由于单基站对单用户的场景是多分类问题，而实际的场景往往需要在范围内对多个目标进行并行的波束预测，是多标签分类问题，两者存在显著差异，因而已有的工作不能直接应用于多波束预测问题。

技术实现思路

1、专利技术目的：针对现有技术的不足，本专利技术的目的在于提供一种基于深度学习的雷达辅助多波束预测方法与系统，即是一种适用于单基站对多用户的波束管理方法与系统，利用雷达传感器感知范围内的目标，使用深度学习方法处理数据完成波束的选择，避免了在空间上遍历的过程，解决了传统方法不能并本文档来自技高网...

【技术保护点】

1.一种基于深度学习的雷达辅助多波束预测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：所述FMCW雷达，发射的调频连续波在Tc周期内从fc线性增加到fc+μt，表达式如下：

3.根据权利要求2所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：对雷达测量原始数据使用FFT处理方法提取距离、速度和角度信息，包括：令中频信号为：

4.根据权利要求1所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：使用预处理降低输入数据的复杂度，将处理过后的雷达测量数据输入神经网络，采用二维及以上...

【技术特征摘要】

1.一种基于深度学习的雷达辅助多波束预测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：所述fmcw雷达，发射的调频连续波在tc周期内从fc线性增加到fc+μt，表达式如下：

3.根据权利要求2所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：对雷达测量原始数据使用fft处理方法提取距离、速度和角度信息，包括：令中频信号为：

4.根据权利要求1所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：使用预处理降低输入数据的复杂度，将处理过后的雷达测量数据输入神经网络，采用二维及以上的fft，包括距离-角度fft、距离-速度fft和距离-速度-角度fft。

5.根据权利要求1所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：二维及以上的fft表示为：

6.根据权利要求1所述的基于深度学习的雷达辅助多波束预测方法，其特征在于：所建立的lenet深度神经网络模型用于把第l帧的预处理后的雷达测量数据映射到一系列码本中的波束序号上，即其中θ是深度神经网络的一系列参数集合，{xl}是第l帧预处理后的雷达测量数据，是最终映射的若干波束序...

【专利技术属性】
技术研发人员：徐泽野，杨今朝，杨书溶，任乐然，
申请(专利权)人：东南大学，
类型：发明
国别省市：