本發(fā)明屬于無(wú)線通信，具體涉及到一種通信感知一體化場(chǎng)景下正交頻分復(fù)用系統(tǒng)接收端的多普勒與時(shí)延估計(jì)方法。

背景技術(shù)：

1、通信感知一體化技術(shù)(integrated?sensing?and?communication，isac)是第六代移動(dòng)通信技術(shù)(6th?generation?mobile?networks，6g)的六大應(yīng)用場(chǎng)景之一，也是實(shí)現(xiàn)物理世界和數(shù)字世界深入融合的關(guān)鍵技術(shù)。6g對(duì)兼具通信與感知功能的智能系統(tǒng)需求日益迫切。在這一背景下，通信感知一體化成為推動(dòng)通信與感知功能集成與協(xié)同、提升系統(tǒng)頻譜利用效率的關(guān)鍵使能技術(shù)，吸引了學(xué)術(shù)界的巨大興趣和廣泛關(guān)注。在6g中，一體化波形設(shè)計(jì)是isac設(shè)計(jì)的核心技術(shù)，在現(xiàn)有ofdm(orthogonal?frequency?division?multiplexing，ofdm)移動(dòng)通信系統(tǒng)的制式上增加感知功能，不對(duì)蜂窩系統(tǒng)進(jìn)行大幅修改，是較為直接且成本較低的一種方式。使用ofdm波形的系統(tǒng)具有高分辨率和較強(qiáng)的抗多徑衰落能力，表現(xiàn)出優(yōu)秀的性能。為了實(shí)現(xiàn)并優(yōu)化ofdm系統(tǒng)的感知性能，許多傳統(tǒng)的雷達(dá)感知算法被嘗試應(yīng)用到ofdm系統(tǒng)中。傳統(tǒng)ofdm速度-距離聯(lián)合感知算法最早可追溯到2d-dft，以及同樣用于ofdm系統(tǒng)的超分辨率算法music、capon等。但傳統(tǒng)的超分辨率算法可以達(dá)到的精度受到ofdm信號(hào)時(shí)寬和帶寬的限制。在多目標(biāo)場(chǎng)景中，當(dāng)兩個(gè)目標(biāo)的距離差或速度差小于感知分辨率時(shí)，兩個(gè)目標(biāo)在感知譜上對(duì)應(yīng)的感知譜峰會(huì)互相干擾。隨著感知參數(shù)逐漸接近，兩個(gè)譜峰會(huì)逐漸合并，直至傳統(tǒng)的“超分辨率”算法也無(wú)法將其分離。

2、近年來(lái)，越來(lái)越多的研究將目光聚焦于機(jī)器學(xué)習(xí)方法在超分辨率估計(jì)工作上的應(yīng)用。傳統(tǒng)的多層感知機(jī)被嘗試應(yīng)用在單快照的到達(dá)角估計(jì)上，實(shí)現(xiàn)了對(duì)多個(gè)目標(biāo)的低復(fù)雜度估計(jì)。在自動(dòng)駕駛領(lǐng)域中對(duì)汽車的二維到達(dá)角估計(jì)問(wèn)題被證明可以表述為塊稀疏恢復(fù)問(wèn)題，并通過(guò)一種稀疏貝葉斯學(xué)習(xí)網(wǎng)絡(luò)解決該問(wèn)題，實(shí)現(xiàn)對(duì)感知參數(shù)的估計(jì)。大規(guī)模多輸入多輸出系統(tǒng)中的信道估計(jì)問(wèn)題也可以通過(guò)引入深度學(xué)習(xí)網(wǎng)絡(luò)在一定程度上得到解決。雖然這些研究展示了機(jī)器學(xué)習(xí)方法在到達(dá)角估計(jì)問(wèn)題上的潛力，也可以應(yīng)用到ofdm感知估計(jì)中，但他們的性能與復(fù)雜度難以得到兼顧。因此，一種在性能與復(fù)雜度中取得有效折衷的感知估計(jì)方法尚待發(fā)掘。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提出了一種基于殘差網(wǎng)絡(luò)的通感一體化波形超分辨率感知方法。

2、所述基于殘差網(wǎng)絡(luò)的通感一體化波形超分辨率感知方法包括：

3、步驟1：網(wǎng)絡(luò)模型構(gòu)建

4、步驟1.1：第一層神經(jīng)網(wǎng)絡(luò)由普通的卷積層和池化層構(gòu)成，卷積層的卷積核大小為3×3，步長(zhǎng)(stride)為1，輸出通道數(shù)為64，在卷積層后面添加一層批歸一化層，并使用relu函數(shù)作為批歸一化層的輸出函數(shù)，最大池化層被放置在relu層后，核大小為3×3，步長(zhǎng)為2；

