一种基于神经网络与卡尔曼滤波融合的波束角度预测方法技术

本发明专利技术公开了一种基于神经网络与卡尔曼滤波融合的波束角度预测方法，属于毫米波通信技术领域。本发明专利技术方法采用一个没有激活函数的单层神经网络学习LSTM的行为，然后提取该单层神经网络的权重矩阵作为卡尔曼滤波算法的状态转移矩阵，同时通过执行卡尔曼滤波算法来进行波束追踪。本发明专利技术在波束追踪角度精准预测的基础上，融合了卡尔曼滤波算法较强的鲁棒性；同时由于LSTM具有强大的学习能力，故无需对通信目标进行密集观测，可根据成本人为设定观测间隔，大大降低了预测成本，提升了波束追踪系统的性能。统的性能。统的性能。

【技术实现步骤摘要】
一种基于神经网络与卡尔曼滤波融合的波束角度预测方法


[0001]本专利技术属于毫米波通信
，特别涉及一种基于神经网络与卡尔曼滤波融合的波束角度预测方法。

技术介绍

[0002]第五代(5G)和超5G(B5G)技术已经在通信领域引起了极大的关注。按照未来B5G通信系统的设想，其吞吐量要比现有的通信系统快一千倍左右。同时，延迟预计将小于毫秒。因此，高带宽和高频率的通信系统在未来是必不可少的。大量的先进技术被提出来以支持上述要求，其中便包括毫米波(mmWave)和大规模多输入多输出(MIMO)技术。但值得注意的是，毫米波的信号传输会受到高路径损耗的衰减。采用具有高阵列增益的波束成形系统来克服高路径损耗。因此，大量的天线发射器被配备来形成较窄的波束。为此，持续的高精度波束跟踪对于保证高服务通信质量是非常重要的。
[0003]由于实际环境中通信目标的移动性和无线电环境的复杂变化，波束跟踪是一项具有挑战性的任务。为了提供持续的高跟踪精度，在通信过程中应尽量减少跟踪误差。因此，现有的主要波束跟踪技术需要额外的开销来获得最佳的波束排列方向。
[0004]在这种发展趋势下，近年来，已有部分学者将卡尔曼滤波算法以及纯神经网络利用在波束追踪问题的解决上。基于先前估计状态的波束跟踪技术也引起了研究人员的兴趣。一般而言，单纯通过卡尔曼滤波算法或神经网络进行波束追踪通常分别在角度预测的准确性与鲁棒性方面具有一定的缺陷。例如：V.Va等人在名为“Beam tracking for mobile millimeter wave communication systems”的文献中提出了一种通过扩展卡尔曼滤波器(EKF)在移动毫米波通信系统中进行低复杂度的条件性波束跟踪算法。然而文献仿真结果表示，单纯卡尔曼滤波算法在波束追踪的AoA(Angle
‑
of
‑
Arrival，到达角)、AoD(Angle
‑
of
‑
departure，离去角)估计方面由于在低信噪比区域存在较强的噪声会导致较大的累积误差。而单纯使用神经网络进行波束追踪预测，例如：W.Jiang等人在名为“Recurrent neural networks with long short
‑
term memory for fading channel prediction”的文献中提出了一种基于循环神经网络(RNN)的预测器。在所提算法中，过去的信道状态信息(CSI)被用作输入，而输出包括下一个区间的AoA和AoD。该文献的的结果表明RNN是时间序列预测中的一个潜在的强大工具。然而，其结果也同时表明基于纯机器学习的波束跟踪问题对波束方向的突然变化，即波束路径的转移缺乏鲁棒性。

