CN105656577A - 面向信道冲激响应的分簇方法和装置 - Google Patents

Abstract

本发明提供了一种面向信道冲激响应的分簇方法和装置。所述面向信道冲激响应的分簇方法，包括：步骤一，基于稀疏优化理论对原始信道的信道冲激响应CIR进行重构；步骤二，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；步骤三，根据模型拟合度，对所述分簇结果进行修正。本发明能够提高CIR多径分簇的准确度。

Description

面向信道冲激响应的分簇方法和装置

技术领域

本发明涉及属于信号处理领域，尤其涉及一种面向信道冲激响应的分簇方法和装置。

背景技术

准确的信道模型是开展无线通信系统设计与性能分析的前提。而在宽带通信系统中，对信道冲激响应(CIR)的建模至关重要，因为CIR决定了码间干扰、频率复用等重要特性。在所有CIR模型中，Saleh-Valenzuela(SV)模型是最为著名的一个。该模型引入了多径簇的概念，即多径分量在时延域成簇的现象，并且每个多径簇的第一个多径分量以及每个多径簇内的多径分量幅度都服从指数衰减。现有科学研究发现SV模型在宽带信道、超宽带信道以及毫米波波段与测量数据都有着较好的一致性。因此基于测量对SV模型进行参数化对于建立一个可靠的CIR模型具有重要意义。

在对SV模型进行参数化的过程中，首先，需要在CIR中对多径分量进行分簇。当前大部分学者采用视觉鉴别的方法实现CIR的多径分簇，因为人体视觉可以有效地从噪声中鉴别多径的结构与模式。但是这个方法面对海量的测量数据显得过于繁琐，实用性较差，并且易受主观判决差异的影响。

CIR自动分簇算法可以克服视觉鉴别法的诸多不足，在近几年逐渐成为研究热点。CIR自动分簇算法的难点主要在于：(i)簇的物理概念缺乏明确的定义；(ii)簇的数目通常未知；(iii)多径分量相似性的测度难以建立；(iv)CIR统计特性的物理规律难以融入分簇算法。

当前较为著名的分簇算法为KMeans，这种算法是一种硬判决算法，采用欧式距离来计算样本点与簇心之间的距离，因此更容易在数据中发现球形簇。然而，标准的KMeans算法并未广泛应用于CIR的分簇研究，这一领域使用最为广泛的分簇算法是KPowerMeans，其核心是将多径分量的功率引入标准的KMeans算法中。在KPowerMeans算法中，簇个数的上下界需要预先设定，而分簇是通过最小化簇内点与簇心的距离以及最大化簇与簇之间的距离来实现的。然而这种算法适合于在同时拥有多径时延和角度信息的条件下，因而更加适合于针对空-时两域的信道测量数据进行分簇。

除了KPowerMeans算法，还有一些其他分簇算法被应用于CIR的分簇中。如通过一系列的对数曲线来拟合测量得到的CIR从而达到最小的均方根误差(RMSE)。然而，这种方法对于RMSE的门限值非常敏感，并且复杂度较大；再如通过一些统计性的手段将数据分为多个维度的分析区域；还有算法利用隐藏Markov模型来学习多径参数的分布并对CIR中的多径分量进行划分；另外一些算法通过区域竞争的策略对CIR进行分簇。

然而，上述当前已有的算法均没有考虑CIR中多径分量的物理变化特性，即多径分量的能量随着时延指数递减这一电波传播的物理特征。忽略CIR的物理传播特性会极大的降低多径分簇的准确度。除此之外，现有分簇算法还需要预设大量初始参数，如簇的数目、簇的初始位置以及多径相似度的测度，因此算法的性能将极大的受到这些配置参数的影响。

发明内容

本发明的实施例提供了一种面向信道冲激响应的分簇方法和装置，提升了CIR多径分簇的准确度。

为了实现上述目的，本发明采取了如下技术方案：

一种面向信道冲激响应的分簇方法，包括：

步骤一，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

步骤二，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

步骤三，根据模型拟合度，对所述分簇结果进行修正。

所述基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构的步骤包括：

步骤a,设置初始状态下在每一个待分簇的功率时延谱中每组信道冲激响应中多径簇数目的最大值L_max；设置初始迭代次数；设置初始权重 设置加权1范数最小化的迭代过程的最大迭代次数M；n是多径数序号；N是总多径数目；

步骤b,计算重构信号的矢量形式具体为：

${\hat{P}}^{\left(m\right)}=\arg \min {\left|\right|P-\hat{P}\left|\right|}_2$

$s.t.{\left|\right|W^{\left(m\right)}\·{\mathrm{\Ω}}_2\·{\mathrm{\Ω}}_1\·\hat{P}\left|\right|}_1^2\≤L_{\max };$

