跟踪载波相位的方法及装置、存储介质、处理器与流程

本申请涉及卫星通信领域，具体而言，涉及一种跟踪载波相位的方法及装置、存储介质、处理器。

背景技术：

在低轨卫星的高动态场景下，卫星具有一阶、二阶甚至更高阶的多普勒频偏变化率，这对卫星信号的捕获和跟踪造成了极大的困难。如图1所示，接收信号经过基于星历的多普勒频偏预补偿、符号同步、帧同步后进行载波同步，载波同步包括载波频率捕获和载波相位跟踪。载波相位跟踪是以载波频率捕获模块为基础，辅助跟踪模块快速进入锁定状态。在低轨卫星通信系统的高动态场景下，载波相位跟踪实际上是实时获得时变的载波相位值。因此高动态场景下的载波相位跟踪是每一时刻的载波相位、频率、和频率变化率的联合估计。

传统载波频偏捕获辅助载波相位跟踪过程分为载波参数预置和载波参数补偿。参数补偿法是经过混频器的信号由载波捕获模块提供的辅助数据对信号进行计算补偿，然后再送入载波跟踪器，对信号进行实时跟踪。

传统的载波跟踪技术基于环路实现，如锁频环(frequencylockloop，fll)，锁相环(phaselockedloop，pll)等，难以兼顾低信噪比和快速时变的特性，因此只适用于静态和低动态环境。基于pll和fll改进类算法，如fll辅助pll、二阶fll辅助三阶pll在高动态、低信噪比环境中，跟踪精度和稳定性仍不能满足实际系统的需求。基于蒙特卡洛估计理论的载波相位跟踪技术也在不断发展，如粒子滤波(particlefilter，pf)算法、以及改进的粒子滤波(modifiedparticlefilter，mpf)算法等，虽然该类算法理论上具有很高的滤波精度，但该类算法复杂度很高，不利于工程实现。随着贝叶斯参数估计理论的发展，卡尔曼滤波类算法不断涌现。其中，标准卡尔曼滤波只适用于状态转移方程和观测方程均满足线性关系的系统，不适用于高动态场景。扩展卡尔曼滤波算法将非线性问题转化为线性问题，使得将标准卡尔曼滤波的使用范围扩展到非线性系统中。但同时也由于高阶项的忽略，使得在某些环境中，该算法性能下降。

因为近似非线性函数的概率密度分布比近似非线性函数更加容易求取，为了解决在高阶非线性系统中卡尔曼滤波器的不足，提出了利用采样点来逼近状态概率密度的无迹卡尔曼滤波器，在无迹卡尔曼滤波过程中，存在采样点到中心点的距离随着待估计向量维度的增加而增大，产生采样的非局部效应，从而影响滤波精度。

针对现有技术中在高动态场景下载波同步时，在无迹卡尔曼滤波过程中由于采样产生非局部效应影响滤波精度，导致载波相位的跟踪精准度降低的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请实施例提供了一种跟踪载波相位的方法及装置、存储介质、处理器，以至少解决现有技术中在高动态场景下载波同步时，在无迹卡尔曼滤波过程中由于采样产生非局部效应影响滤波精度，导致载波相位的跟踪精准度降低的技术问题。

根据本申请实施例的一个方面，提供了一种跟踪载波相位的方法，包括：实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率；在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果。

可选地，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，包括：基于比例因子构造采样点集合；将采样点集合进行非线性变换，得到状态转移后的新采样点和状态向量的新预测值；基于新采样点的状态向量的新预测值，构造新的采样点集合；对新的采样点集合进行非线性变换，确定更新后的观测向量。

可选地，基于比例因子构造采样点集合，包括：基于如下公式获取采样点集合其中，κ＝α²(l+λ)-l为尺度参数，为中心点，α为确定中心点周围采样点集合分布的比例因子，λ为第二尺度参数，为分解得到的采样点集合的实对称正定矩阵，

表示矩阵的第i列。

可选地，将采样点集合进行非线性变换，得到状态转移后的新采样点和状态向量的新预测值，包括：通过如下公式完成非线性变换，得到新采样点和状态向量的新预测值：

其中，表示采样点经过状态转移之后得到的新采样点，表示第n时刻的状态向量的新预测值。

可选地，基于新采样点的状态向量的新预测值，构造新的采样点集合包括：根据状态向量的新预测值和协方差矩阵pn|n-1构造新的采样点集合其中，通过如下公式获取协方差矩阵pn|n-1：

