用于非线性轨迹的智能波束预测方法、装置、设备及介质与流程

1.本发明涉及毫米波mimo无线移动通信技术领域，尤其涉及一种用于非线性轨迹的智能波束预测方法、装置、设备及介质。


背景技术：

2.毫米波多用户多输入多输出(mimo)无线通信使用大规模天线和波束赋形技术来解决高频段下的路径损耗问题，实现空分复用，提高频谱效率。但是，大规模天线下的移动场景尤其是高速铁路场景，波束对齐和跟踪具有大量的波束训练开销和显著的指令下达时延。因此，减少波束训练开销和指令下达时延这两个问题是目前移动无线通信中的关键。现有的波束管理框架在上述问题解决方面仍有很大的提升空间，长时细时间颗粒度的波束预测技术能够极大地降低波束训练开销，并避免指令下达造成的时延。
3.无线通信中基于模型驱动的方法具有好的理论保证和可解释性，但是在面对包含不明确先验的非线性复杂场景时，模型驱动方法不能有效解决，性能显著下降。


技术实现要素：

4.技术目的：针对现有技术中的缺陷，本发明公开了一种用于非线性轨迹的智能波束预测方法、装置、设备及介质，有助于极大地降低波束对齐和跟踪中的波束训练开销和指令下达时延，提升频谱效率。
5.技术方案：为实现上述技术目的，本发明采用以下技术方案：一种用于非线性轨迹的智能波束预测方法，包括以下步骤：
6.获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
7.根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号的移动终端投影位置估计值和速度估计值，以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；
8.根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；
9.根据所述预测时刻的移动终端投影位置，实现波束预测。
10.进一步的，所述概率论的参数估计方法包括似然估计方法和/或贝叶斯估计方法。
11.进一步的，根据概率论的参数估计方法以及所述接收导频信号，确定基于接收导频信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于接收导频信号的移动终端投影位置估计值和速度估计值；
12.根据概率论的参数估计方法以及所述测量信号，确定基于测量信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于测量信号的移动终端投影位置估计值和速度估计值。
13.进一步的，所述映射表的构造方法包括：
14.通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中；
15.所述绝对路径长度为移动终端以初始投影位置为起点在非线性轨迹上的积分路径长度。
16.进一步的，在两个迭代计算中均包括：根据所述映射表获得除最后一个观测时刻外的其他任意一个观测时刻的移动终端投影位置，包括：
17.从所述映射表中查找最后一个观测时刻移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
18.计算移动终端在所述其他任意一个观测时刻的投影位置和最后一个观测时刻投影位置之间的相对路径长度，记为第二相对路径长度；
19.将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度；
20.根据第三绝对路径长度，在映射表中查找获得所述其他任意一个观测时刻的移动终端投影位置。
21.进一步的，所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度估计值的方差及速度估计值的偏差；
22.根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；
23.根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。
24.进一步的，所述位置网络和速度网络均包括方差子网络和偏置子网络，所述方差子网络和偏置子网络均为包括两个隐层的神经网络模型；
25.所述方差子网络用于输出方差，所述偏置子网络用于输出偏差。
26.进一步的，所述根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置，包括：
27.从所述映射表中查找模型输出的移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
28.根据模型输出的移动终端速度，计算移动终端在预测时刻的投影位置和模型输出的移动终端投影位置之间的相对路径长度，记为第二相对路径长度；
29.将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度，作为预测时刻的移动终端投影位置对应的绝对路径长度；
30.根据第三绝对路径长度，在映射表中查找获得预测时刻的移动终端投影位置。
31.进一步的，根据所述预测时刻的移动终端投影位置，实现波束预测，包括：
32.根据所述预测时刻的移动终端投影位置，得到移动终端接收端的信道los的出发角，进而得到基站发射端和移动终端接收端的模拟预编码；
33.根据所述预测时刻的移动终端投影位置和所述移动终端接收端的信道los的出发角，得到虚拟信道，根据所述虚拟信道得到基站发射端数字预编码；
34.所述基站发射端模拟预编码和所述基站发射端数字预编码均用于供基站发射数据信号，所述移动终端接收端的模拟预编码用于供移动终端接收基站发射的数据信号。
35.一种用于非线性轨迹的智能波束预测装置，包括：
36.获取模块，用于获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
37.位置和速度估计模块，用于根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置估计值和速度；
38.位置预测模块，用于根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；
39.波束预测模块，用于根据所述预测时刻的移动终端投影位置，实现波束预测。
40.进一步的，所述映射表的构造方法包括：
