通信感知一体化大规模MIMO信道状态与目标参数的获取方法

通信感知一体化大规模mimo信道状态与目标参数的获取方法
技术领域
1.本发明属于mimo技术，具体为一种通信感知一体化大规模mimo信道状态与目标参数的获取方法。


背景技术：

2.随着频谱资源的日益紧张和能量效率的降低，通信感知一体化(isac)应运而生，旨在同一硬件平台上同时实现雷达探测和通信感知两种功能，被广泛认为是下一代6g无线通信的关键技术之一。大规模mimo技术在基站使用大量天线，具有显著的频谱和能量效率增益，已成为现在和未来无线蜂窝网络的重要使能技术。巨大的自由度与内在的感知能力使大规模mimo与isac(mimo-isac)结合同时实现高质量无线通信与高分辨率感知性能成为可能，并可应用于智能交通中的自动驾驶、智慧家居中的wi-fi感知、智慧城市中的无人机网络等场景。
3.为同时实现雷达探测和通信感知功能，人们进行了许多研究。早期采用通信共用雷达波形或者雷达共用通信波形，比如通过多波束框架同时产生固定子波束进行通信以及可变扫描子波束进行感知，又或者使用广泛用于通信的ofdm信号来进行目标感知；最近的研究通过利用mimo技术额外的自由度和灵活性对两种功能进行权衡来联合设计一体化波形。虽然在一定程度上将通信和传感双重功能集成在一个平台中，但上述isac技术通常假设了准确的通信信道状态信息或部分已知的目标参数信息的先验。因此，目标参数估计问题被广泛研究。关于波达方向(doa)估计，目前的多信号分类(music)、旋转不变性技术估计信号参数(esprit)和压缩感知具有超分辨率和高精度的估计性能，但上述方法的通信传输需要信道状态信息，使得在基站端部署了大量天线的大规模mimo-isac系统消耗了大量的导频资源。对于信道估计，针对准静态、高移动场景的宽带系统利用大规模mimo的纯通信系统的信道结构进行减小信道训练开销的研究，现阶段利用大规模mimo信道的多维特性开发了基于张量的信号处理方案，可以实现精确的信道估计。然而，尽管信道估计的导频开销利用感知回波可以大幅减小，现有研究仅适用于视距信道，目前还没有有效的方法在大规模mimo-isac的统一架构下解决目标参数估计和多径时变信道估计问题。


技术实现要素：

4.为了解决现有技术中的上述技术缺陷，本发明提出了一种通信感知一体化大规模mimo信道状态与目标参数的获取方法。
5.实现本发明目的的技术方案为：一种通信感知一体化大规模mimo信道状态与目标参数的获取方法，具体步骤为：
6.步骤1：构建通信传输过程模型；
7.步骤2：构建雷达感知过程模型；
8.步骤3：根据通信传输过程模型、雷达感知过程模型，构建大规模mimo-isac的统一信道模型；
9.步骤4：对信道和目标参数估计进行cpd形式建模：构造预编码训练结构将接收信号表述为三阶张量并去除导频信号，接着累加得到包含n个ofdm训练符号的第k个子载波信号，将接收到的k个子载波级联并表示为三阶张量形式，然后将其分解为cpd形式，进而得到目标参数估计问题模型和信道参数估计问题模型；
10.步骤5：借助cpd的唯一性条件，通过分析步骤4得到的张量分解的因子矩阵b
(1)
、b
(2)
以及b
(3)
进行目标参数估计；
11.步骤6：沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号，利用因子矩阵的范德蒙德结构，采用空间平滑技术进一步扩大处理后的信号的维数得到维数扩大的矩阵，进行奇异值分解，并重构因子矩阵；
12.步骤7：构建估计因子矩阵和真实因子矩阵的关系，从因子矩阵b
(1)
的每一列分别估计aoa，将估计aoa的问题表述为使估计因子矩阵的第q列和接收阵列导向矢量a
re
(θq)之间的相关性最大化，通过估计因子矩阵在单位圆上的广义特征值得到时延；
13.步骤8：构造交替优化方法，迭代细化对第q个目标相对于发射机的方位角和多普勒频移的估计，得到第i次迭代的估计问题，进而得到aod和多普勒频移的估计值，直到迭代更新过程收敛到稳定点，得到多普勒频移第q个目标相对于发射机的方位角第q个目标相对于接收机的方位角和时延的估计；
14.步骤9：对最初张量进行模3展开并转置，再根据ls准则，估计反射系数；
15.步骤10：采用步骤8-10估计ue侧的多径信道参数利用估计的五元组参数集，重构整个信道矩阵
16.优选地，构建通信传输过程模型的具体方法为：
17.步骤1.1：对第m
ue
个天线的接收信号去除载波频率，得到基带接收信号，基带接收信号具体为：
[0018][0019]
式中，是通带路径增益，α
p
是等效基带路径增益，是连续时间带通信号，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的多普勒扩展，fc为载频，是从第m
bs
个天线到第m
ue
个天线的第p条路径的时延，和分别是由相应的发射天线和接收天线引入的时延；
[0020]
步骤1.2：对第m
bs
个bs天线在第m
ue
个ue天线的信道响应进行傅里叶变换得到频域时变信道响应，频域时变信道响应具体为：
[0021][0022]
式中，α
p
是等效基带路径增益，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的多
普勒扩展，τ
p
是第一发射和接收天线之间的自由空间传播延迟，fc为载频，和分别是由相应的发射天线和接收天线引入的时延；
[0023]
步骤1.3：将所有bs天线和ue天线的元素叠加，得到通信信道，通信信道具体为：
[0024][0025]
式中，α
p
是等效基带路径增益，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的多普勒扩展，τ
p
是第一发射和接收天线之间的自由空间传播延迟，a
bs
(θ
p
,f)和a
ue
(θ
p
,f)是宽带阵列导向矢量，表示为
[0026][0027][0028]
其中，fc为载频，d为阵元间距，表示载波波长，θ
p
为第p条路径的aoa。
[0029]
优选地，构建雷达感知过程模型的具体方法为：
[0030]
步骤2.1：对接收到的目标回波信号去除载波频率进行解调，得到解调后的目标回波信号，解调后的目标回波信号具体为：
[0031][0032]
其中，是第q个目标的反射信号，fc为载频，rq是第q个点目标所处距离，vq是第q个点目标的径向速度，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角，d为阵元间距，表示第m