其中，P为测量的功率时延谱PDP的矢量信号；为通过优化的方式还原的与P信号接近、与α_l，k的平均能量形式相同的重构信号；α_l,k为第l个簇内第k径的幅度；P为P(τ)的矢量形式；为的矢量形式；Ω₁为第一有限差分参数；Ω₂为第二有限差分参数；W^(m)为第m次迭代中的权重因子组成的对角矩阵；τ是每条多径的时延值；

步骤c,判断当前迭代次数m是否等于最大迭代次数M，生成判断结果；

步骤d,如果等于，则迭代终止；如果小于，则对当前迭代次数m加一,并对当前权重因子进行更新，生成更新后的权重因子；并使用所述更新后的权重因子,执行所述步骤b。

所述第一有限差分参数Ω₁根据以下公式表示：

其中，Δτ代表PDP原始测量数据中的时延最小分辨率；τ_N-1是是第N-1条多径对应的时延值；τ_N是第N条多径对应的时延值；

所述第二有限差分参数Ω2根据以下公式表示：

所述第m次迭代中权重因子组成的对角矩阵W^(m)为：

其中，ω_N是迭代过程中的权重因子。

所述对当前权重因子进行更新的步骤如下：

${\mathrm{\ω}}_n^{(m+1)}=\frac{1}{\left|{\hat{P}}_n^m\right|+\mathrm{\ϵ}},n=1,...,;$

其中，ε为迭代稳定系数；是第m次迭代结束后更新后的权重因子；是第m次循环中重构PDP对应的第n条多径的PDP值。

所述基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果的步骤包括：

$S:=\left\{n_c\right|{\mathrm{\Φ}}_{n_c}\≥C_{th}\};$

S:为识别的多径簇时延编号的集合；n_c为S中的元素；c为簇的序号；为多径簇识别因子Φ在n_c处的值；n_c为第c个簇的时延编号；C_th为判断簇的门限值；

或者，所述基于所述重构的CIR信号进行CIR多径簇的检测，生成分簇结果的步骤包括：

$S:=\left\{\begin{array}{cc}{n}_c|{\mathrm{\Φ}}_{n_c}\≥C_{th},& \begin{array}{cc}if& 0\≤n_c\≤0.3\·N\end{array}\\ n_c|{\mathrm{\Φ}}_{n_c}\≥0.5\·C_{th},& \begin{array}{cc}if& 0.3\·N\≤n_c\≤N\end{array}\end{array}\right..$

所述多径簇识别因子Φ根据以下公式计算：

$\mathrm{\Φ}={[{\mathrm{\Ω}}_2\·{\mathrm{\Ω}}_1\·\hat{P}]}_{(N-2)\×1}.$

所述根据模型拟合度，对所述分簇结果进行修正的步骤包括：

利用中的所有N_c个点得到最小二乘拟合曲线g(n)；其中，是基于分簇结果得到的值；n_p为每个簇内第一条多径峰值所对应的时延位置的索引值；是多径信号在n_p位置所对应的能量值；

计算中的所有N_c个点的线性拟合度，生成拟合参数R；

比较所述拟合参数R与拟合度判决门限R_th之间的大小，生成判断结果；

如果R<R_th，则令L′_max＝L_max-1，并跳至所述步骤一，直至分簇结果下的参数R大于所述拟合度判决门限R_th；L′_max为更新后的在每一个待分簇的功率时延谱中每组信道冲激响应中多径簇数目的最大值；

如果R≥R_th，则结束步骤。

所述计算中的所有N_C个点的线性拟合度，生成拟合参数R的步骤根据以下公式计算：

$R=1-\frac{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-g(n_p\left)\right)}^2}{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-{\stackrel{\&OverBar;}{P}}_{n_p})}^2}$

其中，代表(·)几何的平均值；g(n_p)为最小二乘拟合曲线g(n)在n_p处的取值。

一种面向信道冲激响应的分簇装置，包括：

重构单元，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

分簇单元，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

修正单元，根据模型拟合度，对所述分簇结果进行修正。

由上述本发明的实施例提供的技术方案可以看出，本发明充分考虑了CIR的物理规律，在分簇过程中融入了CIR功率随多径时延呈现指数递减的变化规律，提升了CIR多径分簇的准确度。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的面向信道冲激响应的分簇方法的处理流程图；

图2为本发明实施例一提供的面向信道冲激响应的分簇装置的连接结构图；

图3a和图3b是测量得到的超宽带信道PDP示意图。测试中发射机-接收机间距15米，图3a和图3b中线1表示每个簇内多径信号基于最小二乘的回归拟合结果。图3a表示原始PDP数据以及基于肉眼识别的分簇结果。每个簇内第一条多径信号用黑色圆圈做了标记，其线性回归曲线如线2所示；图3b是基于KMeans算法的分簇结果(不同的多径簇用不同线型进行标示)，其中线3为噪声样本，并未用于分簇。

