IMT-2020(5G)推進組IMT-2020(5G)推進組于2013年2月由中國工業(yè)和信息化部、國家發(fā)展和改革委員會、科學技術部聯(lián)合構(gòu)基于原IMT-Advanced推進組，成員包括中國主要的運營商、制造商、高校和研究機構(gòu)。推進組是聚合中國產(chǎn)學研用力IMT-2020(5G)推進組通感一體化技術基于通信基礎設施實現(xiàn)一網(wǎng)兩用，可以賦能眾多行業(yè)通信與感知的融合應用。在低空經(jīng)濟領域，無人機的廣泛應用需要精確的環(huán)境感知與實時通信來保障飛行安全與任務執(zhí)行；智慧交通中，車輛與基礎設施之間的高效協(xié)同依賴于精準的交通感知與通信支持；工業(yè)與礦山的自動化生產(chǎn)、環(huán)境監(jiān)測的精細化管理、智慧城市的高效運營以及健康醫(yī)療的遠程監(jiān)測等眾多領域，都迫切需要一種能夠同時滿足通信與感知需求的技術解決方案。通感一體化技術以其獨特的優(yōu)勢，能夠有效提升這些領域的效率與安全性，展現(xiàn)出極為廣闊的應用前景。本報告聚焦于通感一體化中的感知信號處理這一關鍵環(huán)節(jié)。感知信號與通信信號在系統(tǒng)中都需經(jīng)歷基帶生成、射頻發(fā)送、空間傳播、射頻接收以及基帶處理等五大過程。無線感知通過接收無線信號或從中提取信道參數(shù)來推導環(huán)境信息，但不同環(huán)境參數(shù)對信號的影響各異，這就要求必須有合適的信號處理方法與流程，精準地提取出與感知目標相關的信息參量。此外，在實際系統(tǒng)運行中，往往存在多個感知節(jié)點，它們分別負責感知信號測量與感知業(yè)務的控制管理，這就需要有合適的格式來規(guī)范感知信息的上報，以確保整個系統(tǒng)的高效協(xié)同運作。由此主要研究方向包括感知信號處理、感知信息表達兩部分，其中感知信號處理包括了感知信號預處理、信號提取技術、目標識別技術、目標跟蹤技術和協(xié)作信息融合技術等研究。深入研究通感一體化中的感知信號處理，不僅能夠為該技術的進一步發(fā)展提供堅實的理論基礎，還將在推動其落地應用方面發(fā)揮至關重要的作用。通過優(yōu)化信號處理方法，可以提高感知的準確性與可靠性，從而更好地滿足各應用場景對環(huán)境感知的嚴格要求；同時，合理的感知信息上報格式設計，有助于實現(xiàn)多個感知節(jié)點之間的高效協(xié)作，提升整個通感一體化系統(tǒng)的性能與效率。這將為后續(xù)通感融合設備產(chǎn)品感知能力提升以更好服務通感融合應用提供重要參考。1T-22oIMT-2020(5G)推進組通感一體化中，感知信號與通信信號一樣經(jīng)歷了基帶生成、射頻發(fā)送、空間傳播、射頻接收以及基帶處理5大過程。無線感知是基于接收的無線信號或者信號中提取的信道參數(shù)推導出環(huán)境信息。不同的環(huán)境參數(shù)對信號的影響不同，因此，需要合適的信號處理方法和流程將與感知目標相關的信息參量提取出來。并且，實際系統(tǒng)中可能會出現(xiàn)多個感知節(jié)點分別執(zhí)行感知信號測量與感知業(yè)務的控制管由于感知信號傳播過程中存在周圍環(huán)境的干擾，無線通信鏈路本身存在不穩(wěn)定性，加上感知任務本身存在的數(shù)據(jù)特性，使得原始數(shù)據(jù)不利于算法中直接使用，需要合適的預處理算法提高感知精度和感知效率，主要包括數(shù)據(jù)去噪、干擾抑制、數(shù)據(jù)降維等幾個步驟。具體地，數(shù)據(jù)去噪是因為信號會受到環(huán)境變化和電磁干擾的影響從而包含較多的噪聲成分，可以通過離群點去除和濾波平滑除噪等方法保留主要數(shù)據(jù)特征；干擾抑制主要包括雜波消除，也就是非目標環(huán)境形成的回波消除；數(shù)據(jù)降維是由于數(shù)據(jù)維度大導致計算復雜度大，一方面數(shù)據(jù)之前的強相關性會導致原數(shù)據(jù)存在冗余信息，另外篩選出與感知目標的變化更相關或?qū)ζ涓舾械臄?shù)據(jù)不僅能夠提升感知效率也能夠提高精度，可采用的方基于感知信號從發(fā)射端到接收端的傳播過程中會受到環(huán)境變化和電磁干擾的影響，使得提取感知信息的源信號中包含較多的噪聲成分，從而需要合適的去噪技術，去除噪聲成分，保留主要數(shù)據(jù)特當原始信號的幅度值序列中存在少量與其他數(shù)值差異較大的點，這些離群值不符合特征變化規(guī)23IMT-2020(5G)推進組律，不利于提取感知信息提取感知任務，屬于異常值，可以使用Hampel濾波器[1]進行去除。Hampel濾波器使用Hampel標識符檢測并去除輸入信號中的離群值，Hampel標識符基于中值和中值絕對偏差其中l(wèi)lt,w是窗口大小下從序列h[t-w+1]到h[t]的中值，而MAD.w相應的為中值絕對偏差。去噪另一個目的是使得數(shù)據(jù)平滑，使數(shù)據(jù)前后變化連貫，主要包括加窗統(tǒng)計濾波、S加窗統(tǒng)計濾波是一種簡單的平滑除噪方式，其中移動平均濾波[2]是利用歷史一段數(shù)據(jù)的值預測當前一般而言距離當前時刻越近數(shù)據(jù)權(quán)值越大，越遠權(quán)值越小，基于權(quán)值的移動平均平滑的效果更好，另外，還存在中值濾波[3]，能夠通過更魯棒地處理信號內(nèi)的高度異常噪聲來彌補求中值函數(shù)所帶來的更高Savitzky-Golay濾波[4]被廣泛地運用于數(shù)據(jù)流平滑除噪，是一種在時域內(nèi)基于局域多項式最小二乘法擬合的濾波方法。這種濾波器最大的特點在于在濾除噪聲的同時可以確保信號的形狀、寬度不變。T-202IMT-2020(5G)推進組具體地，給出一個SG系數(shù)序列wsc，長度為ksc=Iwscl，則濾波后的序列為其中wsc是在滑動窗口ksc內(nèi)通過最小二乘法用多項式擬合相鄰數(shù)據(jù)點的連續(xù)子集[5]得出,性能取決于窗巴特沃斯濾波[6]是在定義的頻段內(nèi)產(chǎn)生平坦的幅度響應，同時減少指定頻帶之外的幅度響應。在一些應用場景下，人員行為引起的信號變化屬于低頻信息，而干擾噪聲引起的信號變化屬于高頻信息，可以采用低通濾波器去除干擾噪聲的同時可以保留有用信息的同時保持信號相位信息穩(wěn)定。另外對于其他的應用，還可以利用帶通濾波允許區(qū)間范圍內(nèi)的信號通過，利用高通濾波分析高頻目標信號，將小波變換去噪[7]是利用小波分解能在去除干擾噪聲的同時保留行為特征信息。小波分解的原理是利用小波基函數(shù)尺度伸縮、平移變換的函數(shù)集合中找到源信號的最佳映射關系，尺度的伸縮代表頻率的變化，因此可以區(qū)分出不同頻率信號，進一步再處理不同頻率的信號系數(shù)，提高有用信號小波系數(shù)，4IMT-2020(5G)推進組維納濾波[8]它基于最小均方誤差準則，通過構(gòu)建一個線性濾波器最小化信號估計與真實信號之間的均方誤差，提取觀測信號中的有用信息，同時濾除噪聲成分。維納濾波器的設計依賴于信號和噪聲的統(tǒng)計特性，包括它們的自相關和互相關函數(shù)。對一個線性系統(tǒng)，觀測信號可以表示為原始信號與噪聲其中，h(n)表示脈沖響應、x(n)為隨機信號、s(n)是信號、u(n)是噪聲。希望得到的輸出y(n于s(n)，即用均方誤差分析的話，希望其數(shù)學期望最小在離散域上對h求導5IMT-2020(5G)推進組基于IEEE802.11ad定義的信號幀結(jié)構(gòu)執(zhí)行感知時，可利用前綴的自相關性，根據(jù)峰的位置估計時延而得到目標距離。注意到，該信號幀結(jié)構(gòu)的前綴部分由短訓練字段(ShortTrainingField,STF)和信道估計字段(ChannelEstimationField,CEF)組成,其中STF部分由16個重復的長度為256的互補序列組成，通過多幀信號與信號前綴進行互相關之后的結(jié)果求和達到減小噪聲提高信噪比的目的，數(shù)學表示為6IMT-2020(5G)推進組的時延符號處會出現(xiàn)峰值，可以通過檢測該峰值進行時延估計，由于STF由16個重復序列組成，單個目標將會產(chǎn)生多個峰值，將由目標產(chǎn)生的峰值定義為主峰，由序列重復產(chǎn)生的峰值為子峰，則主峰峰值序號為。