41.通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中；
42.所述绝对路径长度为移动终端以初始投影位置为起点在非线性轨迹上的积分路径长度。
43.进一步的，所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度估计值的方差及速度估计值的偏差；
44.根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；
45.根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。
46.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述任意一项所述用于非线性轨迹的智能波束预测方法。
47.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任意一项所述用于非线性轨迹的智能波束预测方法。
48.有益效果：本发明应用于移动终端做非线性轨迹运动场景，通过获取若干个观测时刻移动终端反馈的接收导频信号和测量信号；根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算移动终端两组投影位置和速度的估计值，输入预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；结合映射表，获得预测时刻的移动终端投影位置；根据预测的投影位置实现波束
预测；本发明能够极大地降低波束对齐和跟踪中的波束训练开销和指令下达时延，提升频谱效率，性能显著提高。
附图说明
49.图1为本发明实施例中的波束预测方法流程图；
50.图2为一个实施例中波束预测的流程示意图；
51.图3为一个实施例中线性铁轨环境下通信场景示意图；
52.图4为一个实施例中非线性轨迹下投影位置-投影位置估计mse曲线图；
53.图5为一个实施例中非线性轨迹下投影位置-速度估计mse曲线图；
54.图6(a)为一个实施例中非线性轨迹下使用线性估计的投影位置-投影位置估计mse曲线图；
55.图6(b)为一个实施例中非线性轨迹下使用线性估计的投影位置-速度估计mse曲线图；
56.图7为一个实施例中非线性轨迹下投影位置-se曲线图；
57.图8为本发明的装置结构示意图。
具体实施方式
58.以下结合附图和实施例对本发明的一种用于非线性轨迹的智能波束预测方法、装置、设备及介质做进一步的说明和解释。
59.实施例1：
60.如附图1和附图2所示，一种用于非线性轨迹的智能波束预测方法，包括以下步骤：
61.步骤s1，获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
62.具体的，在每个观测时刻，基站发射端向移动终端发射一组导频信号，基站接收移动终端反馈的接收导频信号和对应的测量信号；
63.测量信号包括doppler频率和相对通信时延，其中doppler频率可以通过载波偏移频率估计(cfo)获得，相对通信时延即为基站和移动终端间直线距离除以光速，可以通过毫米波测距获得；所述移动终端以所述等时间间隔反馈测量信号。
64.步骤s2，根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号的移动终端投影位置估计值和速度估计值，以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；
65.进一步的，所述概率论的参数估计方法包括似然估计方法和/或贝叶斯估计方法。
66.进一步的，根据概率论的参数估计方法以及所述接收导频信号，确定基于接收导频信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于接收导频信号的移动终端投影位置估计值和速度估计值；
67.根据概率论的参数估计方法以及所述测量信号，确定基于测量信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于测量信号的移动终端投影位置估计值和速度估计值；
68.进一步的，在两个迭代计算中均包括：根据所述映射表获得除最后一个观测时刻外的其他任意一个观测时刻的移动终端投影位置，包括：
69.从所述映射表中查找最后一个观测时刻移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
70.计算移动终端在所述其他任意一个观测时刻的投影位置和最后一个观测时刻投影位置之间的相对路径长度，记为第二相对路径长度；
71.将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度；
72.根据第三绝对路径长度，在映射表中查找获得所述其他任意一个观测时刻的移动终端投影位置。
73.进一步的，所述映射表的构造方法包括：
74.通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中。
75.进一步的，所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度估计值的方差及速度估计值的偏差；
76.根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；
77.根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。
78.进一步的，所述位置网络和速度网络均包括方差子网络和偏置子网络，所述方差子网络和偏置子网络均为包括两个隐层的神经网络模型；
79.所述方差子网络用于输出方差，所述偏置子网络用于输出偏差。
80.步骤s3，根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；
81.结合移动终端做非线性运动，可以根据所述模型输出的移动终端投影位置和速度估计值计算预测时刻的移动终端投影位置；
82.所述根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置，包括：