5、步驟1.2：第二層和第三層神經(jīng)網(wǎng)絡(luò)分別由一個(gè)經(jīng)典的殘差塊構(gòu)成，每個(gè)殘差塊內(nèi)部包含兩層卷積層，每個(gè)卷積層的卷積核大小設(shè)置為3×3，步長(zhǎng)為1，第二層殘差塊的輸出通道為64，第三層殘差塊的輸出通道為128；

6、步驟1.3：第四層和第五層神經(jīng)網(wǎng)絡(luò)則在殘差塊的基礎(chǔ)上添加了注意力機(jī)制，第四、第五層殘差塊的內(nèi)部參數(shù)設(shè)置與前兩層一樣，輸出通道數(shù)量分別設(shè)置為256和512，殘差塊后面被加入了一層senet(squeeze-and-excitation?net)，降維比例分別設(shè)置為8和16；

7、步驟1.4：第五層后面通過(guò)一層全局平均池化層對(duì)數(shù)據(jù)進(jìn)行降維，隨后接上一個(gè)全連接層作為輸出層，輸出神經(jīng)元的數(shù)量設(shè)置為其中為感知目標(biāo)的數(shù)量；

8、步驟2：信號(hào)處理流程

9、步驟2.1：設(shè)置參數(shù)n、m和其中：n為ofdm符號(hào)數(shù)，m為子載波數(shù)，為調(diào)制階數(shù)，信源根據(jù)待傳輸?shù)膬?nèi)容生成長(zhǎng)度為的串行比特?cái)?shù)據(jù)流，并對(duì)該數(shù)據(jù)流進(jìn)行階數(shù)字調(diào)制映射為mn個(gè)星座符號(hào)，其中：m＝0，...，m-1，n＝0，...，n-1；

10、步驟2.2：對(duì)mn個(gè)星座符號(hào)首先通過(guò)串并變換將其擺放在時(shí)間-頻率域網(wǎng)格上，得到時(shí)頻域的待發(fā)送符號(hào)，記為a[m，n]，發(fā)射端對(duì)a[m，n]的每一行進(jìn)行m點(diǎn)離散逆傅里葉變換(inverse?discrete?fourier?transform，idft)得到離散時(shí)域樣本，再通過(guò)發(fā)射脈沖成型函數(shù)將其轉(zhuǎn)化為連續(xù)的時(shí)域待發(fā)射信號(hào)x(t)，如下式(1)：

11、

12、式1中，δf為子載波間隔，ts為一個(gè)帶循環(huán)前綴(cyclic?prefix，cp)ofdm符號(hào)的持續(xù)時(shí)間，滿足ts＝t+tcp，且t＝1/δf為ofdm符號(hào)信息部分的持續(xù)時(shí)間，tcp為cp部分的持續(xù)時(shí)間，gtx(t)為發(fā)射脈沖成型函數(shù)；

13、步驟2.3：設(shè)置感知參數(shù)ρk，dk和vk，其中為感知目標(biāo)的數(shù)量，ρk，dk和vk分別為第k個(gè)目標(biāo)對(duì)應(yīng)的信道增益，距離和速度，且有

14、步驟2.4：根據(jù)感知參數(shù)構(gòu)建時(shí)間-時(shí)延域信道沖激響應(yīng)其中δ(·)為狄拉克德?tīng)査瘮?shù)，τk和vk分別為第k條徑對(duì)應(yīng)的時(shí)延和多普勒，滿足τk＝2dk/c和vk＝2vkfc/c，c表示光速，fc表示發(fā)射信號(hào)的中心載頻；

15、步驟2.5：發(fā)射的信號(hào)通過(guò)感知信道到達(dá)感知接收端，接收信號(hào)r(t)通過(guò)發(fā)送信號(hào)x(t)與時(shí)間-時(shí)延域信道沖激響應(yīng)h(t，τ)的積分得到，如下式(2)：

16、

17、式(2)中，n(t)為接收機(jī)接收到的加性高斯白噪聲，接收端通過(guò)對(duì)接收信號(hào)以時(shí)間間隔t/m進(jìn)行采樣可以得到離散形式的接收信號(hào)，除去采樣數(shù)據(jù)中屬于循環(huán)前綴的部分，并對(duì)每m個(gè)采樣點(diǎn)進(jìn)行dft，即得到時(shí)頻域的接收信號(hào)矩陣y[m，n]：如下式(3)

