基于OTFS通感共享波形的多目标参数估计方法及系统 |
|||||||
申请号 | CN202410116258.1 | 申请日 | 2024-01-29 | 公开(公告)号 | CN117938586A | 公开(公告)日 | 2024-04-26 |
申请人 | 北京理工大学; | 发明人 | 李彬; 焦舸洋; 武楠; 蒋荣堃; 陈妍研; | ||||
摘要 | 本 发明 公开了基于OTFS通感共享 波形 的多目标参数估计方法及系统,涉及通信 感知 一体化技术领域,该方法首先联合采用离散DD域感知信道和连续DD域感知信道两种表示方法,及其相应的DD域回波 信号 模式,描述了适用于多目标感知与分数延迟多普勒估计的问题模型;在感知目标时,本发明中的BCS‑ML 算法 分两阶段对目标参数进行估计,第一阶段估计整数延迟多普勒,第二阶段估计分数延迟多普勒,本发明采用的模型以及提出的算法实现了对多目标的低复杂度参数估计与高 精度 参数估计,突破了传统OTFS感知参数估计算法的局限性。 | ||||||
权利要求 | 1.基于OTFS通感共享波形的多目标参数估计方法,其特征在于,包括如下步骤: |
||||||
说明书全文 | 基于OTFS通感共享波形的多目标参数估计方法及系统技术领域背景技术[0002] 近年来,随着通信感知一体化技术的发展,使用通感共享波形在具有通信功能的基站上同时实现感知目标参数估计等功能的需求日益迫切。传统的通感共享波形主要包括线性调频(Linear Frequency Modulation,LFM)信号和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)信号。然而,LFM信号通信速率低,OFDM在高速移动(600km/h)场景中载波间干扰严重。这种固有缺陷限制了LFM与OFDM的进一步发展。在此背景下,正交时频空间(Orthogonal Time Frequency Space,OTFS)信号因其在时频双选信道下表现出的独特优势,在通感共享波形研究与应用方面获得了日益广泛的关注。 [0004] MF算法通过已知的延迟多普勒(Delay Doppler,DD)域发射符号矩阵来设计匹配滤波矩阵,对接收的DD域回波信号进行匹配滤波,从而实现对感知目标的延迟多普勒估计。MF算法的优点是能够感知多目标,缺点是高维度的匹配滤波矩阵以及高维矩阵求逆运算会使计算复杂度很高,并且只能估计目标的整数延迟多普勒,感知精度较低。 [0005] 二维相关算法通过接收的DD域回波信号与发射的DD域符号之间的二维相关操作实现对目标的延迟和多普勒估计。与MF算法相似,该算法能够估计多个感知目标的参数,但其计算复杂度高且感知精度较低。 [0006] ML估计算法根据DD域回波信号、DD域信道、DD域发射信号以及噪声之间的线性关系,构建最大化问题,基于DD域网格进行在网或离网搜索。ML估计算法可以用于估计整数和分数延迟多普勒,可以达到较高的感知精度。然而,当目标个数较多或目标之间的干扰较大时,使用ML估计算法准确估计每个感知目标的参数将会相当困难。 [0007] 贝叶斯压缩感知(Bayesian Compressed Sensing,BCS)算法广泛应用于通信的信道估计问题中。通过合理构建感知信道模型并利用DD域感知信道的稀疏性,BCS算法亦可用于估计与感知目标相关的信道参数。在BCS算法框架下,应用广义近似消息传递(Generalized Approximate Message Passing,GAMP)算法可有效降低BCS算法的计算复杂度。 [0008] 因此,目前缺少一种能够综合考虑计算复杂度、感知参数估计精度与多目标感知等因素的多目标参数估计方案。 发明内容[0009] 有鉴于此,本发明提供了一种基于OTFS通感共享波形的多目标参数估计方法及系统,能够综合考虑计算复杂度、感知参数估计精度与多目标感知等因素,分两个阶段分别在离散DD域和连续DD域估计感知目标的距离和速度,实现了对多感知目标的低复杂度参数估计与高精度参数估计。 [0010] 为达到上述目的,本发明的技术方案包括如下步骤: [0011] 步骤1:针对基于OTFS的通信感知一体化场景,基于离散DD域信道表示构建基站接收回波模型,记为模型A;基于连续DD域信道表示构建基站接收回波模型,记为模型B。 [0012] 步骤2:在接收回波矢量信号中随机选取R行,构建BCS线性模型,其中, 为正整数;采用GAMP算法迭代估计感知信道h,获得目标的整数延迟多普勒估计,根据估计结果与模型A重建每个目标的近似回波信号。 [0013] 步骤3:基于模型B,利用重建的每个目标的近似回波信号进行干扰消除,构建用于每个目标ML估计的问题模型;根据每个目标ML估计的问题模型构建二维函数;利用坐标下降(Coordinate Descent,CD)算法迭代估计目标的分数延迟多普勒。 [0014] 步骤4:输出目标的距离估计和速度估计结果。 [0015] 进一步地,基于OTFS的通信感知一体化场景,具体为:通感一体化基站通信的用户和主动感知的目标为相同个体;基站发射OTFS通感一体化信号,并接收经过目标反射的回波;基站通过发射端的DD域信号 与接收端的DD域信号 获取目标与基站的相对距离r与相对径向速度v,从而完成对目标的物理参数r和v的估计;其中,表示MN×1维复数域,M和N分别表示子载波个数与时隙个数; [0016] 物理参数r和v分别对应感知信道 中的两个参数,即延迟τ=2r/c和多普勒v=2fcv/c;其中,P为目标个数;ξp,τp,vp分别为目标p的反射系数、延迟和多普勒;fc为载频,c为光速;δ(·)为狄拉克δ函数。 [0017] 进一步地,基于离散DD域信道表示构建基站接收回波模型,具体为: [0018] 在离散DD域信道表示中,τ和v分别为延迟分辨率1/MΔf和多普勒分辨率1/NT的整数倍,即,τ=l/MΔf,l=0,…,M‑1,ν=k/NT,k=0,…,N‑1;其中,Δf为子载波间隔,T为时隙长度,TΔf=1,延迟抽头l和多普勒抽头k均为整数; [0019] 令 在抽头lp和kp处存在目标p,则h(lp,kp)为该目标反射系数ξp,若抽头l和k处不存在目标,则h(l ,k)为0。当有P个目标时,离散DD域信道包含P个非零反射系数,表示为 [0020] 令Y=vec‑1(yDD), X=vec‑1(xDD), h(kM+l)=h(l,k),h=T ‑1 [h(0),h(1),…,h(MN‑1)], 其中,vec (·)表示向量的矩阵化; [0021] 在此表示模式下,无噪声时接收到的DD域信号矩阵Y的第m行、第n列的元素为其中,0≤m≤M‑1,0≤n≤N‑1;[·]M表示模M; [0022] [0023] 令 [0024] [0025] ⊙表示矩阵内积,(·)H表示矩阵的共轭转置; [0026] 令H DD [0027] 令onM+m=om,n,O=[o0,o1,…,oMN‑1], y =Oh; [0029] 进一步地,基于连续DD域信道表示构建基站接收回波模型,具体为: [0030] 在连续DD域信道表示中,τ和v分别包含分数倍的延迟分辨率1/MΔf与分数倍的多普勒分辨率1/NT; [0031] 在此表示模式下,接收到的DD域信号矢量表示为 其中,Ω为连续DD域感知信道矩阵, 为加性高斯白噪声, 表示克罗内克积,IMN表示MN维的单位矩阵; 定义为 是与目标p有关的连续DD域感知信道矩阵,定义为 其中,FN是N维的FFT矩阵,FM是M维 的FFT矩阵, ΠMN是MN维的前向 循环矩阵, 是M维的IFFT矩阵, 是N维的IFFT矩阵, [0032] 进一步地,步骤2,具体包括如下步骤: [0033] 在对感知信道h进行迭代估计之前,在接收到的向量yDD=Oh+ω中随机选取R行,P [0034] 对线性模型 使用GAMP‑BCS算法估计包含目标延迟lp和多普勒kp信T 息的矢量h;认为隐变量h=[h(0),h(1),…,h(S‑1)]服从均值为0S×1、方差为α=[α0,α1,…,T αS‑1]的高斯先验分布,超参数α服从伽马超先验分布。同时,噪声 的方差t未知,服从伽马超先验分布。 [0035] 进一步地,GAMP‑BCS算法具有内外嵌套迭代的形式,定义上标{t}表示第t次外迭代,上标(i)表示第i次内迭代; [0036] 在外迭代开始前,初始化超参数,α{0}=1S×1,ζ{0}=0.2; [0037] 对于给定的α{t},ζ{t},t≥0,在内迭代开始前,令i=0;初始化待估计信道h的均值(0) H (0)和方差,μh =Φ y,σh =1S×1;初始化因子 [0038] 内迭代重复以下步骤:(i) [0039] 1)无噪观测 无噪观测 高斯先验分布的方差τu =(Φ ⊙ Φ)(i) σh ,均值 [0040] 2)无噪观测的后验均值无噪观测的后验方差 因子 因子 其中 表示矩阵对应元素相除; [0041] 3)因子 因子 [0042] 4)h的后验均值 h的后验方差 [0044] 在外迭代中,重复以下步骤: [0045] 1 ) 超 参 数超参数 其中,a,b是α的伽马分布中的参数,c,d是ζ的伽马分布中的参数; [0046] 2)当 或t≥tmax,外迭代结束,输出最后一次迭代的结果 [0047] 令Γ是离散延迟多普勒网格。 [0048] 进一步地,步骤3,具体包括如下步骤: [0049] 在步骤2粗估计得到的 基础上,使用表示模式 进一步精确估计结果;对于P个目标,ML算法需要进行P次估计,每次估计一个目标的 [0050] 将步骤2估计得到的感知信道 看作是P个目标分别对应的感知信道估计结果的和,即, 其中 是目标p′的在第一阶段中的感知信道估计; [0051] 令 表示近似重构的来自目标p′的DD域接收回波,用于干扰消除,在干扰消除后,ML模型用于估计目标p的接收信号为 是与目标p有关的 加性高斯白噪声; [0052] 对于目标p,令 Γp是目标p对应的连续延迟多普勒网格; [0053] 对于 目标p的连续延迟多普勒的ML估计为 将二维最小化 问题转换为二维最大化问题,即 然后 使用CD算法迭代解决二维最大化问题。 [0054] 进一步地,使用CD算法迭代解决二维最大化问题,具体过程为: [0055] 定义 其定义域为Γp;给定初始坐标每次迭代重复以下步骤: [0056] 1)固定 [0057] 2)固定 [0058] 3)当 或j≥jmax,迭代结束,输出最后一次迭代的结果 其中, 是门限,jmax是最大迭代次数; [0059] 目标p的最终距离估计 c为光速;最终速度估计 [0061] 感知信道模型构建模块,用于针对基于OTFS的通信感知一体化场景,基于离散DD域信道表示构建基站接收回波模型,记为模型A;基于连续DD域信道表示构建基站接收回波模型,记为模型B。 [0062] 整数延迟多普勒估计模块,用于在接收回波矢量信号中随机选取R行,构建BCS线性模型;采用GAMP算法迭代估计感知信道h,获得目标的整数延迟多普勒估计,根据估计结果与模型A重建每个目标的近似回波信号。 [0063] 分数延迟多普勒估计模块,基于模型B,利用重建的每个目标的近似回波信号进行干扰消除,构建用于每个目标ML估计的问题模型;根据每个目标ML估计的问题模型构建二维函数;利用CD算法迭代估计目标的分数延迟多普勒;输出目标的距离估计和速度估计结果。 [0064] 优选地,基于OTFS的通信感知一体化场景,具体为:通感一体化基站通信的用户和主动感知的目标为相同个体;基站发射OTFS通感一体化信号,并接收经过目标反射的回波;基站通过发射端的DD域信号 与接收端的DD域信号 获取目 标与基站的相对距离r与相对径向速度v,从而完成对目标的物理参数r和v的估计;其中,表示MN×1维复数域,M和N分别表示子载波个数与时隙个数。 [0065] 物理参数r和v分别对应感知信道 中的两个参数,即延迟τ=2r/c和多普勒v=2fcv/c;其中,P为目标个数;ξp,τp,vp分别为目标p的反射系数、延迟和多普勒;fc为载频,c为光速;δ(·)为狄拉克δ函数。 [0066] 基于离散DD域信道表示构建基站接收回波模型,具体为: [0067] 在离散DD域信道表示中,τ和ν分别为延迟分辨率1/MΔf和多普勒分辨率1/NT的整数倍,即,τ=l/MΔf,l=0,…,M‑1,ν=k/NT,k=0,…,N‑1;其中,Δf为子载波间隔,T为时隙长度,TΔf=1,延迟抽头l和多普勒抽头k均为整数。 [0068] 令 在抽头lp和kp处存在目标p,则h(lp,kp)为该目标反射系数ξp,若抽头l和k处不存在目标,则h(l ,k)为0;当有P个目标时,离散DD域信道包含P个非零反射系数,表示为 ‑1 DD ‑1 DD [0069] 令Y=vec (y ), X=vec (x ), h(kM+l)=h(l,k),h=T ‑1 [h(0),h(1),…,h(MN‑1)], 其中,vec (·)表示向量的矩阵化。 [0070] 在此表示模式下,无噪声时接收到的DD域信号矩阵Y的第m行、第n列的元素为其中,0≤m≤M‑1,0≤n≤N‑1;[·]M表示模M。 [0071] [0072] 令 [0073]H [0074] ⊙表示矩阵内积,(·)表示矩阵的共轭转置; [0075] 令 [0076] 令onM+m=om,n,OH=[o0,o1,…,oMN‑1], yDD=Oh; [0077] 考虑噪声,yDD=Oh+ω, ω为加性高斯白噪声;矩阵O根据发射信号DD x 与相位ρm,n进行唯一设计。 [0078] 基于连续DD域信道表示构建基站接收回波模型,具体为: [0079] 在连续DD域信道表示中,τ和v分别包含分数倍的延迟分辨率1/MΔf与分数倍的多普勒分辨率1/NT。 [0080] 在此表示模式下,接收到的DD域信号矢量表示为 其中,Ω为连续DD域感知信道矩阵, 为加性高斯白噪声, 表示克罗内克积,IMN表示MN维的单位矩阵; 定义为 是与目标p有关的连续DD域感知信道矩阵,定义为 其中,FN是N维的FFT矩阵,FM是M维 的FFT矩阵, ΠMN是MN维的前向 循环矩阵, 是M维的IFFT矩阵, 是N维的IFFT矩阵, [0081] 整数延迟多普勒估计模块,具体执行如下步骤: [0082] 在对感知信道h进行迭代估计之前,在接收到的向量yDD=Oh+ω中随机选取R行,P [0083] 对线性模型 使用GAMP‑BCS算法估计包含目标延迟lp和多普勒kp信T 息的矢量h;认为隐变量h=[h(0),h(1),…,h(S‑1)]服从均值为0S×1、方差为α=[α0,α1,…,T αS‑1]的高斯先验分布,超参数α服从伽马超先验分布。同时,噪声 的方差ζ未知,服从伽马超先验分布。 [0084] GAMP‑BCS算法具有内外嵌套迭代的形式,定义上标{t}表示第t次外迭代,上标(i)表示第i次内迭代。 [0085] 在外迭代开始前,初始化超参数,α{0}=1S×1,ζ{0}=0.2; [0086] 对于给定的α{t},ζ{t},t≥0,在内迭代开始前,令i=0;初始化待估计信道h的均值(0) H (0)和方差,μh =Φ y,σh =1S×1;初始化因子 [0087] 内迭代重复以下步骤: [0088] 1)无噪观测 无噪观测 高斯先验分布的方差τu(i)=(Φ ⊙ Φ)(i) σh ,均值 [0089] 2)无噪观测的后验均值无噪观测的后验方差 因子 因子 其中 表示矩阵对应元素相除。 [0090] 3)因子 因子 [0091] 4)h的后验均值 h的后验方差 [0092] 5)当 或i≥imax,内迭代结束,输出最后一次迭代的结果 其中, 是内迭代 门限,imax是内迭代最大次数。 [0093] 在外迭代中,重复以下步骤: [0094] 1 ) 超 参 数超参数 其中,a,b是α的伽马分布中的参数,c,d是ζ的伽马分布中的参数。 [0095] 2)当 或t≥tmax,外迭代结束,输出最后一次迭代的结果 [0096] 令Γ是离散延迟多普勒网格。 [0097] 分数延迟多普勒估计模块,具体执行如下步骤: [0098] 在整数延迟多普勒估计模块粗估计得到的 基础上,使用表示模式进一步精确估计结果;对于P个目标,ML算法需要进行P次估计,每次估 计一个目标的 [0099] 将整数延迟多普勒估计模块估计得到的感知信道 看作是P个目标分别对应的感知信道估计结果的和,即, 其中 是目标p′的在第一阶段中的感知信道估计。 [0100] 令 表示近似重构的来自目标p′的DD域接收回波,用于干扰消除,在干扰消除后,ML模型用于估计目标p的接收信号为 是与目标p有关的 加性高斯白噪声。 [0101] 对于目标p,令 Γp是目标p对应的连续延迟多普勒网格。 [0102] 对于 目标p的连续延迟多普勒的ML估计为 将二维最小化 问题转换为二维最大化问题,即 [0103] 优选地,使用CD算法迭代解决二维最大化问题,具体过程为: [0104] 定义 其定义域为Γp;给定初始坐标每次迭代重复以下步骤: [0105] 1)固定 [0106] 2)固定 [0107] 3)当 或j≥jmax,迭代结束,输出最后一次迭代的结果 其中,是门限,jmax是最大迭代次数; [0108] 目标p的最终距离估计 c为光速;最终速度估计 [0109] 有益效果: [0110] 本发明提供了一种基于OTFS通感共享波形的多目标参数估计方法,采用了两种可在实际场景中近似切换的DD域感知信道表示方法,并基于相应的DD域回波表示模式分两阶段估计感知目标的距离和速度,避免了传统的OTFS感知算法因分数多普勒问题或多目标场景而产生的局限性,使感知方法具有了更强的适用性与实用性。 [0111] 本发明基于感知信道在DD域中表现出的稀疏性,在BCS算法的框架下,将第一阶段的估计描述为稀疏感知信道重构过程,利用GAMP‑BCS算法估计目标的整数延迟和多普勒,有效降低了计算复杂度。 [0112] 本发明在第一阶段的估计的基础上,近似重构出每个目标的回波信号,解决了不同目标之间的干扰问题,并将第二阶段的估计描述为ML问题,通过ML‑CD算法估计目标的分数延迟和多普勒,有效提升了对目标距离和速度的感知精度。 [0113] 结合以上效果,可以看出本发明综合考虑计算复杂度、感知参数估计精度与多目标感知等因素,分两个阶段分别在离散DD域和连续DD域估计感知目标的距离和速度,实现了对多感知目标的低复杂度参数估计与高精度参数估计。附图说明 [0114] 图1为本发明中的基于OTFS的通信感知一体化场景示意图; [0115] 图2为本发明中的建模与算法流程图; [0116] 图3为本发明中的距离估计结果图; [0117] 图4为本发明中的速度估计结果图。 具体实施方式[0118] 下面结合附图并举实施例,对本发明进行详细描述。 [0119] 本发明实施例提供的一种基于OTFS通感共享波形的多目标参数估计方法,其基本实施过程如下: [0120] 步骤一、基于OTFS通感共享波形的目标感知描述与信道建模 [0121] 如图1所示,在基于OTFS的通信感知一体化场景中,假设通感一体化基站通信的用户和主动感知的目标为相同个体。基站发射OTFS通感一体化信号,并接收经过目标反射的回波。基站通过发射端的DD域信号 与接收端的DD域信号 获取目标与基站的相对距离r与相对径向速度c,从而完成对目标的物理参数r和c的估计。其中, 表示MN×1维复数域,M和N分别表示子载波个数与时隙个数。 [0122] 物理参数r和v分别对应感知信道 中的两个参数,即延迟τ=2r/c和多普勒v=2fcv/c。其中,P为目标个数;ξp,τp,vp分别为目标p的反射系数、延迟和多普勒;fc为载频,c为光速;δ(·)为狄拉克δ函数。 [0123] 如图2所示,本发明使用离散DD域信道和连续DD域信道两种表示方法,分别对应两种DD域接收信号表示模式。 [0124] 在离散DD域信道表示中,τ和v分别为延迟分辨率1/MΔf和多普勒分辨率1/NT的整数倍。即,τ=l/MΔf,l=0,…,M‑1,v=k/NT,k=0,…,N‑1。其中,Δf为子载波间隔,T为时隙长度,TΔf=1,延迟抽头l和多普勒抽头k均为整数。 [0125] 令 假设在抽头lp和kp处存在目标p,则h(lp,kp)为该目标反射系数ξp,若抽头l和k处不存在目标,则h(l,k)为0。当有P个目标时,离散DD域信道包含P个非零反射系数,表示为 ‑1 DD ‑1 DD [0126] 令Y=vec (y ), X=vec (x ), h(kM+l)=h(l,k),h=T ‑1 [h(0),h(1),…,h(MN‑1)], 其中,vec (·)表示向量的矩阵化。 [0127] 在此表示模式下,无噪声时接收到的DD域信号矩阵Y的第m行、第n列的元素为其中,0≤m≤N‑1,0≤n≤N‑1。[·]M表示模M; [0128] 令 [0129] [0130] ⊙表示矩阵内积,(·)H表示矩阵的共轭转置。 [0131] 令H DD DD [0132] 令onM+m=om,n,O=[O0,O1,…,oMN‑1], y =Oh。考虑噪声,y =Oh+DDω, ω为加性高斯白噪声。容易看出,矩阵O可以根据发射信号x 与相位ρm,n进行唯一设计。 [0133] 在连续DD域信道表示中,τ和v分别包含分数倍的延迟分辨率1/MΔf与分数倍的多普勒分辨率1/NT。 [0134] 在此表示模式下,接收到的DD域信号矢量可以表示为 其中,Ω 为 连续D D域感知信 道矩阵 , 为加性高斯白噪声, 表示克罗内克积,IMN表示MN维的单位矩阵。 定 义 为 是与目标p有关的连续DD域感知信道矩阵,定义为 其中,FN是N维的FFT矩阵,FM是M维 的FFT矩阵, ΠMN是MN维的前向 循环矩阵, 是M维的IFFT矩阵, 是N维的IFFT矩阵, [0135] 在本发明中,当延迟分辨率1/MΔf与多普勒分辨率1/NT达到一定值时,可以认为上述两种DD域信道表示方法与相应的接收端DD域回波信号表示模式是近似等效的。在接下DD DD来的步骤中,我们将根据已知的发射信号x 与接收到的回波信号y ,分别使用两种表示模式对感知目标的参数(τ,v)进行高效估计。所设计的方法同时具备计算复杂度低与估计精确度高的优点。 [0136] 步骤二、使用BCS‑ML算法分两阶段实现多目标参数估计 [0137] 在第一阶段,我们基于离散DD域信道表示方法,设计了一种GAMP‑BCS算法,用来估计目标的整数延迟抽头lp和整数多普勒抽头kp。 [0138] 在对感知信道h进行迭代估计之前,在接收到的向量yDD=Oh+ω中随机选取R行,P [0139] 对线性模型 使用GAMP‑BCS算法估计包含目标延迟lp和多普勒kp信T 息的矢量h。认为隐变量h=[h(0),h(1),…,h(S‑1)]服从均值为0S×1、方差为α=[α0,α1,…,T αS‑1]的高斯先验分布,超参数α服从伽马超先验分布。同时,噪声 的方差ζ未知,服从伽马超先验分布。 [0140] 本发明的GAMP‑BCS算法具有内外嵌套迭代的形式。定义上标{t}表示第t次外迭代,上标(i)表示第i次内迭代。 [0141] 在外迭代开始前,初始化超参数,α{0}=1S×1,ζ{0}=0.2。 [0142] 对于给定的α{t},ζ{t},t≥0,在内迭代开始前,令i=0;初始化待估计信道h的均值(0) H (0)和方差,μh =Φ y,σh =1S×1;初始化因子 [0143] 内迭代重复以下步骤:(i) [0144] 1)无噪观测 无噪观测 高斯先验分布的方差τu =(Φ ⊙ Φ)(i) σh ,均值 [0145] 2)无噪观测的后验均值无噪观测的后验方差 因子 因子 其中 表示矩阵对应元素相除; [0146] 3)因子 因子 [0147] 4)h的后验均值 h的后验方差 [0148] 5)当 或i≥imax,内迭代结束,输出最后一次迭代的结果 其中, 是内迭代 门限,imax是内迭代最大次数; [0149] 在外迭代中,重复以下步骤: [0150] 1 ) 超 参 数超参数 其中,a,b是α的伽马分布中的参数,c,d是ζ的伽马分布中的参数; [0151] 2)当 或t≥tmax,外迭代结束,输出最后一次迭代的结果 [0152] 令Γ是离散延迟多普勒网格。 [0153] 在第二阶段,我们基于连续DD域信道表示方法,设计了一种ML‑CD算法,用来估计目标的包含分数倍分辨率的延迟抽头τp和多普勒抽头vp。 [0154] 在第一阶段粗估计得到的 基础上,我们使用表示模式进一步精确估计结果。对于P个目标,ML算法需要进行P次估计,每次估计一个目标的[0155] 对于传统的ML算法,由于多个目标之间存在干扰,因此准确估计出每个目标的参数是极其困难的。