83.从所述映射表中查找模型输出的移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
84.根据模型输出的移动终端速度，计算移动终端在预测时刻的投影位置和模型输出的移动终端投影位置之间的相对路径长度，记为第二相对路径长度；
85.将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度，作为预测时刻的移动终端投影位置对应的绝对路径长度；
86.根据第三绝对路径长度，在映射表中查找获得预测时刻的移动终端投影位置。
87.步骤s4，根据所述预测时刻的移动终端投影位置，实现波束预测。
88.具体包括步骤：
89.根据所述预测时刻的移动终端投影位置，得到移动终端接收端的信道los的出发角，进而得到基站发射端和移动终端接收端的模拟预编码；
90.根据所述预测时刻的移动终端投影位置和所述移动终端接收端的信道los的出发角，得到虚拟信道，根据所述虚拟信道得到基站发射端数字预编码；
91.所述基站发射端模拟预编码和所述基站发射端数字预编码均用于供基站发射数据信号，所述移动终端接收端的模拟预编码用于供移动终端接收基站发射的数据信号。
92.本发明应用于移动终端做非线性轨迹运动场景，通过获取若干个观测时刻移动终端反馈的接收导频信号和测量信号；根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号以及基于所述测量信号的移动终端投影位置和速度估计值，输入预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度估计值；进而计算预测时刻的移动终端投影位置；根据预测的投影位置得到基站和接收端的预编码，实现波束预测；本发明能够极大地降低波束对齐和跟踪中的波束训练开销和指令下达时延，提升频谱效率，性能显著提高。
93.实施例2：
94.如图1和2所示，在本实施例中，提供一种用于非线性轨迹的智能波束预测方法，应用在mu-mimo毫米波通信系统，包括以下步骤：
95.步骤s1，获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
96.如图3所示，基站(图3中的实心点tx)发射端以等时间间隔向每个移动终端分别发射一组导频信号，每个移动终端做非线性轨迹运动，移动终端接收端接收所述基站发射端发射的导频信号，移动终端向基站反馈接收导频信号和测量信号；
97.步骤s2，根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号的移动终端投影位置估计值和速度估计值，以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；
98.考虑一个链路级mu-mimo毫米波通信系统，包括一个有nt根天线和n
rf
个射频单元的基站(base station，bs)，以及n
rf
个有nr根天线和1个射频单元的移动终端(mobile terminal，mt)。其中，基站发射端和移动终端接收端模拟预编码器均使用离散fourier变换(discrete fourier transform，dft)码本，即和
99.其中，a
t，n
为基站发射端射频单元n的模拟预编码向量，为基站发射端dft矩阵第i个列向量，a
t，n
和中的下标t表示transmitter，即对应的是基站发送端的发射机，ar为一个移动终端接收端的模拟预编码向量，为移动终端接收端dft矩阵第j个列向量，ar和中的下标r表示receiver，即对应的是移动终端接收端的接收机。第u个mt的天线
域接收信号建模为：
100.yu＝h
uat
ds+nuꢀꢀꢀ
(1)
101.其中，1≤u≤n
rf
，hu是基站到移动终端u的信道矩阵，a
t
为基站发射端的模拟预编码向量，是基站发射端数字预编码矩阵，s是基带信号，是移动终端u的加性gaussian噪声，下标u表示针对第u个移动终端。表示噪声方差，表示维度为nr的单位阵；
102.对于任意移动终端，毫米波信道h由k个主径组成，因此离散时间窄带信道矩阵为：
[0103][0104]
其中，αk是路径k
′
的复增益，1≤k
′
≤k，分别为接收端路径k
′
的水平到达角aoa和发射端路径k
′
的出发角aod；分别为接收端关于的天线响应和发射端关于的天线响应，其计算公式参考公式(3)；上标h表示矩阵的共轭转置；φr和φ
t
分别是水平到达角(angle of arrival，aoa)和出发角(angle of departure，aod)。
[0105]
对于aoa和aod，当天线间距是载波波长一半时，基站发射端和移动终端接收端的天线响应分别为：
[0106][0107][0108]
其中，为移动终端接收端关于的天线响应，为基站发射端关于的天线响应，为角度，公式(3)中的j为虚数，公式(3)适用于aoa和aod两种角度的计算。
[0109]
本发明适用于非线性轨迹运动，以高铁场景为例，高铁场景下的先验信息有助于简化波束预测，其中先验被归纳为：
[0110]
①
信道总是包含一条直达径(line of sight，los)。
[0111]
②
信道los功率远高于非直达径(non-los，los)。
[0112]
③
mt以某个速度v沿着非线性铁轨轨迹匀速移动。
[0113]
④
los的出发角aodφ
t
和其在x轴上的投影x是一个双射。
[0114]
根据先验
①
和
②
，式(2)的信道可简化为：
[0115][0116]
其中，α指代信道los的复增益，φ指代信道los的出发角φ
t
，因此，信道可用参数集合{α，φ}描述。
[0117]
根据基站接收的每个观测时刻的接收导频信号、测量信号，通过先验
③
构建的参数化非线性轨迹运动模型来估计非线性铁轨上mt的投影位置和速度。观测次数为l，观测时间间隔为δt。在每个观测时刻，bs发射所有水平导频波束。首先，记第l个观测时刻的投影位置为x
l
，移动终端关于波束i的接收导频信号为：
[0118][0119]
其中，y
l，i
为波束i在观测时刻l的接收导频信号，s
p
是基站发送的导频符号向量，是基站发射端数字预编码矩阵，α
l
为第l个观测时刻在信道los的复增益，ar(φ(x
l
)-π)为移动终端接收端天线响应，通过公式(3)计算，其中，φ(x
l
)为投影位置在x