bs
个发射天线的基带信号，是复反射系数，τq和vq分别表示往返时延和多普勒频移；
[0033]
步骤2.2：由解调后的目标回波信号得到等效雷达感知信道模型具体为：
[0034][0035]
式中，是复反射系数，是第q个目标的反射信号，fc为载频，τq是往返时延，vq是多普勒频移，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角，d为阵元间距，c为光速；
[0036]
步骤2.3：对等效雷达感知信道模型公式做傅里叶变换，并将所有发射和接收天线的信道进行叠加，得到雷达感知信道，雷达感知信道具体为：
[0037]
[0038]
式中，是复反射系数，是第q个目标的反射信号，fc为载频，τq是往返时延，vq是多普勒频移，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角，a
bs
(φq,f)是发射阵列导向矢量，a
re
(θq,f)是m
re
×
1维宽带阵列导向矢量，表示为
[0039][0040]
优选地，大规模mimo-isac的统一信道模型，第n个ofdm符号第k个子载波处的感知信道矩阵具体为：
[0041][0042]
其中，g
n,k
等价于在一个ofdm符号内由多普勒频移引起的相位变化近似为常数，即其中t
sym
＝t
eff
+t
cp
，t
eff
和t
cp
分别为有效ofdm符号和循环前缀的持续时间，k0为傅里叶变换点数，是复反射系数，是第q个目标的反射信号，fc为载频，τq是往返时延，fs为采样频率，vq是多普勒频移，a
bs
(φq)和a
re
(θq)分别表示发射和接收阵列导向矢量，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角。
[0043]
优选地，步骤4对信道和目标参数估计进行cpd形式建模的具体方法为：
[0044]
步骤4.1：构造预编码训练结构，预编码结构具体为：
[0045]sn,k
＝pnxk[0046]
其中是第n个ofdm符号的训练预编码器，xk是满足|xk|2＝1的第k个子载波处的导频符号。
[0047]
步骤4.2：借助步骤4.1提出的预编码训练结构将接收信号表述为三阶张量形式并去除导频信号，得到去除导频信号的接收信号，接着累加得到n个ofdm训练符号的信号，n个ofdm训练符号的信号具体为：
[0048][0049]
其中包含第k个子载波处接收到的全部测量值，是第n个对角元素为的对角矩阵；表示训练预编码器，其每个元素由单位圆随机生成；表示噪声矩阵；是复反射系数，是第q个目标的反射信号，fc为载频，τq是往返时延，a
ue
(θq)和a
bs
(φq)是阵列导向矢量，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角，fs为采样频率，k0为傅里叶变换点数；
[0050]
步骤4.3：将接收到的k个子载波进行级联，将接收到的回波信号表示为三阶张量形式其中它的第(m,n,k)项为[yk]
m,n
，张量可分解为cpd形式，具体的cpd形式
为：
[0051][0052]
其中是噪声张量，第(m,n,k)项为[nk]
m,n
；a
re
(θq)是阵列导向矢量，b
bs
(φq,νq)＝γ(νq)p
tabs
(φq)是包含多普勒频移vq的等效导向矢量；c(βq,τq)＝γ(νq)p
tabs
(φq)，是第n个对角元素为的对角矩阵，a
bs
(φq)是阵列导向矢量，τq是往返时延；表示训练预编码器，其每个元素由单位圆随机生成；φq和θq分别表示第q个目标相对于发射和接收阵列的方位角，是复反射系数，是第q个目标的反射信号，fc为载频，t
sym
＝t
eff
+t
cp
，t
eff
和t
cp
分别为有效ofdm符号和循环前缀的持续时间；
[0053]
步骤4.4：由步骤4.1-4.3得到目标参数估计问题模型，目标参数估计问题模型具体为：
[0054][0055]
其中，a
re
(θq)是阵列导向矢量，b
bs
(φq,vq)＝γ(νq)p
tabs
(φq)是包含多普勒频移vq的等效导向矢量；c(βq,τq)＝γ(vq)p
tabs
(φq)是与时延τq有关的导向矢量，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角，是第n个对角元素为的对角矩阵，表示训练预编码器，其每个元素由单位圆随机生成，a
bs
(φq)是阵列导向矢量，是复反射系数，是第q个目标的反射信号，fc为载频；
[0056]
步骤4.5：信道参数估计问题模型具体为：
[0057][0058]
其中，是用于信道估计的ue侧观测张量，a
ue
(θ
p
)是阵列导向矢量，b
bs
(φ
p
,ν
p
)是包含多普勒频移v
p
的等效导向矢量；c(α
p
,τ
p
)是与时延τ
p
有关的导向矢量，φ
p
和θ
p
分别表示第p条路径的物理aoa和aod。
[0059]
优选地，因子矩阵具体为：
[0060][0061][0062][0063]
式中，a
re
(θq)表示接收阵列导向矢量，b
bs
(φq,vq)是包含多普勒频移vq的等效发射导向矢量，c(βq,τq)是与时延τq有关的导向矢量，βq是感知目标的散射强度，φq和θq分别表示第q个目标相对于发射和接收阵列的方位角。
[0064]
优选地，沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号，根据定理1，利用因子矩阵的范德蒙德结构，采用空间平滑技术进一步扩大处理后的信号的维数得到维数扩大的矩阵，进行奇异值分解，并重构因子矩阵的具体步骤为：
[0065]
步骤7.1：沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号具体为：
[0066][0067]
其中，b
(1)
，b
(2)
，b
(3)
是因子矩阵，是对应的噪声矩阵；
[0068]
步骤7.2：利用因子矩阵b
(3)
的范德蒙德结构，采用空间平滑技术扩大的维数，维数扩大的矩阵具体为：
[0069][0070]
其中是循环选择矩阵，整数对(k3,l3)符合k3+l3＝k+1，是沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号，b是因子矩阵，是对应的噪声矩阵；
