本发明涉及射频系统中的干扰分类。
背景技术:
1、在应用中,在移动环境(例如在高速列车周围)中涉及射频系统,在移动性环境中可以利用地理定位以便确定移动轨迹。
2、更具体地,射频系统可以是cbtc无线电系统(“基于通信的列车控制”),例如在文献ep3522404中公开的系统。此外,希望这种类型的系统在火车上通过在空间上识别干扰源来进行对环境的表征。更具体地,试图通过仅使用cbtc无线电模块的功率测量来识别干扰源的位置,而不增加cbtc无线电硬件的任何复杂性。由于干扰强度取决于列车-干扰源距离,并且移动的列车允许对不同位置处的干扰的信号强度几何地进行采样,因此估计干扰源的位置应该是可能的。
3、干扰地理定位问题不仅存在于cbtc系统中,而且存在于任何基于通信的运输系统(汽车、船只等)中,并且以下可以应用于具有移动和采样干扰强度的能力的任何系统。然而,在任何情况下,必须满足关于已知轨迹的条件(典型地例如对于铁路列车的情况),以便使得问题可被解决。
4、以下,以列车环境的情况为例。系统可描述如下:
5、-火车正以以下速度行驶:v(m/s),
6、-火车上的无线电可以通过以下速率测量:r(times/s)
7、-对于每次测量都已知列车的位置
8、-k个干扰源处于各自的不同的固定位置,随机干扰列车的无线电。考虑从一个测量到另一个测量,干扰源随机地被激活或不激活。
9、-以db为单位的路径损耗可以被给出为:a+b.logd,其中,d是tx-rx距离,a和b表示路径损耗系数。
10、-两个不同位置之间的遮蔽如下与系数相关:其中,δx是列车位置差,ρ0和dc是遮蔽模型的系数。
11、-例如,在彼此接近的干扰源之间执行csma协议(“载波侦听多址”-ca或cd),因此可以满足非竞争条件。
12、换句话说,测量在一个时刻仅属于一个源。然而,干扰源随机地彼此切换,这使得观测成为混合信号。另外,由于数据业务模型,干扰出现也是随机的。
13、这个问题可以分为两个主要的子问题:
14、-源分离:由于观测可以随机地属于k个源之一,因此需要识别哪个源。
15、-位置估计:一旦对观测进行了分类,就可以估计出源的位置。
16、这两个问题是共同依赖的,一个的解影响另一个。
17、本发明的目的是改善这种情况。
技术实现思路
1、提出了一种用于在被视作具有相应位置θ=[θ1,..,θk,..,θk]的k个独立活动的干扰的源的干扰源之间的不重叠的条件下,在每个时间n估计装载在具有已知轨迹的移动车辆中的射频系统的干扰源的计算机实现的方法,所述方法包括以下步骤:
2、-从时刻1至n获取与干扰的测量值相对应的观测zn,并建立观测向量z=[z1,..,zn,..,zn],
3、-定义指示哪个源在时刻n被激活的潜在变量vn,以建立潜在变量的向量v=[v1,..,vn,..,vn],以及
4、-使用由向量v=[v1,..,vn,..,vn]定义的马尔可夫链实现涉及吉布斯采样的狄利克雷过程,重复如下采样直到收敛:
5、o对于n=1,…,n,
6、-如果观测zn已经与源相关联,则从对应于潜在变量vn的其当前相关联的源移除观测zn,并且在观测zn不再属于该源时获取该源的位置后验,
7、-基于取决于源k是否预先存在的条件概率p(vn=k|v-n,z-n,zn)来抽取潜在变量vn的新值,
8、-将观测zn与对应于潜在变量vn的源相关联,并且更新对应于潜在变量vn的源的位置的后验分布,
9、-并且,在算法收敛时,由此进行以下操作:
10、*将干扰源分离成分别与k个干扰源相关的k个独立测量值集,并且
11、*利用由此分离的源估计每个源位置。
