【技术实现步骤摘要】
本申请实施例涉及波束预测技术，涉及但不限于一种波束跟踪方法及装置、设备、存储介质。
技术介绍
1、太赫兹通信在大容量近距离通信、远距离卫星空间通信、无线安全接入网络等领域有广阔的应用前景。然而，由于太赫兹频段的路径损耗较大，需要利用超大规模天线阵列和波束赋形技术来对抗不良传输特性。
2、在波束通信中，波束方向的准确性是至关重要的。然而，由于用户移动等因素导致波束错位，传统的波束跟踪方法面临着挑战。为解决这一问题，现有技术中，提出了利用位置辅助信息实现波束跟踪，通过估算用户运动出基站波束覆盖范围的时间，并根据估计的相对位置调整使用的窄波束，实现波束跟踪。然而，该方法对定位传感器和算法的精度要求较高，具有一定的局限性。或者，利用终端的传感器信息建立信道演化模型，并修正模型以提高波束跟踪的精度。然而，这种方法在处理用户运动与角度变化间高度非线性关系时能力有限。再者使用基于深度神经网络的波束跟踪算法。这种方法利用深度神经网络的强大拟合能力，可以预测离散时间点的最优波束。然而，这种方法的灵活性较差。
3、因此，如何保证能够实现在连续时间上的波束跟踪，减少波束训练的频次，降低时频资源的开销，提高波束跟踪的灵活性与准确性，是一个亟待解决的问题。
技术实现思路
1、有鉴于此，本申请实施例提供的一种波束跟踪方法及装置、设备、存储介质，能够实现在连续时间上的波束跟踪，减少波束训练的频次，降低时频资源的开销，提高波束跟踪的灵活性与准确性。本申请实施例提供的一种波束跟踪方法及装置、
2、本申请实施例提供的一种波束跟踪方法，包括：
3、获取在预测时刻之前的目标波束训练的一组接收信号，所述一组接收信号中包括与预设码本中的多个候选波束一一对应的接收信号，所述目标波束训练为距离所述预测时刻最近一次波束训练；
4、将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束，所述预测波束为所述多个候选波束中的其中一个波束，所述预测模型是对样本接收信号的信号特征以及与所述信号特征对应的隐藏状态进行学习得到的，所述样本接收信号为在所述预测时刻之前的波束训练对应的接收信号。
5、在一些实施例中，所述预测模型包括预处理模块、隐藏状态获取模块以及预测模块，所述将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束，包括：
6、通过所述预处理模块提取与每个所述接收信号对应的特征信息，获取多个特征信息，并输入到所述隐藏状态获取模块；
7、通过所述隐藏状态获取模块对所述多个特征信息进行处理，获取所述预测时刻的隐藏状态；
8、通过所述预测模块对所述预测时刻的隐藏状态进行计算，确定所述预测时刻对应的预测波束。
9、在一些实施例中，所述隐藏状态获取模块包括长短期记忆网络以及基于全连接网络的微分方程求解器，所述通过所述隐藏状态获取模块对所述多个特征信息进行处理，获取所述预测时刻的隐藏状态，包括：
10、通过所述长短期记忆网络中对所述目标波束训练前的上一波束训练的记忆数据、所述上一波束训练的上一隐藏状态以及所述多个特征信息，获取所述目标波束训练的时刻对应的目标隐藏状态，所述上一波束训练的记忆数据用于指示在所述目标波束训练之前的多次波束训练的多组接收信号之间的依赖关系；
11、通过所述基于全连接网络的微分方程求解器获取所述预测时刻的隐藏状态。
12、在一些实施例中，所述导数函数是通过神经网络对分类函数进行拟合得到的，所述分类函数是对从所述多个候选波束中挑选最佳波束的过程进行建模得到的。
13、在一些实施例中，所述通过所述基于全连接网络的微分方程求解器获取所述预测时刻的隐藏状态，包括：
14、通过泰勒公式将所述导数函数在预设点展开，得到所述导数函数在所述预设点对应的第一多阶多项式；
15、根据所述预设点与所述预设点的相邻点之间的距离，以及所述第一多阶多项式，得到在所述相邻点对应的第二多阶多项式；
16、根据所述目标隐藏状态以及所述第二多阶多项式，得到所述预测时刻的隐藏状态。
17、在一些实施例中，所述通过所述预测模块对所述预测时刻的隐藏状态进行计算，确定所述预测时刻对应的预测波束，包括：
18、获取所述预测时刻的隐藏状态对应的多个候选波束的概率向量，所述概率向量中的每个概率分量用于表征对应的候选波束为所述预测时刻对应的预测波束的概率；
19、比较所述概率向量中的每个概率分量，确定最大的概率向量，所述最大的概率分量对应的目标候选波束为所述预测时刻对应的预测波束。
20、在一些实施例中，所述隐藏状态获取模块还包括记忆单元和隐藏状态存储单元，所述记忆单元用于记录波束训练的记忆数据，所述隐藏状态存储单元用于记录波束训练对应的隐藏状态，在所述获取预测时刻的隐藏状态之后，所述方法还包括：
21、根据所述预测时刻的隐藏状态和所述多个特征信息更新所述记忆单元；
22、根据所述预测时刻的隐藏状态更新所述隐藏状态存储单元。