[0071]
步骤7.3：计算奇异值分解其中ys是维数扩大后的矩阵，u和v中的q个主奇异向量分别张成信号子空间us和vs，σs是由q个最大奇异值构成的对角矩阵；
[0072]
步骤7.4：定义子矩阵和计算evd为重构因子矩阵和的第q列，具体为：
[0073][0074][0075][0076]
其中是单位圆上的广义特征值估计，[z]
q,q
是z的第q个对角线元素，mq是m的第q列，tq是m-t
的第q列，us和vs是奇异值分解后产生的矩阵u和v中的q个主奇异向量分别张成信号子空间。
[0077]
优选地，构建估计因子矩阵和真实因子矩阵的关系，从因子矩阵b
(1)
的每一列分别估计aoa，将估计aoa的问题表述为使估计因子矩阵的第q列和接收阵列导向矢量a
re
(θq)之间的相关性最大化，通过因子矩阵在单位圆上的广义特征值估计得到时延的具体方法为：
[0078]
步骤8.1：分析估计因子矩阵和真实因子矩阵的关系，具体为：
[0079]
[0080]
其中是估计因子矩阵，b(i)是真实因子矩阵，δi是满足δ1δ2δ3＝iq的未知对角矩阵；矩阵是所有因子矩阵都通用的未知排列矩阵，ei表示相应的估计误差；
[0081]
步骤8.2：从因子矩阵b
(1)
的每一列分别估计aoa，将估计第q个目标相对于接收阵列的方位角θq的问题表述为使估计因子矩阵的第q列和接收阵列导向矢量a
re
(θq)之间的相关性最大化，具体为：
[0082][0083]
其中是估计因子矩阵的第q列；
[0084]
步骤8.3：通过因子矩阵在单位圆上的广义特征值估计得到时延具体为：
[0085][0086]
其中∠表示相位角提取算子，fs为采样频率，k0为傅里叶变换点数。
[0087]
优选地，构造交替优化方法，迭代细化对第q个目标相对于发射机的方位角和多普勒频移的估计，得到第i次迭代的估计问题，进而得到aod和多普勒频移的估计值，直到迭代更新过程收敛到稳定点，得到多普勒频移第q个目标相对于发射机的方位角第q个目标相对于接收机的方位角和时延的估计的具体方法为：
[0088]
步骤9.1：构造交替优化方法，迭代细化对第q个目标相对于发射机的方位角和多普勒频移的估计，已知(i-1)次迭代中多普勒频移的估计，得到第i次迭代中aod的估计问题，已知第i次迭代中估计的得到第i次迭代的多普勒频移估计问题，第i次迭代中aod的估计问题具体为：
[0089][0090]
式中，是估计因子矩阵的第q列，δq是δ2的第q个对角元素，δ2是满足δ1δ2δ3＝iq的未知对角矩阵，是对角矩阵，是多普勒频移的估计，p是训练预编码器，a
bs
(φq)为阵列导向矢量，φq是第q个目标相对于发射机的方位角，
[0091]
第i次迭代的多普勒频移估计问题具体为：
[0092][0093]
式中，是估计因子矩阵的第q列，δq是δ2的第q个对角元素，δ2是满足
[0094]
δ1δ2δ3＝iq的未知对角矩阵，γ(νq)是对角矩阵，νq是多普勒频移，p是训练预编
码器，为阵列导向矢量，是第q个目标相对于发射机的方位角的估计，q是对角线元素为的对角矩阵，a
do
(νq)为γ(νq)的对角元素组成的向量；
[0095]
步骤9.2：利用阵列导向矢量a
bs
(φ)和γ(νq)的对角元素组成的向量a
do
(v)的范德蒙德结构，对于第i次迭代的aod估计问题，用将导向矢量a
bs
(φ)表示为从而得到如下表达式：
[0096][0097]
其中a(z
φ
)为阵列导向矢量，是与对角矩阵γ、多普勒频移估计估计因子矩阵的第q列有关的量，p是训练预编码器；
[0098]
步骤9.3：考虑无噪声情况，则上式分子为零，有2(m
bs-1)个根，令为单位圆内单位幅值的根，则可以通过搜索得到解得到aod的估计值，具体为：
[0099][0100]
其中∠表示相位角提取算子，λc为波长，d为阵元间距；
[0101]
步骤9.4：类似于步骤9.2-9.3，得到第i次迭代的多普勒频移估计，具体为：
[0102][0103]
其中t
sym
为一个ofdm符号的持续时间；
[0104]
步骤9.5：基于上述步骤，在交替的情况下，对第q个目标相对于发射机的方位角和多普勒频移进行估计，直到迭代更新过程收敛到稳定点，得到多普勒频移第q个目标相对于发射机的方位角第q个目标相对于接收机的方位角和时延的估计。
[0105]
优选地，张量展开并转置后具体为：
[0106][0107]
其中β＝[β1,...,βq]
t
，a
td
是与时延τq有关的阵列导向矢量矩阵，b是因子矩阵，n是噪声矩阵；
[0108]
反射系数的估计具体为：
[0109][0110]
其中和分别基于时延多普勒频移和第q个目标相对于
发射机的方位角以及第q个目标相对于接收机的方位角构造。
[0111]
本发明与现有技术相比，其显著优点为：
[0112]
本发明解决了大规模mimo-isac统一架构下的目标参数估计和多径时变信道估计问题，并且在减小训练开销和提高感知分辨率方面有很大优势。
[0113]
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0114]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0115]
图1为混合mimo结构和时变频率选择信道。
[0116]
图2为所提方法的目标参数估计性能。
[0117]
图3为正确区分目标的成功率。
[0118]
图4为距离和速度估计的rmse性能随snr的变化曲线。
[0119]
图5为信道估计的nmse性能随snr的变化曲线。
具体实施方式
[0120]
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。相反，提供这些实施例的目的是为了使本领域的技术人员更透彻地理解本发明。下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的创新构思。
[0121]
本发明构思为，一种通信感知一体化大规模mimo信道状态与目标参数的获取方法，包括：
[0122]
1、通信传输过程建模
[0123]
假设一个连续时间带通信号从第m
bs
个基站发射天线经过p条多径到达位于远场的用户ue，则第m
ue
个天线的接收信号为：
[0124][0125]