在進行多目標估計時，需要循環(huán)檢測峰值，然而部分目標的主峰可能會淹沒在其他目標的子峰當中難以檢測，因此在每次峰值檢測完成之后需要首先進行子峰消除，再進行下一次主峰檢測。由于STF中單個子序列長度為128，則由重復產(chǎn)生的峰值間隔因此也為128，可以利用此性質(zhì)在檢測出主峰位置根據(jù)多普勒信息的動目標消除(movingtargetindication，MTI)算法常用于空載雷達的靜雜波的抑制。MTI可以構(gòu)造零多普勒處的凹口，濾出強的靜止背景雜波。不過對于通感基站，MTI算法容易將78TTIMT-2020(5G)推進組速度較慢的人，懸停的無人機等目標回波一同消除，造成目標檢測失敗或者是已檢測目標的丟失。此外，基于解調(diào)后信號的雜波抑制對于OFDM感知可能會引入符號間干擾和子載波間干擾。所以，對原擴展相消處理算法(ExtensiveCancellationAlgorithm,ECA)是一種常用的雜波抑制算法[9]。根據(jù)到的直達波信號，ECA會對直接利用直達波信號，和期待響應的信息計算自適應權(quán)值，無需引入輸出在進行雜波抑制之前，獲取干凈的直達波信號是必要的。一種方式是利用已知的發(fā)射數(shù)據(jù)對OFDM信號進行重構(gòu)。另一種方式是將直達波從接收信號中分離。假設發(fā)射的頻域信號是S(t,f)，則直達的頻域信號可以表示為sos(t)=s(t)e-)2Tffi和目標與背景回波可以表示ssen(t)=stgt(t)+sng(t)。它最終的接收信號是y(t)=SIOS(t)+s;en(t)+z(t)，z(t)是高斯白噪信號。N,,NC,,,Ti,vi，yi分別是目標回波個數(shù)，背景回波個數(shù)，目標，背景回波信道系數(shù)，目標回波的時延，多普勒頻下面根據(jù)接收信號構(gòu)造雜波子空間信號。由于目的是為了消除自干擾和周圍強大建筑組成的背景干擾，可以認為需要進行消除的范圍是先驗知識。根據(jù)先驗的背景時延范圍(設需要消IMT-2020(5G)推進組其中N為數(shù)據(jù)點數(shù)，K為雜波子空間自由度，也可以是設置的干擾消除的距離門長度。接下來可以根據(jù)在實際通信場景的感知探測過程中，由于收發(fā)端的相對距離較近，可能出現(xiàn)發(fā)射信號未經(jīng)環(huán)境反射而直接泄露至接收端的現(xiàn)象。這一信號分量被稱為自干擾信號，而經(jīng)過環(huán)境反射的信號則是有用信號。自干擾信號具有傳輸距離較短、功率較大的特點，會導致有用信號受到強烈干擾，從而影響5G-A傳統(tǒng)自干擾消除算法可劃分為傳播域消除、模擬域消除和數(shù)字域消除[10]。傳播域消除是通過環(huán)形器隔離、天線隔離等方法提高收發(fā)隔離度，使得自干擾信號在到達接收機時經(jīng)歷較大的衰減。模擬域方法則通過可調(diào)控的硬件電路在接收機射頻前端重建模擬自干擾信號的副本，并完成相應的消除過程。數(shù)字域方法則以發(fā)射機基帶信號作為參考源，利用數(shù)字信號處理技術估計自干擾信道參數(shù)，進而9T-202oIMT-2020(5G)推進組然而，在傳統(tǒng)通信系統(tǒng)中，由于器件性能和工程技術上的局限性，傳播域消除和模擬域消除通常難以將自干擾信號降至噪聲水平。因此，還需要進一步對經(jīng)過模數(shù)轉(zhuǎn)換器后的自干擾信號進行數(shù)字域消除處理。數(shù)字域具有較強的信號處理能力，數(shù)字域自干擾消除效果通常好于模擬域。因此，當前對于通信感知一體化系統(tǒng)中的自干擾，由于一體化接收機和一體化信號發(fā)射機之間的距離很近，為了簡化分析，一體化系統(tǒng)的自干擾可以近似為靜態(tài)零距離的強目標。一體化感知接收端接收到的回波信號模型如下圖所示[11]。IMT-2020(5G)推進組接收信號的頻域形式如下，自干擾消除算法的目標是求自干擾信號的增益系數(shù)H,Y,=H,S,+S,·K,·K,+W,(4)其中P代表第P個符號，N,代表總符號數(shù)；S,為發(fā)射信號的頻域形式；,第P個符號的傳播信道的頻率響應如下：IMT-2020(5G)推進組,令其為。可以將上式化為近似等于去除自干擾信號的頻域響應。通過以上算法步驟可以得到自干擾信號增益系數(shù)，完成下面展示的是5G-A通感場景中的目標距離-速度感知仿真結(jié)果，感知信號為線性調(diào)頻(Linear根據(jù)公式（9可以畫出函數(shù)圖像如下，其中n=N,=140為總符號數(shù)。MT-22IMT-2020(5G)推進組對待測目標速度接近零，即微動目標檢測場景進行分析。當待測目標的速度非常小以至于接近0時，不可能近似等于零，目標反射信號的信道相應的影響便不可以被忽略，信道 就包含了目標反射信號的信道響應。此時H,z日，我們用消除自干擾信號，會將對速度極小的待測目因此需要驗證自干擾消除算法在目標速度接近零情況下對目標的距離速度感知能力，具體仿真結(jié)仿真場景中共有兩個待測目標，距離和速度分別為（40m,20m/s20m,0.1m/s）。MT-22VIMT-2020(5G)推進組現(xiàn)象1：在目標速度接近零的微動目標感知現(xiàn)象2：在非微動目標感知場景中，該自干擾消除算法可消除自干擾信號，成功檢測出待檢測T-2V2IMT-2020(5G)推進組對LFM信號符號數(shù)較少，即符號數(shù)為10的場景進行分析?？梢姰斔俣容^大時，函數(shù)值依然可以近IMT-2020(5G)推進組由上圖可知，在信號符號數(shù)較少情況下，自干擾消除算法成功消除自干擾信號，檢測出動態(tài)目標針對OFDM體制感知波形，信號中每個子載波的中心頻點不同，其對應的波長也有所差異。因此，在感知過程中，距離，速度，多徑環(huán)境等因素對每個子載波的影響也有所差異。在感知時，不同子載波的信息對感知結(jié)果的貢獻有所不同，一些子載波可以明顯表現(xiàn)出感知需要的信號特征，而一些子載波則表現(xiàn)平平。在感知過程中，僅使用明顯表現(xiàn)感知信號特征的子載波就可以獲得精準的感知結(jié)果，并去除其他子載波對感知結(jié)果的影響。因此，在感知過程中，子載波篩選是很有效的提高性能和效率的方法。本文中介紹兩種子載波選擇方法，基于統(tǒng)計特性的子載波選擇和基于相關特性的子載波根據(jù)每個子載波的信道信息在一定時間內(nèi)的統(tǒng)計特性進行子載波選擇是一種比較簡單的實現(xiàn)方式。例如，根據(jù)子載波信道變化進行子載波選擇，方差高表明該子載波對環(huán)境有較高的靈敏度?？梢允褂没瑒訒r間窗計算信道變化的方差。也可以使用一段時間內(nèi)，子載波信道變化的幅度或相關變化的幅度進行子載選擇，變化幅度較大的，更有利于感知結(jié)果的獲取。圖示意了在呼吸監(jiān)測中，呼吸對不同子載波的CSI幅值的影響，可以看出，不同子載波的CSI變化幅度有所不同。圖14還示意了不同子載波的CSI幅度變化方差，可以看出，不同子載波的CSI幅度變化方差有很大區(qū)別。在呼吸監(jiān)測中，應選圖14呼吸監(jiān)測時不同子載波信道信息幅度變化與方差[1MT-22IMT-2020(5G)推進組呼吸監(jiān)測時，可以使用頻域信道估計的實虛部變化獲取呼吸頻率，由于各子載波的中心頻率不同，呼吸造成的信道信息的實虛部變化范圍也有所不同。選擇實部或虛部變化范圍最大的子載波進行呼吸頻率的估計，可以獲得更精準的感知結(jié)果。圖15示意了呼吸檢測時變化范圍最大的子載波的實虛部隨時間變化，不同子載波頻域信道信息的實部變化范圍及方差。選擇變范圍最大或方差最大的子載波進行呼吸檢測，大幅度且周期的實部變化可以很好的其變化頻域，這一變化頻域與呼吸頻率密切相各子載波之間的相關性也可以用作子載波選擇的依據(jù)。相關性較高的子載波可以看做是受到了相同或相似環(huán)境因素影響，或環(huán)境可能是靜態(tài)不變的；相關性較低表示信道環(huán)境發(fā)生改變或環(huán)境造成了MT-22VIMT-2020(5G)推進組多徑干擾。選擇相關性較低的子載波信道信息用于感知，在相關性較高的子載波中保留一個或少數(shù)幾個用于感知，可以保證信息完整性，又有效減少用于感知的子載波數(shù)量，實現(xiàn)數(shù)據(jù)降維[14]，減少計算主成分分析(PrimaryComponentAnalysis,PCA)，也稱為主分量分析，是一種數(shù)學變換方法，它利用正交變換將一組可能存在相關性的變量轉(zhuǎn)換為一組線性不相關的變量，即主成分。