[发明专利]一种基于大规模天线阵的多普勒频偏测量方法

说明书

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。

技术领域

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

大规模多输入多输出(Massive Multiple Input Multiple Output,大规模MIMO)技术作为第五代(5th Generation,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。

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。

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，为了获得信号的来波方向，需要进行复杂的运算，比如，大规模天线阵列结合空间谱(比如，MUSIC、ESPRIT等)，可以在三维空间进行方位和俯仰的分辨，获得低于1度的空间分辨能力。上述运算过程中，需要对接收信号求协方差矩阵，再做特征值分解，然后，求解线性方程，在求解线性方程的过程中，需要对矩阵求逆。和常规的均匀线性阵列、均匀圆形阵列相比，大规模天线阵列天线单元数成数量级的增加，相应地导致矩阵运算的复杂度成数量级的平方增加。显然，传统的测向和定位方法，在大规模天线阵的体制下，复杂度过高，实时定位的复杂度高，难度大。

在事先不知道信号的来波方向的情况下，通常采用如图2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数字多波束合成，使其成为多路合成信号；然后，通过对每一路合成信号，采用快速傅里叶变换等方法，在信号检测的基础之上，获得每一路的多普勒频偏的测量值。上述运算过程中，数字多波束和多路并行的傅里叶变换，复杂度也都比较高。

发明内容

针对上述问题，本发明的目的在于提出一种基于大规模天线阵的多普勒频偏测量方法，以解决现有技术中实时计算复杂度过高的问题。

一种基于大规模天线阵的多普勒频偏测量方法，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；