图4a和图4b是基于CIR重构法则对多径簇的辨识示例。图4a表示对原始PDP样本的重构结果；图4b表示基于重构的PDP对多径簇的位置进行辨识的示例。

图5a和图5b是利用超宽带信道PDP测试数据显示的多径分簇二次修正的示例。测试中发射机-接收机间距5米，不同的簇用不同的线型进行标示。图5a和图5b中曲线线1为噪声样本，线段线2表示每个簇内多径信号基于最小二乘的回归拟合结果。每个簇内第一条多径信号用黑色圆圈做了标记。图5a为未做二次修正的分簇结果，其中直线线3表示每个簇内第一条多径峰值随时延递减的回归拟合结果，其拟合准确度较低，R＝0.47；图5b为二次修正后的分簇结果。

图6a、图6b和图6c是基于超宽带信道测量的CIR分簇示意图。测试中发射机-接收机间距15米，不同的簇用不同的颜色进行标示。图中曲线线1为噪声样本，线段线1表示每个簇内多径信号基于最小二乘的回归拟合结果。图6a为基于本发明算法的分簇结果；图6b为基于KMeans算法的分簇结果；图6c为基于KPowerMeans算法的分簇结果。

图7a、图7b和图7c是基于超宽带信道测量的CIR分簇示意图。测试中发射机-接收机间距20米，不同的簇用不同的线型进行标示。图中曲线线1为噪声样本，线段线1表示每个簇内多径信号基于最小二乘的回归拟合结果。图7a为基于本发明算法的分簇结果；图7b为基于KMeans算法的分簇结果；图7c为基于KPowerMeans算法的分簇结果。

图8是不同分簇算法下基于测量与模型生成的PDP之间的RMSE比较示意图。

图9是不同分簇算法下基于测量与模型生成的PDP的RMS时延扩展比较示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

如图1所示，为本发明所述的一种面向信道冲激响应的分簇方法，包括：

步骤11，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

步骤12，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

步骤13，根据模型拟合度，对所述分簇结果进行修正。

其中，步骤11包括：

步骤a,设置初始状态下在每一个待分簇的功率时延谱中每组信道冲激响应中多径簇数目的最大值L_max；设置初始迭代次数；设置初始权重 设置加权1范数最小化的迭代过程的最大迭代次数M；n是多径数序号；N是总多径数目；

步骤b,计算重构信号的矢量形式具体为：

${\hat{P}}^{\left(m\right)}=\arg \min {\left|\right|P-\hat{P}\left|\right|}_2$

$s.t.{\left|\right|W^{\left(m\right)}\&CenterDot;{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}\left|\right|}_1^2\&le;L_{\max };$

其中，P为测量的功率时延谱PDP的矢量信号；为通过优化的方式还原的与P信号接近、与α_l,k的平均能量形式相同的重构信号；α_l,k为第l个簇内第k径的幅度；P为P(τ)的矢量形式；为的矢量形式；Ω₁为第一有限差分参数；Ω₂为第二有限差分参数；W^(m)为第m次迭代中的权重因子组成的对角矩阵；τ是每条多径的时延值；

步骤c,判断当前迭代次数m是否等于最大迭代次数M，生成判断结果；

步骤d,如果等于，则迭代终止；如果小于，则对当前迭代次数m加一,并对当前权重因子进行更新，生成更新后的权重因子；并使用所述更新后的权重因子,执行所述步骤b。

所述第一有限差分参数Ω₁根据以下公式表示：

其中，Δτ代表PDP原始测量数据中的时延最小分辨率；τ_N-1是是第N-1条多径对应的时延值；τ_N是第N条多径对应的时延值；

所述第二有限差分参数Ω2根据以下公式表示：

所述第m次迭代中权重因子组成的对角矩阵W^(m)为：

其中，ω_N是迭代过程中的权重因子。

其中，步骤d中的对当前权重因子进行更新的步骤如下：

${\mathrm{\&omega;}}_n^{(m+1)}=\frac{1}{\left|{\hat{P}}_n^m\right|+\mathrm{\&epsiv;}},n=1,...,;$

其中，ε为迭代稳定系数；是第m次迭代结束后更新后的权重因子；是第m次循环中重构PDP对应的第n条多径的PDP值。

在一个实施例中，步骤12可以包括：

$S:=\left\{n_c\right|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;C_{th}\};$

S:为识别的多径簇时延编号的集合；n_c为S中的元素；c为簇的序号；为多径簇识别因子Φ在n_c处的值；n_c为第c个簇的时延编号；C_th为判断簇的门限值；

或者，在另一个实施例中，步骤12可以包括：

$S:=\left\{\begin{array}{cc}{n}_c|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;C_{th},& \begin{array}{cc}if& 0\&le;n_c\&le;0.3\&CenterDot;N\end{array}\\ n_c|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;0.5\&CenterDot;C_{th},& \begin{array}{cc}if& 0.3\&CenterDot;N\&le;n_c\&le;N\end{array}\end{array}\right..$