18、

19、時(shí)頻域接收矩陣看作是發(fā)送符號(hào)a[m，n]乘以信道復(fù)增益再加上噪聲的結(jié)果，則有y＝a⊙h(d，v)+n，其中⊙表示哈達(dá)瑪積，h(d，v)為時(shí)間-頻率域的信道沖激響應(yīng)矩陣，和表示待估計(jì)的感知參數(shù)向量，令表示信道增益向量，則h(d，v)進(jìn)一步被拆解為h(d，v)＝u(d)diag(γ)b(v)t，其中u(d)和b(v)分別表示由時(shí)延和多普勒對(duì)應(yīng)的相移矩陣，如下式(4)：

20、

21、式(4)中，步驟2.6：估計(jì)算法需要接收信號(hào)矩陣中與信道相關(guān)的信息，需要將接收矩陣y以元素級(jí)除法除以發(fā)送符號(hào)a得到待估計(jì)矩陣o：

22、

23、上式(5)中，待估計(jì)矩陣o的行方向包含著每個(gè)目標(biāo)的距離信息，列方向包含著每個(gè)目標(biāo)的速度信息，表示噪聲矩陣；

24、步驟2.7：將o重新排列，令列向量逐一拼接到一起，將距離信息和速度信息擺放在同一個(gè)維度上，定義轉(zhuǎn)向矢量其中：表示克羅內(nèi)克積，則重新排列后的o用如下式(6)表示：

25、

26、式(6)中，表示重新排列后的向量，vec(·)表示列向量化操作；

27、步驟2.8：將q與其共軛轉(zhuǎn)置qh相乘，計(jì)算協(xié)方差矩陣qxx＝qqh；

28、步驟2.9：計(jì)算協(xié)方差矩陣qxx的特征值和對(duì)應(yīng)的特征向量，得到qxx的特征值分解qxx＝eλeh，其中：λ＝diag(λ1，...，λmn)，e＝[e1，...，emn]，λl和el分別是協(xié)方差矩陣qxx的特征值和對(duì)應(yīng)的特征向量；

29、步驟2.10：將計(jì)算得到的特征值進(jìn)行降序排序，使得排序后的特征值序列滿足其中特征向量也同時(shí)按照特征值的順序進(jìn)行重新排列，重新排列后的特征向量矩陣記為

30、步驟2.11：最大的前個(gè)特征值被認(rèn)為是個(gè)目標(biāo)的反射信號(hào)對(duì)應(yīng)的特征值，其余的個(gè)特征值則認(rèn)為是噪聲特征值，根據(jù)協(xié)方差矩陣qxx的特征值分解和排序結(jié)果，接收信號(hào)被分解為信號(hào)子空間和噪聲子空間，子空間分解的結(jié)果用下面的式子表示：

31、

32、式(7)中，和分別表示信號(hào)子空間和噪聲子空間，基于上述的分解操作，二維music譜表示為下式(8)：

33、

34、式(8)中，d和v分別表示距離和速度，c(d，v)為步驟2.7中定義的轉(zhuǎn)向矢量，表示噪聲子空間，(·)h表示共軛轉(zhuǎn)置。

35、步驟2.12：設(shè)置參數(shù)nd和nv，分別表示沿距離軸和速度軸方向上對(duì)二維music譜進(jìn)行采樣時(shí)的采樣點(diǎn)數(shù)；

36、步驟2.13：根據(jù)步驟b5中描述的轉(zhuǎn)向矢量u(d)和b(v)，計(jì)算二維music算法估計(jì)的最大距離范圍drange和最大速度范圍vrange，分別滿足和即有下式(9)：

37、

38、步驟2.14：確認(rèn)算法應(yīng)用場(chǎng)景下感知目標(biāo)可以達(dá)到的的最大距離dmax和最大速率vmax，滿足0≤dk≤dmax和-vmax≤vk≤vmax，其中：同時(shí)需要保證保證波形參數(shù)的設(shè)置使得drange≥dmax和vrange≥vmax/2；

39、步驟2.15：根據(jù)上述三個(gè)步驟設(shè)置或計(jì)算的參數(shù)，對(duì)二維music譜沿著距離軸和速度軸進(jìn)行采樣，記采樣后的二維離散music譜為pmusic，如下式(10)：