這些主成分能夠其原理包括兩點①信息保留與降維：PCA的核心在于通過線性變換，將原始的高維數(shù)據(jù)投影到低維空間中，同時盡可能保留原始數(shù)據(jù)的主要信息。這種降維處理不僅有助于減少數(shù)據(jù)的計算量和存儲量，還有助于揭示數(shù)據(jù)之間的內(nèi)在關系和結(jié)構(gòu)。②去相關性：通過PCA處理后的主成分之間是相互獨立的，即它們之間不存在線性相關關系。這使得在后續(xù)的數(shù)據(jù)分析和建模過程中，可以避免由于變量①標準化處理：首先，對原始數(shù)據(jù)進行去均值、標準化等處理，以消除量綱和數(shù)量級的影響，使②計算協(xié)方差矩陣：然后，計算標準化后數(shù)據(jù)的協(xié)方差矩陣。協(xié)方差矩陣反映了各變量之間的線③求解特征值和特征向量：接下來，求解協(xié)方差矩陣的特征值和對應的特征向量。特征值的大?、苓x擇主成分：根據(jù)特征值的大小，選擇前幾個最大的特征值對應的特征向量作為主成分。這些⑤計算主成分得分：最后，利用選定的主成分和原始數(shù)據(jù)，計算各樣本在主成分上的得分，從而PCA在數(shù)據(jù)去噪方面的應用：一方面，PCA首先將數(shù)據(jù)從原始的高維空間映射到低維的主成分空間。在這個過程中，數(shù)據(jù)的維度降低，但保留了數(shù)據(jù)的主要變異信息。然后，PCA可以將降維后的數(shù)據(jù)重新映射回原始的高維空間，但這個過程并不完全可逆，因為部分噪聲和次要信息在降維過程中被丟棄了。所以通過這種先降維后重構(gòu)的方式，PCA能夠去除數(shù)據(jù)中的部分噪聲，因為噪聲往往分布在數(shù)據(jù)的次要成分中。另一方面，PCA選擇的主成分方向是數(shù)據(jù)方差最大的方向。由于噪聲的方差通常IMT-2020(5G)推進組遠小于信號的方差，因此PCA選擇的主成分更多地反映了信號的特征，而不是噪聲。通過保留方差最獨立成分分析（IndependentComponentAnalysis,ICA）是一種統(tǒng)計數(shù)據(jù)分析方法[15]，用以估計和分離一組隨機變量（或信號）的線性組合，從而恢復各個源信號，廣泛的用于信號分離領域和盲源分離領域。其原理是，假設我們觀察到的混合信號X是一些未知的獨立信號S的線性混合，數(shù)學上表X=AXS其中，X是觀測信號矩陣，A是未知的混合矩陣，s是源信號矩陣。ICA的目標是找到一個變換矩陣，也即混合矩陣A的逆或偽逆，使其輸出變量盡可ICA成功的關鍵是源信號是相互獨立的，并且在統(tǒng)計上是非高斯的，即最多允許1個成分服從高斯分布，因此也可以使用ICA作為一種去除高斯噪聲的手段。之所以要求這一點，是因為高斯分布與高斯分布之和仍為高斯分布，這將會導致兩個信號的不可辨別性，而兩個相互統(tǒng)計獨立的隨機變量的和比其中任何一個參與求和的隨機變量更接近高斯分布，這就可以將非高斯性作為獨立性的近似指標，以①快速獨立成分分析（FastICA）：FastICA是ICA的一種常用算法，旨在尋找一個最大非高斯性的方向，以實現(xiàn)獨立成分的分離。FastICA使用了牛頓法的變種來最大化非高斯性的估計值，從而得到分②基于熵的ICA：基于熵的ICA方法使用信息熵來衡量信號的非高斯性，因為非高斯性信號的熵較大。通過最大化熵，可以找到最能夠分離成分的方向。這種方法適用于多種信號類型，但計算復雜度ICA與PCA的區(qū)別是，第一，目標不同，PCA的目標是找到數(shù)據(jù)的主成分，即數(shù)據(jù)的正交基，而ICA是找到數(shù)據(jù)的獨立成分；第二，用途不同，PCA用于把主要信號留下來的降維過程，而ICA則可以從多個維度分離有用數(shù)據(jù)，應用ICA的算法之前通常會有預處理步驟，包括PCA過程用以降低ICA算法的運算量。文獻[16]中將多個用戶不同的呼吸頻率看作了獨立的源信號，進而應用ICA算法有效分離多個應用于不同感知任務的感知信息類型不同，也需要不同的處理算法，本章節(jié)重點關注以下幾種典T22IMT-2020(5G)推進組瞬時信息包括信號本身的幅值、相位、能量信息和與應用相關需要算法提取的距離、多普勒、角統(tǒng)計信息即把某一維度上的高維數(shù)據(jù)壓縮為單個更高級別的特征值，例如，平均值、標準差、中需要注意的是通基于感知信號進行感知信息提取，這里感知信號不僅包括通常意義的參考信號，本章節(jié)重點關注從回波中提取確定感知目標瞬時信息的算法。具體地，瞬時信息包括信號本身的幅值、相位、能量信息和與應用相關需要算法提取的距離、多普勒、角度信息，其算法包括周期圖類、空間譜類、優(yōu)化類、超分辨率估計等，表1中總結(jié)對比了各類方法的技術特征、優(yōu)缺點以及典型適IMT-2020(5G)推進組對于接收信號Y，周期圖方法通過若干組固定的基底Φ,將接收信號通過傅里葉變換，獲得功率譜，并通過比較各個譜線上的功率，對目標的相關參數(shù)進行估計。以3D-DFT方法為例，對于時頻空的仿真中，根據(jù)接收信號獲得M*N*P的信道矩陣，M為子載波個數(shù)，N為時域抽樣個數(shù)，P為天線端口數(shù)，抽取某個子載波在時間窗內(nèi)（連續(xù)N個符號，或連續(xù)的等間隔（X）的N個符號，或連續(xù)N個時隙，或等間隔（Y）的連續(xù)N個時隙等）的頻域信道估計進行DFT變換，抽取所有子載波在某一時刻的頻域信道估計進行IDFT變換，抽取某一子載波某一時刻每個天線端口的頻域信道估計進行DFT變換，圖16示出了利用信道狀態(tài)信息估計感知目標角度信息的周期圖方法，首先根據(jù)接收信號獲得維度為K×N的信道狀態(tài)信息矩陣，其中N為樣本數(shù)，K為天線陣子數(shù)，通過周期圖方法對該第n個樣本進行DFT變換并求和獲得關于感知目標相對于感知節(jié)點的角度信息的周期圖，最后通過周期圖的峰值位置即可獲得感知目標相對于感知節(jié)點的角度信息。同理，可以利用周期圖方法通過某一子載波、某一天線端口對應的時域信道狀態(tài)信息獲得感知目標的速度信息，也可以利用周期圖方法通過某一時刻、某IMT-2020(5G)推進組空間譜類方法利用接收信號樣本協(xié)方差矩陣特征值分解的特征空間特性實現(xiàn)參數(shù)估計。具體的實施方案主要分為兩種：1.利用特征空間中信號子空間和噪聲子空間的正交性實現(xiàn)參數(shù)估計；2.利用信號子空間的旋轉(zhuǎn)不變性實現(xiàn)參數(shù)估計?？臻g譜類方法通常具有較高的感知信息提取分辨率，缺點在于計算復雜度及對接收信號樣本數(shù)較高。常見空間譜類方法包括：多重信號分類算法(MultipleSignalClassi?cationAlgoritInvarianceTechniques,ESPRIT)等。以MUSIC算法為例，接收信號yecNXK可以表示為Y=AX+N，其均勻線性天線陣列的導向矢量組成，表示信號入射角對應導向矢量。對R進行特征值分解可得R=UHAU，假設矩陣A有L個較大特征值，則其對應的特征向量構(gòu)成信號子空IMT-2020(5G)推進組特別地，通過上述介紹可以看到MUSIC算法在進行參數(shù)估計需要通過掃描角度空間構(gòu)造偽譜，因此其分辨率取決于生成偽譜時的掃描分辨率。而ESPRIT算法則可以借助信號子空間分解與旋轉(zhuǎn)不變形陣子數(shù)為K，目標數(shù)為L的場景下，掃描精度為K,，基于掃描的MUSIC算法復雜度為，ESPRIT算法復雜度為。此外，由于ESPRIT算法需要利用陣列的子陣列間旋轉(zhuǎn)因此要求信號具有陣列模型特征，更適合陣列信號的處理，而MU是，空間譜類方法均需要進行對信號協(xié)方差矩陣進行特征值分解，因此相較于周期圖類方法具有更高的計算復雜度。再者，由于空間譜類方法中參數(shù)估計值的準確性直接取決于子空間分解的準確性，因圖17為天線間距為半載波波長，天線陣子數(shù)量為32時對入射方位角度差值為2°、5°、10°、15°的兩個入射信號的方位角估計結(jié)果。如圖所示，隨著入射角度差逐漸變小，周期圖類算法在角度差為3°時無法區(qū)分不同入射角，而空間譜類方法仍保持對不同入射角角度的分辨能力。此外，由于陣列較小，周期圖方法中不同入射信號間正交性較低，無法消除不同方向入射信號的相互干擾，估計譜IMT-2020(5G)推進組優(yōu)化類方法通過設計不同目標函數(shù)適應多種場景。