23、在一些实施例中，在所述将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束之前，包括：
24、判断所述预测时刻与所述目标波束训练的时刻之间的差值是否小于两次训练之间的时间间隔；
25、在所述预测时刻与所述目标波束训练的时刻之间的差值小于所述两次训练之间的时间间隔时，将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束。
26、本申请实施例提供的一种波束跟踪装置，包括：
27、获取模块，用于获取在预测时刻之前的目标波束训练的一组接收信号，所述一组接收信号中包括与预设码本中的多个候选波束一一对应的接收信号，所述目标波束训练为距离所述预测时刻最近一次波束训练；
28、输入模块，用于将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束，所述预测波束为所述多个候选波束中的其中一个波束，所述预测模型是对样本接收信号的信号特征以及与所述信号特征对应的隐藏状态进行学习得到的，所述样本接收信号为在所述预测时刻之前的波束训练对应的接收信号。
29、本申请实施例提供的计算机设备，包括存储器和处理器，所述存储器存储有可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本申请实施例所述的方法。
30、本申请实施例提供的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本申请实施例提供的所述的方法。
31、本申请实施例所提供的一种波束跟踪方法、装置、计算机设备和计算机可读存储介质，通过获取在预测时刻之前的目标波束训练的一组接收信号，一组接收信号中包括与预设码本中的多个候选波束一一对应的接收信号，目标波束训练为距离预测时刻最近本文档来自技高网...
【技术保护点】
1.一种波束跟踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括预处理模块、隐藏状态获取模块以及预测模块，所述将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束，包括：
3.根据权利要求2所述的方法，其特征在于，所述隐藏状态获取模块包括长短期记忆网络以及基于全连接网络的微分方程求解器，所述通过所述隐藏状态获取模块对所述多个特征信息进行处理，获取所述预测时刻的隐藏状态，包括：
4.根据权利要求3所述的方法，其特征在于，所述导数函数是通过神经网络对分类函数进行拟合得到的，所述分类函数是对从所述多个候选波束中挑选最佳波束的过程进行建模得到的。
5.根据权利要求3所述的方法，其特征在于，所述通过所述基于全连接网络的微分方程求解器获取所述预测时刻的隐藏状态，包括：
6.根据权利要求2的方法，其特征在于，所述通过所述预测模块对所述预测时刻的隐藏状态进行计算，确定所述预测时刻对应的预测波束，包括：
7.根据权利要求3所述的方法，其特征在于，所述隐藏
8.根据权利要求6所述的方法，其特征在于，在所述将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束之前，包括：
9.一种波束跟踪装置，其特征在于，包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有可在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权利要求1至8任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种波束跟踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括预处理模块、隐藏状态获取模块以及预测模块，所述将所述一组接收信号以及所述预测时刻输入到预测模型，得到在所述预测时刻对应的预测波束，包括：
3.根据权利要求2所述的方法，其特征在于，所述隐藏状态获取模块包括长短期记忆网络以及基于全连接网络的微分方程求解器，所述通过所述隐藏状态获取模块对所述多个特征信息进行处理，获取所述预测时刻的隐藏状态，包括：
4.根据权利要求3所述的方法，其特征在于，所述导数函数是通过神经网络对分类函数进行拟合得到的，所述分类函数是对从所述多个候选波束中挑选最佳波束的过程进行建模得到的。
5.根据权利要求3所述的方法，其特征在于，所述通过所述基于全连接网络的微分方程求解器获取所述预测时刻的隐藏状态，包括：
6.根据权利要求2的方法，其特征在于，所述通过所述预测模...
【专利技术属性】
技术研发人员：程剑锋，张健，陈军帆，
申请(专利权)人：广州海格通信集团股份有限公司，
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。