该实施例的方法比上述实施例的方法准确度高。

其中，所述多径簇识别因子Φ根据以下公式计算：

$\mathrm{\&Phi;}={[{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}]}_{(N-2)\&times;1}.$

步骤13包括：

步骤131，利用中的所有N_c个点得到最小二乘拟合曲线g(n)；其中，是基于分簇结果得到的值；n_p为每个簇内第一条多径峰值所对应的时延位置的索引值；是多径信号在n_p位置所对应的能量值；

步骤132，计算中的所有N_c个点的线性拟合度，生成拟合参数R；

步骤133，比较所述拟合参数R与拟合度判决门限R_th之间的大小，生成判断结果；

步骤134，如果R<R_th，则令L′_max＝L_max-1，并跳至所述步骤11，直至分簇结果下的参数R大于所述拟合度判决门限R_th；L′_max为更新后的在每一个待分簇的功率时延谱中每组信道冲激响应中多径簇数目的最大值；

步骤135，如果R≥R_th，则结束步骤。

其中，步骤132根据以下公式计算：

$R=1-\frac{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-g(n_p\left)\right)}^2}{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-{\stackrel{\&OverBar;}{P}}_{n_p})}^2}$

其中，代表(·)几何的平均值；g(n_p)为最小二乘拟合曲线g(n)在n_p处的取值。

如图2所示，为本发明所述的一种面向信道冲激响应的分簇装置，包括：

重构单元21，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

分簇单元22，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

修正单元23，根据模型拟合度，对所述分簇结果进行修正。

以下描述本发明的应用场景。

本方法基本工作原理如下：

首先，基于稀疏优化的方法对原始信道的CIR进行重构，剥离出CIR的物理传播特征；

其次，基于重构的CIR信号建立CIR多径簇的检测方法；也就是说，在重构出的CIR上开展多径分簇，

最后，借助模型拟合度判决对分簇结果的二次修正，进一步提升了CIR分簇的准确性。

以下描述本发明具体实施例。

本发明提供一种基于稀疏优化的CIR分簇方法，包括以下步骤：

(1)CIR模型的建立及分析

首先，对原始CIR数据进行统计性分析及建模。使用了在美国南加州大学开展测量所获得的超宽带数据来阐述本发明的算法。测量是在室内仓库场景开展的，使用矢量网络分析仪作为测量设备。测试中，矢量网络分析仪在2-8GHz频段范围内扫描了1601个点，时延分辨率为0.167ns。在测量过程中，发射机和接收机分别放置在不同的位置上，而收发信机之间的距离从5m到25m不等。

对于无线通信而言，传输媒介为连接发收发信机之间的无线传播信道。信号可以通过许多不同的传播路径从发射机到达接收机，这种现象被称为多径效应。这些多径通常由复数幅度和多径传播时延来描述。在该描述下，信道CIR通常具有以下形式：

$h\left(\mathrm{\&tau;}\right)={\mathrm{\&Sigma;}}_{n=1}^N{\mathrm{\&alpha;}}_n\exp \left({\mathrm{j\&phi;}}_n\right)\mathrm{\&delta;}(\mathrm{\&tau;}-{\mathrm{\&tau;}}_n)---\left(1\right)$

其中，h(τ)是信道CIR；τ是传播时延；j是虚数单位；α_n与φ_n分别为第n径的幅度和相位，N为多径的总数目，τ_n是第n径的传播时延。δ(·)为狄拉克δ函数(Diracdelta函数)。

大量测量显示，多径分量到达接收机的过程是成簇的。其中描述这种现象最为著名的模型即为SV模型，该模型基于双随机泊松到达过程。SV模型中最重要的特征是:在一个时延簇内多径分量的能量随时延的增加而呈现指数递减的现象，而时延簇的能量也遵循指数递减规律。SV模型中的CIR在数学上的表示如下：

$h\left(\mathrm{\&tau;}\right)={\mathrm{\&Sigma;}}_{l=1}^L{\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&alpha;}}_{l,k}\exp \left({\mathrm{j\&phi;}}_{l,k}\right)\mathrm{\&delta;}(\mathrm{\&tau;}-T_l-{\mathrm{\&tau;}}_{l,k})---\left(2\right)$

其中，α_l,k与φ_l,k为第l个簇内第k径的幅度和相位，L为簇的数目，K为每个簇内径的数目，T_l为第l个簇的到达时延，τ_l，k为第l个簇内第k径的附加时延。

在SV模型中，相位φ_l,k是在0到2π内随机分布的独立随机变量。α_l,k的平均能量如下所示：

其中，是第一个簇内第一条多径的平均能量，A₁和A₂表示簇间和簇内多径能量随时延的衰减现象，Γ和Λ_l分别表示簇与多径的能量衰减系数。

为了便于后续阐述，我们用功率时延谱(PDP)来取代CIRh(τ)。PDP数学上可以用来表示。因为在线性域对PDP的分析通常会导致较弱的多径分量被忽略，因此将PDP转换到对数域来进行分析，在该设定下，(3)式中所示的两个指数递减的参数将转化为线性递减。

