【技术实现步骤摘要】
本申请涉及无线通信，尤其涉及一种基于无监督学习的离开角估计方法、装置及相关介质。
技术介绍
1、角度估计在天文学、导航、雷达感测等众多领域扮演着至关重要的角色。下行链路的定位方法是指通过基站向终端设备发送信号，终端设备接收这些信号并进行处理来确定自己的位置。离开角(angle of departure,aod)是指信号离开发射天线阵列时的角度。
2、相关技术中，很多物联网设备都需要通过下行链路的角度估计来实现设备的定位。但物联网中大多设备仅配置了单个天线，很多相关的角度估计方法主要是针对多天线阵列系统设计的，这类系统由多个天线组成，这些角度估计方法是不适用于只有单个天线的物联网设备的。物联网设备的天线资源匮乏，这使得单天线设备对发送端的离开角估计非常困难，难以得到准确的结果，因此，如何使单天线终端设备能够准确地估计基站终端发射信号的离开角信息，成为了亟待解决的技术问题。
技术实现思路
1、本申请实施例的主要目的在于提出一种基于无监督学习的离开角估计方法、装置及相关介质，旨在使终端设备准确地估计基站终端发射信号的离开角信息。
2、为实现上述目的，本申请实施例的第一方面提出了一种基于无监督学习的离开角估计方法，所述方法包括：
3、获取由基站传输而来的观测序列数据；
4、基于通信协议获取导频信息，得到导频相关信息；
5、响应于所述导频相关信息为具体的所述导频信息时，通过预先训练的第一离开角估计模型对所述观测序列数据和所述导频信息
6、响应于所述导频相关信息为所述导频信息的导频统计信息时，通过预先训练的第二离开角估计模型对所述观测序列数据和所述导频统计信息进行离开角估计，得到目标离开角信息。
7、在一些实施例，所述观测序列数据包括第一数目个观测值；
8、所述通过预先训练的第一离开角估计模型对所述观测序列数据和所述导频信息进行离开角估计，得到目标离开角信息，包括：
9、基于所述导频信息，构建导频信号矩阵；
10、根据所述导频信号矩阵和第一数目个所述观测值生成第一模型输入张量；
11、将所述第一模型输入张量输入至预先训练的所述第一离开角估计模型中进行离开角估计，得到目标离开角信息；
12、所述通过预先训练的第二离开角估计模型对所述观测序列数据和所述导频统计信息进行离开角估计，得到目标离开角信息，包括：
13、基于所述导频统计信息，构建导频向量矩阵；
14、基于所述导频向量矩阵进行克罗内克乘积处理，得到导频处理矩阵；
15、根据所述导频处理矩阵和第一数目个所述观测值生成第二模型输入张量；
16、将所述第二模型输入张量输入至预先训练的所述第二离开角估计模型中进行离开角估计，得到目标离开角信息。
17、在一些实施例，在通过预先训练的第一离开角估计模型对所述观测序列数据和所述导频信息进行离开角估计，得到目标离开角信息之前，还包括对所述第一离开角估计模型进行预先训练，包括：
18、获取第一训练数据集；所述第一训练数据集包括第一观测训练数据和导频训练数据；
19、将所述第一观测训练数据和所述导频训练数据输入至原始第一离开角估计模型中，输出第一预测离开角信息和第一信道增益估计值；
20、基于确定性最大似然估计，根据所述第一预测离开角信息和所述第一信道增益估计值对所述原始第一离开角估计模型进行无监督学习，得到预先训练的所述第一离开角估计模型。
21、在一些实施例，所述基于确定性最大似然估计，根据所述第一预测离开角信息和所述第一信道增益估计值对所述原始第一离开角估计模型进行无监督学习，得到预先训练的所述第一离开角估计模型，包括：
22、基于所述第一预测离开角信息进行导向矢量计算，得到第一预测角导向矢量；
23、基于所述导频训练数据、所述第一预测角导向矢量、所述第一信道增益估计值和所述第一观测训练数据构建第一模型损失函数：
24、
25、其中，x1表示所述导频训练数据，y1表示所述第一观测训练数据，d1表示第一训练数据集，w1表示所述原始第一离开角估计模型的第一模型参数，ξ1表示所述第一信道增益估计值，θ1表示所述第一预测离开角信息，a(θ1)表示所述第一预测角导向矢量；
26、基于所述第一模型损失函数调整所述原始第一离开角估计模型的所述第一模型参数，得到预先训练的所述第一离开角估计模型。
27、在一些实施例，在通过预先训练的第二离开角估计模型对所述观测序列数据和所述导频统计信息进行离开角估计，得到目标离开角信息之前，还包括对所述第二离开角估计模型进行预先训练，包括：
28、获取第二训练数据集；所述第二训练数据集包括第二观测训练数据和导频训练统计数据；
29、将所述第二观测训练数据和所述导频训练统计数据输入至原始的第二离开角估计模型中，输出第二预测离开角信息、第二信道增益估计值和噪声方差信息；
