【技術實現步驟摘要】
本專利技術屬于無線傳輸領域，具體涉及一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法。
技術介紹
1、有效的發射波束成形設計是釋放多輸入多輸出(mimo)通信系統和mimo雷達系統潛力的關鍵。許多現有的工作通過專注于聯合波束成形優化來研究多天線isac系統中的發射設計，具體來說，波束成形通過最小化波束模式匹配誤差來優化，同時考慮到通信用戶的個人信干噪比(信號與干擾加噪聲比sinr)要求。但這些工作僅設計發射波束成形，而不考慮雷達回波的接收。
2、雷達系統的主要功能是從接收到的雷達回波信號中估計目標的信道參數，例如延遲和多普勒頻率。考慮到isac系統中的雷達回波接收，相關場景分為兩種情況，第一種情況對應于下行鏈路isac，其中雷達傳感重用下行鏈路傳輸的資源，而bs充當雷達收發器和通信發射器。傳輸的下行鏈路isac信號為bs所知，可用于接收處理以進行傳感。通過對回波信號應用線性接收波束形成器，顯式獲取了用于目標檢測的雷達信干噪比sinr。第二種情況考慮了將傳感與上行鏈路通信集成在一起，其中bs可以被視為雷達收發器和通信接收器。雷達接收器在發射的同時工作，即以全雙工(fd)方式。自干擾(si)是fd操作中的一個關鍵問題，在fd?isac系統中，sic應僅針對收發器天線之間的直接信號耦合執行，而應保留目標反射。然而，對于fd雷達，集成通信功能僅發生在下行鏈路或上行鏈路中，以半雙工(hd)方式運行，為了實現更高的頻譜效率，人們也考慮了通信的fd能力，即讓bs同時用作雷達收發器和通信收發器。在這種設置下，不僅傳感和通信功
3、公開于該
技術介紹
部分的信息僅僅旨在增加對本專利技術的總體背景的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域普通技術人員所公知的現有技術。
技術實現思路
1、本專利技術提出了一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法。該方法通過創新的算法設計、神經網絡架構優化及其與傳統方法的有效結合，顯著降低了信號檢測的復雜度，提高了系統在復雜環境中的信號感知精度和通信速率。
2、本專利技術的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，包括以下步驟：
3、步驟1，全雙工基站接收回波信號，經過傳統信道估計方法，如多重信號分類(music)，估計各時隙用戶所在角度；
4、步驟2，建構fd-isac系統的發送與接收信號模型，并通過所述各時隙用戶所在角度計算上行歷史信道狀態信息和下行歷史信道狀態信息；
5、步驟3，構建cattn-gru網絡，包括計算注意力模塊、門控循環單元模塊和全連接網絡；
6、將所估計的上行歷史信道狀態信息和下行歷史信道狀態信息輸入到cattn-gru網絡中的計算注意力模塊，獲取注意力建模信道狀態信息；將注意力建模信道狀態信息輸入門控循環單元模塊，獲取全局歷史信道狀態信息；將全局歷史信道狀態信息送入全連接網絡預測雷達信號協方差矩陣和通信信號波束賦形矩陣；
7、雷達信號協方差矩陣和通信信號波束賦形矩陣用于輔助當前時刻感知信號與波束賦形設計。
8、進一步的，步驟2中建構fd-isac系統的接收信號模型，基站接收信號計算公式表示如下：
9、
10、其中，表示天線增益，γk,n表示上行通信信道系數，γl,n表示下行通信信道系數，γl＝0,n表示感知目標的下行通信信道系數，τ0,n和ν0,n分別表示感知目標的時延和多普勒頻移，τl,n和νl,n分別表示下行通信用戶的時延和多普勒頻移；表示與下行用戶l相關的波束成形向量；
11、l∈{1,…,l},表示用戶l的單位功率數據符號，即
12、表示具有協方差矩陣的專用雷達信號；假設用戶l的單位功率信號和專用雷達信號相互獨立，表示上行通信用戶k的單位功率數據符號，at(θl,n)表示發射陣列對下行通信用戶l所在方向的導向矢量，ar(θl,n)表示接收陣列對下行用戶l所在方向的導向矢量，ar(θ0,n)表示接收陣列對感知目標的導向矢量，z表示非期望干擾，n表示噪聲；
13、在上式中，下行波束成形通過設計和f0實現；一旦f0確定，就產生專用雷達信號其中at(θk,n)表示發射陣列對θ方向的導向矢量，寫成：
14、
15、ar(θk,n)表示接收陣列對θ方向的導向矢量，寫成：
16、
17、其中，nt表示基站發射天線個數，nr表示基站接收天線個數；