具體而言，優(yōu)化類方法通?；谔囟ㄐ盘柲Ｐ秃拖鄳臏蕜t建立優(yōu)化問題，并通過求解該優(yōu)化問題實現(xiàn)對統(tǒng)計信號的參數(shù)估計。常見優(yōu)化類方法主要包括最小二乘估計、最大似然估計、最大后驗概率估計、最小均方誤差估計等。下面首先以基于最a)最大似然估計算法：在高斯白噪聲的假設下，基于對數(shù)似然函數(shù)最大準則建立如下關于未知參其中A(p)=(a(p1),…,a(pu))為自由變量中=(p,…,p1)構(gòu)成的函數(shù)。進一步可將該問題轉(zhuǎn)換為如下形式通過將s(n)的閉式解并代入原問題，獲得如下與s(n)無關的優(yōu)化問題TIMT-2020(5G)推進組b)壓縮感知算法：優(yōu)化類估計器通過求解基于概率密度函數(shù)構(gòu)建的優(yōu)化問題來提取感知信息，能夠通過模型修正適應廣泛的應用場景。然而，由于該類估計器需要聯(lián)合參數(shù)優(yōu)化，其計算復雜度會隨著信號維度的增加呈指數(shù)增長。為了解決上述復雜度問題，壓縮感知算法利用信號的稀疏表示，將接收信號分解為由信號特征等先驗信息構(gòu)建的感知矩陣和稀疏向量，并通過求解稀疏向量獲得感知信息，從而避免了在多維參數(shù)空間內(nèi)通過窮舉搜索感知信息的過程。這種方法有效降低了計算復雜度，基于壓縮感知的估計算法可分為兩大類：基追蹤算法(BasisPursu(LeastAbsoluteShrinkageandS其中，為感知矩陣，為稀疏向量。求解該類問題的主要算法主要包括BP算法，正交匹配追蹤算法（OrthogonalMatchPursuit,OMP）及OMP算法的多種改進算法。LASSO算法基于稀疏恢復信號與原信號的方差與稀疏性約束建立如下優(yōu)化問題，并通過求解稀疏其中t為稀疏性約束。典型算法包括原子范數(shù)最小化算法(AtomicNormMinimization,ANM)及消息傳遞下面以OMP算法為例，介紹壓縮感知算法的實現(xiàn)方法。由于BP問題包含0-范數(shù)優(yōu)化，并不能直接求解，OMP算法通過依次獲得具有最大響應的感知向量并在接收信號中正交投影消除的方式，實現(xiàn)BP其中TTIMT-2020(5G)推進組傳統(tǒng)的優(yōu)化類估計器利用統(tǒng)計上的最優(yōu)公式，因此特別適用于低維度信號，同時，由于其通常需要搜索來獲得參數(shù)估計，導致其復雜度也隨著信號維度的增加呈指數(shù)型增加；壓縮感知算法靈活，不需要連續(xù)的信號樣本，現(xiàn)有稀疏信號恢復算法也可以很好地權(quán)衡復雜度和性能，但當要估計的參數(shù)數(shù)量很大時，不滿足信號稀疏性約束時，性能會顯著降低，同時，超分辨的壓縮感知算法也會由于非常一方面，空間譜類方法依賴偽譜掃描和子空間分解，對陣列模型和協(xié)方差矩陣的精度要求較高，且受離散搜索網(wǎng)格限制；另一方面，優(yōu)化類方法通過全局優(yōu)化克服部分局限，但計算復雜度較高，分辨率受迭代精度限制。為彌補這些不足，牛頓迭代算法、求根算法、稀疏貝葉斯算法等超分辨率算法通過在連續(xù)參數(shù)空間的局部優(yōu)化，結(jié)合目標函數(shù)的一階和二階信息，突破了網(wǎng)格限制，提供更高分辨率和精度，且具有良好的實時性。下面以基于DFT算法的牛頓迭代算法為例介紹超分辨率估計方法的粗估計階段，基于周期圖的方法，對信號的多普勒頻移，回波時延與水平入射角進行網(wǎng)格化的估IMT-2020(5G)推進組對應周期圖上的幅度即為路徑的衰落因子估計，基于估計結(jié)果，對接收信號進行串行干擾消除，消除進一步，令粗估計的結(jié)果為初始點，通過牛頓迭代方法可實現(xiàn)對雷達參數(shù)實現(xiàn)超分辨估計，首先MT-202IMT-2020(5G)推進組其中x=(r,v,0)為待估計變量，J'(x)=v(y"(x)!(x))是估計問題的一階微分，J"(x)=v2(y*(x)(x))是估計問題對于非即時的感知任務，例如一個活動片段的識別，提取回波信號功率、幅值和相位的統(tǒng)計特征相比瞬時特征更為魯棒且準確。一個典型的示例為，信號強度RSSI是室內(nèi)活動檢測的重要指標，其對應的均值和方差是描述對應活動的重要統(tǒng)計特征，均值和方差的大小可以用來判斷檢測區(qū)域中是否存而對于繁多且復雜的手勢、運動模式、姿勢等活動片段[17][18]，單一統(tǒng)計特征無法直接進行識別，可提取多個統(tǒng)計特征將其合并成一個新的特征向量，基于此構(gòu)建活動分類的特征數(shù)據(jù)集。具體地，可IMT-2020(5G)推進組其中xi表示第i個CSI值，N表示CSI片段長度。xu-型i數(shù)據(jù)分布陡峭程度的統(tǒng)計信息，當ku等于3時數(shù)據(jù)是正態(tài)分布；大于3時整體分布比正態(tài)分布更陡峭，據(jù)分布形態(tài)的統(tǒng)計值，其描述了數(shù)據(jù)分布的對稱性，當sk的值大于0，表示整體數(shù)據(jù)分布右偏；當sk的cr=sum(Ilxir1-xll)MT-IMT-2020(5G)推進組i其中xi表示第個CSI值。變化率可以衡量整個數(shù)據(jù)序列的變化程度。iCo=corr(xrr1,x)其中xi表示第i個CSI值。相關系數(shù)可以很好的衡量變量之間的相關性，進一步地，可以將多相關系數(shù)求和作為該片段對應的相關系數(shù)代表值，也可以將其構(gòu)建相關矩陣，進一步求特征值或最大特征值作max(xz)、min(xz)、median(xz)其中xi表示第i個CSI值。上面列舉出的是一些較為常用的統(tǒng)計特征，另外還存在一些熵值、四分位矩、百分位數(shù)等。上述CSI片段可以是時域的片段，也可以是頻域各子載波上的片段，其中提取的CSI值可以是信號在時域或如圖18(a)所示，可以看出室內(nèi)人數(shù)較少時時域的峰態(tài)和偏斜度會變大，當人數(shù)越多時，這兩個特IMT-2020(5G)推進組一些應用場景中，獲得回波信號的功率、幅值和相位的絕對值并不能達成感知目的，而是通過時變信息反映感知目標或感知場景的變化，典型的表示形式為hairr[t]=h[t]-h[t-1]，這里的ht]可以代表回通過檢測觀測時間窗內(nèi)的RSSI或者CSI幅度的均值、方差等特征，并與無入侵環(huán)境進行比較，即可判斷入侵是否發(fā)生。[19]通過前后兩時刻參考信號強度的變化ARSS=Rssf-RSS--反映出是否有感知目標經(jīng)過且阻擋了發(fā)射機與接收機之間的鏈路，由此衍生出時變信息能夠?qū)⑷肭汁h(huán)境與無入侵環(huán)境進行比較，可以在入侵檢測中發(fā)揮重要作用，例如[20]中利用幅值的前后變化AH=IHlt-IHlt-1進行入侵檢測。這種方法不涉及對感知信號相位的操作，不需要發(fā)送和接收節(jié)點之間的同步或進行同步相關的特殊處理，對在某些應用場景下，回波信號屬于典型的非平穩(wěn)信號，然而全局傅里葉分析所得多普勒頻譜無法表現(xiàn)出信號局部時頻變化特性，需要采用時頻分析方法將多普勒頻譜在時域維度展開，充分描述信號時頻分析同時提供了回波信號的頻譜和時間信息，通過分析時頻域聯(lián)合特征，可以找到目標振動或旋轉(zhuǎn)的頻率和周期，也可以通過分析時間數(shù)據(jù)和目標移動引起的微多普勒頻移變化來確定目標在特但這種方法只能用于分析單一頻率信號的特征，對于多分量信號，要使用經(jīng)驗模態(tài)分解(EmpiricalModeDecomposition,EMD)等技術將多分量信號分解為組成它的多個單分量信號，然后使用該方法分析。然而EMD是自適應的濾波方法，可以將信號中不同頻率成分分開，但不能給出每一基本模式分量IMT-2020(5G)推進組聯(lián)合時頻分析包括線性時頻分析方法和雙線性時頻分析方法。線性時頻分析方法復雜度低但時頻分辨率較差，主要包括短時傅里葉變換(ShortTiWA)。雙線性時頻分析方法具有良好的時頻分辨率但復雜度極高，包括Wigner-Ville、Cohen類、Choi-信號可以近似看作是平穩(wěn)的。然后對每個時間窗口內(nèi)的信號進行傅里葉變換，得到該窗口內(nèi)信號的頻我們可以得到隨時間變化的頻率成分。STFT的結(jié)果通常用二維圖表示，其中橫軸表示時間，縱軸表示小波變換（WaveletTransform，WT）是一種用于分析信號的時頻特性的方法，與短時傅里葉變換不同，小波變換可以提供更靈活的時間和頻率分辨率。