l
处的反正切函数，计算公式参考公式(8)；a
t
(φ(x
l
))为基站发射端天线响应，通过公式(3)计算，算，为定义的等式，zi(x
l
)为第l个观测时刻关于投影位置x
l
和波束i的接收导频信号估计值，n
l，i
为波束i在第l个观测时刻的加性gaussian噪声。
[0120]
构建参数化非线性轨迹运动模型：如图3所示，当铁轨轨迹被描述为任意非线性投影距离函数f(
·
)时，且仍满足所述运动先验
③
和
④
，关于移动终端(图3中的实心点rx)的投影位置的表达式被定义为：
[0121]
f(x
l
，x)＝(l-l)vδt
ꢀꢀ
(6)
[0122]
其中，f(x
l
，x)为移动终端在第l个观测时刻投影位置x和x
l
之间的相对路径长度，x
l
为移动终端在观测时刻l时的投影位置，x为移动终端最后一个观测时刻(l＝l)的投影位置，v为移动终端速度，l为观测总次数，δt为观测时间间隔。f(x
l
，x)又可以被定义为：
[0123][0124]
其中，f
′
(w)是关于自变量投影位置的一阶导数。f(w)为未知的非线性轨迹函数，即便已知f(w)，通常情况下x
l
的闭式解难以获得。但是，f(x
l
，x)关于x
l
是单调递减的，因此，x
l
可通过二分搜索从关于移动终端投影位置和绝对路径长度的映射表中获得。
[0125]
进一步的，所述映射表的构造方法包括：
[0126]
通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中；
[0127]
所述绝对路径长度为移动终端以初始投影位置为起点在非线性轨迹上的积分路
径长度。
[0128]
具体的：构建分段函数拟合非线性轨迹，具体包括：
[0129]
(1)确定性非线性轨迹函数f(w)是未知的。因此，f(w)可以通过参数化函数g(w；θg)实现，其中θg是可学习参数集。可学习数据集θg可以通过离线的几何测量(例如航空摄影和卫星摄影)来获取。
[0130]
(2)一般的多层感知器模型能够以任意精度逼近任意函数，但是这需要大量冗余的可学习参数，且学习模型缺乏可解释性。因此，本发明中构造分段函数来拟合非线性轨迹函数f(
·
)，其中，分段函数即：参数化函数g(w；θg)，为：
[0131][0132]
其中，w是投影位置的自变量，nw是分段数，o是分段序号，wo是第o段分段函数的投影位置起点值，为不可学习参数，yo是wo所对应的投影距离，为可学习参数，是可学习参数集合；
[0133]
其中，矩形窗函数п(w，wo，w
o+1
)为：
[0134][0135]
f(w)的支集w∈[-r
max
，r
max
]被等分为nw段，其中r
max
是bs最大服务半径。因此，wo的表达式为：
[0136][0137]
其中，是距离间隔。函数g(w；θg)在其支集上是连续的。
[0138]
(3)分段函数的训练，即参数化函数g(w；θg)的训练在基站侧实施，以监督学习的形式进行。训练用的数据集通过离线的几何测量(例如航空摄影和卫星摄影)来获取。损失函数被定义为：
[0139]
l(θg)＝||fn(w)-g(w；θg)||
[0140]
其中，fn(w)为对f(w)的观测值，表示对f(w)的观测是有噪的。f(w)的值为投影位置w所对应的投影距离，参数集θg以mbgd(小批量梯度下降，mini-batch gradient descent)迭代更新直至收敛。由于非线性轨迹的确定性，函数g(w；θg)在训练部署后无需在线微调或者周期性更新。
[0141]
根据拟合完毕的分段函数，构造关于移动终端投影位置和绝对路径长度的映射表；根据该映射表，使用二分搜索来确定非线性轨迹下的投影位置和投影距离。
[0142]
将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中，具体为：
[0143]
将公式(7)中的f(w)用分段函数g(w；θg)代替；x
l
用w
o＝1
代替；将移动终端投影位置w进行细分，得到细分的投影位置集合ω，其元素记为w
′
；细分的w
′
用于代替公式(7)中的x；计算得到每个w
′
对应的绝对路径长度：f(x
l
＝w
o＝1
，x＝w
′
)，即绝对路径长度，将移动终端投影位置w
′
和对应的绝对路径长度之间的对应关系，记录到映射表中；
[0144]
进一步的，根据概率论的参数估计方法以及所述接收导频信号，确定基于接收导频信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于接收导频信号的移动终端投影位置估计值和速度估计值；
[0145]
根据概率论的参数估计方法以及所述测量信号，确定基于测量信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于测量信号的移动终端投影位置估计值和速度估计值；
[0146]
进一步的，在两个迭代计算中均包括：根据所述映射表获得除最后一个观测时刻外的其他任意一个观测时刻的移动终端投影位置，包括：
[0147]
从所述映射表中查找最后一个观测时刻移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
[0148]
计算移动终端在所述其他任意一个观测时刻的投影位置和最后一个观测时刻投影位置之间的相对路径长度，记为第二相对路径长度；
[0149]
将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度；
[0150]
根据第三绝对路径长度，在映射表中查找获得所述其他任意一个观测时刻的移动终端投影位置。
[0151]
具体的：
[0152]
在已知最后一个观测时刻l对应的移动终端投影位置x和移动终端速度v时，根据映射表来求取第l个观测时刻的移动终端投影位置x
l
的过程为：
[0153]
首先，从映射表中通过二分搜索查找最后一个观测时刻移动终端投影位置x对应的绝对路径长度，记为第一绝对路径长度f；其次，根据公式(6)获取公式(6)左侧的相对路径长度f(x
l
，x)，记为第二相对路径长度f
′
；再次，将第一绝对路径长度f和第二相对路径长度f
′
相加得到第三绝对路径长度f
″
，f
″
为第l个观测时刻的移动终端投影位置x
l
对应的绝对路径长度；最后，根据第三绝对路径长度f