其中是通带路径增益，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的(双边)多普勒扩展，是从第m
bs
个天线到第m
ue
个天线的第p条路径的时延，表示为
[0126][0127]
其中τ
p
是第一个发射天线和接收天线之间的自由空间传播延迟，θ
p
和φ
p
分别表示第p条路径的物理aoa和aod，d和c分别表示相邻天线间距和光速。去除载波频率基带接收信号为：
[0128][0129]
其中是等效基带路径增益，和分别是相应的发射和接收天线带来的时延。第m
bs
个bs天线在第m
ue
个ue天线的信道响应为
[0130][0131]
对上式进行傅里叶变换得到频域时变信道响应为
[0132][0133]
最后一个等式成立是因为v
p
＜＜fc。将所有bs天线和ue天线的元素叠加，通信信道可表示为
[0134][0135]
其中a
bs
(θ
p
,f)和a
ue
(θ
p
,f)是宽带阵列导向矢量，表示为
[0136][0137][0138]
其中表示载波波长。
[0139]
2、雷达感知过程建模
[0140]
假设第q个点目标位于距离rq处且径向速度为vq，在基站端第m
re
个接收天线，q个目标的回波表示为
[0141][0142]
其中是第m
bs
个bs天线的发射信号，是目标的第q个反射信号(与雷达截面积成正比)，φq和θq分别表示相对于第q个目标的发射和接收阵列的方位角。在接收机处，解调后的信号(去掉载频)表示为
[0143][0144]
其中是复反射系数，和分别表示往返时延和多普勒频移，第二个等式成立利用了s(t-τq)≈s(t-τq+2vqt/c)，因为目标速度假设vq＜＜c，在相干处理间隔(cpi)时间内允许恒定的时延。则等效雷达感知信道模型为
[0145][0146]
其中可看作线性时变滤波器。对上式做傅里叶变换，将所有发射和接收天线的信道进行叠加，雷达感知信道可表示为
[0147][0148]
其中a
re
(θq,f,vq)是m
re
×
1维宽带阵列导向矢量，表示为
[0149][0150]
3、大规模mimo-isac的统一信道模型
[0151]
通过上面的分析可知，通信信道和感知信道有着相似的几何结构，从而可以在同一框架内估计信道和目标参数。其相似性可理解为：
[0152]
一方面，通信角度除了估计整个信道矩阵，还可以选择估计信道内部有限的物理参数，即这些有限的参数包括角度、时延和多普勒频移，与目标参数的估计完全一致。这为使用相同信号进行信道和目标参数估计提供了前提，对于减少训练开销和提高频谱效率具有很大吸引力。
[0153]
另一方面，通信和感知信道表示散射特性的数学表达形式相同，但h和g内部的参数具有不同的物理意义。比如，α
p
表征无线传播环境中的散射特性，而β
p
表示感知目标的散射强度。τ
p
和v
p
表示与通信传播路径相关的单向多普勒频移和时延，τq和vq表示由目标引起的往返多普勒频移和时延。
[0154]
对于带宽效应可以忽略的特殊情况，即系统带宽不够大，导向矢量退化为与频率无关的情况，即a
re
(θq)＝a
re
(θq,f)∣
f＝0
,a
bs
(φq)＝a
bs
(φq,f)∣
f＝0
。第n个ofdm符号第k个子载波处的感知信道矩阵为
[0155][0156]
其中g
n,k
等价于在一个ofdm符号内由多普勒频移引起的相位变
化近似为常数，即其中t
sym
＝t
eff
+t
cp
，t
eff
和t
cp
分别为有效ofdm符号和循环前缀的持续时间。
[0157]
4、接收信号的cpd形式建模
[0158]
假设是第n个ofdm符号第k个子载波处的传输训练序列，其中k＝1,2,...,k，n＝1,2,...,n。利用m
bs
并行k0点傅里叶反变换将符号块变换到时域。采用循环前缀(cp)抑制最大多径时延和最大探测距离所对应的时延引起的码间串扰(isi)。去掉cp并进行离散傅里叶变换后，得到第n个ofdm符号第k个子载波处的接收信号为
[0159][0160]
其中g
n,k
表示感知信道矩阵，是圆对称复高斯分布加性噪声向量。
[0161]
但上式具有多个ofdm符号和子载波的观测数据不能解耦到独立的维度，因此不符合cpd模型。为便于信道和目标参数估计，提出一种预编码的训练结构，即s
n,k
＝pnxk，其中是第n个ofdm符号的训练预编码器，xk是满足|xk|2＝1的第k个子载波处的导频符号。pn随着不同的ofdm符号变化，而xk在训练阶段保持不变。所提出的训练结构使接收到的信号可以表述为三阶张量形式。在接收机处，去掉导频符号后的信号表示为
[0162][0163]
其中是对应的噪声向量。收集接收到的n个训练ofdm符号的信号得到
[0164][0165]
其中包含第k个子载波处接收到的全部测量值，是第n个对角元素为的对角矩阵；表示训练预编码器，其每个元素由单位圆随机生成；表示噪声矩阵。
[0166]
通过将接收到的k个子载波进行级联，将回波信号表示为三阶张量其中它的第(m,n,k)项为[yk]
m,n
。张量的三种模式分别代表接收天线、训练ofdm符号和训练子载波，它们沿着空间/时间/频率域与接收信号相关联。张量接受以下cpd格式，它将张量分解为秩一分量张量的和，即
[0167][0168]
其中是噪声张量，其中第(m,n,k)项为[nk]
m,n
；b
bs
(φq,vq)＝γ(vq)p
tabs
(φq)是包含多普勒频移vq的等效导向矢量；c(βq,τq)＝γ(vq)p
tabs
(φq)，其中
[0169][0170]
其中a
td
(τq)被看作是关于时延τq的导向矢量。
[0171]
所提方法的目标是从观测张量中估计未知参数表述为以下问题：
[0172][0173]
由于未知参数{θq,φq,τq,βq,νq}非线性耦合在一起，因此对其进行直接联合优化存在极大挑战。但cpd的唯一性条件是一种有效的参数估计方法，即
[0174][0175][0176][0177]
接收到的ue侧导频信号可以按照上述建模方法表示为三阶张量，因此信道估计问题表示为
[0178][0179]
其中是用于信道估计的ue侧观测张量。
[0180]
5、因子矩阵的估计
[0181]
cp分解的唯一性条件是盲信号分离的必要条件，可保证得到的因子矩阵含有未知参数的准确信息。在考虑的目标参数估计或信道估计问题中，因子矩阵b
(3)
由于生成的平移不变向量a
td