通過使用不同尺度的小波基函數(shù)對信號進行分小波變換的核心思想是將信號與一組稱為小波的基函數(shù)進行卷積。這些小波基函數(shù)是由一個母小波（MotherWavelet）通過縮放（dilation）和平移（tra其中y(t)是母小波函數(shù)，a是縮放因子，控制頻率分辨率。較小的a對應較高的頻率，較大的a對應較低IMT-2020(5G)推進組其中vnnlIkl是離散小波基函數(shù)，m是尺度參數(shù)，n是平移參數(shù)。感知目標識別是感知應用場景下不可或缺的感知任務，尤其是在復雜感知場景中感知目標、環(huán)境目標和噪聲可能同時存在，需要確定目標數(shù)量，進一步區(qū)分感知目標與環(huán)境目標，識別方法主要是基于特征參數(shù)識別，即匹配各類信息的特征參數(shù)與感知目標相對應，識別目標種類，估計目標個數(shù)。該AIC(AkaikeInformationCriterion)和MDL(MinimumDescriptionLength)是經(jīng)典的應用信息論的目標基于OFDM的通感系統(tǒng)發(fā)射的信號被K個距離、速度、水平角分別為(R,V,9)的目標反射，令中;=dsinb:/A、y;=2vif:Torpu/c、p;=2R;Af/c，其中，其中，spmn為發(fā)送符號，wmn為噪聲。定義方向向量a(p,p,p)=d(p)&(g()8b(p))其中快拍數(shù)Nnap=(M-麗+1)(N-N+1)(P-?+1)，則向量IMT-2020(5G)推進組將的個特征值從大到小的順序排列，即，定義當l從0增加至時，找到使得AIC(l)取得最小值的l，此時l就是估計的目標個數(shù)R，R=minfAIC(l),l=0,1,..,?-1}同樣，找到使得取得最小值的l，此時l就是估計的目標個數(shù)R。鳥與旋翼無人機目標具有相似特征，其RCS數(shù)量級都比較小，且雷達回波信號具有相似的信號幅度和頻譜結(jié)構(gòu)，而機場在發(fā)現(xiàn)旋翼無人機、鳥等不同的入侵目標后采用反制措施不同，因此也需要進對于懸停無人機與周圍靜止物體、無人機之間、無人機和鳥類等分類問題,依照分類特征的不同可以分為兩個方向:一是利用微多普勒特征的方法,二是基于目標回波與其他運動特征的分類方法。其中微多普勒特征是無人機目標中存在的部件微動，一種典型的微動即為旋翼轉(zhuǎn)動，對雷達回波相位產(chǎn)生的周期性調(diào)制現(xiàn)象，它取決于轉(zhuǎn)速、葉片長度和葉片數(shù)量等因素，這些因素可以提供微動小型無在分析雷達發(fā)射波的電磁散射時，可以將無人機的槳葉等效為線源，看作由無數(shù)多個散射點構(gòu)成，因此首先利用散射點理論對但散射點的回波信號進行分析，然后對單散射點的回波進行積分即可IMT-2020(5G)推進組得到單個槳葉的回波信號；對于多旋翼無人機目標，則先對每個旋翼中各槳葉的回波信號進行疊加得雷達位于全局坐標系(X,Y,Z)的原點O處，以無人機槳葉旋轉(zhuǎn)中心o為原點，平行于全局坐標系建立旋轉(zhuǎn)的初始相位，u為目標中心方位角，p是俯仰角，是中心到雷達的初始距離。選取槳葉上的任一散射點p作為研究對象進行回波建模，p到o點的距離為l,槳葉的總長L=L2-L1，無人機目標在雷達視線方向的速度為v。雷達以載波f發(fā)射電磁波，那么從P點返回的回波信號s(t)為其中p(x,y,z)是在UAV坐標系中描述的散射點P的反射率函數(shù),r(t)是t時刻散射點P與雷達的距離。設定t時刻，無人機旋翼中心o到雷達中心O的距離為Rf=R0+vt，槳葉的旋轉(zhuǎn)相位是p(t)=p,+wt，IMT-2020(5G)推進組r(t)=IF]~R,+vt+lcosfcos(p,+wt-a)則t時刻雷達回波信號的相位為-(tol對散射點p的回波信號做長度上的積分可得單個完整葉片回波信號。假設每個旋翼有N個葉片且每個葉片初始相位不同，單個旋翼總的雷達回波對接收信號的相位求導可以得到旋翼第k個葉片的多普勒與微多普勒頻率IMT-2020(5G)推進組通過對相位求導可以得到第m個旋翼的第k個葉片的多普勒與微圖20無人機微多普勒特征是文獻中給出的旋翼無人機的微多普勒特征，能夠清晰的看到正弦波形T-ooIMT-2020(5G)推進組忽略鳥身寬度且假設鳥類翅膀運動過程中翼面不彎曲，建立如上圖所示坐標系。具體地，以雷達S為原點建立坐標系(X,Y,Z)和以鳥兩側(cè)翅膀根部連線中點O為原點建立鳥類目標撲翼坐標系(X,Y,Z)，其中y軸方向為鳥首方向，兩坐標系平行。雷達S到中點O距離為I5vll=n,，方位角為a，俯仰角為簡便計算，假定鳥類目標以撲翼頻率fbira沿和翅膀撲翼運動的合成。若平飛速度為，撲翼角度為（即翼面與xoy平面夾角）為隨時間變化的函(t)=8maxzsin(2fbirat十中0)=0maxsin(ot十中,)則此時Q到雷達S的距離r(t)為RO?l。因此，距離可進一步化簡為IMT-2020(5G)推進組r(t)~R,+vtsinssina+lsinscosacos(p(t))+lcosssin(p(t))如考慮方位角α為0，則上式可進一步簡化。圖22鳥類的微多普勒特征中可以看出，微多普勒分析能夠?qū)︼w鳥頻率和翼展的對比關系做出估計，且飛鳥的微多普勒特征產(chǎn)生類正弦的效果，在時頻分辨率不足夠的情形下，特征曲線發(fā)生纏繞，合成類似三角波的回波效果，這與無人機是截然不同的，那么在兩者的RCS特征和多普勒特征十分相雷達散射截面積(radarcrosssection，RCS)是一種表征目標對入射雷達信號電磁散射能力的物理IMT-2020(5G)推進組量，目標RCS是雷達目標識別的重要特征之一。雷達散射截面積是雷達目標識別的重要特征，其定義QV是入射功率密度，Qt是后向散射密度。為了將RCS建模為只與目標的特性有關，消除距離影響可以實際處理中，RCS序列可以直接通過對回波的采樣序列y=VGel"o=y2IMT-2020(5G)推進組RCS統(tǒng)計模型用于隨機信道的建模。在我們生成一個信道環(huán)境時，檢測目標的RCS序列/回波函數(shù)可以通過對目標的姿態(tài)規(guī)定和運動狀態(tài)規(guī)定直接建模得到。其他干擾目標的RCS我們則可以通過統(tǒng)計SwerlingI-IV模型只考慮回波信號幅度的快速和緩慢起伏，在實際中可以對大多數(shù)目標RCS進行建模。對于一些不規(guī)則模型，常常將模型建模為多個散射體的集合，每個散射體的尺寸也都在光學區(qū)域。瑞利分布的目標是指散射體都為近似相等的單元，比如飛機。萊斯分布的目標是指由較大的反射T-IMT-2020(5G)推進組體和許多小反射體合成。慢起伏目標是指天線一次掃描期間回波起伏是完全相關的，而掃描至掃描間因為RCS序列與目標相對于雷達照射時的入射角度和后向散射角度相關，因此可以通過不同的角b)頻率分集[24]目標RCS序列與雷達照射的波長有關，因此也可以通過搜集不同的頻率信號下的目標回波的RCS運動目標相對于雷達的姿態(tài)角在不斷的變化，因此會調(diào)制回波的RCS序列，從調(diào)制信息可以判斷建立姿態(tài)角與時間的變化表達式，帶入特定形狀的RCS表達中，來建立目標的RCS序列[6]IMT-2020(5G)推進組它以繞z軸的角速度ω進行處理。θ(0≤θ≤π/2)為進動角。當它以角速度繞著自己旋轉(zhuǎn)Ω。設雷達波束與進動軸z的夾角為γ,雷達波束與目標軸的夾角為β。計算β的表達式為B(t)=arccos(cos6cosy-sin6sinysinwt)3)特征提取[25]在工程上已經(jīng)驗證，對于三軸穩(wěn)定的空間目標，RCS數(shù)據(jù)的統(tǒng)計特性是較穩(wěn)定的識別特征量。最極差、標準差、變異系數(shù)等；③分布特征參b)基于時頻圖特征參數(shù)提取空間目標的RCS序列是一種非平穩(wěn)的時間序列，而對非平穩(wěn)信號主要關注其局部統(tǒng)計特征上，對非平穩(wěn)信號進行時頻分析是研究非平穩(wěn)信號的一個重要工具。對空間目標的RCS序列進行時頻分析，T-22IMT-2020(5G)推進組將RCS序列特征以二維的方式展現(xiàn)出來，然后利用矩陣分析和圖像處理的特征提取方式提取以下特征參數(shù)：矩陣的最大奇異值特征、矩陣的均值特征、矩陣的方差特征、圖像的尺度重心特征、圖像的中小波變換也是一種時頻分析方法，是一種時間窗和頻率窗都可以改變的方法，可以達到高頻處時間細分，低頻處頻率細分的效果。