本發(fā)明涉及無線通信，具體指一種感知移動(dòng)網(wǎng)絡(luò)中的雜波抑制和感知參數(shù)估計(jì)方法。

背景技術(shù)：

1、隨著移動(dòng)通信技術(shù)從第五代(5g)向第六代(6g)邁進(jìn)，感知移動(dòng)網(wǎng)絡(luò)(pmns)逐漸成為研究熱點(diǎn)。這種網(wǎng)絡(luò)不僅具備通信能力，還能感知周圍環(huán)境，實(shí)現(xiàn)了感知與通信的融合(isac)，在自動(dòng)駕駛、智慧城市和增強(qiáng)物聯(lián)網(wǎng)(iot)等領(lǐng)域有廣泛應(yīng)用。然而，實(shí)現(xiàn)如此復(fù)雜的網(wǎng)絡(luò)伴隨著一系列挑戰(zhàn)，特別是在感知參數(shù)估計(jì)和雜波抑制方面。雜波，即環(huán)境中物體的不需要的回波，會(huì)顯著降低pmn的性能，因?yàn)樗鼤?huì)掩蓋預(yù)期目標(biāo)并干擾信號(hào)傳輸。雜波主要指來自永久或長期靜態(tài)物體的多徑信號(hào)，這可能會(huì)顯著增加感知參數(shù)的數(shù)量，因此在參數(shù)估計(jì)之前有必要進(jìn)行雜波抑制。

2、目前關(guān)于應(yīng)用于移動(dòng)網(wǎng)絡(luò)的雜波抑制技術(shù)的研究工作較少。一種基于最大似然幅度估計(jì)的isac雜波估計(jì)方法，使用了一個(gè)簡(jiǎn)單的雜波模型進(jìn)行樣本平均評(píng)估。然而，對(duì)于更復(fù)雜的雜波模型，雜波抵消的殘差可能更高，進(jìn)而惡化感知性能。利用信號(hào)在相干時(shí)間段內(nèi)的穩(wěn)定性，提出了一種基于遞歸移動(dòng)平均(rma)的方法來抑制雜波，該方法通過在一個(gè)窗口內(nèi)遞歸平均和平滑信號(hào)，并使用遺忘因子。盡管該方法通過在固定間隔內(nèi)過濾信號(hào)有效地減少了來自靜態(tài)路徑的雜波，但其在時(shí)間域中使用的5g-nr中的隨機(jī)和不規(guī)則解調(diào)參考信號(hào)(dmrs)使其難以應(yīng)用于pmn。

3、此外，還有一種基于高斯混合模型(gmm)和期望最大化(em)的雜波估計(jì)和抑制方法，稱為gmm-em-ce，該方法通過使用高斯分布對(duì)信道狀態(tài)進(jìn)行統(tǒng)計(jì)建模來區(qū)分靜態(tài)雜波和動(dòng)態(tài)信號(hào)。由于在實(shí)際環(huán)境中多徑成分的數(shù)量未知，該方法難以確定高斯混合成分的數(shù)量。此外，該方法在每個(gè)周期都需要進(jìn)行矩陣求逆，導(dǎo)致計(jì)算復(fù)雜度高。上述傳統(tǒng)方法間接地需要信道信息進(jìn)行雜波抑制，然后進(jìn)行感知參數(shù)估計(jì)，這可能會(huì)由于估計(jì)的信道不佳而引入潛在的雜波和參數(shù)估計(jì)誤差。因此需要設(shè)計(jì)一種不依賴于解調(diào)參考信號(hào)，低復(fù)雜度的直接估計(jì)的雜波抑制方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提出一種感知移動(dòng)網(wǎng)絡(luò)中的雜波抑制和感知參數(shù)估計(jì)方法，不僅最小化了雜波干擾，還減少了所需的感知參數(shù)數(shù)量，簡(jiǎn)化了后續(xù)的感知算法。