18、假設存在i個信號不相關干擾源，分別位于角度和θi,n≠θ0,n，這些干擾也將傳感信號反射到bs，產生非期望干擾z，z的計算公式如下：
19、
20、此外，考慮總發射功率約束其中pmax表示bs的最大可用功率預算；
21、定義表示第k個用戶與bs之間的上行信道狀態信息；
22、在基站處應用到達角aoa估計技術，得到關于θk,n的估計結果并將其代入上行信道狀態信息表達式中，得到上行信道估計結果從而獲得步驟2所述上行歷史信道狀態信息。
23、進一步的，步驟2中建構fd-isac系統的發送信號模型，用戶處接收到下行信號表示為：
24、
25、其中，表示第l個用戶與bs之間的下行信道狀態信息，其中表示發射天線增益，γl,n表示下行通信信道系數，表示非l的其他下行用戶信號，fl′表示非l的其他用戶相關的下行波束成形向量；
26、在基站應用到達角aoa估計技術，得到關于θl,n的估計結果并將其代入下行信道狀態信息表達式中，得到下行信道估計結果從而獲得步驟2所述下行歷史信道狀態信息。
27、進一步的，過濾非感知雷達信號回波，估計感知目標所處角度從接收信號中獲取感知雷達信號在第n個時隙的回波θ0,n(t)，表示為
28、
29、其中表示空間濾波的接收波束形成向量，是通過現有的到達角(aoa)估計技術對θ0,n的估計；由于空間濾波的接收波束形成向量具有正交性，因此表示均值為零，方差為的復加性高斯白噪聲；然后我們通過經典的匹配濾波方法，得到了估計的下行通信用戶的時延和多普勒頻移
30、
31、其中，δtd為接收信號的時間長度；根據得到的估計值和假設其余干擾被理想地被消除；由此推導出感知雷達信號回波為
32、
33、其中gm為匹配濾波增益,表示服從分布的噪聲，方差為f0,n表示與感知目標相關的波束成形向量；
34、定義和分別表示τ0,n和ν0,n的估計誤差,這些誤差與信噪比snr有關，具體地：
35、
36、其中ρτ和ρυ是由特定體系確定的常數，表示感知雷達信號回波本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，步驟2中建構FD-ISAC系統的接收信號模型，基站接收信號計算公式表示如下：
3.根據權利要求2所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，步驟2中建構FD-ISAC系統的發送信號模型，用戶處接收到下行信號表示為：
4.根據權利要求3所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，過濾非感知雷達信號回波，估計感知目標所處角度從接收信號中獲取感知雷達信號在第n個時隙的回波表示為
5.根據權利要求4所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，利用上行用戶速率、下行用戶速率和克拉美羅下界CRB評價CAttn-GRU網絡性能，利用上行鏈路用戶k對應的信號與干擾加噪聲比SINR表示為:
6.根據權利要求5所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成
7.根據權利要求2或3所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，基于全雙工信號模型，對各通信用戶和感知目標在各時隙的上下行信道狀態歷史信息進行估計，得到上行信道信息估計結果和下行信道信息估計結果其中λ為歷史信息長度，其確定了所設計神經網絡需要獲取多少個歷史信道估計信息；
...【技術特征摘要】
1.一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，步驟2中建構fd-isac系統的接收信號模型，基站接收信號計算公式表示如下：
3.根據權利要求2所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，步驟2中建構fd-isac系統的發送信號模型，用戶處接收到下行信號表示為：
4.根據權利要求3所述的一種基于深度學習的全雙工雷達通信系統聯合發射波束形成方法，其特征在于，過濾非感知雷達信號回波，估計感知目標所處角度從接收信號中獲取感知雷達信號在第n個時隙的回波表示為
5.根據權利要求4所述...
【專利技術屬性】
技術研發人員：李飛，劉家璇，仲子龍，宋晶科，林峰，余杰，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。