經(jīng)過小波變換后的RCS序列，一般可提取最大奇異值、有效秩、均a)集值辨識算法[26]對于雷達的目標識別問題，由于先驗信息不足，需要估計的位置變量既有模型參數(shù)θ,也有模型IMT-2020(5G)推進組其中表示第步迭代生成的參數(shù)估計值；F(.),f(.)分別表示標準正態(tài)分布的概率分布函數(shù)和概率密度函數(shù)；I(.)為示性函數(shù)；相關文獻證明了如果集值模型對應的極大似然估計存在，則無論迭代數(shù)值選為b)主成分分析(PCA)空間和LDA(線性判別算法)空間識別[24]IMT-2020(5G)推進組i"-協(xié)方差矩陣定義為矩陣的維度是(3-N7)x(3-9)，協(xié)方差矩陣的大特征值Af,i=1,2,…,npcz,以及歸一化的特征向量。其中，RCS特征的維度被大大降低。因此第c個目標的特征在PCA空間上的均值(或類對于未知目標，收集其在給定仰角θ處的頻分集RCS，構(gòu)成RCS向量滅，將該列向量滅按上述過程投影到PCA空間中，得到結(jié)果為。該測量相對于已知的目標c的距離誤差為dc=5-:",c=1,…,cIMT-2020(5G)推進組顯然有0<similarity<1。相似度的值與相似度成相似。在第二步中，將第一步的投影進一步投影到LDA空間上。值得注意的是，這一步的目標是找到一個可以很好地分離不同類別特征的投影。類內(nèi)散射矩陣sw定義為類間散射矩陣定義為其中可以寫為特1=z·J,i=1,2,…,nr其中L是變換矩陣它的行由uoa特征向量組成。c)機器學習—K-NN算法[28]K近鄰(K-NearestNeighbor,K-NN)算法是一種基本的機器學習算法。它是一種非參數(shù)方法，用于分類和回歸。在這兩種情況下，輸入都由特征空間中最接近的K個訓練樣例組成需要先收集目標在固定仰角和不同方位角下的雙基地RCS，構(gòu)成角度分集RCS矢量。選擇這種角度分集目標識別過程分為離線(訓練)和在線(預測)兩個階不同的RCS向量，構(gòu)成RCS信號圖。在線(預測)階段，檢測未知目標的角分集RCS矢量。該在線RCS向IMT-2020(5G)推進組K-NN規(guī)則最早由Cover&Hart提出用于分類。K-NN規(guī)則的基本概念非常簡單。下圖演示了兩個類別的K-NN規(guī)則。在下圖中，有許多已知的對象，它們是來自兩個類別的藍色三角形(標簽#1)和紅色矩形(標簽#2)。注意，標簽是一個表示類別的整數(shù)。問題是預測一個新的未知物體(綠色圓圈)屬于哪個類別。在經(jīng)典K-NN規(guī)則中，新對象通過其鄰居的多數(shù)投票進行分類。換句話說，一個新對象被分配給它的K個近鄰中最常見的類別。在下圖中，實體等高線表示K=3，因為它圍繞著三個已知物體，即一個藍色三角形(標簽#1)和兩個紅色矩形(標簽#2)。因此，我們預測新的未知(綠色)對象屬于紅色矩形(標簽#2)的類別。類似地，虛線等高線表示K=5，因為它圍繞著五個已知物體，即三個藍色三角形(標簽#1)和兩經(jīng)典K-NN規(guī)則可以進一步擴展以實現(xiàn)回歸，在K-NN回歸中，輸出是一個連續(xù)的實數(shù)，而不是整數(shù)，來表示一個對象的屬性值。這個屬性值可以通過K個最近鄰的屬性值的加權(quán)平均值來計算。整個過程分為離線(訓練)和在線(預測)兩個階段。為方便起見，將上圖中的每個對象視為一個矢量。在離線(訓ri(i=1,2,…,N)都有一個屬性值qiE{1,2,…,M}來表示ri屬于哪個類別。注意，ri和qiE{1,2,…,M}IMT-2020(5G)推進組和矢量的分量表示相同仰角下不同方位角采集的RCS數(shù)據(jù)，即角度分集的RC是指從同一類型的目標分散出來的RCS矢量。離線訓練向量是來自參考(已知)目標的RCS數(shù)據(jù)。屬性值表示目標的類型。新向量r表示從未知目標散射的在線RCS數(shù)據(jù)。注意，預測的屬性值q是一個實數(shù)，而卡爾曼濾波[15]是一種高效率的遞歸濾波器，通常用于目標/信道跟蹤領域?；舅枷胧牵阂宰钚【秸`差為最佳估計準則，采用信號與噪聲的狀態(tài)空間模型，利用前一時刻的估計值和當前時刻的觀測值來更新對狀態(tài)變量的估計，求出當前時刻的估計值，算法根據(jù)建立的系統(tǒng)方程和觀測方程對需要卡爾曼濾波器包括兩個主要過程:預估與校正。預估過程主要是利用時間更新方程建立對當前狀態(tài)的先驗估計.及時向前推算當前狀態(tài)變量和誤差協(xié)方美估計的值，以便為下一個時間狀態(tài)構(gòu)造先驗估計值:校正過程負責反饋,利用測量更新方程在預估過程的先驗估計值及當前測量變量的基礎上建立起對當前狀態(tài)的改進的后驗估計。主要步驟是初始化狀態(tài)估計和協(xié)方差矩陣；使用模型預估狀態(tài)的下一個值IMT-2020(5G)推進組式中：表示先驗估計、Re表示后驗估計、FK表示狀態(tài)轉(zhuǎn)移轉(zhuǎn)移矩陣、per表示當前時刻的后驗誤差協(xié)方差、表示當前時刻的先驗誤差協(xié)方差、ke表示卡爾需要注意的是，系統(tǒng)噪聲Q和測量噪聲R直接影響卡爾曼增益。當系統(tǒng)收斂時,卡爾曼濾波相當于一階低通濾波器，由一階低通濾波器的原理可知:越小的卡爾曼增益波形越穩(wěn)形波動越大，而越穩(wěn)定的波形帶來的是靈敏度的損失。卡爾曼增益最終收斂值僅與值值越大，卡爾曼增益受到影響將減小,當比值大于50時，比值對卡爾曼增益影響將越來越小，因此卡爾曼濾波并非針對單時刻的信號序列進行處理，而是針對符合一定運動模型或時變模型的多個時刻下提取的感知信息進行預測和修正，從而達到去除噪聲獲得準確度更高的感知信息的目的，這里的感知信息包括信道、距離、速度、RSSI等。若感知目標符合一定運動模型或信道滿足一定的時變模型，是可以通過上一時刻的狀態(tài)對當前時刻進行估計的，然而在實際的運動或變化過程中存在一些隨機因素導致估計得到的狀態(tài)存在誤差，因此真實值實際上滿足以估計狀態(tài)為均值、隨機因素為方差的高斯分布。而當前時刻的感知信息也可以通過傳感器、雷達等設備進行測量，測量值實際上也會收到環(huán)境噪聲的影響，真實值滿足以測量值為均值，噪聲為方差的高斯分布。為了與真實值更為接近，則需融合以上估計值和測量值，即將兩高斯分布相乘，得到最新的重疊部分比單獨任何一個區(qū)域都要精間長度為At，那么k時刻IMT-2020(5G)推進組由此可以估計出k時刻狀態(tài)值，同時也可獲得k時刻測量值，由于設備的觀測量與狀態(tài)值維度有可能不同，例如，通過車輪的轉(zhuǎn)速可以反映到車速，因此需要觀測矩陣Hr將觀測量與狀態(tài)值拉齊， 通感一體化作為第六代（6G）的六大關鍵技術之一，受到學術界和工業(yè)界的極大關注[29][30]。6G移動通信系統(tǒng)中的新興應用，如車聯(lián)網(wǎng)和智慧交通，需要高精度的目標感知。然而，目前單一節(jié)點下或者單一資源下的感知難以滿足新興應用的高要求[31][32]。為此，學術界和工業(yè)界提出了通過協(xié)作感知的方式，即通過融合多基站或者多個資源域的感知數(shù)據(jù)來實現(xiàn)網(wǎng)絡化、高精度感多基站協(xié)作感知主要分為多基站協(xié)作主動感知、多基站協(xié)作被動感知、以及多基站協(xié)作主被動感知三種，如圖26所示[31]。T202oIMT-2020(5G)推進組●多基站協(xié)作主動感知：如圖1(a)所示，所有BS都會向融合中心發(fā)送回波信號，以進行協(xié)作感知。在協(xié)作主動感知中，空間坐標系的統(tǒng)一、各BS坐標系的統(tǒng)一和來自多個BS的回波信號的采樣周然后，對這些信號進行融合，以實現(xiàn)高精度的目標感知對于多基站協(xié)作感知，存在的主要挑戰(zhàn)主要分為兩大類，即同步當前移動通信系統(tǒng)之間存在著同步誤差，例如載波偏移（CFO）、時間偏移（TO），這些偏移是非正交的、時變的存在與通感一體化感知回波信號的時延信息和多普勒信息中。