一种基于智能反射面的无源被动感知设备与方法

测量装置的制造及其应用技术1.本发明属于涉及通信感知和无线定位技术领域，尤其涉及一种基于智能反射面的无源被动感知设备与方法。背景技术：2.通信感知一体化系统联合通信雷达感知系统类似，成为今年的研究热点。通信感知一体化系统可以同时实现目标感知和无线通信的功能。在通信感知一体化系统中，可以主动发射信号探测目标，也可以通过传感器接收信号来实现被动探测。但是，在通信感知一体化系统中，传感器较难分辨接收信号中来自目标反射的信号，故研究去噪方法对于通信感知一体化系统十分重要。同时，高分辨的空间谱估计方法对于实现精确的感知也起着重要的作用。传统的快速傅里叶变换受瑞利限的限制，分辨率有限；以多重信号分类和旋转不变子空间方法为代表的超分辨空间谱估计方法对信噪比、快拍数有一定要求；以压缩感知为代表的稀疏重构方法通过在空域划分网格，实现对参数的超分辨估计，但是若目标不在网格上，则会产生离网格错误。因此，实现较少快拍的高分辨doa估计具有重要的意义。3.专利号为202111224815.4的专利，它通过可编程超表面产生多组随机双波束表面编码，每组双波束的指向角度均不相同，通过正交匹配追踪算法获得来波角度等信息。这种方法可探测的角度有限，只能探测有限的几个方向，且不具备通信能力。4.专利号为202111416744.8的专利，它通过用户主动向基站发射的5g nr信号携带的导频估计出接收信号的信道状态信息矩阵，随后使用music方法估计信号的doa。这种方法需要用户端的主动配合，同时music方法需要多次快拍积累才能获得较好的效果。技术实现要素：5.本发明目的在于提供一种基于智能反射面的无源被动感知设备与方法,以解决现有技术中未考虑干扰信号、需要多个快拍累积以估计目标、目标参数估计存在错误平台的技术问题。6.为解决上述技术问题，本发明的具体技术方案如下：7.一种基于智能反射面的无源被动感知设备，包括智能反射面与感知器，其中智能反射面通过控制器控制其反射的电磁波信号的幅度和相位，感知器包括天线和数据处理装置，数据处理装置由射频模块和信号处理单元构成，其中，射频模块仅具备单个射频通道。8.本发明还提出了一种基于智能反射面的无源被动感知设备的感知方法，包括以下步骤：9.步骤1、创建接收信号模型；10.步骤2、接收信号模型主要包括目标信号、干扰信号和环境噪声，通过基于原子范数和测量矩阵优化的干扰去除方法实现对接收信号中干扰信号和环境噪声的抑制，从而完成对目标信号的提取；11.步骤3、基于hankel矩阵的目标信号重构方法通过计算目标信号的hankel矩阵，将目标信号的hankel矩阵作为重构信号，使用music方法对重构后的信号进行分解得到信号子空间和噪声子空间，利用噪声子空间估计空间谱，从而实现对目标空间的感知。12.进一步的，步骤1中接收信号模型包括来自目标并经过智能反射面反射的目标信号、来自无线通信接入点直接经智能反射面传播的干扰信号、以及环境噪声。13.进一步的，步骤2中的干扰去除方法包括基于原子范数的干扰去除方法和基于测量矩阵优化的干扰去除方法，其中，所述基于原子范数的干扰去除方法通过计算目标信号的原子范数，得到去除干扰信号后的去噪向量，所述基于测量矩阵优化的干扰去除方法通过调整测量矩阵实现对特定方向的干扰信号的去除；所述基于原子范数的干扰去除方法具体包括以下步骤：构建包含l2范数和原子范数的稀疏重构优化模型；针对所述稀疏重构优化模型，基于该模型的托普利兹矩阵构建半正定规划的凸优化问题；采用迭代法求解前述凸优化问题，获得去噪后的向量；其中包含l2范数和原子范数的稀疏重构优化模型本质为最小化l2范数的平方与原子范数的和，其中，l2范数的平方为所述接收信号减去目标信号后再减去干扰信号的差的l2范数的平方，原子范数为目标信号的原子范数。14.进一步的，基于托普利兹矩阵构建半正定规划的凸优化问题，该过程为所述目标信号的原子范数的求解方法，在此过程中，目标信号的原子范数被表示为由一个待求解的矢量 u构成的托普利兹矩阵的迹与一个待求解的变量v的和，其中，待求解的矢量u与待求解的变量v需要满足的约束条件是待求解的矢量u构成的托普利兹矩阵、待求解的变量v 和目标信号联合构成的矩阵需为一个半正定矩阵，通过半正定规划迭代求解满足前述约束条件的矢量u和变量v。15.进一步的，基于测量矩阵优化的干扰去除方法抑制特定方向的干扰信号，其包括以下步骤：将测量矩阵优化问题建模为半正定规划的最优化问题；求解前述半正定规划问题获得矩阵，并对该矩阵进行特征分解；使用特征分解得到的特征向量表示测量矩阵的某一行。16.进一步的，步骤3中基于hankel矩阵的信号重构方法仅需要一个快拍的接收信号。17.