(τq)具有范德蒙德特性。利用这一结构可得到cpd松弛的唯一性条件。
[0182]
定理1.令为一个包含因子矩阵的张量，其中b
(3)
由不同的生成器显示出范德蒙德结构。如果
[0183][0184]
其中k3+l3＝i3+1，则的秩为q且cpd是唯一的。一般情况下，上式为
[0185][0186]
定理1表明范德蒙德结构约束的cpd问题具有较强的可辨识性能力，能为大规模mimo-isac系统的参数估计带来以下优点。一方面，定理1并不要求k(b
(2)
)＝1和/或k(b
(3)
)＝1，且唯一性条件适用于因子矩阵有独立列的情况。这使得即使不同目标的方向较近时，参数估计也很可靠，从而可提供更高的目标感知空间分辨率。另一方面，给定因子矩阵的维数，定理1能够处理比传统无结构化约束的cpd模型具有更高张量秩的cp分解问题。这意味
着在考虑范德蒙德约束时，可辨识的最大目标数量可以得到提高。
[0187]
利用b
(3)
的范德蒙德性质，采用空间平滑技术，根据定理1提出一种改进的信道参数估计方案。取接收到的观测张量沿第一维的矩阵展开以及进行转置运算，可以得到
[0188][0189]
其中是对应的噪声矩阵。由于b
(3)
的范德蒙德结构，利用空间平滑技术进一步扩大的维数。选择符合k3+l3＝k+1条件的整数对(k3,l3)，构造循环选择矩阵依次对进行空间平滑，得到
[0190][0191]
其中是对应的噪声矩阵。接下来采用类似esprit的方法来估计因子矩阵。计算奇异值分解其中u和v中的q个主奇异向量分别张成信号子空间us和vs，σs是由q个最大奇异值构成的对角矩阵。定义子矩阵和计算evd为因此，因子矩阵的第q列可重构为
[0192][0193]
其中是单位圆上的广义特征值估计，[z]
q,q
是z的第q个对角线元素。
[0194]
和的第q列可构造为
[0195][0196][0197]
其中mq是m的第q列，tq是m-t
的第q列。得到估计的因子矩阵后，再进行未知参数θq，φq，τq，βq和vq的估计。
[0198]
6、未知参数的估计
[0199]
估计因子矩阵和真实因子矩阵的关系是
[0200][0201]
其中δi是满足δ1δ2δ3＝iq的未知对角矩阵。矩阵是所有因子矩阵都通用的未知排列矩阵，ei表示相应的估计误差。
[0202]
由于b
(1)
的每一列都以相关的到达角θq为特征，因此可以从b
(1)
的每一列分别估计aoa。也就是说，寻找θq的问题可以表述为使和a
re
(θq)之间的相关性最大化，即
[0203][0204]
其中是估计因子矩阵的第q列。上式的解可通过对θq进行一维搜索得到。时延可直接通过因子矩阵在单位圆上的广义特征值估计得到，即
[0205][0206]
其中∠表示相位角提取算子。
[0207]
接下来估计aod和多普勒频移。具体来说，估计因子矩阵的第q列表示为
[0208][0209]
定义δq是δ2的第q个对角线元素，eq为e2的第q列。所提方法的目标是从联合估计aodφq和多普勒频移vq，则问题表述为
[0210][0211]
从上式可以看到，三个未知数δq，vq和φq耦合在一起，使得同时估计三个参数极其困难。此外，由于归一化多普勒频移vq引入的相位偏移，忽略相位偏移相关法将导致角度和多普勒估计性能的下降。为解决上述问题，本发明提出一种交替优化方法，可以迭代细化对和多普勒频移的估计，并且可以显著提高估计性能。
[0212]
已知(i-1)次迭代中多普勒频移的估计，则第i次迭代中aod的估计问题可表述为
[0213][0214]
其中第二个等式来自于同时，已知第i次迭代中估计的则将多普勒频移估计为
[0215][0216]
其中第二个等式成立是因为定义一个对角矩阵q，其对角线元素为并且提取γ(vq)的对角线元素为
[0217][0218]
由以上分析可知，联合优化问题转化为每个变量的两个独立估计问题。利用a
bs
(φ)和a
do
(v)的范德蒙德结构，可以用多项式方法推导出闭合表达式。对于第i次迭代的aod估计问题，用将导向矢量a
bs
(φ)表示为则
[0219][0220]
其中上式的分子可进一步表示为关于z
φ
的多项式，在无噪声情况下为零，即
[0221][0222]
有2(m
bs-1)个根，其中一半位于单位圆内。令为单位圆内单位幅值的根，则可以通过搜索得到解因此，aod估计值为
[0223][0224]
其中∠表示相位角提取算子。由于数学形式相似，第i次迭代中aod的估计问题和第i次迭代的多普勒估计问题的解的方法相同。定义矩阵生成器为的导向矢量可以通过将p，w
p,q
和a(z
φ
)分别替换为q，w
q,q
和a(zv)来得到多普勒频移发生器的估计。令为估计单位圆上的广义特征值，可以得到第i次迭代的多普勒频移估计为
[0225][0226]
基于上述步骤，在交替的情况下，对和进行估计，直到迭代更新过程收敛到稳定点。在得到和后，再对反射系数进行估计。从最初的观测张量模型中，取的模3展开并进行转置运算，可以得到
[0227][0228]
其中β＝[β1,...,βq]
t
，a
td
(τq)是a
td
的第q列。根据ls准则，反射系数的估计可表示为
[0229][0230]
其中和分别是基于和以及构造的。
[0231]
由此，可以在bs端获得目标的未知参数，同时ue可以在同样的步骤下估计出多径通道参数利用估计的五元组参数集，可以重构整个通道矩阵
[0232]
实施例
[0233]
本发明主要采用计算机仿真的方法进行验证，所有步骤、结论都在matlab-r2019a
上验证正确。
[0234]
1)系统相关参数初始化
[0235]
在仿真中，载频fc＝28ghz，发射机有n
bs
＝64根天线，ue端的天线为n
re
＝8、n
ue
＝8，子载波数k0＝128，采样率为100mhz，p的元素由单位圆随机生成，一个ofdm符号的cp持续时间为假设bs检测q＝4个目标，信道经历l＝4条多径，反射系数和路径增益由产生，目标和信道的aoa和aod从[-π/3,π/3]中随机产生，每个目标的速度vq均匀分布在[-v
max
,v
max
]，最大速度v
max
＝30m/s，信道的最大多普勒频移采用均方根误差(rmse)对目标参数进行性能评价，即
[0236][0237]
其中和χ分别表示估计参数和真实参数，χq∈{θq,φq,τq,νq}。第n个训练ofdm符号处的信道估计性能由归一化mse(nmse)衡量，表示为
[0238][0239]