其中，为z的方差时的加权系数，q为噪声向量的协方差矩阵。

可选地，对新的采样点集合进行非线性变换，确定更新后的观测向量，包括：利用观测模型将新的采样点集合进行非线性函数处理得到更新之后的观测向量，其中，非线性函数通过如下公式表征：

可选地，在通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离之前，上述方法还包括：计算每个采样点到中心点的参考距离dn；计算无比例修正下各采样点到中心点的距离di′和(di′)max；基于参考距离和无比例修正下各采样点到中心点的距离di′和(di′)max，确定比例因子α。

根据本申请实施例的另一方面，还提供了一种跟踪载波相位的装置，包括：接收模块，用于实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率；跟踪模块，用于在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果。

根据本申请实施例的再一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上的跟踪载波相位的方法。

根据本申请实施例的再一方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的跟踪载波相位的方法。

在本申请实施例中，采用实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率；在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果的方式，通过提出基于自适应比例因子α的无迹卡尔曼滤波算法,通过引入自适应比例因子α，达到了有效抑制非局部效应的目的，从而实现了提高了载波相位跟踪的精准度的技术效果，进而解决了现有技术中在高动态场景下载波同步时，在无迹卡尔曼滤波过程中由于采样产生非局部效应影响滤波精度，导致载波相位的跟踪精准度降低技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据现有技术的一种对卫星信号进行载波同步的流程图；

图2是根据本申请实施例的一种跟踪载波相位的方法的流程图；

图3是根据本申请实施例的一种基于预置参数的载波相位跟踪技术的示意图；

图4是根据本申请实施例的一种跟踪载波相位的装置的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请实施例，提供了一种跟踪载波相位的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本申请实施例的一种跟踪载波相位的方法的流程图，如图2所示，该方法包括如下步骤：

步骤s202，实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率。

步骤s204，在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果。

图3是根据本申请实施例的一种基于预置参数的载波相位跟踪技术的示意图，将载波捕获模块估计的载波频率及其变化率的值传递至载波相位跟踪器，结合载波相位跟踪器频率和变化率的先验知识(预置参数)，辅助载波相位跟踪快速进入锁定状态。

在载波相位跟踪过程中，存在采样点到中心点的距离随着待估计向量维度的增加而增大，产生采样的非局部效应，从而影响滤波精度的问题。在执行步骤s204时，通过自适应调整比例因子，能够有效抑制非局部效应，提高滤波精度。

通过上述步骤，通过引入自适应比例因子α，达到了有效抑制非局部效应的目的，从而实现了提高了载波相位跟踪的精准度的技术效果。

首先对载波相位跟踪技术涉及的数学模型进行介绍：

在高动态环境中，载波同步问题相对于其他同步问题较为严重。故假设接收信号不存在时延，信号可表示为:

r(n)＝as(n)exp{j(2πntδf+θ)}+υ(n),0≤n≤n-1

式中，a表示信号的幅度；s(n)表示经过相位调制后的第n个调制符号；t表示符号周期，单位秒(s)；δf表示待估计的频偏；θ表示未知的初始相位，单位弧度(rad)；n表示这段序列的长度；υ(n)表示均值为0、方差为σ²的高斯白噪声。

信号幅度对频偏估计无影响，故令振幅a＝1，取s^*(n)为s(n)的共轭，则：

x(n)＝r(n)s*(n)＝exp{j(2πntδf+θ)}+υ(n)s*(n)

将加性噪声(高斯白噪声)转换为乘性噪声，则有：

式中，乘性噪声w(n)具有均值与方差随着信噪比的增大而更加趋近于零的类高斯分布特性。

将φ(n)按照泰勒级数展开得到：

式中，f0、f1、f2表示频偏及一阶、二阶变化率，单位分别是：hz、hz/s和hz/s2。o(nt)项表示三阶及以上变化率对信号的影响。

传统的标准卡尔曼滤波器是一种对离散线性系统以状态转移方差和观测方程进行估计的滤波器。卡尔曼滤波包括状态预测过程和状态更新过程。在单次的状态预测和状态更新过程中，只需输入前一时刻估计值和当前时刻观测值即可。该过程计算量小，硬件开销小。

对于含噪声项的多输入多输出离线线性系统，标准的卡尔曼滤波状态方程为：

其中，x(n)表示第n时刻的状态量；a(n,n-1)表示第n-1时刻到第n时刻的状态转移矩阵；b(n-1)表示第n-1时刻系统输入量和系统状态量之间的关系矩阵；u(n-1)表示第n-1时刻的输入量；表示第n-1时刻的均值为0，协方差矩阵为q的观测噪声向量。