30、基于所述第二预测离开角信息、所述第二信道增益估计值和所述噪声方差信息生成重构协方差矩阵，并基于所述第二观测训练数据生成样本协方差矩阵；
31、基于随机性最大似然估计，根据所述重构协方差矩阵和所述样本协方差矩阵对所述原始第二离开角估计模型进行无监督学习，得到预先训练的所述第二离开角估计模型。
32、在一些实施例，所述基于所述第二预测离开角信息、所述第二信道增益估计值和所述噪声方差信息生成重构协方差矩阵，并基于所述第二观测训练数据生成样本协方差矩阵，包括：
33、基于所述第二预测离开角信息进行导向矢量计算，得到第二预测角导向矢量；
34、基于所述第二预测角导向矢量、所述第二信道增益估计值和所述噪声方差信息生成重构协方差矩阵：
35、
36、其中，cy表示所述重构协方差矩阵，ξ2表示所述第二信道增益估计值，w(q)表示所述噪声方差信息，θ2表示所述第二预测离开角信息，a(θ2)表示所述第二预测角导向矢量，x(q)(x(q))h表示所述导频训练统计数据中的导频信息的协方差，表示求期望值。
37、基于所述第二观测训练数据生成样本协方差矩阵：
38、
39、其中，表示所述样本协方差矩阵，q表示所述第二观测训练数据的数量，y(q)表示所述第二观测训练数据的第q个数据，(y(q))h表示y(q)的共轭转置矩阵。
40、在一些实施例，所述基于随机性最大似然估计，根据所述重构协方差矩阵和所述样本协方差矩阵对所述原始第二离开角估计模型进行无监督学习，得到预先训练的所述第二离开角估计模型，具体包括：
41、基于所述重构协方差矩阵和所述样本协方差矩阵构建第二模型损失函数：
42、
43、其中，cy表示所述重构协方差矩阵，表示所述本文档来自技高网...
【技术保护点】
1.一种基于无监督学习的离开角估计方法，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，所述观测序列数据包括第一数目个观测值；
3.根据权利要求1所述的方法，其特征在于，在通过预先训练的第一离开角估计模型对所述观测序列数据和所述导频信息进行离开角估计，得到目标离开角信息之前，还包括对所述第一离开角估计模型进行预先训练，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于确定性最大似然估计，根据所述第一预测离开角信息和所述第一信道增益估计值对所述原始第一离开角估计模型进行无监督学习，得到预先训练的所述第一离开角估计模型，包括：
5.根据权利要求1所述的方法，其特征在于，在通过预先训练的第二离开角估计模型对所述观测序列数据和所述导频统计信息进行离开角估计，得到目标离开角信息之前，还包括对所述第二离开角估计模型进行预先训练，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述第二预测离开角信息、所述第二信道增益估计值和所述噪声方差信息生成重构协方差矩阵，并基于所述第二观测训练数据生成样本协
7.根据权利要求5所述的方法，其特征在于，所述基于随机性最大似然估计，根据所述重构协方差矩阵和所述样本协方差矩阵对所述原始第二离开角估计模型进行无监督学习，得到预先训练的所述第二离开角估计模型，具体包括：
8.一种基于无监督学习的离开角估计装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于无监督学习的离开角估计方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于无监督学习的离开角估计方法。
...【技术特征摘要】
1.一种基于无监督学习的离开角估计方法，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，所述观测序列数据包括第一数目个观测值；
3.根据权利要求1所述的方法，其特征在于，在通过预先训练的第一离开角估计模型对所述观测序列数据和所述导频信息进行离开角估计，得到目标离开角信息之前，还包括对所述第一离开角估计模型进行预先训练，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于确定性最大似然估计，根据所述第一预测离开角信息和所述第一信道增益估计值对所述原始第一离开角估计模型进行无监督学习，得到预先训练的所述第一离开角估计模型，包括：
5.根据权利要求1所述的方法，其特征在于，在通过预先训练的第二离开角估计模型对所述观测序列数据和所述导频统计信息进行离开角估计，得到目标离开角信息之前，还包括对所述第二离开角估计模型进行预先训练，包括：
6.根据权利要求5所述...
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。