上述SV模型已被大量的信道测量结果所验证。图3a给出了视距条件下超宽带信道PDP的测量结果。该测量中收发信机的距离为15m，其中线1代表对每个簇内的PDP进行的最小二乘回归拟合。在图3a中，信道PDP的分簇过程是通过视觉识别来完成的，每个簇内的第一个尖峰值由黑色圆圈来标记，这些峰值的最小二乘回归拟合由线2标记出来。从该结果中可以看出，PDP总共被分为了5个簇，每个簇的起始时延分别为50ns、120ns、175ns、214ns以及248ns。不同簇的第一条径能量随时延基本上遵循了线性递减的趋势，并且在簇内的多径能量随时延也遵循线性递减的趋势，只是递减的斜率不同。式(3)中所描述的多径能量递减规律(即A₁和A₂)在该数据中得到充分体现。

然而,即便通过视觉识别可以较为容易的对PDP进行分簇，大部分的自动分簇算法还是无法实现通过视觉识别所得到的结果。图3(b)给出了利用传统KMeans算法所得到的分簇结果，显然KMeans算法没有能够将PDP划分为SV形状的多径簇。传统KMeans算法利用欧式距离作为多径分量相似性的测度，没有考虑CIR的能量变化的物理特性，即式(3)所示的多径功率与时延的物理联系。因此，KMeans算法下每一个PDP簇的尾部都被分到了下一个相邻簇中，这显然与SV模型的假设不符。本发明通过一种新的自动分簇的算法,将以上CIR的物理特性考虑进来，提升了多径分簇的准确性。

(2)基于稀疏优化的CIR分簇策略

针对上述CIR分簇问题，本发明提出了一种基于稀疏优化的分簇算法，具体策略如下：

(2.1)算法假设

假设信道CIR的统计分布规律服从式(3)中的趋势：多径分量以及多径簇的能量服从随时延指数递减的规律，即式(3)中A₁和A₂分量所描述的特征。

(2.2)基于稀疏优化的CIR重构

令测量的PDP矢量P为已知信号，通过优化的手段还原与P信号接近、并且与式(3)形式相同的重构信号其中P与为P(τ)和的矢量形式。此项操作的目的是在重构的重构信号中融入CIR的物理变化规律，提升重构信号中多径簇的物理辨识度，进而服务于多径分簇。上述思路可以表示为如下优化问题：

${\min }_{\hat{P}}{\left|\right|P-\hat{P}\left|\right|}_2^2+\mathrm{\&lambda;}{\left|\right|{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}\left|\right|}_0---\left(4\right)$

其中‖·‖_x代表l_x的范数操作，l_x是P与的维度为N，λ为规范化参数，Ω₁为式(5)中所示的有限差分参数，其中Δτ代表数据中的时延最小分辨率，

Ω₂用于识别重构信号中斜率发生较大变化的拐点，可以用下式来标示：

式(4)中，项用来确保还原的服从式(3)中的物理特性，同时这一项还表示所提出的算法更趋向于多径簇数目较小的分簇结果，从而可以避免参数化的过拟合。

式(4)中的最优化问题为一个NP-hard的问题，一个解此问题可行的方法就是用l₁的范数来代替l₀的范数。但是l₁的范数的最小化过程会出现结构错误，即全局最小值并非最稀疏的解，从而导致簇的数目的增加，为了提高分簇结果的精度，利用加权的1范数最小化来获得此问题的稀疏解，即对于第m次迭代，将式(4)转化成如下问题：

${\hat{P}}^{\left(m\right)}=\arg \min {\left|\right|P-\hat{P}\left|\right|}_2$

$s.t.{\left|\right|W^{\left(m\right)}\&CenterDot;{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}\left|\right|}_1^2\&le;L_{\max }---\left(7\right)$

其中，表示重构信号的矢量形式，与式(4)中是一个参数，m表示第m次循环。L_max是在每一个待分簇的PDP中最大簇数目的预设值，可设为L_max＝30。上标(m)代表第m次迭代。W^(m)为第m次循环中权重因子组成的对角矩阵，如下所示：

ω_N是循环过程中的权重因子，亦是对角矩阵中的元素。

在加权1范数最小化的迭代过程中，通过如下方法对权重因子进行更新：

${\mathrm{\&omega;}}_n^{(m+1)}=\frac{1}{\left|{\hat{P}}_n^m\right|+\mathrm{\&epsiv;}},n=1,...,N---\left(9\right)$

其中迭代稳定系数ε可以保证迭代过程中的稳定性，并确保中的零元素分量不会阻止下一次迭代过程中的非零估计，ε可以选择任何比P中期望的非零幅度小很多的值。如果迭代次数m达到了预先设定的最大值M，则迭代终止；否则，继续增加m的数值并重新解式(7)的优化问题。经研究发现，对于PDP的分簇迭代收敛通常发生在m＝3，因此可以设置M＝10以获得合理的分簇结果。