矩阵a(n,n-1)和b(n-1)通常为常数矩阵，于是上式可简写为：

则标准卡尔曼滤波的观测方程为：

yn＝hxn+vn

yn为第n时刻系统的观测向量。h表示观测量和系统状态量之间的关系矩阵。vn表示第n时刻均值为0，协方差矩阵为r的观测噪声向量。

因为使用基于参数预置的辅助方法，于是输入项un-1为0。所以状态预测过程可表示为：

pn|n-1＝apn-1a^t+q

式中，表示第n时刻的先验估计值，表示第n-1时刻状态向量xn-1的最优估计值，pn|n-1表示先验估计误差的协方差矩阵。

状态更新方程如下：

kn＝pn|n-1h^t(hpn|n-1h^t+r)^-1

pn＝(i-knh)pn|n-1

其中，kn是卡尔曼滤波的增益；表示第n时刻系统状态向量的后验估计值，即第n时刻的最佳估计值；pn为后验估计误差协方差矩阵。

将按照泰勒级数展开，得到

式中，f0，n-1、f1，n-1、f2，n-1分别表示n-1时刻接收信号中载波相位、频率及一阶、二阶变化率，η1，n-1表示泰勒展开式的余项。

同样将f0，n-1、f1，n-1和f2，n-1按照泰勒级数展开,并采用标准卡尔曼滤波算法去实现载波相位跟踪。不难得到状态转移方程和观测方程：

式中，为含有四维带估计参数的向量，rnⁱ和rn^q分别为系统的观测量yn对应的i路和q路分量。不难看出，状态变量xn和观测变量yn不满足线性关系。标准卡尔曼滤波只适用于线性的状态转移方程和观测方程的系统，不适用于高动态场景。

扩展的卡尔曼滤波算法通过改变标准卡尔曼滤波中的矩阵h为hn，可将其推广到非线性系统中。hn是雅可比矩阵，近似线性化为

扩展的卡尔曼滤波算法通过去除非线性函数泰勒展开式的高阶项，把问题转化为线性问题。但在形如高动态场景下高阶项无法忽略，使用近似线性化的处理会产生较大的误差，使滤波的性能下降。

因为近似非线性函数的概率密度分布比近似非线性函数更加容易求取，为了解决在高阶非线性系统中卡尔曼滤波器的不足，提出了利用采样点(sigma点)来逼近状态概率密度的无迹卡尔曼滤波器。它通过确定性采样策略获得采样点，以无迹变换(unscentedtransform，ut)和卡尔曼滤波为基础框架，直接逼近状态的后验概率密度分布。

根据l维随机向量x的均值和协方差矩阵px构造ut变换的sigma点集，表达式如下：

其中，κ＝α²(l+λ)-l为尺度参数。α为确定周围sigma点分布的比例因子，一般为较小的正数(10^-4≤α＜1)。λ为第二尺度参数，通常为0或3-l。为通过cholesky分解得到的sigma点的实对称正定矩阵。表示矩阵的第i列。

将构造的sigma点的集合{χⁱ}带入非线性函数f(·)进行非线性变换，得到变换后的sigma点集，如下：

zi＝f(χⁱ),0≤i≤2l

其中，输出量z的均值和协方差矩阵为：

式中，为z的均值的加权系数，为z的方差时的加权系数，可由下式给出：

式中，β为状态分布参数。对于高斯分布，β＝2时最优；对于单个状态变量，β＝0时最优。

根据本申请的一个可选的实施例，步骤s204可以通过以下方法实现：基于比例因子构造采样点集合；将采样点集合进行非线性变换，得到状态转移后的新采样点和状态向量的新预测值；基于新采样点的状态向量的新预测值，构造新的采样点集合；对新的采样点集合进行非线性变换，确定更新后的观测向量。

根据本申请的一个可选的实施例，基于比例因子构造采样点集合，包括：基于如下公式获取采样点集合

其中，κ＝α²(l+λ)-l为尺度参数，为中心点，α为确定中心点周围采样点集合分布的比例因子，λ为第二尺度参数，为分解得到的采样点集合的实对称正定矩阵，表示矩阵的第i列。