进一步的，步骤3中基于hankel矩阵的信号重构方法从所述去噪后的m*1维向量中取出多组m-l个元素重新组成矩阵，重组后的矩阵维度为(m-l)*l，m为智能超表面的阵元个数，l为重构后信号矩阵的行数。18.进一步的，步骤3中使用music方法对重构后的矩阵进行奇异值分解后，得到若干个奇异值，其中，部分奇异值的数值比其余奇异值大若干个数量级，该部分奇异值对应的奇异向量构成信号子空间，该部分奇异值的数量取决于目标的个数，其他在数值上比该部分结果小若干个数量级的奇异值所对应的奇异向量构成噪声子空间。19.进一步的，步骤3中空间谱由智能反射面的导向矢量的l2范数平方与前述噪声子空间的l2范数平方的比值构成，其中，导向矢量用于描述智能反射面的空间相位差，空间相位差表示在空间内具有不同位置的阵元接收到的信号在相位上存在一定的差异，智能反射面由多个阵元组成，导向矢量的结构由组成智能反射面的各个阵元之间的相对位置决定，导向矢量的具体取值由目标与智能反射面之间的角度决定。20.本发明提供的一种基于智能反射面的无源被动感知设备与方法，具有以下优点：21.1、本发明使用仅具有单个射频通道的感知器实现对目标的感知。22.2、本发明通过步骤2提供的干扰去除方法，本发明实现对干扰信号和环境噪声的有效滤除，提高了目标感知的性能。23.3、本发明通过步骤3提供的信号重构方法和music方法，本发明对目标的方位估计的性能高于正交匹配追踪、快速傅里叶变换等方法。附图说明24.图1为本发明的场景示意图；25.图2为本发明在信噪比为20db时对空间谱估计的仿真结果图；26.图3为本发明在不同信噪比下的估计性能(无测量矩阵优化)；27.图4为本发明在不同信噪比下的估计性能(有测量矩阵优化)；28.图5为本发明中无线通信接入点和传感器在不同位置下的均方根误差(rmse)示意图；29.图6为本发明的一种基于智能反射面的无源被动感知设备示意图。具体实施方式30.为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于智能反射面的无源被动感知设备与方法做进一步详细的描述。31.本发明提供一种基于智能反射面的无源被动感知设备，包括智能反射面与感知器，其中智能反射面通过控制器控制其反射的电磁波信号的幅度和相位，感知器包括天线和数据处理装置，数据处理装置由单个射频通道和信号处理单元构成。32.本发明还提出了一种基于智能反射面的无源被动感知设备的感知方法，包括以下步骤：33.步骤1、创建接收信号模型；34.接收信号模型包括来自目标并经过智能反射面反射的目标信号、来自无线通信接入点直接经智能反射面传播的干扰信号、以及环境噪声。35.步骤2、接收信号模型主要包括目标信号、干扰信号和环境噪声，通过基于原子范数和测量矩阵优化的干扰去除方法实现对接收信号中干扰信号和环境噪声的抑制，从而完成对目标信号的提取；36.干扰去除方法包括基于原子范数的干扰去除方法和基于测量矩阵优化的干扰去除方法，其中，所述基于原子范数的干扰去除方法通过计算目标信号的原子范数，得到去除干扰信号后的去噪向量，所述基于测量矩阵优化的干扰去除方法通过调整测量矩阵实现对特定方向的干扰信号的去除；所述基于原子范数的干扰去除方法具体包括以下步骤：构建包含l2范数和原子范数的稀疏重构优化模型；针对所述稀疏重构优化模型，基于该模型的托普利兹矩阵构建半正定规划的凸优化问题；采用迭代法求解前述凸优化问题，获得去噪后的向量；其中包含l2范数和原子范数的稀疏重构优化模型本质为最小化l2范数的平方与原子范数的和，其中，l2范数的平方为所述接收信号减去目标信号后再减去干扰信号的差的l2范数的平方，原子范数为目标信号的原子范数。37.基于托普利兹矩阵构建半正定规划的凸优化问题，该过程为所述目标信号的原子范数的求解方法，在此过程中，目标信号的原子范数被表示为由一个待求解的矢量u构成的托普利兹矩阵的迹与一个待求解的变量v的和，其中，待求解的矢量u与待求解的变量v需要满足的约束条件是待求解的矢量u构成的托普利兹矩阵、待求解的变量v和目标信号联合构成的矩阵需为一个半正定矩阵，通过半正定规划迭代求解满足前述约束条件的矢量u和变量v。38.基于测量矩阵优化的干扰去除方法抑制特定方向的干扰信号，其包括以下步骤：将测量矩阵优化问题建模为半正定规划的最优化问题；求解前述半正定规划问题获得矩阵，并对该矩阵进行特征分解；使用特征分解得到的特征向量表示测量矩阵的某一行。39.步骤3、基于hankel矩阵的目标信号重构方法通过计算目标信号的hankel矩阵，将目标信号的hankel矩阵作为重构信号，使用music方法对重构后的信号进行分解得到信号子空间和噪声子空间，利用噪声子空间估计空间谱，从而实现对目标空间的感知。40.基于hankel矩阵的信号重构方法仅需要一个快拍的接收信号。41.