CFO和TO會嚴重影響到當前通感一體化技術使能的移動通信系統(tǒng)實現(xiàn)高精度感知，例如20ns的同步誤差，會導致6m的感知對于多基站協(xié)作主動感知的場景，由于每個基站都是獨立進行感知，因此CFO和TO的影響較小，對于多基站協(xié)作被動和主被動場景，由于存在收發(fā)端異步的問題，因此CFO和TO的影響較大，一在多基站協(xié)作主動和被動感知場景中，如何設計融合算法，通過融合不同視角下的感知數(shù)據(jù)，來在多基站協(xié)作主被動感知場景中，如何利用主動感知信號和被動感知信號，來最大程度的融合感目前同步誤差消除方法有交叉天線互相關（cross-antennacross-correlation，CACC）[33]、交叉天線T-202IMT-2020(5G)推進組信號比（cross-antennasignalratio，CASR）[34]和NLOS和LOS信號互相關（NLoSandLoSsignalcross-y[m,g]=D[m,g]+I[m,g]+zn[m,g]CACC操作可以減輕TO和CFO的影響，該操作計算不同天線之間的相互關系，通常用于估計混合子陣列的到達角(Angle-Of-Arrival,AoA)。選擇一個接收平均功率最大的天線作為參考天線，為了不失命題：p'[m,g]，o'm,gl隨m和g的變化保持不變。p3][m,g]+p")[m,g]的2D-FFT輸出在m和g上根據(jù)上述命題，通過對m和g使用二維高通濾波器，可以從CACC輸出中去除不變分量，得到，2D高通濾波器的截止頻率取決于[m,g]的帶寬，(ur,wz)=(minITTafbl,。從表達式中可知，[m,g]包含實際傳感參數(shù)，不包含TOs和CFOs。高通濾波器T-22IMT-2020(5G)推進組問題就變成了估計相對延遲。[m,g]和[m,g]之間的誤在室內(nèi)環(huán)境中，射頻(RF)信號通過多條路徑從發(fā)射器傳播到接收器，即一條直接路徑和來自物體(如墻壁、家具和人類目標)的多條反射路徑。信道狀態(tài)信息(ChannelStateInformation,CSI)是來自所有路徑的信號的疊加，它是多路徑傳播的特征。在數(shù)學上，C相對應時，動態(tài)分量是人體目標反射的路徑，靜態(tài)分量是由環(huán)境中靜態(tài)物體的LoS傳播和其他反射路徑、d(t)分別為動態(tài)分量Ha(f,t)的復衰減、相移和路徑長度。對于WiFi設備，由于發(fā)射器和接收器的不是時間同步的，因此在每個CSI樣本中存在隨時間變化的在推導CSI比公式之前，我們首先提出以下b)當目標移動較短距離(幾厘米)時，相鄰兩根天線的兩個反射路徑長度之差dz(t)-d1(t)可以看作常數(shù)4d。其中H1(f,t)第一根天線的CSI，H2(f,t)為第二根天線的CSI，為了簡化方程，令A1=A,HSMT-22IMT-2020(5G)推進組得到的式子是在BC-AD士0的條件下的莫比烏斯變換的形式。進一步將其分解得③中的縮放和旋轉(zhuǎn)操作以及①和④中的平移操作不會改變圓的幾何形狀和旋轉(zhuǎn)方向，因此，②式如果反射路徑長度增加:當靜態(tài)分量的數(shù)量級大于動態(tài)分量的數(shù)量級時，CSI比順時針旋轉(zhuǎn);否則，如果反射路徑長度恰好改變一個波長，則CSI比在復平面上形成弧度恰好為2π的圓。如果反射路NLCC方法利用NloS和LoS信號互相關方法來緩解載波頻率偏移(CFO)和時間偏移(TO)。由于TBS和PBS之間的NloS信號和LoS信號包含相同的CFO和TO，將LoS和NLoS路徑上的信T22IMT-2020(5G)推進組在估計AoA和AoD時可以消除NloS信號中AoA和AoD引起的相移。在不考慮噪聲分量的情況下，基帶接收信號在第n個子載波上的第j個接收天線和補償后的第m個OFDM符號時間的NLoS部分為：在LoS路徑信號中，AoA、AoD和時延是已知的，可以直接消除。因此，基帶接收信號在第n個子IMT-2020(5G)推進組當使用Dims估計目標位置和速度時，CFO和TO會導致距離和速度估計的模糊性。由于Dims和Djs包含相同的CFO和TO，因此執(zhí)行NLCC方法來減輕CFO和TO。通過Dims和Dbs對應元素的相互關目前協(xié)作融合算法主要分為數(shù)據(jù)級、符號級和信號級融合。數(shù)據(jù)級的思路是先在各個基站對接收到的信號進行處理以提取相應的觀測量，然后根據(jù)基站的幾何位置獲得一系列的等式方程，建立優(yōu)化模型來求解目標位置，系統(tǒng)實現(xiàn)簡單且計算量小，應用較為廣泛。常用的數(shù)據(jù)級融合定位方法有BR(BistaticRange)定位方法[36]、TDOA定位方法[36]、AOA定位方法[36]和TDOA/AOA混T-22IMT-2020(5G)推進組每一對發(fā)射接收路徑都可以確定一個這樣的橢圓（球），而這些橢圓（球）的交點就是目標的實該算法通過測量目標到不同基站的傳播時間差，可以確定信號源的距離，并利用信號源到多個基站的距離計算出信號的位置。具體而言，通過比較信號到達多個接收端的時間差，可以得到以接收端TDoA算法的特點是只需要對基站間進行時間同步，而不需要對基站和信標進行時間同步，使得系統(tǒng)實現(xiàn)成本降低。當信標位于基站所組成的三角形內(nèi)部時，定位精度最高，然而，當信標越靠近三角IMT-2020(5G)推進組AOA無源定位方法通過反射或輻射到接收端的方位角來進行定位，利用目標輻射到不同位置下的接收端的方向角來確定各個方位角對應的方位線，多條方位線延伸后可能相交于一點，利用該交點即可確定目標所在的位置。下面給出AOA定位的主要原理。當定位場景中的觀測站超過兩個，有可能會出現(xiàn)多條方位線無法相交于同一點，此時需要考慮將相交區(qū)域的質(zhì)心坐標作為目標的估計位置。根據(jù)令tanc1=c1，tancz=c2，可以簡化為：T-22IMT-2020(5G)推進組TDOA/AOA混合定位是指將TDOA和AOA定位技術進行混合。下面介紹兩種類型的TDOA/AOA混假設有n個BS，Bsi坐標為{X=[r,YJ",i=1,…n}，并且獲得TOA和AOA信息，MS和Bsi之間的距離X=(H'H)-1H'B假設有n個BS，Bsi坐標為{X=[r,YJ",i=1,…n}，并且獲得TDOA和AOA信息，MS到達Bsi與MS到X=(H"H)-1H'BIMT-2020(5G)推進組數(shù)據(jù)級融合算法計算復雜度低，但是因為單站先對感知結(jié)果進行了處理，必定會有一部分的信息信號級融合方法指的是直接將多站的感知信號進行疊加，從而提升信噪比。文獻[35]提出了一種分布式相干孔徑雷達相位差估計算法，并設計了一種基于改進成本函數(shù)的正交信號設計方法，解決了多個雷達單元協(xié)同工作時信號相位差估計的問題，提高了相位差的估計精度，提升全相參雷達的感知性能。文章首先建立數(shù)學模型描述不同雷達單元發(fā)送信號在目標的相位差，距離相位差根據(jù)兩個不同雷達到達目標的距離差dR表示相位差其中f和c分別是本地振蕩器頻率和光速。其中是兩個本振之間的相位同步誤差，n是采樣時間。當IMT-2020(5G)推進組基于此，提出了一種基于正交信號的相位差估計方法如圖31，系統(tǒng)獲取最新的相位，得到的兩路為了提高相位差估計精度，還提出了一種基于修正代價函數(shù)的正交信號改進設計方法。最佳多相結(jié)合以上兩種估計算法的特點，目前學術界還提出了符號級融合算法，提取單站的幅度、相位等信息進行融合，減少了信息損失，同時可以降低對同步精度的要求。針對符號級融合方式下的協(xié)作感IMT-2020(5G)推進組知研究，文獻[39]從頻域資源的協(xié)作信息融合的角度出發(fā)，考慮了高低頻資源的聯(lián)合利用，提出了基于載波聚合的通感一體化波形設計與信號處理方案，文獻[40]從時頻域資源的協(xié)作出發(fā)，考慮了多參考信號資源的聯(lián)合利用，提出了聯(lián)合多參考信號的通感一體化波形設計與信號處理方案。對于多節(jié)點協(xié)作感知研究，文獻[41]針對多基站協(xié)作主動感知場景，提出了基于符號級融合的多基站協(xié)作主動感知信號針對單一頻譜資源稀疏、頻譜利用率不足所導致的感知性能無法滿足高質(zhì)量的通信和感知的問題，文獻[39]提出了基于載波聚合的通感一體化波形設計及處理方法，以提高頻譜利用率，實現(xiàn)高精度首先給出基于載波聚合的通感一體化系統(tǒng)模型，如圖32所示。通過高低頻的聚合，高頻24GHz和低頻5.9GHz聚合一體化信號從單天線發(fā)出，實現(xiàn)通信的同時對周圍環(huán)境進行潛在目標感知。