在本发明中,在对目标p进行最大似然估计之前,通过第一阶段估计的可以近似地重建出其他P‑1个目标的回波,从而相当大程 度地消除干扰。 [0156] 将第一阶段估计得到的感知信道 看作是P个目标分别对应的感知信道估计结果的和,即, 其中 是目标p′的在第一阶段中的感知信道估计。 [0157] 令 表示近似重构的来自目标p′的DD域接收回波,用于干扰消除。(重建过程) [0158] 在干扰消除后,ML模型用于估计目标p的接收信号为是与目标p有关的加性高 斯白噪声。 [0159] 对于目标p,令 Γp是目标p对应的连续延迟多普勒网格。 [0160] 对于 目标p的连续延迟多普勒的ML估计为 这个二维最小化 问题可以转换为二维最大化问题,即 我们使用CD算法迭代解决这个问题。 [0161] 定义 其定义域为Γp。给定初始坐标每次迭代重复以下步骤: [0162] 1)固定 [0163] 2)固定 [0164] 3)当 或j≥jmax,迭代结束,输出最后一次迭代的结果 其中,是门限,jmax是最大迭代次数。 [0165] 目标p的最终距离估计 c为光速;最终速度估计 [0166] 本发明中提出的BCS‑ML算法的计算复杂度为 低于MF等算法的计算复杂度 [0167] 本发明另外一个实施例还提供了基于OTFS通感共享波形的多目标参数估计系统,包括感知信道模型构建模块、整数延迟多普勒估计模块以及分数延迟多普勒估计模块。 [0168] 感知信道模型构建模块,用于针对基于OTFS的通信感知一体化场景,基于离散DD域信道表示构建基站接收回波模型,记为模型A;基于连续DD域信道表示构建基站接收回波模型,记为模型B。 [0169] 整数延迟多普勒估计模块,用于在接收回波矢量信号中随机选取R行,构建BCS线性模型;采用GAMP算法迭代估计感知信道h,获得目标的整数延迟多普勒估计,根据估计结果与模型A重建每个目标的近似回波信号。 [0170] 分数延迟多普勒估计模块,基于模型B,利用重建的每个目标的近似回波信号进行干扰消除,构建用于每个目标ML估计的问题模型;根据每个目标ML估计的问题模型构建二维函数;利用CD算法迭代估计目标的分数延迟多普勒;输出目标的距离估计和速度估计结果。 [0171] 优选地,基于OTFS的通信感知一体化场景,具体为:通感一体化基站通信的用户和主动感知的目标为相同个体;基站发射OTFS通感一体化信号,并接收经过目标反射的回波;基站通过发射端的DD域信号 与接收端的DD域信号 获取目标 与基站的相对距离r与相对径向速度v,从而完成对目标的物理参数r和v的估计;其中,表示MN×1维复数域,M和N分别表示子载波个数与时隙个数。 [0172] 物理参数r和v分别对应感知信道 中的两个参数,即延迟τ=2r/c和多普勒v=2fcv/c;其中,P为目标个数;ξp,τp,νp分别为目标p的反射系数、延迟和多普勒;fc为载频,c为光速;δ(·)为狄拉克δ函数。 [0173] 基于离散DD域信道表示构建基站接收回波模型,具体为: [0174] 在离散DD域信道表示中,τ和ν分别为延迟分辨率1/MΔf和多普勒分辨率1/NT的整数倍,即,τ=l/MΔf,l=0,…,M‑1,v=k/NT,k=0,…,N‑1;其中,Δf为子载波间隔,T为时隙长度,TΔf=1,延迟抽头l和多普勒抽头k均为整数。 [0175] 令 在抽头lp和kp处存在目标p,则h(lp,kp)为该目标反射系数ξp,若抽头l和k处不存在目标,则h(l ,k)为0;当有P个目标时,离散DD域信道包含P个非零反射系数,表示为 [0176] 令Y=vec‑1(yDD), X=vec‑1(xDD), h(kM+l)=h(l,k),h=T ‑1 [h(0),h(1),…,h(MN‑1)], 其中,vec (·)表示向量的矩阵化。 [0177] 在此表示模式下,无噪声时接收到的DD域信号矩阵Y的第m行、第n列的元素为其中,0≤m≤M‑1,0≤n≤N‑1;[·]M表示模M。 [0178] [0179] 令 [0180]H [0181] ⊙表示矩阵内积,(·)表示矩阵的共轭转置; [0182] 令H DD [0183] 令onM+m=om,n,O=[o0,o1,…,oMN‑1], y =Oh;DD [0184] 考虑噪声,y =Oh+ω, ω为加性高斯白噪声;矩阵O根据发射信号DD x 与相位ρm,n进行唯一设计,则基于离散DD域信道表示构建基站接收回波模型。 [0185] 基于连续DD域信道表示构建基站接收回波模型,具体为: [0186] 在连续DD域信道表示中,τ和ν分别包含分数倍的延迟分辨率1/MΔf与分数倍的多普勒分辨率1/NT。 [0187] 在此表示模式下,接收到的DD域信号矢量表示为 其中,Ω为连续DD域感知信道矩阵, 为加性高斯白噪声, 表示克罗内克积,IMN表示MN维的单位矩阵; 定义为 是与目标p有关的连续DD域感知信道矩阵,定义为 其中,FN是N维的FFT矩阵,FM是M维 的FFT矩阵, ΠMN是MN维的前向 循环矩阵, 是M维的IFFT矩阵, 是N维的IFFT矩阵, [0188] 整数延迟多普勒估计模块,具体执行如下步骤: [0189] 在对感知信道h进行迭代估计之前,在接收到的向量yDD=Oh+ω中随机选取R行,P [0190] 对线性模型 使用GAMP‑BCS算法估计包含目标延迟lp和多普勒kp信T 息的矢量h;认为隐变量h=[h(0),h(1),…,h(S‑1)]服从均值为0S×1、方差为α=[α0,α1,…,T αS‑1]的高斯先验分布,超参数α服从伽马超先验分布。同时,噪声 的方差ζ未知,服从伽马超先验分布。 [0191] GAMP‑BCS算法具有内外嵌套迭代的形式,定义上标{t}表示第t次外迭代,上标(i)表示第i次内迭代。 [0192] 在外迭代开始前,初始化超参数,α{0}=1S×1,ζ{0}=0.2; [0193] 对于给定的α{t},ζ{t},t≥0,在内迭代开始前,令i=0;初始化待估计信道h的均值(0) H (0)和方差,μh =Φ y,τh =1S×1;初始化因子 [0194] 内迭代重复以下步骤: [0195] 1)无噪观测 无噪观测 高斯先验分布的方差τu(i)=(Φ ⊙ Φ)(i) σh ,均值 [0196] 2)无噪观测的后验均值无噪观测的后验方差 因子 因子 其中 表示矩阵对应元素相除。 [0197] 3)因子 因子 [0198] 4)h的后验均值 h的后验方差 [0199] 5)当 或i≥imax,内迭代结束,输出最后一次迭代的结果 其中, 是内迭代 门限,imax是内迭代最大次数。 [0200] 在外迭代中,重复以下步骤: [0201] 1 ) 超 参 数超参数 其中,a,b是α的伽马分布中的参数,c,d是ζ的伽马分布中的参数。 [0202] 2)当 或t≥tmax,外迭代结束,输出最后一次迭代的结果 [0203] 令Γ是离散延迟多普勒网格。 [0204] 分数延迟多普勒估计模块,具体执行如下步骤: [0205] 在整数延迟多普勒估计模块粗估计得到的 基础上,使用表示模式进一步精确估计结果;对于P个目标,ML算法需要进行P次估计,每次估 计一个目标的 [0206] 将整数延迟多普勒估计模块估计得到的感知信道 看作是P个目标分别对应的感知信道估计结果的和,即, 其中 是目标p′的在第一阶段中的感知信道估计。 [0207] 令 表示近似重构的来自目标p′的DD域接收回波,用于干扰消除,在干扰消除后,ML模型用于估计目标p的接收信号为 是与目标p有关的 加性高斯白噪声。 [0208] 对于目标p,令 Γp是目标p对应的连续延迟多普勒网格。 [0209] 对于 目标p的连续延迟多普勒的ML估计为 将二维最小化 问题转换为二维最大化问题,即 [0210] 优选地,使用CD算法迭代解决二维最大化问题,具体过程为: [0211] 定义 其定义域为Γp;给定初始坐标每次迭代重复以下步骤: [0212] 1)固定 [0213] 2)固定 [0214] 3)当 或j≥jmax,迭代结束,输出最后一次迭代的结果 其中, 是门限,jmax是最大迭代次数; [0215] 目标p的最终距离估计 c为光速;最终速度估计 |