″
，在映射表中通过二分搜索获得第l个观测时刻的移动终端投影位置x
l
。
[0154]
本实施例中采用的概率论的参数估计方法为似然估计方法和贝叶斯估计方法，当然也可以仅基于其中一种估计方法来进行参数估计，本发明并不限定于本实施例采用的估计方法。
[0155]
具体的：
[0156]
记mt从左往右运动时v是正方向。反正切函数φ被定义为：
[0157][0158]
式(8)为超越方程，可通过一维搜索获得一个数值解w。
[0159]
当关于速度的先验函数p(v
p
)已知时，关于接收导频信号y
l，i
和基于接收导频信号的因变量集合θ
p
的概率公式为：
[0160][0161]
其中，x
p
，v
p
分别为基于接收导频信号的移动终端投影位置和速度估计值，p(y
l，i
；θ
p
)为接收导频信号y
l，i
的后验概率，x
p，l
为移动终端在第l个观测时刻的基于接收导频信号的投影位置，p(v
p
)为速度v
p
的先验函数；σn为加性噪声标准差，α
l
为第l个观测时刻的信道los复增益，zi(x
p，l
)已在公式(5)中定义，基于接收导频信号的因变量集合为l次观测的信道los复增益集合。
[0162]
因此，关于接收导频信号总的概率公式为：
[0163][0164]
其中，公式(10)也是观测时刻基于接收导频信号的关于移动终端投影位置和速度的概率函数，是关于投影位置x
p
的后验函数，也是关于速度v
p
的贝叶斯函数。
[0165]
依据bayes准则(贝叶斯准则)来估计基于接收导频信号的因变量集合θ
p
中的速度v
p
，并用最大似然准则来估计基于接收导频信号的因变量集合θ
p
中其余参数xd和用块交替下降法来交替迭代估计θ
p
中的所有参数，即可得到：基于所述接收导频信号的移动终端投影位置和速度估计值；需要说明的是，本实施例中采用上述的准则和迭代方法来估计，但本发明不限制于上述准则和迭代方法；
[0166]
其中，初始化参数为：
[0167]
[0168][0169][0170]
其中，分别为移动终端在观测时刻l的基于接收导频信号的投影位置初值、信道复增益初值和速度初值；为取关于变量x
l
的最大值函数，为y
l，i
的共轭转置，为的共轭转置，maxv为取关于变量移动终端速度v的最大值函数，α
l
有闭合表达式，并且关于x
p
和v
p
的概率函数是非凸的，因此用一维搜索(欧式距离准则下最小)来参数寻优。第k次迭代的表达式为：
[0171][0172][0173][0174]
以式(12)迭代更新参数，直至满足收敛条件。
[0175]
详细的基于接收导频信号的移动终端投影位置和速度的估计算法如下所示：
[0176][0177][0178]
上述{x
p
，v
p
}对应于最后一个观测时刻的基于接收导频信号的投影位置和速度估计值。
[0179]
移动终端向基站反馈与导频信号对应的测量信号，测量信号包括相对通信时延和doppler频率；基站获取测量信号的相对通信时延τm和doppler频率f
d，m
。在观测时刻l，观测值为：
[0180]
[0181]
其中，n
τ，l
为观第l个观测时刻观测相对通信时延的加性gaussian噪声(即第l个观测时刻相对通信时延的测量误差噪声)，为第l个观测时刻观测doppler频率的加性gaussian噪声(即第l个观测时刻doppler频率的测量误差噪声)；τ
m，l
为第l个观测时刻测量信号中的相对通信时延，是观测值，是已知量；τ
l
为第l个观测时刻的相对通信时延(即为基站和移动终端间直线距离除以光速)，为真实值；f
d，m，l
为第l个观测时刻测量信号中的doppler频率，是观测值，是已知量；f
d，l
为第l个观测时刻的doppler频率，为真实值；下标m代表测量，是相对通信时延的测量误差噪声，其方差为是相对通信时延的测量误差噪声，其方差为是doppler频率的测量误差噪声，其方差为测量误差的方差建模为：
[0182][0183]
其中，c是光速，b是带宽，fc是载波频率，tc是累计时间，是残留载频比率。
[0184]
因此，投影位置和速度估计值问题为：给定接收导频信号估计mt在观测时刻l的投影位置和速度的参数集合{x
p
，v
p
}；给定测量信号包括相对通信时延和doppler频率估计mt在观测时刻l的投影位置和速度的参数集合{xm，vm}。
[0185]
根据bs和mt间的几何关系，关于移动终端在第l个观测时刻的投影位置x
l
的变量集合{τ
l
，f
d，l
}为：
[0186][0187][0188]
其中函数ψ为：
[0189][0190]
式(16)为超越方程。当x
l
已知时，式(16)仅与v的正负性有关。将x
l
和v代入公式(15)得到：τ
l
和f
d，l
。
[0191]
当p(vm)已知时(p(vm)就是p(v
p
))，第l次观测时刻的相对通信时延和doppler频率测量值的概率函数分别为：
[0192][0193]
p(τ
m，l
，vm；xm)为基于τ
m，l
的概率函数，p(f
d，m，l
，vm；xm)为基于f
d，m，l
的概率函数，θm＝{xm，vm}为基于测量信号的因变量集合。
[0194]
关于一组测量信号的总概率函数为：
[0195][0196]
其中，公式(18)也是观测时刻基于测量信号的关于所述移动终端投影位置和速度的概率函数，是关于投影位置xm的后验函数，也是关于速度vm的贝叶斯函数。
[0197]
非线性轨迹下，基于测量信号的因变量集合θm中初始化参数为：
[0198][0199]
其中，sign(
·
)是符号函数。用块坐标交替下降法来更新参数，第k次迭代的表达式为：
[0200][0201]
以式(20)迭代更新参数，直至满足收敛条件。详细的基于测量信号的移动终端投影位置和速度估计算法如下所示：
[0202]
[0203][0204]
上述{xm，vm}对应于最后一个观测时刻的基于测量信号的投影位置和速度估计值。
[0205]
进一步的，所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度估计值的方差及速度估计值的偏差；
[0206]
根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；
[0207]
根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。