用nmse＝nmse(n)评估信道估计性能，信噪比定义为2)方法性能仿真分析
[0240]
本发明所提方法的目标参数估计性能如图2所示，与现存方法进行对比，其中aoa/aod和距离/速度分别通过music和匹配滤波(mf)方法估计。所提方法只需使用很少的时频训练资源，就可准确估计所有的角度和相关的距离-速度参数。而对比的现存方法只能准确地恢复部分目标参数，从图2(a)中可以看到，位于方位角31.87
°
和35.01
°
的两个相邻目标无法通过music方法识别，这是由于接收天线阵列孔径有限所导致的。从图2(e)可以看出，虽然可以有效估计距离参数，但对目标速度的估计存在较大误差。这是因为在大规模mimo-isac中，用于目标感知的ofdm导频符号数量比发射天线的导频符号数量少，导致观测时间短，多普勒分辨率低。
[0241]
图3描述了基于als的方法和music算法正确识别目标的成功率。若估计角度与真实参数之间的aoa估计误差满足则认为成功识别目标。仿真参数设置为snr＝15db，n＝16，k＝16，从图3可以看出，本发明所提方法的成功率明显高于对比的方法。当待检测目标数超过11个时，music方法的成功率为零。常规als方法当目标数量为17的时候已无法正确检测，而本发明所提方法可以提供超过79.1％的正确率。
[0242]
图4(a)描述了在相同仿真设置下距离估计的rmse性能随snr的变化情况。与传统基于mf的方法相比，所提方法和基于als的方法随着snr的增加，rmse性能均有所改善。这得益于基于张量的方法对时延的估计更准确，且由多个目标引起的时延可以从因子矩阵中独立估计。图4(b)绘制了速度估计的rmse性能随snr变化的曲线。常规als方法的速度估计rmse性能最差，因为它不能从因子矩阵中恢复vq和φq相互耦合情况下的多普勒频移。基于mf的方法随着snr的逐步提升，可以获得相对于常规als方法速度估计性能的改善。通过考虑多普勒补偿，该算法在snr逐渐增大的情况下，本发明所提方法可以达到精确的速度
估计性能。
[0243]
图5展示了所提算法信道估计的nmse性能随snr的变化，其中ofdm训练符号数分别为n＝10和n＝16，可以看到，本发明所提方法的信道估计性能随snr的增加而提高。相比之下，als方法的nmse随着snr的增加而逐渐饱和，因为它没有考虑多普勒频移。随着n的增加，基于als方法的信道估计性能较差，这是由于多普勒频移引起的累积相位失真较为严重。与基于als的方法相比，所提算法的nmse性能随着训练帧数的增加而逐渐提高，这表明所提算法对多普勒效应引起的相位失真具有更强的鲁棒性。
[0244]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
[0245]
应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。
[0246]
应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。

技术特征：
1.一种通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，具体步骤为：步骤1：构建通信传输过程模型；步骤2：构建雷达感知过程模型；步骤3：根据通信传输过程模型、雷达感知过程模型，构建大规模mimo-isac的统一信道模型；步骤4：对信道和目标参数估计进行cpd形式建模：构造预编码训练结构将接收信号表述为三阶张量并去除导频信号，接着累加得到包含n个ofdm训练符号的第k个子载波信号，将接收到的k个子载波级联并表示为三阶张量形式，然后将其分解为cpd形式，进而得到目标参数估计问题模型和信道参数估计问题模型；步骤5：借助cpd的唯一性条件，通过分析步骤4得到的张量分解的因子矩阵b
(1)
、b
(2)
以及b
(3)
进行目标参数估计；步骤6：沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号，利用因子矩阵的范德蒙德结构，采用空间平滑技术进一步扩大处理后的信号的维数得到维数扩大的矩阵，进行奇异值分解，并重构因子矩阵；步骤7：构建估计因子矩阵和真实因子矩阵的关系，从因子矩阵b
(1)
的每一列分别估计aoa，将估计aoa的问题表述为使估计因子矩阵的第q列和接收阵列导向矢量a
re
(θ
q
)之间的相关性最大化，通过估计因子矩阵在单位圆上的广义特征值得到时延；步骤8：构造交替优化方法，迭代细化对第q个目标相对于发射机的方位角和多普勒频移的估计，得到第i次迭代的估计问题，进而得到aod和多普勒频移的估计值，直到迭代更新过程收敛到稳定点，得到多普勒频移第q个目标相对于发射机的方位角第q个目标相对于接收机的方位角和时延的估计；步骤9：对最初张量进行模3展开并转置，再根据ls准则，估计反射系数；步骤10：采用步骤8-10估计ue侧的多径信道参数利用估计的五元组参数集，重构整个信道矩阵2.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，构建通信传输过程模型的具体方法为：步骤1.1：对第m
ue
个天线的接收信号去除载波频率，得到基带接收信号，基带接收信号具体为：式中，是通带路径增益，α
p
是等效基带路径增益，是连续时间带通信号，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的多普勒扩展，f
c
为载频，是从第m
bs
个天线
到第m
ue
个天线的第p条路径的时延，和分别是由相应的发射天线和接收天线引入的时延；步骤1.2：对第m
bs
个bs天线在第m
ue
个ue天线的信道响应进行傅里叶变换得到频域时变信道响应，频域时变信道响应具体为：式中，α
p
是等效基带路径增益，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的多普勒扩展，τ
p
是第一发射和接收天线之间的自由空间传播延迟，f
c
为载频，和分别是由相应的发射天线和接收天线引入的时延；步骤1.3：将所有bs天线和ue天线的元素叠加，得到通信信道，通信信道具体为：式中，α
p
是等效基带路径增益，v
p
∈[-v
max
/2,v
max
/2)是多普勒频移，v
max
是信道的多普勒扩展，τ
p
是第一发射和接收天线之间的自由空间传播延迟，a
bs
(θ
p
,f)和a