根据本申请的一个可选的实施例，将采样点集合进行非线性变换，得到状态转移后的新采样点和状态向量的新预测值，包括：通过如下公式完成非线性变换，得到新采样点和状态

向量的新预测值：

其中，表示采样点经过状态转移之后得到的新采样点，表示第n时刻的状态向量的新预测值。

在本申请的一个可选的实施例中，基于新采样点的状态向量的新预测值，构造新的采样点集合包括：根据状态向量的新预测值和协方差矩阵pn|n-1构造新的采样点集合其中，通过如下公式获取协方差矩阵pn|n-1：

其中，为z的方差时的加权系数，q为噪声向量的协方差矩阵。

可选地，对新的采样点集合进行非线性变换，确定更新后的观测向量，包括：利用观测模型将新的采样点集合进行非线性函数处理得到更新之后的观测向量，其中，非线性函数通过如下公式表征：

观测向量均值为：

然后，通过以下公式更新滤波：

式中，表示观测向量的误差协方差矩阵，表示状态向量和观测向量的误差互协方差矩阵。

根据本申请的一个可选的实施例，在通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离之前，上述方法还包括：计算每个采样点到中心点的参考距离dn；计算无比例修正下各采样点到中心点的距离di′和(di′)max；基于参考距离和无比例修正下各采样点到中心点的距离di′和(di′)max，确定比例因子α。

在上文中提到，为了解决在高阶非线性系统中卡尔曼滤波器的不足，提出了利用采样点(sigma点)来逼近状态概率密度的无迹卡尔曼滤波器。在无迹卡尔曼滤波过程中，存在采样点到中心点的距离随着待估计向量x维度的增加而增大，产生采样的非局部效应，从而影响滤波精度。采样点到中心点的距离要由比例因子α决定。所以如何选择最佳比例因子α是载波相位跟踪时，无迹卡尔曼滤波算法面临的重要问题。

采用比例修正的对称采样策略时，构造的sigma点到中心点的距离为：

式中，若第二尺度参数λ为0，则上式可简化为：

由上述公式可以看出，能通过调整α控制哥采样点到中心点的距离。

协方差矩阵pn在滤波更新过程中可看作为：

通过协方差矩阵pn，滤波估计值和滤波真实值xn之间的距离可以近似求解，为：

式中，trace(·)表示求矩阵的迹。

若将dn作为第n+1步中sigma点的采样范围，那么sigma点到中心点的距离di必须不大于dn的值，则有：

(di)max＝max{di}≤dn,0≤i≤2l由此公式可以计算比例因子α的值，并将该值作为滤波过程中的最佳选择值。

比例因子a的具体求解步骤如下：

1)计算采样点到中心点的参考距离dn。

2)计算无比例修正下各采样点到中心点的距离di′和(di′)max。

在载波相位跟踪中，由于待估计参数x为一个四维向量，故l＝4。因此，各采样点到中心点的距离di的计算公式可以简化为：

在无比例修正条件下的距离di′和(di′)max可表示为：

(di′)max＝max{di′}

根据(di)max＝dn计算比例因子α。

根据有、无比例修正条件下各采样点到中心点的距离关系，可知：

由于α的取值范围为[10^-4,1)，则α的自适应选择为：

通过本申请描述的自适应的调整比例因子α的无迹卡尔曼滤波算法应用在高动态场景时，能有效抑制非局部效应，提高滤波精度。

图4是根据本申请实施例的一种跟踪载波相位的装置的结构图，如图4所示，该装置包括：

接收模块40，用于实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率。

跟踪模块42，用于在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果。

需要说明的是，图4所示实施例的优选实施方式可以参见图2所示实施例的相关描述，此处不再赘述。

根据本申请实施例还提供了一种存储介质，存储介质包括存储的程序，其中，程序运行时控制存储介质所在设备执行以上的跟踪载波相位的方法。

存储介质用于存储执行以下功能的程序：实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率；在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果。

本申请实施例还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的跟踪载波相位的方法。

处理器用于运行执行以下功能的程序：实时接收采样点采集到的载波信号，其中，载波信号携带了信号的载波相位、载波频率和载波频率的变化率；在高动态场景下，基于预置参数跟踪载波信号中时变的载波相位，其中，预置参数包括：跟踪器频率和跟踪频率的变化率；其中，在跟踪过程中，通过调整比例因子来控制采样点集合中每个采样点与中心点之间的距离，比例因子用于确定处于中心点的区域范围内的采样点的分布结果。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，rezkjsd-onlymemory)、随机存取存储器(rzkjsm，rzkjsndomzkjsccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。