12、具有已知轨迹的上述“移动车辆”可以是例如铁路列车(具有固定和预定义的轨迹),或者另选地是装备有实时估计其连续位置的gps的任何其他车辆。
13、上述“非重叠条件”意味着在干扰源之间不会发生冲突,使得在一个时刻,仅一个干扰源发射信号(如在多址协议中,例如csma/ca协议或csma/cd)。
14、上述干扰测量可以是射频功率或能量或幅度水平的形式。
15、本发明提出每当试图寻找哪个观测属于哪个源时使用潜在变量vn来提供先验知识。在进行源分离时,通过基于计算出的概率抽取样本来代替进行任何决策。基于蒙特卡罗机制,重复迭代该过程,直到估计收敛。
16、因此,在一个实施方式中,可以评估概率以识别观测zn属于哪个源,所述概率由下式给出:
17、
18、其中,()-n是指除n之外的索引,概率是在给定其他测量值z-n已经与对应于潜在变量vn的源相关联的情况下观测zn与该源相关联的条件概率。
19、此外,干扰的源的位置的后验分布可以被渐进地更新,以通过实现以下来估计源的位置:
20、
21、其中,()-n是指除n以外的索引。
22、该分布可以是高斯分布,并且概率因此可以表示为:
23、
24、在该表达式中,项和可如下计算:
25、其中,
26、表示观测zn的高斯分布中的均值,并且被表示为
27、表示源vn的观测n与除n之外的观测之间的相关矩阵,
28、表示源vn的除n之外的观测的自相关矩阵,
29、表示源vn的除n之外的观测的均值,
30、表示源vn的除n之外的的观测与观测n之间的相关矩阵。
31、两个观测n1,n2之间的相关性可以表示为其中ρ0和dc是典型的遮蔽模型的两个参数。
32、条件概率p(vn=k|v-n)可由下式给出:
33、
34、其中,nk是与对应于vn的源相关联的观测的数目,n是观测总数,α是集中参数(concentration parameter)。
35、当可能的干扰源的数量k未知时(从而导致考虑k=∞):
36、-因此,观测属于预先存在的源k的条件概率可以由下式给出:
37、
38、-并且观测属于新源k′的条件概率由下式给出:
39、
40、在一个实施方式中,可以通过下式给出取决于源k是否预先存在的上述条件概率p(vn=k|v-n,z-n,zn):
41、对于现有源k,
42、或者针对新的源,
43、其中,b是使上述给定概率之和为1的适当的归一化常数。
44、在一个实施方式中,狄利克雷过程涉及狄利克雷混合模型,狄利克雷混合模型被定义为:
45、
46、其中,g0是源的位置的基础分布。
47、在一个实施方式中,该方法还包括估计作为移动车辆位置tn的函数的似然性由下式给出:
48、
49、在第一实施方式中,位置θ可以被离散化为离散空间ωθ中的离散值,所述离散空间中的位置θ的每个值与概率相关联。
50、在第二另选实施方式中,可以通过将移动车辆位置周围的空间划分为子分区s=1,…,s来执行连续位置确定,每个子分区由中心cs表示,车辆位置tn在子分区s中,并且似然性由下式给出:
51、
52、其中,由确定,
53、基础分布g0由下式给出:
54、
55、本发明还针对一种计算机程序,该计算机程序包括指令,所述指令用于在所述指令由装置(诸如图10中所示的装置)的处理电路执行时执行上述方法。本发明还针对存储这样的指令的非暂时性计算机可读介质(诸如图10中所示的存储器mem)。
56、本发明的目的还在于一种包括处理电路的装置,该处理电路被配置为实现上面提出的(以及下面参考图10描述的)方法。
57、当阅读下面作为示例给出的实施方式的以下描述时,将理解本发明的更多细节和优点,并且这些细节和优点将从相关附图中显现。