[0208]
位置网络和速度网络具有相同的拓扑结构，所述位置网络和速度网络均包括方差子网络和偏置子网络，所述方差子网络和偏置子网络均为包括两个隐层的神经网络模型；
[0209]
所述方差子网络用于输出方差，所述偏置子网络用于输出偏差。
[0210]
具体的：
[0211]
根据接收导频信号估计的参数集为{x
p
，v
p
}，根据测量信号估计的参数集为{xm，vm}。{x
p
，v
p
}和{xm，vm}均为神经网络(neural network，nn)模型h(
·
；θh)的输入，其中θh＝{θ
x
，θv}为数据融合神经网络模型参数，包括了位置网络h
x
的模型参数θ
x
和速度网络hv的参数θv。位置网络h
x
和速度网络hv具有相同的拓扑，且每个网络由一个方差子网络和一个偏置子网络组成。方差子网络包含输入层、两个隐层和输出层，偏置子网络包含输入层、两个隐层和输出层。方差子网络和偏置子网络的拓扑如表1所示，
[0212][0213]
其中
‘
relu’为修正线性单元(rectified linear unit，relu)，
‘
bn’为批归一化(batch normalization，bn)，
‘
linear’为线性函数。数字则为该层计算单元数。位置网络和速度网络的表达式为：
[0214][0215]
其中，分别为基于测量信号投影位置估计的方差和基于测量信号速度估计的方差，分别为基于接收导频信号投影位置估计的方差和基于接收导频信号速度估计的方差；b
x，p
、b
v，p
分别为基于接收导频信号投影位置估计的偏差和基于接收导频信号速度估计的偏差，b
x，m
、b
v，m
分别为基于测量信号投影位置估计的偏差和基于测量信号速度估计的偏差，θ
x
、θv分别为位置网络h
x
的可训练参数和速度网络hv的可训练参数。
[0216]
根据所述位置网络h
x
和速度网络hv输出的方差集合和偏差集合数据融合神经网络模型的最终输出移动终端投影
位置和速度为：
[0217][0218]
其中，表示基于测量信号投影位置估计的权重，表示基于接收导频信号投影位置估计的权重，表示基于测量信号速度估计的权重，表示基于接收导频信号速度估计的权重。
[0219]
相比于一般的nn(神经网络)，本发明中的数据融合神经网络模型是轻量的，能有效对抗过拟合，且具有很好的可解释性。
[0220]
数据融合神经网络模型的训练方式：数据融合神经网络模型h(
·
；θh)的训练以监督学习的方式进行，输入样本包括基于接收导频信号和测量信号的移动终端投影位置和速度估计值，输出样本为移动终端投影位置和速度标签。损失函数被定义为：
[0221][0222]
其中，下标(
·
)
tar
表示标签数据，x
tar
表示投影位置标签，v
tar
表示速度标签。参数集θh以小批量梯度下降法迭代更新直至收敛。
[0223]
步骤s3，根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置，包括：
[0224]
从所述映射表中查找模型输出的移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
[0225]
根据模型输出的移动终端速度，计算移动终端在预测时刻的投影位置和模型输出的移动终端投影位置之间的相对路径长度，记为第二相对路径长度；
[0226]
将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度，作为预测时刻的移动终端投影位置对应的绝对路径长度；
[0227]
根据第三绝对路径长度，在映射表中查找获得预测时刻的移动终端投影位置。
[0228]
具体的：
[0229]
考虑非线性平行铁轨时，根据模型输出的移动终端的投影位置和速度估计值，得到在第q个预测时刻第u个mt投影位置x
q，u
的相对路径长度，公式为：
[0230]fy
(xu，x
q，u
)＝vu(q-1)δt
p
ꢀꢀ
(24)
[0231]
其中，xu为模型输出的移动终端u的投影位置，vu为模型输出的移动终端u的速度估计值，δt
p
为预测时间间隔；
[0232]
根据映射表，通过二分搜索来求解公式(24)中的投影位置x
q，u
；
[0233]
具体的：
[0234]
已知xu和vu：
[0235]
首先，从映射表中通过二分搜索来查找模型输出的移动终端u的投影位置xu对应的绝对路径长度，记为第一绝对路径长度f；
[0236]
其次，通过公式(24)求得在第q个预测时刻第u个mt投影位置x
q，u
的相对路径长度fy(xu，x
q，u
)，记为第二相对路径长度f
′
；
[0237]
再次，将第一绝对路径长度f和第二相对路径长度f
′
相加得到第三绝对路径长度f
″
，f
″
为第q个预测时刻的移动终端投影位置x
q，u
对应的绝对路径长度；
[0238]
最后，根据第三绝对路径长度f
″
，在映射表中通过二分搜索获得第q个预测时刻的移动终端投影位置x
q，u
。
[0239]
步骤s4，根据所述预测时刻的移动终端投影位置，所述预测时刻的移动终端投影位置，实现波束预测，包括：
[0240]
根据所述预测时刻的移动终端投影位置，得到移动终端接收端的信道los的出发角，进而得到基站发射端和移动终端接收端的模拟预编码；
[0241]
根据所述预测时刻的移动终端投影位置和所述移动终端接收端的信道los的出发角，得到虚拟信道，根据所述虚拟信道得到基站发射端数字预编码；
[0242]
所述基站发射端模拟预编码和所述基站发射端数字预编码均用于供基站发射数据信号，所述移动终端接收端的模拟预编码用于供移动终端接收基站发射的数据信号。
[0243]
进一步的，根据所述预测时刻的移动终端投影位置，得到移动终端接收端的信道los的出发角，进而得到基站发射端和移动终端接收端的模拟预编码；
[0244]
具体的：
[0245]
根据式(8)，令x
q，u
＝w，得到φ
q，u
＝φ(w)，即为第q个预测时刻第u个mt接收端的信道los的出发角aod。
[0246]
因此，第u个mt接收端和基站发射端的模拟预编码向量分别为：
[0247][0248]
基站发射端的模拟预编码矩阵为所有mt接收端的模拟预编码为
[0249]