技术实现思路

[0005]本专利技术针对毫米波窄波束难以持续精确追踪、持续观测高开销、现有波束追踪算法的鲁棒性或精确性的问题，提出了一种基于神经网络与卡尔曼滤波融合的波束角度预测方法。与传统波束追踪仅利用卡尔曼滤波算法或机器学习算法不同，本专利技术充分利用LSTM(Long Short
‑
Term Memory,LSTM)强大的学习能力，通过输入历史波束方向数据的变化来对下一时刻的角度信息进行精确地预测。在本专利技术中，采用一个没有激活函数的单层神经
网络(SLNN)学习LSTM的行为，然后提取该单层神经网络的权重矩阵作为卡尔曼滤波算法的状态转移矩阵，同时通过执行卡尔曼滤波算法来进行波束追踪。本专利技术在波束追踪角度精准预测的基础上，融合了卡尔曼滤波算法较强的鲁棒性；同时由于LSTM具有强大的学习能力，故无需对通信目标进行密集观测，可根据成本人为设定观测间隔，大大降低了预测成本，提升了波束追踪系统的性能。
[0006]为实现上述专利技术目的，本专利技术提供了以下技术方案：
[0007]一种基于机器学习与卡尔曼滤波信息融合的波束追踪角度预测方法，其特征在于，包括以下步骤：
[0008]步骤1：设置初始时间为k＝0，0时刻至m时刻通过波束赋形得到初始化角度为[θ
l
(0),
…
,θ
l
(m)],m∈[ξ,K]；其中，l是实际环境中的路径数，ξ是计算加速度时设置的最小角度数，m为初始化终止时刻，K为系统终止时刻。因此，第m时刻的角速度ω
l
(m)、第m时刻的角加速度和加速度的导数通过差分计算得到；初始状态矢量x
l
(m)表示为：
[0009][0010]将卡尔曼滤波算法中的初始估计的不确定性Σ(0|0)设置为一个随机常数；将观察矩阵C设置为维度为N
×
N的单位矩阵，N为基站上用于波速追踪的天线数量。
[0011]步骤2：在实际情况中，密集的观察操作可能导致大量的时间消耗。因此，在每个时间步长进行观测将导致高额的开销。当时间变量k是τ的整数倍时，将带噪声的观测值作为观测变量z；当时间变量k不是τ的整数倍时，利用LSTM网络f
N2
输出的角度估计值作为观测变量z：
[0012][0013]其中τ是设置的间隔，n为正整数。
[0014]步骤3：将第k
‑
1时刻对k
‑
1时刻估计的状态向量输入到一个没有激活函数的单层神经网络(SLNN)f
N1
，生成第k
‑
1时刻对第k时刻的状态向量在初始时刻时，单层神经网络f
N1
的输入为初始状态向量x
l
(m)。提取该单层神经网络f
N1
的权重矩阵作为状态转移矩阵F(k)：
[0015][0016]其中，w
N1
为人为设置输入的神经网络权重。
[0017]步骤4：将状态转移矩阵F(k)代入公式(4)，计算协方差外推：
[0018]Σ(k+1|k)＝F(k)Σ(k|k)F(k)
T
+n(k)
ꢀꢀꢀ
(4)
[0019]其中，n(k)为过程噪声。
[0020]步骤5：将观察矩阵C与公式(4)的计算结果代入公式(5)计算卡尔曼增益K(k)：
[0021]K(k)＝Σ(k|k
‑
1)C
H
(CΣ(k|k
‑
1)C
H
+R(k))
‑1ꢀꢀꢀ
(5)
[0022]其中，R(k)为人为设置的测量不确定度。
[0023]步骤6：将观测变量z代入公式(6)，更新第k时刻的状态向量
[0024][0025]步骤7：通过公式(7)更新第k时刻估计的不确定性：
[0026]Σ(k|k)＝(I
‑
K(k)C)Σ(k|k
‑
1)(I
‑
K(k)C)
H
+K(k)R(k)K(k)
H
ꢀꢀꢀ
(7)
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习与卡尔曼滤波信息融合的波束追踪角度预测方法，其特征在于，包括以下步骤：步骤1：设置初始时间为k＝0，0时刻至m时刻通过波束赋形得到初始化角度为[θ
l
(0),
…
,θ
l
(m)],m∈[ξ,K]；其中，l是实际环境中的路径数，ξ是计算加速度时设置的最小角度数，m为初始化终止时刻，K为系统终止时刻；因此，第m时刻的角速度ω
l
(m)、第m时刻的角加速度和加速度的导数通过差分计算得到；初始状态矢量x
l
(m)表示为：将卡尔曼滤波算法中的初始估计的不确定性Σ(0|0)设置为一个随机常数；将观察矩阵C设置为维度为N
×
N的单位矩阵，N为基站上用于波速追踪的天线数量；步骤2：当时间变量k是τ的整数倍时，将带噪声的观测值作为观测变量z；当时间变量k不是τ的整数倍时，利用LSTM网络f
N2
输出的角度估计值作为观测变量z：其中τ是设置的间隔，n为正整数；步骤3：将第k
‑
1时刻对k
‑
1时刻估计的状态向量输入到一个没有激活函数的单层神经网络(SLNN)f
N1
，生成第k
‑
1时刻对第k时刻的状态向量在初始时刻时，单层神经网络f
N1
的输入为初始状态向量x
l
(m)；提取该单层神经网络f
N1
的权重矩阵作为状态转移矩阵F(k)：其中，w
N1
为人为设置输入的神经网络权重；步骤4：将状态转移矩阵F(k)代入公式(4)，计算协方差外推：Σ(k+1|k)＝F(k)Σ(k|k)F(...

【专利技术属性】
技术研发人员：陈杰男，梁宸滔，匡进升，
申请(专利权)人：中国电子科技集团公司第二十研究所，
类型：发明
国别省市：