2、為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案為：

3、一種感知移動(dòng)網(wǎng)絡(luò)中的雜波抑制和感知參數(shù)估計(jì)方法，包括如下步驟：

4、步驟1、由m個(gè)天線的遠(yuǎn)程無線單元通過一個(gè)均勻線性陣列發(fā)射5gnr信號(hào)；

5、步驟2、遠(yuǎn)程無線單元接收環(huán)境中反射回的信號(hào)；

6、步驟3、使用多脈沖對(duì)消算法對(duì)接收的信號(hào)進(jìn)行雜波抑制；

7、步驟4、將雜波抑制后得到的信號(hào)轉(zhuǎn)換為用于解決稀疏多測(cè)量向量恢復(fù)問題的復(fù)合模型；

8、步驟5、應(yīng)用uamp-sbl?for?mmv算法求解復(fù)合模型，識(shí)別出復(fù)合模型中矩陣a對(duì)應(yīng)于l條路徑的l行；

9、步驟6、將除了時(shí)延的所有感知參數(shù)引入到矩陣a中，提取矩陣a中的非零行得到矩陣a′；

10、步驟7、根據(jù)矩陣a′進(jìn)行感知參數(shù)估計(jì)。

11、本發(fā)明采用了云無線接入網(wǎng)絡(luò)(cran)配置下的感知移動(dòng)網(wǎng)絡(luò)的下行主動(dòng)感知場(chǎng)景，每個(gè)遠(yuǎn)端無線單元(rru)配置有m個(gè)天線，天線間距為半波長。信道模型定義了多徑傳播中的時(shí)延、多普勒頻率和角度，這些參數(shù)在一個(gè)信道靜止周期內(nèi)保持不變。通過將接收到的信號(hào)轉(zhuǎn)換為頻域信號(hào)，建立了頻域信道矩陣模型。

12、作為優(yōu)選，所述步驟2中，選擇ssb的最后三個(gè)ofdm符號(hào)用于感知，記在第g個(gè)ssb中的第k個(gè)ofdm符號(hào)的第n個(gè)子載波上傳輸?shù)牟ㄊ尚涡盘?hào)為xn，t＝wtsn，t，其中，g＝1，2，...，g，k＝1，2，3，wt是第t個(gè)ofdm符號(hào)的波束成形向量，其中t＝4g+k，sn，t是相關(guān)的相位調(diào)制信號(hào)，且|sn，t|2＝1，rru在第n個(gè)子載波和第tth?ofdm符號(hào)上接收到的信號(hào)表示為：

13、

14、其中xn，t和zn，t分別表示發(fā)射信號(hào)向量和噪聲向量，θ是出發(fā)角或到達(dá)角，目標(biāo)的出發(fā)角和到達(dá)角是相同的，將出發(fā)角或到達(dá)角記為θl，l∈[1，l]，其中l(wèi)是路徑的數(shù)量，是子載波間隔，n為子載波的總數(shù)，b為帶寬，是ofdm符號(hào)周期，tp表示循環(huán)前綴周期，a(m，θl)是rru的陣列響應(yīng)向量。

15、上述技術(shù)方案中，通過同步信號(hào)快ssb

16、作為優(yōu)選，所述步驟3中，雜波抑制的具體方法為：

17、將從p+1個(gè)連續(xù)的ssb突發(fā)集中具有相同索引的接收ofdm符號(hào)表示為其中ns是兩次連續(xù)ssb突發(fā)集之間的ofdm符號(hào)數(shù)量，按照多脈沖對(duì)消算法直接處理接收的信號(hào)，得到：

18、

19、其中(a)指得是公式中第二個(gè)等式成立是因?yàn)閷?duì)于ssb具有相同的波束賦形且是相同的，并且是雜波消除器的頻率響應(yīng)。

20、上述技術(shù)方案中，通過p幀ssb突發(fā)集的差分運(yùn)算，有效消除多普勒頻移為零的多徑雜波。

21、作為優(yōu)選，所述步驟3中，消除雜波時(shí)，使得參數(shù)fd，l≈0，并且選擇更大的p，使得雜波消除器具有更深的凹槽，從而消除接近零多普勒頻率的雜波。