40、

41、式(10)中，ηd＝0，...，nd，nv＝0，...，nv，通常的做法是將每個(gè)采樣點(diǎn)距離軸采樣點(diǎn)和速度軸采樣點(diǎn)分別設(shè)置為drangend/nd和vrange(nv/nv-0.5)，使得二維music譜估計(jì)的距離和速度范圍分別為[0，drange]和[-vrange，vrange]/2，其中：速度采樣點(diǎn)的設(shè)置是為了能夠兼顧實(shí)際應(yīng)用中正負(fù)速率的存在。然而距離軸采樣點(diǎn)的設(shè)置使得感知譜峰通常出現(xiàn)在二維music譜的一側(cè)，這樣的情況會(huì)使得模型的訓(xùn)練和預(yù)測(cè)效果受到影響，令β＝dmax/drange≤1，通過(guò)式(10)距離軸采樣點(diǎn)的設(shè)置能夠使得二維度music譜pmusic中的距離軸上譜峰出現(xiàn)的位置位于[1-β，1+β]nd/2之間，即出現(xiàn)在二維譜中心的概率增大；

42、步驟2.16：將獲得的二維music譜pmusic輸入訓(xùn)練好的模型中，得到歸一化后的感知參數(shù)集和

43、步驟2.17：將獲得的感知參數(shù)集換算為感知目標(biāo)對(duì)應(yīng)的距離和速度，換算方法如下式(11)所示：

44、

45、根據(jù)上式(11)得到感知參數(shù)的估計(jì)結(jié)果和

46、步驟3：模型訓(xùn)練過(guò)程

47、步驟3.1：設(shè)定參數(shù)drange，vrange，dmax，vmax，感知目標(biāo)的數(shù)量設(shè)置為設(shè)定距離模糊度ηd和速度模糊度ηv，表示兩個(gè)目標(biāo)感知參數(shù)的相近程度，生成第一個(gè)感知目標(biāo)對(duì)應(yīng)的距離d1和v1，滿足0≤d1≤dmax和-vmax≤v1≤vmax，第二個(gè)感知目標(biāo)對(duì)應(yīng)的距離和速度根據(jù)模糊度計(jì)算如下式(12)：

48、

49、步驟3.2：根據(jù)步驟c1生成訓(xùn)練用的數(shù)據(jù)，生成20000個(gè)大小為nd×nv＝40×40的2d-music譜作為訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練模型，訓(xùn)練數(shù)據(jù)中兩個(gè)譜峰的中心位置在music譜上隨機(jī)分布，速度模糊度ηv在0-0.5之間均勻分布，距離模糊度ηd在0-0.9之間均勻分布，同時(shí)5000個(gè)以相同方式生成的2d-music譜數(shù)據(jù)被生成作為驗(yàn)證集，在測(cè)試集中，目標(biāo)的距離模糊度以0.1為步進(jìn)，從0增加到0.9，其它參數(shù)與訓(xùn)練集相同，每個(gè)距離模糊度生成5000個(gè)數(shù)據(jù)，即測(cè)試集的總大小為50000；

50、步驟3.3：在模型訓(xùn)練過(guò)程中將均方誤差函數(shù)作為損失函數(shù)：

51、

52、式(13)中，表示歸一化的感知參數(shù)集，且有下式(14)：

53、

54、式(14)中，k＝1，2，使用adam優(yōu)化器對(duì)參數(shù)進(jìn)行優(yōu)化；批大小設(shè)置為128；權(quán)重衰減率設(shè)置為0.00001；初始的學(xué)習(xí)率設(shè)置為0.001，當(dāng)驗(yàn)證集誤差在3輪內(nèi)下降幅度不超過(guò)百分之一時(shí)，學(xué)習(xí)率除以10；模型總共訓(xùn)練60輪。

55、本發(fā)明所述方法的優(yōu)越技術(shù)效果如下：

56、1.本發(fā)明所述方法，利用殘差網(wǎng)絡(luò)較好的圖像處理能力和注意力機(jī)制的特征選擇能力，對(duì)二維music感知譜圖像進(jìn)行處理，在分離相近目標(biāo)上實(shí)現(xiàn)了更高的精度。

57、2.本發(fā)明所述方法，將感知參數(shù)的估計(jì)問(wèn)題建模為回歸預(yù)測(cè)問(wèn)題，直接輸出感知參數(shù)，相較于劃分網(wǎng)格并預(yù)測(cè)譜峰位置的多分類間接估計(jì)方法，本方法的感知性能不受網(wǎng)格分辨率的限制。

58、3.本發(fā)明所述方法，通過(guò)調(diào)整對(duì)二維music譜的采樣方式，使得譜峰對(duì)稱分布在二維譜的中心附近，加速了模型收斂并最終增強(qiáng)了模型性能。