(2.3)多径簇的识别

在基于稀疏优化的CIR重构的基础上，获得重构的PDP样本图4(a)给出了一个的示例。与原始的P中包含诸多衰落与噪声成分不同，重构的不仅仅很好地反映了原始信号的变化规律，而且具有分段线性变化的特点，当多径簇出现时，的斜率也发生了明显变化。为了更好地针对开展多径簇的识别，定义如下多径簇识别因子Φ矢量：

$\mathrm{\&Phi;}={[{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}]}_{(N-2)\&times;1}---\left(10\right)$

图4(b)中给出了参数Φ的示意图，从图中可以看出Φ的每一个正峰值点对应着一个多径簇的出现。因此，第c个簇的时延编号n_c(1≤n_c≤N-2)可以用如下的方法确定：

$S:=\left\{n_c\right|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;C_{th}\}---\left(11\right)$

其中，S:为；为n_c为S中的元素，1≤c≤N_c且N_c为簇的总数目；C_th为判断簇的门限。

为了便于对比，图4b中也给出了项的示例。从图中可以看出，如果利用峰值检索的方法来进行分簇，则Φ具有更好的辨识度。

此外，实际信道中当时延较大时Φ的绝对值相对较小，这主要是因为PDP的能量随时延在不断降低。因此，为了更好地在较大的时延区域内开展分簇，门限值C_th也应随时延的增大而降低。也可以采用如下方法进行簇的辨识：

$S:=\left\{\begin{array}{cc}{n}_c|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;C_{th},& \begin{array}{cc}if& 0\&le;n_c\&le;0.3\&CenterDot;N\end{array}\\ n_c|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;0.5\&CenterDot;C_{th},& \begin{array}{cc}if& 0.3\&CenterDot;N\&le;n_c\&le;N\end{array}\end{array}\right.---\left(12\right)$

其中，C_th＝1。如图4b所示，利用式(12)可以得到准确的CIR分簇结果。

(2.4)分簇结果二次修正

在上述算法中，式(3)中CIR的A₂分量的统计特征得到了充分考虑，但A₁分量的统计特性尚未被涵盖。为此，基于A₁分量的物理特征对初始的分簇结果开展二次修正，进一步提升分簇的准确性。

首先，利用中的所有N_c个点，可以得到其最小二乘拟合曲线g(n)。其中n_p为每个簇内第一条多径峰值所对应的时延位置的索引值；是多径信号在n_p位置所对应的能量值。

其次，借助判定参数R来确定g(n)拟合的准确性(GOS)：g(n_p)是基于数据序列得到的最小二乘拟合曲线；

$R=1-\frac{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-g(n_p\left)\right)}^2}{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-{\stackrel{\&OverBar;}{P}}_{n_p})}^2}---\left(13\right)$

其中，代表(·)几何的平均值。参数R用来描述g(n)拟合的准确度，取值从-∞到1，且越接近1表示回归模型的拟合准确度越高。参数R的值表明了分簇结果是否成功反映式(3)中A₁分量的物理特性。在二次修正中，可以设定R_th＝0.8。如果R<R_th，则令L′_max＝L_max-1，并重新开展(2.2)小节中的CIR重构及分簇，直至分簇结果下的参数R满足门限值要求为止。

二次修正的目的是使得分簇结果满足多径分量在每一个簇内的能量在对数域随时延呈现线性递减的规律。图5显示了分簇二次修正算法应用前后的分簇结果示意图，从图中可以看出，二次修正算法使得CIR的分簇结果更加符合式(3)中的信道物理特征，显著提升了分簇的准确性。

(3)CIR分簇算法准确度验证

为了验证所提出的算法，将其应用到了超宽带的实测数据中，并与其它算法进行了比较。在比较过程中，考虑了两种方法：传统KMeans算法以及KPowerMeans算法。

图6和图7中给出了应用不同分簇算法对测量PDP进行分簇的比对结果。图中，曲线线1代表噪声数据，直线线1代表每个簇内对PDP的最小二乘拟合，在图6(a)和7(a)中，每个簇的第一个多径峰值用黑色圆圈所表示。在分簇过程中没有考虑噪声数据的影响。从图中可以看出：

(1)利用所提出算法进行分簇得到的结果辨识度较高，每个簇中最前端均为多径的峰值，多径能量随之呈现一个线性递减的规律。不同簇的第一个多径峰值也随时延线性递减，且线性拟合度很高。这说明SV模型的物理假设在该分簇结果中得到了很好的体现。

(2)对于KMeans算法，可以清晰的看到每个PDP簇的尾部数据都被分到了下一个相邻簇中。这将导致在簇内对于PDP的最小二乘拟合出现了正斜率，进而引入较大的时延扩展误差。

