一种基于大规模天线阵的多普勒频偏测量方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112162238A(43)申请公布日2021.01.01(21)申请号202010992897.6(22)申请日2020.09.21(71)申请人南昌大学地址330000江西省南昌市红谷滩新区学府大道999号(72)发明人王正海徐晨余礼苏周辉林(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201代理人何世磊(51)Int.Cl.G01S5/02(2010.01)G01S3/02(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图2页(54)发明名称一种基于大规模天线阵的多普勒频偏测量方法(57)摘要本发明公开了一种基于大规模天线阵的多普勒频偏测量方法，包括：构建信号训练集；分组，依次顺序地将两个输入节点编为一组，输入到一个预处理单元；预处理；深度神经网络训练，将信号训练集中的输入数据矩阵经过预处理后，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果，计算深度神经网络的性能，采用反向传播和梯度下降算法迭代训练深度神经网络，直至深度神经网络的性能达到预设门限，得到深度神经网络模型；第五步，实时测量，将实测数据经分组和预处理后，送入深度神经网络模型，得到实测数据对应的多普勒频偏测量值。本发明能够解决现有技术中实时计算复杂度过高的问题。CN112162238ACN112162238A权利要求书1/1页1.一种基于大规模天线阵的多普勒频偏测量方法，其特征在于，包括：第一步，构建信号训练集，信号训练集包含输入数据矩阵和输出结果，输入数据矩阵的每一行与一个射频链路对应，并对应输入到一个输入节点；第二步，分组，依次顺序地将两个输入节点编为一组，输入到一个预处理单元，进行预处理；第三步，预处理，对于每个预处理单元，首先，对输入到预处理单元的两路信号之一，延时D个采样点，D是非负数；然后，对一路直通信号和一路延时信号进行相乘；最后，求取乘法结果的均值；第四步，深度神经网络训练，将信号训练集中的输入数据矩阵经过预处理后，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果，计算深度神经网络的性能，采用反向传播和梯度下降算法迭代训练深度神经网络，直至深度神经网络的性能达到预设门限，得到深度神经网络模型；第五步，实时测量，将实测数据经过第二步和第三步处理后，送入到第四步训练完成的深度神经网络模型，得到实测数据对应的多普勒频偏测量值。2.根据权利要求1所述的基于大规模天线阵的多普勒频偏测量方法，其特征在于，第一步具体为：构建信号训练集，信号训练集包含输入数据矩阵和输出结果，其中，输入数据矩阵是N×M维的矩阵，其中，N表示大规模天线阵列的射频链路数，M表示每个射频链路的采样数据点数，输出结果是1×1维的数据，表示多普勒频偏，一个输入数据矩阵与一个输出结果对应。3.根据权利要求2所述的基于大规模天线阵的多普勒频偏测量方法，其特征在于，第四步具体为：深度神经网络训练，将信号训练集中的输入数据矩阵经过N/2个预处理单元的预处理后，得到N/2个预处理结果，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果，计算深度神经网络的性能，采用反向传播和梯度下降算法迭代训练深度神经网络，直至深度神经网络的性能达到预设门限，得到深度神经网络模型。4.根据权利要求1所述的基于大规模天线阵的多普勒频偏测量方法，其特征在于，第四步，计算深度神经网络的性能时，性能函数选用归一化均方根误差。2CN112162238A说明书1/3页一种基于大规模天线阵的多普勒频偏测量方法技术领域[0001]本发明涉及信息处理技术领域，特别是涉及一种基于大规模天线阵的多普勒频偏测量方法。背景技术[0002]大规模多输入多输出(MassiveMultipleInputMultipleOutput,大规模MIMO)技术作为第五代(5thGeneration,5G)以及后续宽带移动通信的核心技术之一。与传统的MIMO相比，该技术以更大规模的三维天线阵列，采用复杂的三维空间复用技术，极大地提升了5G系统空口时间和频谱资源的复用能力，具有更高的通信容量和更好的服务能力。[0003]测速和定位是无线信息系统的基本应用，通过求取目标发射信号达到阵列的频移对目标进行测速和定位是一种主要的技术途径。[0004]在事先知道信号的来波方向的情况下，通常采用如图1所示的方法来计算目标发射信号达到阵列的频移：首先，对大量天线单元的接收信号进行波束合成，使其成为一路合成信号；然后，通过快速傅里叶变换等方法，获得多普勒频偏的测量值。然而，为