基于hankel矩阵的信号重构方法从所述去噪后的m*1维向量中取出多组m-l个元素重新组成矩阵，重组后的矩阵维度为(m-l)*l，m为智能超表面的阵元个数，l为重构后信号矩阵的行数。42.使用music方法对重构后的矩阵进行奇异值分解后，得到若干个奇异值，其中，部分奇异值的数值比其余奇异值大若干个数量级，该部分奇异值对应的奇异向量构成信号子空间，该部分奇异值的数量取决于目标的个数，其他在数值上比该部分结果小若干个数量级的奇异值所对应的奇异向量构成噪声子空间。43.空间谱由智能反射面的导向矢量的l2范数平方与前述噪声子空间的l2范数平方的比值构成，其中，导向矢量用于描述智能反射面的空间相位差，空间相位差表示在空间内具有不同位置的阵元接收到的信号在相位上存在一定的差异，智能反射面由多个阵元组成，导向矢量的结构由组成智能反射面的各个阵元之间的相对位置决定，导向矢量的具体取值由目标与智能反射面之间的角度决定。44.本发明一种基于智能反射面的无源被动感知设备的感知方法具体实施例如下所示：45.包括以下步骤：46.在步骤1中，创建接收信号模型，接收信号模型服从以下表示形式：47.r＝gξ+ga(θar)η+w48.其中，r表示接收信号，g表示智能反射面的测量矩阵，ξ表示目标信号，η表示来自无线通信接入点直接经智能反射面传播的干扰信号，θar表示无线通信接入点与智能反射面之间形成的角度，a(θar)表示智能反射面对应与前述角度的导向矢量，w表示环境噪声。49.在步骤2中，通过基于原子范数和测量矩阵优化的干扰去除方法，实现对接收信号中干扰信号和环境噪声的抑制，从而完成对目标信号的提取；其中，基于原子范数的干扰去除方法的目标为最小化l2范数的平方与原子范数的和，其满足以下形式50.minξ，η||r-gξ-ga(θar)η||22+ρ||ξ||a51.min表示求解满足某种约束条件下的最小值，||*||22表示l2范数的平方，ρ表示一个常数， ||*||a表示原子范数；对测量矩阵的优化采用迭代的方式对每一行进行优化，其中，测量矩阵的优化目标由以下公式确定：52.ming||gh a(θar)||2253.s.t.|gm,n|≤154.g表示测量矩阵的某一行，(*)h表示埃尔米特矩阵，s.t.表示需要满足后续条件，gm，n表示第m行第n列的元素，m，n为小于测量矩阵行数和列数的常数，|*|表示绝对值。55.在步骤3中，对接收到的信号进行重构，重构方法基于hankel矩阵，重构的主要操作为从去噪后的m*1维向量中取出多组m-l个元素重新组成矩阵，重组后的矩阵维度为(m-l)*l，其中m 为智能超表面的阵元个数，l为重构后的信号矩阵的行数；随后使用music算法对重构后的信号进行奇异值分解，分解后会得到若干个奇异值，其中，部分奇异值的数值比其余奇异值大若干个数量级，该部分奇异值对应的奇异向量构成信号子空间，该部分奇异值的数量取决于目标的个数，其他在数值上比该部分结果小若干个数量级的奇异值所对应的奇异向量构成噪声子空间，空间谱由智能反射面的导向矢量的l2范数平方与前述噪声子空间的l2范数平方的比值构成，空间谱服从以下形式：56.g(θ)＝||a(θ)||22/||a(θ)hu||2257.g(θ)表示角度为θ的空间谱结果，u表示噪声子空间。58.图2为本发明在信噪比为20db时对空间谱的估计结果，此外，图中还包括一些其他的空间谱估计方法的结果作为对比，主要有快速傅里叶变换(fft)、对干扰滤除后的信号进行快速傅里叶变换、正交匹配追踪方法(omp)、l1范数方法，以及实际的目标方位，与实际目标方位越接近表示对目标的估计越精准，结果曲线证明本发明具有较好的doa估计性能。59.图3和4分别表示无测量矩阵优化和有测量矩阵优化的情况下doa估计的性能表现，结果证明本发明所提出的测量矩阵优化方法可以明显改善doa估计的性能。60.图5为本发明在不同的无线通信接入点和传感器位置下的均方根误差，其中噪声方差为0.01，图5中第一张图无线通信接入点位于(0m，0m)，智能反射面位于(20m，20m)，传感器位于(20m， 0m)，图片显示doa估计的均方根误差的下界，在接近无线通信接入点和智能反射面的区域与其他区域相比有更好的性能表现，图5中第二张图无线通信接入点位于(0m，0m)，智能反射面位于 (20m，20m)，传感器位于(20m，17m)，图5中第三张图无线通信接入点位于(20m，0m)，智能反射面位于(20m，20m)，传感器位于(20m，17m)，图5中第四张图无线通信接入点位于(20m，-20m)，智能反射面位于(20m，20m)，传感器位于(20m，17m)。61.可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!