(3)对于KPowerMeans算法，也可以看到每个PDP簇的尾部数据都被分到了下一个簇中，这说明针对能量进行全局最小化的加权操作无法体现出多径能量分布的物理规律。这是因为KPowerMeans算法最小化了多径分量的能量与多径分量和相应簇心的距离的乘积，这意味着KPowerMeans算法更倾向于在分簇过程中将多径能量峰值以左右对称的形式进行分簇，然而从式(3)中可以看出，信道CIR的功率变化并不遵循这一对称规律。

因此，图6和图7显示了所提出的算法在分簇过程中能够从物理上考虑CIR多径能量的变化规律，具有更高的准确度。

为了进一步验证本发明所提出的算法，首先利用分簇后的PDP来参数化SV模型，然后利用该参数化的模型生成PDP。结合最后生成的PDP，通过以下两个参数来验证分簇结果的准确度：

RMSE，即度量生成的PDP与测量值之间的差距；

均方根(RMS)时延扩展，即度量生成的PDP对信道时延弥散特性的预测能力。

这两个数据的定义如下：

$RMSE=\sqrt{\frac{1}{N-1}{\mathrm{\&Sigma;}}_{n=1}^N-{(P_n-{\hat{P}}_n)}^2}---\left(14\right)$

其中是利用参数化的SV模型生成的PDP。式(15)中的P_n可用来代替，从而获得所生成的PDP的RMS时延扩展。

图8给出了利用三种分簇算法得到的测量与生成PDP之间的RMSE，可以清晰地看到利用所提出算法生成的PDP与测量数据之间的RMSE最小(<6dB)，而利用KMeans算法和KPowerMeans算法生成的PDP与测量数据之间的RMSE均大于8dB。

图9给出了测量与生成PDP的RMS时延扩展，从图中可以发现利用所提出算法生成的PDP其RMS时延扩展与测量所得结果最为接近。对于KMeans算法和KPowerMeans算法，RMS时延扩展均比测量所得结果大10-70ns。

综上所述，本发明所提出的CIR分簇算法具有最高的准确度。

以下描述本发明的具体应用场景。具体实施步骤如下：

步骤1：设置初始状态下每组CIR中多径簇数目的最大值L_max＝30。

步骤2：设置初始迭代次数m为0，并设置初始权重设置加权1范数最小化这一优化过程的最大迭代次数M＝10。

步骤3：求解式(7)中的加权1范数最小化问题。

步骤4：利用式(9)更新迭代过程中的权重因子

步骤5：判定迭代的状态，如果迭代次数m达到了预先设定的最大值M，则迭代终止；否则，继续增加m的数值并返回步骤3。

步骤6：多径簇辨识：基于步骤2-5中重建得到的，利用式(12)进行多径簇的辨识，存储分簇结果。

步骤7：对分簇后的CIR进行能量域的峰值检索，获得每个多径簇内第一条多径峰值所对应的时延位置的索引值n_p，并存储数组

步骤8：利用式(13)计算中的所有N_c个点的线性拟合度，获得拟合参数R。

步骤9：分簇结果二次修正：设定拟合度判决门限R_th＝0.8。如果R<R_th，则令L′_max＝L_max-1，并返回步骤2；否则，分簇算法结束；l_max为初始状态下每组CIR中多径簇数目的最大值。

本发明具有以下有益效果：

1)本发明针对无线信道多径簇结构建模，提供一种面向无线信道多径簇结构建模的信道冲激响应(CIR)的分簇方法。与现有算法中直接针对时延域多径信号的欧式距离开展测度估计和分簇不同，本方法充分考虑了CIR的物理规律，在分簇过程中融入了CIR功率随多径时延呈现指数递减的变化规律，提升了CIR多径分簇的准确度。

2)本发明所提出的分簇算法充分考虑了CIR的物理传播特性，并且在实际应用的过程中不需要借助CIR簇的任何先验信息，如簇的数目以及簇的初始位置等。结合测量数据进行了验证，并在与其他算法的比较中体现出了更好的分簇准确度。可以有效地服务于CIR分簇，满足未来无线通信领域面向簇结构的信道建模需求。

3)本发明考虑到无线通信系统中多径分量的物理特性，基于稀疏优化理论合理地在多径分簇算法中引入了信号能量的变化特征。该方法通过考虑信道多径能量的物理变化规律，很好地解决了现有算法中多径分簇不准确的问题，进而服务于基于簇结构的无线通信信道建模以及通信系统的设计，具有很强的适用性及实用性。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

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。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种面向信道冲激响应的分簇方法，其特征在于，包括：

步骤一，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

步骤二，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

步骤三，根据模型拟合度，对所述分簇结果进行修正。

2.根据权利要求1所述的方法，其特征在于，所述基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构的步骤包括：

步骤a,设置初始状态下在每一个待分簇的功率时延谱中每组信道冲激响应中多径簇数目的最大值L_max；设置初始迭代次数；设置初始权重n＝1,…,N；设置加权1范数最小化的迭代过程的最大迭代次数M；n是多径数序号；N是总多径数目；