进一步的，根据所述预测时刻的移动终端投影位置和所述移动终端接收端的信道los的出发角，得到虚拟信道，根据所述虚拟信道得到基站发射端数字预编码；
[0250]
具体的：
[0251]
在第q个预测时刻，基站发射端数字预编码矩阵dq由n
rf
个预编码向量组成，即其中v
q，u
为移动终端u在第q个预测时刻的数字预编码向量。其中，数字预编码向量集合由下述优化问题得到：
[0252][0253]
其中，为向量2-范数的平方，p
t，max
是bs最大发射功率，等效低维信道a
r，q，u
为第u个mt接收端在第q个预测时刻的天线响应(也是第u个mt接收端的模拟预编码向量)，h
q，u
为移动终端u的接收端在第q个预测时刻的信道矩阵，a
t，q
是基站发射端在第q个预测时刻的模拟预编码矩阵。在长时预测中，瞬时信道状态信息(instantaneous csi，i-csi)甚至统计信道状态信息(statistical csi，i-csi)难以获得。因此，本发明用虚拟信道来表征实际信道：
[0254][0255]
其中，φ(x
q，u
)为关于x
q，u
的公式(8)函数，a是关于投影位置的幅度公式，可通过3gpp tr 38.901中路径损耗公式得到一个估计表达式。虚拟低维等效信道即为根据迫零(zero forcing，zf)预编码器，基站发射端数字预编码矩阵为：
[0256][0257]
其中，其中，为维度为的n
rf
单位阵。
[0258]
本实施例中，在预测时刻q，根据基站发射端模拟预编码a
t，q
和基站数字预编码dq，基站以混合预编码(模拟预编码和数字预编码结合)来发射信号。同时，所述移动终端接收端根据所述接收端模拟预编码a
r，q
来接收信号。
[0259]
根据所述基站发射端模拟预编码和所述基站发射端数字预编码，基站以混合预编码来发射数据信号，其中，基站射频单元实现数字预编码，基站天线的移相器实现模拟预编码，射频单元和移相器全连接；同时，移动终端根据所述移动终端接收端模拟预编码来接收数据信号。
[0260]
目前的单用户波束对齐和跟踪方案中，高速铁路波束驻留周期是10ms，基站和移动终端均扫描3个水平波束，那么1s内需要扫描900个波束。而本发明中一个波束预测周期为1.25s，每个周期内基站发射3次导频信号，每次导频信号以8次波束发出，那么在1.25s内只扫描24个波束。多用户场景下，波束开销随用户数线性增长。首先，本发明有助于极大地降低波束训练开销，尤其是在多移动用户的场景下。其次，波束跟踪需要把测量值反馈给基
站侧，这会引入约25ms左右的指令下达时延，而本发明通过波束预测，避免了指令下达过程，因此时延为零。综上，在多用户移动场景下，本发明具有更小的波束开销和零时延，因此能极大地提升频谱效率。
[0261]
实施例3：
[0262]
如附图8所示，一种用于非线性轨迹的智能波束预测装置，包括：
[0263]
获取模块，用于获取若干个观测时刻移动终端反馈的接收导频信号和测量信号，所述移动终端的运动轨迹为非线性轨迹；
[0264]
位置和速度估计模块，用于根据概率论的参数估计方法和预先构造的关于移动终端投影位置和绝对路径长度的映射表，分别计算基于所述接收导频信号以及基于所述测量信号的移动终端投影位置估计值和速度估计值，并根据预先训练得到的数据融合神经网络模型，得到模型输出的移动终端投影位置和速度；
[0265]
位置预测模块，用于根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置；
[0266]
波束预测模块，用于根据所述预测时刻的移动终端投影位置，实现波束预测。
[0267]
进一步的，所述概率论的参数估计方法包括似然估计方法和/或贝叶斯估计方法。
[0268]
进一步的，根据概率论的参数估计方法以及所述接收导频信号，确定基于接收导频信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于接收导频信号的移动终端投影位置估计值和速度估计值；
[0269]
根据概率论的参数估计方法以及所述测量信号，确定基于测量信号的关于移动终端投影位置和速度的概率函数，结合所述映射表，迭代计算基于测量信号的移动终端投影位置估计值和速度估计值；
[0270]
进一步的，所述映射表的构造方法包括：
[0271]
通过构建分段函数拟合非线性轨迹，将分段函数中的投影位置自变量等间距划分，计算每个划分后的移动终端投影位置对应的绝对路径长度，将移动终端投影位置和对应的绝对路径长度之间的对应关系，记录到映射表中；
[0272]
所述绝对路径长度为移动终端以初始投影位置为起点在非线性轨迹上的积分路径长度。
[0273]
进一步的，在两个迭代计算中均包括：根据所述映射表获得除最后一个观测时刻外的其他任意一个观测时刻的移动终端投影位置，包括：
[0274]
从所述映射表中查找最后一个观测时刻移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
[0275]
计算移动终端在所述其他任意一个观测时刻的投影位置和最后一个观测时刻投影位置之间的相对路径长度，记为第二相对路径长度；
[0276]
将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度；
[0277]
根据第三绝对路径长度，在映射表中查找获得所述其他任意一个观测时刻的移动终端投影位置。
[0278]
进一步的，所述数据融合神经网络模型包括位置网络和速度网络；所述位置网络用于输出两组估计值中投影位置估计值的方差及投影位置估计值的偏差；所述速度网络用于输出两组估计值中速度估计值的方差及速度估计值的偏差；
[0279]
根据投影位置估计值的偏差，对移动终端的两个投影位置估计值进行纠正，再对纠正后的估计值分配投影位置估计值的权重，得到模型输出的移动终端投影位置；所述投影位置估计值的权重根据投影位置估计值的方差得到；
[0280]
根据速度估计值的偏差，对移动终端的两个速度估计值进行纠正，再对纠正后的估计值分配速度估计值的权重，得到模型输出的移动终端速度；所述速度估计值的权重根据速度估计值的方差得到。
[0281]
进一步的，所述位置网络和速度网络均包括方差子网络和偏置子网络，所述方差子网络和偏置子网络均为包括两个隐层的神经网络模型；
[0282]
所述方差子网络用于输出方差，所述偏置子网络用于输出偏差。
[0283]