高低頻數(shù)據(jù)流分別經(jīng)過獨立的編碼、調(diào)制、IFFT、添加循環(huán)前綴等步驟，然后在射頻模塊進行融合并通過單天線發(fā)射出去。在感知回波或通信接收端，首先進行高低頻數(shù)據(jù)的分離，然后經(jīng)過獨立數(shù)據(jù)通道進行數(shù)據(jù)解調(diào)接收或雷達處理。導頻一般分為梳狀和塊狀，文獻選用了高頻塊狀、低頻梳狀聚合的一體化信IMT-2020(5G)推進組對于一個距離為，相對基站感知視角的速度為的目標，基站接收端的經(jīng)過下變頻的感知低頻和高頻的總符號時間，其中T=+TCP以及TCP為循環(huán)前綴時間；Af和Af分別是低頻和高頻的子TTIMT-2020(5G)推進組示逐元素相除之后的結(jié)果。為了充分利用高低頻信道信息矩陣，下面將對低頻和高頻信道信息矩陣進基于2DFFT算法，如果對Din進行列向量的IDFT處理時，矩陣中存在的零元素會惡化功率譜，影響感知效果。采用基于壓縮感知的IDFT處理方法，能夠降低惡化的程度[42]。具體的，根據(jù)Din的某一列中零元素的分布情況，構(gòu)造一個感知矩陣QIMT-2020(5G)推進組然后利用Din的某一列向量，QOY-1和快速迭代閾值法，得到距離功率譜函數(shù)，其中。表示哈達瑪積，v和()-1分別表示逆傅里葉矩陣和逆運算。對于高頻信道信息矩陣Dcrz，直接取出導頻位置列向量進行IDFT運算即可得到距離功率譜函數(shù)。最后高低頻的距離功率譜結(jié)果相加，并利用峰值索引值對于速度感知方面，由于系統(tǒng)設計的巧妙，可以獨立調(diào)整兩個數(shù)據(jù)流的循環(huán)前綴長度，因此實現(xiàn)行向量進行DFT處理，得到速度功率譜。對于高頻信道信息矩陣Dcrz，對每一行進行DFT處理時，非連續(xù)零元素會惡化傅里葉旁瓣，因此同樣采用基于壓縮感知的DFT處理方法。具體的，根據(jù)零元素分布，構(gòu)建一個感知矩陣PIMT-2020(5G)推進組然后利用pov，Dcrz的某一行向量和快速迭代閾值算法，得到速度功率譜函數(shù)。最后高低頻處理結(jié)果相加，并利用峰值索引值和速度的對應關系，獲得目標的速度信息。具體的速度感知處理流程如下面進行仿真驗證。具體參數(shù)為高低頻OFDM符號數(shù)為64，子載波個數(shù)為512，子載波間隔分別為120kHz和30kHz，導頻間隔都為4。文獻提出的信號與高頻塊狀信號的距離和速度RMSE對比如圖35和IMT-2020(5G)推進組通過仿真結(jié)果，可以看到載波聚合后和一體化信號具有更好的抗噪聲性能和感知性能，在信噪比較差的環(huán)境下，能保持較好的感知性能。同時還仿真了不同導頻類型組合的感知RMSE，如圖37和觀察仿真結(jié)果，文獻[39]提出的高頻塊狀，低頻梳狀聚合一體化信號，無論在距離還是速度感知上，都表現(xiàn)出較其他三種組合好的感知性能。綜上所述，文章提出的基于載波聚合的通感一體化波形未來的第五代先進（5G-A）和第六代（6G）移動通信系統(tǒng)將支持車聯(lián)網(wǎng)、擴展現(xiàn)實(ExtendedIMT-2020(5G)推進組的駕駛環(huán)境，與其他汽車和基站交換車輛速度、加速度、剎車、行駛方向等信息，這需要車輛同時具備高質(zhì)量的感知和通信能力，通信感知一體化(IntegratedSensingandCommunication,ISAC）技術有望為ITS提供支持。感知通信一體化的首要任務是一體化信號設計，實現(xiàn)感知與通信的深度融合。5G新空口（NewRadio,NR）中的參考信號具有良好的檢測性能和較強的抗干擾能力，引起了廣泛的關注。文獻[40]提出了一種多參考信號聯(lián)合感知方案。首先介紹了基于多參考信號的ISAC信號模型。接著基于2D-FFT算法實現(xiàn)感知，并通過壓縮感知（CompressedS提高速度估計的準確性和魯棒性。最后通過仿真證明了多參考信號聯(lián)合感知方案在距離和速度估計方在一個時隙內(nèi)，參考信號占用個正交頻分復用（OrthogonalFrequencyDivisionMultiplexing,OFDM）符號，個子載波，時域信號表示為[43]其中S(K,m)表示調(diào)制的參考信號符號，k表示子載波索引，m表示OFDM符號索引，T;是OFDM符號總的持續(xù)時間，TS=T+Tep，由OFDM符號持續(xù)時間T和循環(huán)前綴持號的第k個子載波，是矩形窗函數(shù)。由于多個子載波的疊加，信號具有近似恒定的功率譜密度，使發(fā)射信號經(jīng)過目標車輛反射和自由空間傳播，包含雙向往返時延和多普勒頻移的回波信號可以表標距離，far是多普勒頻移，c代表光速。由于一個OFDM的符號周期非常短，因此(t)可以近似地認為T-22IMT-2020(5G)推進組其中，表示接收調(diào)制符號矩陣，為包含目標車輛的距離和速度信息，可表示為其中為符號間隔，kt"為子載波間隔，If=1/T為子載波間隔，NX1維向量ka是延遲引起的相移，表示目標的距離信息，1XM維向量k,是多普勒頻移引起的相移，表示目標的速度信對于任意OFDM符號m，是常數(shù)，這意味著在分析列向量時，可以暫時忽略far所產(chǎn)生的相位，從而的第行向量為通過上面兩式可以看出，在子載波固定的情況下，因速度改變帶來的多普勒頻移只會在同一子載波上的不同調(diào)制符號之間引入相移，即只對時域產(chǎn)生影響。在OFDM符號固定情況下，因距離改變帶來的時延只會使同一符號的不同子載波之間產(chǎn)生相移，即只對頻域產(chǎn)生影響?；诖?，可以分別處理由于2D-FFT算法通過點除操作消除了傳輸信息，因此信道狀態(tài)信息參考信號（ChannelStateInformation-ReferenceSignal,CSI-RS）、解調(diào)參考信號（DemodulatiIMT-2020(5G)推進組參考信號（PositioningReferenceSignal,PRS）的感知性能差異歸因于它們各自的時頻資源分布。文獻聯(lián)合應用CSI-RS、DMRS和PRS，獲得連續(xù)的時頻資源。與依賴于單一參PRS的時頻域分布靈活，經(jīng)研究和分析其頻域上的分布可以設置成和DMRS互補，按如圖39方式分配時頻域資源，可以看到，由于PRS和DMRS在頻域都是以2為周期間隔分布，初始位置相鄰，一個時在此基礎上，按如圖40所示方式插入CSI-RS信號，選擇12端口的CDM-2形式，可以看到，一個物IMT-2020(5G)推進組基于圖39和圖40中的時頻域的資源分配方案一體化信號的處理流程如圖41所示。由Gold序列生成的參考信號按照時頻域映射規(guī)則映射到相應的OFDM符號中。然后進行傳統(tǒng)的OFDM調(diào)制過程，參考信號被目標反射并接收等。在接收后，時域或頻域提取連續(xù)資源，采用2D-FFT算法進行距離和速度估計，充分發(fā)揮參考信號在雷達感知應用對(sg)km的第m列數(shù)據(jù)作快速傅里葉逆變換（InverseFastFourierTransform,IFFTIMT-2020(5G)推進組由最大無模糊距離推導公式可知可以通過減小來增大最大探測距離，可通過增加子載波數(shù)和來提高距離分辨率。選擇時，最大探測距離和距離分辨率之間存在折衷。對sg的第k行數(shù)據(jù)作快速傅里葉變換（FastFourierTransform,FFT指數(shù)相互抵消時出現(xiàn)峰值，峰值時的行數(shù)k記作，估計多普勒頻移記作fur，IMT-2020(5G)推進組最大無模糊速度擴大了倍錯誤!未找到引用源。。DMRS的最由最大無模糊速度的推導公式可知，可通過減小T;和fc來增大最大估計速度，工作在5.9GHz的參考信號的最大估計速度比工作在24GHz的大。可通過增大符號數(shù)、和來提高速度分辨率，工作在24GHz的參考信號的速度分辨率比工作在5.9GHz的高。選擇T;和f時最大估計速度和速度分辨率之間如圖40所示，多個參考信號中的一個或兩個OFDM符號在一個時隙的邊緣仍然是不連續(xù)的，這導致信道信息矩陣的行向量不連續(xù)和旁瓣升高，進一步導致信號對噪聲和干擾的抵抗力較弱。此外，由于ISAC信號相對較低的功率進一步降低了抗干擾能力，抗干擾能力成為ISAC信號處理算法的一個重要方面。由于速度剖面域固有的稀疏性和滿足RIP的觀測矩陣[37]。CS的重建模型非常適合于文章步驟1：由于速度的線性相移只存在于時域上，所以取信道信息矩陣的每一行得到K,，創(chuàng)建IDFT矩陣r-1：