22、作為優(yōu)選，所述轉(zhuǎn)換方法為：

23、將經(jīng)過雜波抑制后的信號(hào)乘以得到一個(gè)無數(shù)據(jù)符號(hào)的信號(hào)模型：

24、

25、其中包含所有感知參數(shù)除了時(shí)延，z′n，t是處理后的噪聲向量；

26、然后將所有n個(gè)子載波的無數(shù)據(jù)符號(hào)的信號(hào)模型連接起來，得到：

27、rt＝[r1，t，...，rn,t]t＝cbt+z′t，

28、其中c＝[c(τ1)，...，c(τl)]包含所有路徑的時(shí)延；

29、其中以及bt＝[b1，t，...，bl，t]t；

30、從而將n個(gè)子載波的rn，t連接起來rt重新表述為一個(gè)稀疏模型：

31、rt＝c′iibt+z′t，

32、其中c′是已知的，并以量化的時(shí)延表示為：

33、c′＝[c(1/(ndδf))，...，c(np/(ndδf))]，

34、其中np表示使用的網(wǎng)格數(shù)，其中，l＜＜np＜nd；π是一個(gè)np×l的置換矩陣，具有l(wèi)個(gè)非零行，每行包括一個(gè)單一的非零元素1，將bt映射到相應(yīng)的量化時(shí)延，

35、將第g個(gè)ssb的三個(gè)連續(xù)ofdm符號(hào)對(duì)應(yīng)的rt連接，得到：

36、

37、其中t′＝4g+1，和表示由一個(gè)n×3m的觀測(cè)矩陣一個(gè)n×np的感知矩陣c′和一個(gè)np×3m組成的稀疏信號(hào)矩陣；

38、將所有矩陣連接為：

39、

40、從而得到復(fù)合模型：

41、

42、作為優(yōu)選，所述步驟6中，引入并將a′表示為：

43、

44、其中，a′的每一行對(duì)應(yīng)一條路徑，如果第g個(gè)ssb波束與第l條路徑對(duì)齊，的功率將高于其他ssb的功率。

45、作為優(yōu)選，所述步驟7中，在進(jìn)行參數(shù)估計(jì)時(shí)，需要確定在a′的第l行中具有最大的最佳gl，即：

46、

47、作為優(yōu)選，所述感知參數(shù)的估計(jì)方法為：

48、通過和t′l＝4gl+1，可以得到和

49、

50、從而實(shí)現(xiàn)關(guān)聯(lián)了{(lán)τl，fd，l，θl，bl}的所有感知參數(shù)估計(jì)。

51、上述技術(shù)方案中，利用多重測(cè)量向量(mmv)問題中的稀疏貝葉斯學(xué)習(xí)(sbl)算法，直接對(duì)接收到的信號(hào)進(jìn)行參數(shù)估計(jì)，避免了初始信道估計(jì)的復(fù)雜過程。通過稀疏信號(hào)恢復(fù)問題模型，提高了感知參數(shù)估計(jì)的魯棒性和精度，支持高精度和實(shí)時(shí)處理需求。

52、本發(fā)明具有以下的特點(diǎn)和有益效果：

53、本發(fā)明專門針對(duì)感知移動(dòng)網(wǎng)絡(luò)(pmns)的獨(dú)特需求，解決了時(shí)間域中解調(diào)參考信號(hào)(dmrs)的隨機(jī)性和不規(guī)則性問題，并減少了傳統(tǒng)雜波抑制方法通常存在的高復(fù)雜性。通過創(chuàng)新性地使用同步信號(hào)塊(ssbs)，所提出的方法增強(qiáng)了雜波抑制能力。

54、另外，開發(fā)了一種感知參數(shù)算法，以補(bǔ)充所提出的雜波抑制方法，進(jìn)一步優(yōu)化了在pmns中的處理效率和效果。這一綜合方法不僅最小化了雜波干擾，還減少了所需的感知參數(shù)數(shù)量，簡(jiǎn)化了后續(xù)的感知算法。

55、采用上述技術(shù)方案，有效抑制感知移動(dòng)網(wǎng)絡(luò)中的雜波，提高感知參數(shù)估計(jì)的精度；通過直接對(duì)接收到的信號(hào)進(jìn)行處理，簡(jiǎn)化了計(jì)算過程，降低了計(jì)算復(fù)雜度；采用稀疏貝葉斯學(xué)習(xí)算法，提高了感知參數(shù)估計(jì)的魯棒性和實(shí)時(shí)性。