进一步的，所述根据所述模型输出的移动终端投影位置和速度，结合所述映射表，计算预测时刻的移动终端投影位置，包括：
[0284]
从所述映射表中查找模型输出的移动终端投影位置对应的绝对路径长度，记为第一绝对路径长度；
[0285]
根据模型输出的移动终端速度，计算移动终端在预测时刻的投影位置和模型输出的移动终端投影位置之间的相对路径长度，记为第二相对路径长度；
[0286]
将第一绝对路径长度和第二相对路径长度相加得到第三绝对路径长度，作为预测时刻的移动终端投影位置对应的绝对路径长度；
[0287]
根据第三绝对路径长度，在映射表中查找获得预测时刻的移动终端投影位置。
[0288]
进一步的，根据所述预测时刻的移动终端投影位置，实现波束预测，包括：
[0289]
根据所述预测时刻的移动终端投影位置，得到移动终端接收端的信道los的出发角，进而得到基站发射端和移动终端接收端的模拟预编码；
[0290]
根据所述预测时刻的移动终端投影位置和所述移动终端接收端的信道los的出发角，得到虚拟信道，根据所述虚拟信道得到基站发射端数字预编码；
[0291]
所述基站发射端模拟预编码和所述基站发射端数字预编码均用于供基站发射数据信号，所述移动终端接收端的模拟预编码用于供移动终端接收基站发射的数据信号。
[0292]
本发明应用于移动终端做非线性轨迹运动场景，本发明能够极大地降低波束对齐和跟踪中的波束训练开销和指令下达时延，提升频谱效率，性能显著提高。
[0293]
实施例4：
[0294]
一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任一所述的一种用于非线性轨迹的智能波束预测方法。存储器可为各种类型的存储器，可为随机存储器、只读存储器、闪存等。处理器可为各种类型的处理器，例如，中央处理器、微处理器、数字信号处理器或图像处理器等。
[0295]
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行以上任一所述的一种用于非线性轨迹的智能波束预测方法。存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0296]
实施例5：
[0297]
本发明提出了一种用于非线性轨迹的智能波束预测方法，为了验证该方法的性能优势，以下给出了本发明的一个实例流程。
[0298]
毫米波信道模型为3gpp tr 38.901 uma los。基站载频fc＝30ghz，带宽b＝
80mhz，基站最大发射功率p
t，max
＝30dbm，水平天线数为8，射频单元数为4，基站间距离200m。噪声功率谱密度为-174dbm/hz。移动终端有4个，每个移动终端有4根水平天线和1个射频单元。终端速度服从laplacian分布，均值256(km/h)2，方差18(km/h)2。非线性铁轨函数被建模为预测时间颗粒度为δt
p
＝1.25ms，观测周期为1.25s，观测间隔δt＝100ms，观测次数l＝3。累计时间tc＝12.5ms，残留载波比例1ppm。
[0299]
在一个实施例中，如图4所示，当mt远离bs时，测量的定位估计精度较高，而mt位于bs附近时，其精度较低。这一现象是由于，相对通信延迟包含bs与mt间的距离信息，但不能推断mt位于bs右侧或左侧。此外，但是，当doppler频率被噪声严重污染或速度分量很小时，估计性能无法得到改善。因此，如图4和图5所示，导频信号表示基于接收导频信号的方法，即只使用导频信号来得到移动终端投影位置和速度估计值，并以所述投影位置和速度估计值做波束预测；测量信号表示基于测量信号的方法，即只使用测量信号来得到移动终端投影位置和速度估计值，并以所述投影位置和速度估计值做波束预测。在mt远离bs时，基于测量信号的投影位置和速度估计都不准确。同时，当bs和mt距离变小时，基于接收导频信号的估计更加准确。这是因为路径损耗变小，snr提高。此外，mt的aod也容易在这个范围内被区分。当mt远离bs时，估计的准确度急剧下降。
[0300]
一般地，当mt远离bs时，基于测量信号的估计准确度高于基于接收导频信号的估计，当mt在bs附近时，基于接收导频信号的估计准确度高于基于测量信号的估计。本发明的估计方法在投影位置和速度估计上具有最高的准确度。仿真结果验证了所述方法的有效性。
[0301]
本实施例中，如图6(a)和6(b)所示，是使用线性估计算法(假设铁轨为线性)对非线性轨迹的估计结果，即不使用映射表和分段函数。首先，比较了线性估计方法和本发明的非线性估计方法的估计结果结果，即图4和6(a)中的投影位置估计，以及图5和6(b)中的速度估计。仿真结果表明，本发明的估计方法在性能上有了显著的提高，验证了映射表和分段函数在非线性铁轨场景中的有效性。线性估计方法性能差的原因在于：对于非线性轨迹，线性估计方法产生了模型失配导致估计产生偏差。此外，仿真结果还表明所述数据融合神经网络模型明显优于基于测量信号的方法和基于接收导频信号的方法。本发明的数据融合神经网络模型可以减小偏差，提高估计性能。同时，仿真结果验证了所述数据融合神经网络模型的有效性。
[0302]
本实施例中，如图7所示，频谱效率(spectral efficiency，se)与投影位置的关系如图所示。其中，已知基于i-csi和s-csi的波束预测方法(跟本发明方法的区别在于信道的获取)为不可达se性能上界。本发明方法在se性能上优于仅基于测量信号或导频信号的方法。此外，表2给出了不同方法的平均和速率性能(bps/hz)，n
rf
个mt的平均和速率在表2中列出。
[0303][0304]
在一个实施例中，考虑mt特定的导频信号，现有技术中波束对齐/跟踪(beam alignment/tracking，ba/t)和本发明中波束预测的波束训练开销随着mt数线性增长。我们将开销成本比定义为开销占时频资源的比例。如表3所示，给出了不同方法的开销比例和平均有效和速率，与ba/t算法相比，所述波束预测训练开销接近于零，当mt数大于10时，所述波束预测的有效和速率高于ba/t。此外，ba/t的指令下达延迟约为20ms，而所述波束预测延迟为0。仿真结果验证了所述波束预测方法的有效性。
[0305][0306][0307]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。