步骤b,计算重构信号的矢量形式具体为：

${\hat{P}}^{\left(m\right)}=\arg min\left|\right|P-\hat{P}|{|}_2$

$s.t.\left|\right|W^{\left(m\right)}\&CenterDot;{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}|{|}_1^2\&le;L_{max};$

其中，P为测量的功率时延谱PDP的矢量信号；为通过优化的方式还原的与P信号接近、与α_l,k的平均能量形式相同的重构信号；α_l,k为第l个簇内第k径的幅度；P为P(τ)的矢量形式；为的矢量形式；Ω₁为第一有限差分参数；Ω₂为第二有限差分参数；W^(m)为第m次迭代中的权重因子组成的对角矩阵；τ是每条多径的时延值；

步骤c,判断当前迭代次数m是否等于最大迭代次数M，生成判断结果；

步骤d,如果等于，则迭代终止；如果小于，则对当前迭代次数m加一,并对当前权重因子进行更新，生成更新后的权重因子；并使用所述更新后的权重因子,执行所述步骤b。

3.根据权利要求2所述的方法，其特征在于，

所述第一有限差分参数Ω₁根据以下公式表示：

其中，Δτ代表PDP原始测量数据中的时延最小分辨率；τ_N-1是是第N-1条多径对应的时延值；τ_N是第N条多径对应的时延值；

所述第二有限差分参数Ω2根据以下公式表示：

4.根据权利要求2所述的方法，其特征在于，所述第m次迭代中权重因子组成的对角矩阵W^(m)为：

其中，ω_N是迭代过程中的权重因子。

5.根据权利要求2所述的方法，其特征在于，所述对当前权重因子进行更新的步骤如下：

${\mathrm{\&omega;}}_n^{(m+1)}=\frac{1}{\left|{\hat{P}}_n^m\right|+\mathrm{\&epsiv;}},n=1,...,;$

其中，ε为迭代稳定系数；是第m次迭代结束后更新后的权重因子；是第m次循环中重构PDP对应的第n条多径的PDP值。

6.根据权利要求1所述的方法，其特征在于，所述基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果的步骤包括：

$S:=\left\{n_c\right|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;C_{th}\};$

S:为识别的多径簇时延编号的集合；n_c为S中的元素；c为簇的序号；为多径簇识别因子Φ在n_c处的值；n_c为第c个簇的时延编号；C_th为判断簇的门限值；

或者，所述基于所述重构的CIR信号进行CIR多径簇的检测，生成分簇结果的步骤包括：

$S:=\left\{\begin{array}{ccc}{n}_c|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;C_{th},& if& 0\&le;n_c\&le;0.3\&CenterDot;N\\ n_c|{\mathrm{\&Phi;}}_{n_c}\&GreaterEqual;05\&CenterDot;C_{th},& if& 0.3\&CenterDot;N\&le;n_c\&le;N\end{array}\right..$

7.根据权利要求6所述的方法，其特征在于，所述多径簇识别因子Φ根据以下公式计算：

$\mathrm{\&Phi;}={\&lsqb;{\mathrm{\&Omega;}}_2\&CenterDot;{\mathrm{\&Omega;}}_1\&CenterDot;\hat{P}\&rsqb;}_{(N-2)\&times;1}.$

8.根据权利要求1所述的方法，其特征在于，所述根据模型拟合度，对所述分簇结果进行修正的步骤包括：

利用中的所有N_c个点得到最小二乘拟合曲线g(n)；其中，是基于分簇结果得到的值；n_p为每个簇内第一条多径峰值所对应的时延位置的索引值；是多径信号在n_p位置所对应的能量值；

计算中的所有N_c个点的线性拟合度，生成拟合参数R；

比较所述拟合参数R与拟合度判决门限R_th之间的大小，生成判断结果；

如果R<R_th，则令L′_max＝L_max-1，并跳至所述步骤一，直至分簇结果下的参数R大于所述拟合度判决门限R_th；L′_max为更新后的在每一个待分簇的功率时延谱中每组信道冲激响应中多径簇数目的最大值；

如果R≥R_th，则结束步骤。

9.根据权利要求8所述的方法，其特征在于，所述计算中的所有N_c个点的线性拟合度，生成拟合参数R的步骤根据以下公式计算：

$R=1-\frac{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-g(n_p\left)\right)}^2}{{\mathrm{\&Sigma;}}_{n_p}{(P_{n_p}-{\stackrel{\&OverBar;}{P}}_{n_p})}^2}$

其中，代表(·)几何的平均值；g(n_p)为最小二乘拟合曲线g(n)在n_p处的取值。

10.一种面向信道冲激响应的分簇装置，其特征在于，包括：

重构单元，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

分簇单元，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

修正单元，根据模型拟合度，对所述分簇结果进行修正。