ue
(θ
p
,f)是宽带阵列导向矢量，表示为列导向矢量，表示为其中，f
c
为载频，d为阵元间距，表示载波波长，θ
p
为第p条路径的aoa。3.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，构建雷达感知过程模型的具体方法为：步骤2.1：对接收到的目标回波信号去除载波频率进行解调，得到解调后的目标回波信号，解调后的目标回波信号具体为：其中，是第q个目标的反射信号，f
c
为载频，r
q
是第q个点目标所处距离，v
q
是第q个点目标的径向速度，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角，d为阵元间距，表示第m
bs
个发射天线的基带信号，是复反射系数，τ
q
和v
q
分别表示往返时延和多普勒频移；步骤2.2：由解调后的目标回波信号得到等效雷达感知信道模型具体为：
式中，是复反射系数，是第q个目标的反射信号，f
c
为载频，τ
q
是往返时延，v
q
是多普勒频移，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角，d为阵元间距，c为光速；步骤2.3：对等效雷达感知信道模型公式做傅里叶变换，并将所有发射和接收天线的信道进行叠加，得到雷达感知信道，雷达感知信道具体为：式中，是复反射系数，是第q个目标的反射信号，f
c
为载频，τ
q
是往返时延，v
q
是多普勒频移，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角，a
bs
(φ
q
,f)是发射阵列导向矢量，a
re
(θ
q
,f)是m
re
×
1维宽带阵列导向矢量，表示为4.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，大规模mimo-isac的统一信道模型，第n个ofdm符号第k个子载波处的感知信道矩阵具体为：其中，g
n,k
等价于在一个ofdm符号内由多普勒频移引起的相位变化近似为常数，即其中t
sym
＝t
eff
+t
cp
，t
eff
和t
cp
分别为有效ofdm符号和循环前缀的持续时间，k0为傅里叶变换点数，是复反射系数，是第q个目标的反射信号，f
c
为载频，τ
q
是往返时延，f
s
为采样频率，v
q
是多普勒频移，a
bs
(φ
q
)和a
re
(θ
q
)分别表示发射和接收阵列导向矢量，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角。5.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，步骤4对信道和目标参数估计进行cpd形式建模的具体方法为：步骤4.1：构造预编码训练结构，预编码结构具体为：s
n,k
＝p
n
x
k
其中是第n个ofdm符号的训练预编码器，x
k
是满足|x
k
|2＝1的第k个子载波处的导频符号。步骤4.2：借助步骤4.1提出的预编码训练结构将接收信号表述为三阶张量形式并去除导频信号，得到去除导频信号的接收信号，接着累加得到n个ofdm训练符号的信号，n个ofdm训练符号的信号具体为：
其中包含第k个子载波处接收到的全部测量值，是第n个对角元素为的对角矩阵；表示训练预编码器，其每个元素由单位圆随机生成；表示噪声矩阵；是复反射系数，是第q个目标的反射信号，f
c
为载频，τ
q
是往返时延，a
ue
(θ
q
)和a
bs
(φ
q
)是阵列导向矢量，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角，f
s
为采样频率，k0为傅里叶变换点数；步骤4.3：将接收到的k个子载波进行级联，将接收到的回波信号表示为三阶张量形式其中它的第(m,n,k)项为[y
k
]
m,n
，张量可分解为cpd形式，具体的cpd形式为：其中是噪声张量，第(m,n,k)项为[n
k
]
m,n
；a
re
(θ
q
)是阵列导向矢量，b
bs
(φ
q
,ν
q
)＝γ(ν
q
)p
t
a
bs
(φ
q
)是包含多普勒频移v
q
的等效导向矢量；c(β
q
,τ
q
)＝γ(ν
q
)p
t
a
bs
(φ
q
)，是第n个对角元素为的对角矩阵，a
bs
(φ
q
)是阵列导向矢量，τ
q
是往返时延；表示训练预编码器，其每个元素由单位圆随机生成；φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角，是复反射系数，是第q个目标的反射信号，f
c
为载频，t
sym
＝t
eff
+t
cp
，t
eff
和t
cp
分别为有效ofdm符号和循环前缀的持续时间；步骤4.4：由步骤4.1-4.3得到目标参数估计问题模型，目标参数估计问题模型具体为：其中，a
re
(θ
q
)是阵列导向矢量，b
bs
(φ
q
,v
q
)＝γ(ν
q
)p
t
a
bs
(φ
q
)是包含多普勒频移v
q
的等效导向矢量；c(β
q
,τ
q
)＝γ(v
q
)p
t
a
bs
(φ
q
)是与时延τ
q
有关的导向矢量，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角，是第n个对角元素为的对角矩阵，表示训练预编码器，其每个元素由单位圆随机生成，a
bs
(φ
q
)是阵列导向矢量，是复反射系数，是第q个目标的反射信号，f
c
为载频；步骤4.5：信道参数估计问题模型具体为：其中，是用于信道估计的ue侧观测张量，a
ue
(θ
p
)是阵列导向矢量，b
bs
(φ
p
,v
p
)是包含多普勒频移v
p
的等效导向矢量；c(α
p
,τ
p
)是与时延τ
p
有关的导向矢量，φ
p
和θ
p
分别表示第p条路径的物理aoa和aod。6.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方
法，其特征在于，因子矩阵具体为：法，其特征在于，因子矩阵具体为：法，其特征在于，因子矩阵具体为：式中，a
re
(θ
q
)表示接收阵列导向矢量，b
bs
(φ
q
,v
q
)是包含多普勒频移v
q
的等效发射导向矢量，c(β
q
,τ
q
)是与时延τ
q
有关的导向矢量，β
q
是感知目标的散射强度，φ
q
和θ
q
