面向物联网应用基于细粒度特征生成的高精度到达时间估计
信号处理
2020-08-19 v1
摘要
传统方案常需额外的参考信号或更复杂的算法来提升到达时间（TOA）估计精度。然而，在本文中，我们提议从全带宽与基于资源块（RB）的参考信号生成细粒度特征，并相应计算互相关以提升观测分辨率及 TOA 估计结果。利用类谱图的互相关特征图，我们应用具有解耦特征提取与拟合的机器学习技术，以理解时域与频域中的变化，并将特征直接投影至 TOA 结果。通过数值算例，我们表明所提出的基于细粒度特征生成的高精度 TOA 估计在静态传播环境中可实现至少 51% 的均方根误差（RMSE）改善，在多径衰落环境中实现 38 ns 的中值 TOA 估计误差，相较于现有的 MUSIC 与 ESPRIT 算法分别等效于 36% 与 25% 的改善。
引用
@article{arxiv.2008.07932,
title = {High Accurate Time-of-Arrival Estimation with Fine-Grained Feature Generation for Internet-of-Things Applications},
author = {Guangjin Pan and Tao Wang and Shunqing Zhang and Shugong Xu},
journal= {arXiv preprint arXiv:2008.07932},
year = {2020}
}