基于低复杂度神经网络增强非完美毫米波系统中的位置-速度跟踪性能与泛化能力

《IEEE Open Journal of the Communications Society》：Enhancing and Generalizing Position-Velocity Tracking in Imperfect mmWave Systems Using a Low-Complexity Neural Network

本文针对毫米波通信系统中因硬件损伤导致的定位性能下降问题，提出了一种基于极限学习机的低复杂度神经网络跟踪方法。研究团队系统分析了扩展卡尔曼滤波和无迹卡尔曼滤波在非理想硬件条件下的局限性，推导了贝叶斯克拉美-罗界作为理论基准，并通过所提的ELM跟踪器实现了不依赖先验知识的鲁棒跟踪。仿真结果表明，该方法在多种硬件损伤场景下均能保持优越的跟踪精度，为5G/6G移动网络的高精度定位提供了实用化解决方案。

　　

在第五代移动通信技术推动下，毫米波频段因其宽阔的频谱资源成为提升无线传输速率的关键。然而，当我们将目光投向高精度定位领域时，会发现一个严峻的技术挑战：现有的位置-速度跟踪方法严重依赖理想的硬件条件假设，而实际系统中的功率放大器非线性、相位噪声等硬件损伤会显著降低跟踪精度。这种理想与现实的割裂，使得传统跟踪算法在实际部署中往往表现不佳。

为了解决这一难题，来自加拿大湖首大学和CableLabs的研究团队开展了一项创新性研究。他们发现，在存在硬件损伤的实际毫米波多输入单输出正交频分复用系统中，传统跟踪器如扩展卡尔曼滤波和无迹卡尔曼滤波的性能与理论最优值存在明显差距。更关键的是，这些方法的有效性高度依赖于对移动终端运动模型的先验知识，而这在实际场景中往往难以精确获取。

研究团队首先建立了包含硬件损伤的完整系统模型，考虑了发射端和接收端的非理想特性。通过推导贝叶斯克拉美-罗界，他们为跟踪性能评估建立了理论基准。分析表明，硬件损伤不仅影响测量质量，还会导致系统信噪比存在理论上限，即使增加发射功率或天线数量也无法突破这一限制。

针对传统方法的局限性，研究人员提出了一种基于极限学习机的神经网络跟踪方案。该方案的创新之处在于完全摆脱了对运动模型先验知识的依赖，通过训练神经网络直接学习从含噪测量值到真实位置-速度向量的映射关系。极限学习机的独特优势在于其训练过程只需计算输出权重的闭式解，避免了复杂的优化过程，显著降低了计算复杂度。

在关键技术方法方面，研究团队主要采用了：1）建立包含硬件损伤的毫米波MISO-OFDM系统模型；2）推导贝叶斯费舍尔信息矩阵和贝叶斯克拉美-罗界理论基准；3）设计基于极限学习机的单层神经网络跟踪器；4）通过计算机仿真验证算法在多种硬件损伤场景下的性能。

研究团队设计了详尽的仿真实验验证所提方法的有效性。在系统配置方面，基站配备36天线阵列，移动终端在三维空间内以最大0.5米/秒的速度运动，硬件质量因子κ分别设置为0.95、0.9和1.0三种情况，全面评估算法在不同损伤程度下的表现。

位置跟踪精度分析

仿真结果显示，在硬件损伤条件下，所有跟踪方法的性能都受到显著影响。当κ=0.9时，传统扩展卡尔曼滤波和无迹卡尔曼滤波在传输功率达到15dB后出现性能饱和，而极限学习机跟踪器仍能保持较好的跟踪精度。值得注意的是，在理想硬件条件下，扩展卡尔曼滤波在低信噪比环境下表现最优，但随着硬件损伤加剧，无迹卡尔曼滤波展现出更好的鲁棒性。

速度估计性能比较

在速度跟踪方面，研究发现了更有趣的现象：所有方法的性能都与理论界限存在较大差距。这是因为速度估计不直接依赖于接收的导频信号，而是通过位置差分计算获得。极限学习机通过端到端的训练方式，能够更好地学习位置与速度之间的隐含关系，从而在速度估计方面展现出明显优势。

特定硬件损伤场景测试

研究团队还特别测试了算法在功率放大器非线性和相位噪声等特定损伤场景下的表现。结果显示，极限学习机在各种损伤条件下都保持稳定的性能，而传统方法的表现则随损伤类型和程度发生显著变化。特别是在存在未建模动态的情况下，极限学习机的泛化能力优势更加明显。

训练样本数量影响

关于神经网络训练的研究表明，在低信噪比条件下，增加训练样本数量能持续提升极限学习机的性能，但当样本数超过5000后改善趋于平缓。而在高信噪比条件下，性能对训练样本数量的敏感度较低，说明算法在不同环境下都具有良好的稳定性。

环境适应性验证

研究人员通过改变天线数量等系统参数，验证了算法的环境适应性。结果显示，即使在不重新训练的情况下，极限学习机也能保持相当的跟踪精度，而重新训练后性能可进一步提升。这一特性对于实际部署具有重要意义，因为在实际系统中环境参数可能经常变化。

算法复杂度对比

在计算复杂度方面，研究团队进行了详细分析。极限学习机的训练阶段需要约11.3兆浮点运算，而现代移动处理器能够实现太次浮点运算每秒，因此训练开销可以忽略不计。在实施阶段，每个跟踪步骤仅需1454次浮点运算，远低于扩展卡尔曼滤波的2760次和无迹卡尔曼滤波的3559次，展现出明显的效率优势。

研究结论表明，基于极限学习机的神经网络跟踪方法在保持低复杂度的同时，实现了对传统方法的性能超越。特别是在实际存在的硬件损伤条件下，该方法展现出显著的鲁棒性和泛化能力。这项研究的重要意义在于为5G及其后续移动通信系统的高精度定位提供了一种实用化解决方案，突破了硬件损伤对定位精度的固有限制。

值得注意的是，该方法成功地将跟踪问题转化为端到端的学习任务，避免了传统方法中对系统模型先验知识的依赖。这种范式转变不仅提升了跟踪性能，还大大增强了算法在实际场景中的适用性。随着移动通信系统向更高频段发展，硬件损伤的影响将更加显著，这项研究成果为此类系统的设计提供了重要参考。

未来研究方向可能包括将该方法扩展到更复杂的移动场景，以及结合新兴的集成传感与通信技术，进一步推动无线定位技术的发展。这项发表于《IEEE Open Journal of the Communications Society》的研究，不仅为解决毫米波系统中的定位难题提供了新思路，也为神经网络在通信信号处理中的应用开辟了新途径。