[發(fā)明專利]一種基于訓(xùn)練的自適應(yīng)水聲信道跟蹤方法

在審

• 申請?zhí)枺?/td>: 202010138589.7
• 申請日: 2020-03-03
• 公開（公告）號: CN111431626A
• 公開（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 李維;王曉媛;葉臣哲;王宇航
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)（深圳）（哈爾濱工業(yè)大學(xué)深圳科技創(chuàng)新研究院）
• 主分類號: H04B13/02
• 分類號: H04B13/02;H04B17/391;H04L25/02
• 代理公司: 深圳市添源知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44451
• 代理人: 羅志偉

1.一種基于訓(xùn)練的自適應(yīng)水聲信道跟蹤方法，其特征在于：通過基于訓(xùn)練的自適應(yīng)的基于子空間跟蹤的降維的模基估計(jì)(ASRMAE)信道跟蹤方法得到跟蹤的信道，使用自適應(yīng)卡爾曼跟蹤器自適應(yīng)的校正預(yù)測誤差來改善跟蹤性能，并通過訓(xùn)練數(shù)據(jù)獲得自適應(yīng)卡爾曼跟蹤器的參數(shù)，通過基于雙向卡爾曼ASRMAE信道跟蹤方法，通過使用前向和后向時(shí)刻的測量值來改善信道主成分的跟蹤。

2.根據(jù)權(quán)利要求1所述的基于訓(xùn)練的自適應(yīng)水聲信道跟蹤方法，其特征在于：假設(shè)有M條路徑的水聲信道h(n)＝[h₁(n),h₂(n),…,h_M(n)]^T，根據(jù)信道路徑間的相關(guān)性，將高維度信道分解為低維度的信道主成分z_r(n)和相應(yīng)的信道子空間Q_r(n)，其中r為降秩后的維度，并有r＜＜M，通過分別跟蹤信道主成分z_r(n)和相應(yīng)的信道子空間Q_r(n)實(shí)現(xiàn)對信道的跟蹤：

h(n)＝Q_r(n)z_r(n)

首先使用最小均方算法獲得信道的粗估計(jì)最小均方算法簡稱為LMS算法，然后采用基于壓縮的投影近似子空間跟蹤方法對信道子空間進(jìn)行跟蹤，基于壓縮的投影近似子空間跟蹤方法簡稱為PASTd方法；

對于信道主成分，首先對其建立自回歸模型，簡稱為AR模型，然后在此基礎(chǔ)上采用自適應(yīng)卡爾曼跟蹤器實(shí)現(xiàn)對其跟蹤。

3.根據(jù)權(quán)利要求2所述的基于訓(xùn)練的自適應(yīng)水聲信道跟蹤方法，其特征在于：基于訓(xùn)練的自適應(yīng)的ASRMAE信道跟蹤方法的步驟如下：首先通過LMS算法獲得信道的粗估計(jì)通過訓(xùn)練過程，信道子空間Q_r通過信道自相關(guān)矩陣的特征值分解(EVD)分解獲得，然后通過粗估計(jì)的信道主成分獲得AR模型階數(shù)p_tr、狀態(tài)轉(zhuǎn)移矩陣Φ_z和噪聲協(xié)方差矩陣R_N，這時(shí)，AR模型得以建立，通過訓(xùn)練確定信道降維處理后的最優(yōu)維度r_tr、可變遺忘因子α(n)的最優(yōu)步長μ_tr和最小值在每一時(shí)刻，通過PASTd方法跟蹤信道子空間Q_r(n)，并通過自適應(yīng)卡爾曼跟蹤器獲得信道主成分狀態(tài)向量z_*(n)，再從中提取出信道主成分z_r(n)，最后得到跟蹤的信道

4.根據(jù)權(quán)利要求3所述的基于訓(xùn)練的自適應(yīng)水聲信道跟蹤方法，其特征在于：基于雙向卡爾曼的ASRMAE信道跟蹤方法步驟如下：在對信道主成分進(jìn)行跟蹤前，和基于訓(xùn)練的自適的ASRMAE信道跟蹤方法一樣，得到AR模型參數(shù)和每一時(shí)刻的信道子空間Q_r(n)，然后使用雙向卡爾曼濾波算法分別獲得前向估計(jì)值z_*f(n|n)和后向估計(jì)值通過兩者得到信道主成分的最優(yōu)估計(jì)從中提取出信道主成分z_r(n)，最后就可以得到信道的跟蹤結(jié)果