分别表示第q个目标相对于发射和接收阵列的方位角。7.根据权利要求6所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号，根据定理1，利用因子矩阵的范德蒙德结构，采用空间平滑技术进一步扩大处理后的信号的维数得到维数扩大的矩阵，进行奇异值分解，并重构因子矩阵的具体步骤为：步骤7.1：沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号具体为：其中，b
(1)
，b
(2)
，b
(3)
是因子矩阵，是对应的噪声矩阵；步骤7.2：利用因子矩阵b
(3)
的范德蒙德结构，采用空间平滑技术扩大的维数，维数扩大的矩阵具体为：其中l3∈{1,...,l3}是循环选择矩阵，整数对(k3,l3)符合k3+l3＝k+1，是沿接收到的观测张量的第一维展开矩阵并进行转置运算得到处理后的信号，b是因子矩阵，是对应的噪声矩阵；步骤7.3：计算奇异值分解其中y
s
是维数扩大后的矩阵，u和v中的q个主奇异向量分别张成信号子空间u
s
和v
s
，σ
s
是由q个最大奇异值构成的对角矩阵；步骤7.4：定义子矩阵和计算evd为重构因子矩阵和的第q列，具体为：的第q列，具体为：的第q列，具体为：其中是单位圆上的广义特征值估计，[z]
q,q
是z的第q个对角线元素，
m
q
是m的第q列，t
q
是m-t
的第q列，u
s
和v
s
是奇异值分解后产生的矩阵u和v中的q个主奇异向量分别张成信号子空间。8.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，构建估计因子矩阵和真实因子矩阵的关系，从因子矩阵b
(1)
的每一列分别估计aoa，将估计aoa的问题表述为使估计因子矩阵的第q列和接收阵列导向矢量a
re
(θ
q
)之间的相关性最大化，通过因子矩阵在单位圆上的广义特征值估计得到时延的具体方法为：步骤8.1：分析估计因子矩阵和真实因子矩阵的关系，具体为：其中是估计因子矩阵，b
(i)
是真实因子矩阵，δ
i
是满足δ1δ2δ3＝i
q
的未知对角矩阵；矩阵是所有因子矩阵都通用的未知排列矩阵，e
i
表示相应的估计误差；步骤8.2：从因子矩阵b
(1)
的每一列分别估计aoa，将估计第q个目标相对于接收阵列的方位角θ
q
的问题表述为使估计因子矩阵的第q列和接收阵列导向矢量a
re
(θ
q
)之间的相关性最大化，具体为：其中是估计因子矩阵的第q列；步骤8.3：通过因子矩阵在单位圆上的广义特征值估计得到时延具体为：其中∠表示相位角提取算子，f
s
为采样频率，k0为傅里叶变换点数。9.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，构造交替优化方法，迭代细化对第q个目标相对于发射机的方位角和多普勒频移的估计，得到第i次迭代的估计问题，进而得到aod和多普勒频移的估计值，直到迭代更新过程收敛到稳定点，得到多普勒频移第q个目标相对于发射机的方位角第q个目标相对于接收机的方位角和时延的估计的具体方法为：步骤9.1：构造交替优化方法，迭代细化对第q个目标相对于发射机的方位角和多普勒频移的估计，已知(i-1)次迭代中多普勒频移的估计，得到第i次迭代中aod的估计问题，已知第i次迭代中估计的得到第i次迭代的多普勒频移估计问题，第i次迭代中aod的估计问题具体为：
式中，是估计因子矩阵的第q列，δ
q
是δ2的第q个对角元素，δ2是满足δ1δ2δ3＝i
q
的未知对角矩阵，是对角矩阵，是多普勒频移的估计，p是训练预编码器，a
bs
(φ
q
)为阵列导向矢量，φ
q
是第q个目标相对于发射机的方位角，第i次迭代的多普勒频移估计问题具体为：式中，是估计因子矩阵的第q列，δ
q
是δ2的第q个对角元素，δ2是满足δ1δ2δ3＝i
q
的未知对角矩阵，γ(v
q
)是对角矩阵，ν
q
是多普勒频移，p是训练预编码器，为阵列导向矢量，是第q个目标相对于发射机的方位角的估计，q是对角线元素为的对角矩阵，a
do
(ν
q
)为γ(ν
q
)的对角元素组成的向量；步骤9.2：利用阵列导向矢量a
bs
(φ)和γ(ν
q
)的对角元素组成的向量a
do
(v)的范德蒙德结构，对于第i次迭代的aod估计问题，用将导向矢量a
bs
(φ)表示为从而得到如下表达式：其中a(z
φ
)为阵列导向矢量，是与对角矩阵γ、多普勒频移估计估计因子矩阵的第q列有关的量，p是训练预编码器；步骤9.3：考虑无噪声情况，则上式分子为零，有2(m
bs-1)个根，令为单位圆内单位幅值的根，则可以通过搜索得到解得到aod的估计值，具体为：其中∠表示相位角提取算子，λ
c
为波长，d为阵元间距；步骤9.4：类似于步骤9.2-9.3，得到第i次迭代的多普勒频移估计，具体为：其中t
sym
为一个ofdm符号的持续时间；步骤9.5：基于上述步骤，在交替的情况下，对第q个目标相对于发射机的方位角和多普勒频移进行估计，直到迭代更新过程收敛到稳定点，得到多普勒频移第q个目标相对于发射机的方位角第q个目标相对于接收机的方位角和时延的估计。
10.根据权利要求1所述的通信感知一体化大规模mimo信道状态与目标参数的获取方法，其特征在于，张量展开并转置后具体为：其中β＝[β1,...,β
q
]
t
，a
td
是与时延τ
q
有关的阵列导向矢量矩阵，b是因子矩阵，n是噪声矩阵；反射系数的估计具体为：其中和分别基于时延多普勒频移和第q个目标相对于发射机的方位角以及第q个目标相对于接收机的方位角构造。

技术总结
本发明公开了一种通信感知一体化大规模MIMO信道状态与目标参数的获取方法，通过将高维通信信道参数化为少量物理参数，从角度、时延和多普勒维建立了与感知目标参数的内在对应关系。在相同的时频资源下提出一种共享导频模式，使得信道估计和目标参数估计可以用相同的数学形式表达成结构化张量多重分解模型。基于这个模型，利用因子矩阵的范德蒙德结构，分析了张量分解问题的唯一性条件和可解目标的最大个数。在此基础上，提出了一种统一的信道和目标估计算法来联合估计包括到达角/离开角、时延、多普勒频移、信道系数/反射系数在内的参数。本发明所提出的统一信道状态和目标参数的获取方法在减小训练开销和提高感知分辨率方面有很大优越性。率方面有很大优越性。


技术研发人员：张若愚 任红 吴文 缪晨 王晶琦 陈春红 杨国 马越
受保护的技术使用者：南京理工大学
技术研发日：2023.05.04
技术公布日：2023/8/4