CN106548136A - 一种无线信道场景分类方法 - Google Patents

Abstract

本发明公开了一种无线信道场景分类方法，包括如下步骤：对场景的真实信道测量结果进行维纳滤波去除噪声，得到完整的时变信道；对完整的时变信道进行分段非参数化直接双谱估计求解双谱矩阵；根据双谱矩阵计算无线信道特征矩阵；对无线信道特征矩阵进行归一化预处理；用归一化预处理后的无线信道特征矩阵训练M个弱分类器；计算并调整预测序列的权重；根据相对多数投票准则合并M个弱分类器得到一个强分类器；建立场景判定指标，利用强分类器对待识别的无线信道进行场景分类。本发明解决了如何发现并提取不同环境下的无线信道特征并将其识别为某一特定场景的问题，消除了等效滤波器和高斯白噪声的干扰，估计出了完整的时变信道。

Description

一种无线信道场景分类方法

技术领域

本发明涉及机器学习和无线通信技术领域，特别涉及多径判定和识别，可用于无线信道的特征提取和场景的识别。

背景技术

随着互联网和计算机技术迅猛发展，人类在短短几十年内面临的信息量堪比人类以往所有时代信息量的总和。移动通信产业一直以惊人的速度迅猛发展，已成为带动全球经济发展的主要高科技产业之一，并对人类生活及社会发展产生了巨大的影响。在典型的无线信道中，电磁波的传输不是单一路径的，而是由许多因散射(包括反射和衍射)而形成的路径所构成的。由于电磁波沿各条路径的传播距离不同，因此相同发射信号经由各条路径到达接收端的时间各不相同，即多径的时延之间有差异。此外，各条路径对相同发射信号造成的影响各不相同，即多径的系数之间有差异。

现代通信信号处理的研究近年来快速发展,对通信信号的"指纹”分析技术也越来越受到研究学者的重视,展现了广阔的应用前景,如军事通信和无线网络的安全,无线电管理,人工智能,机器设备的故障诊断等,将会产生更多新的应用模式。由此可见,未来广阔的应用趋势也对通信信号分析手段提出了相当高的要求。由已知单位脉冲数据依次经发送滤波器、信道和接收滤波器后得到的实际接收信号，受到了等效滤波器和高斯白噪声的干扰，因此原始组成较为复杂。通过双谱矩阵可以提取到信道“指纹”特征，然而还不能判定它属于哪个场景。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。因此考虑用机器学习的方法来设计一个强分类器来区分这些指纹。强分类器本质是提升树，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

因此，针对以上问题，有必要提供一种基于BP_Adaboost的集成学习方法，既能不打破原有数据的时空结构，又能利用集成学习的优点，提升信道场景识别率。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种无线信道场景分类方法，该方法通过对原始信号进行维纳卷积去噪声处理，集成了多个神经网络弱分类器，从而提高了各基分类器间的多样性，获得了较好的无线信道场景分类效果。

本发明解决其技术问题所采用的技术方案是：一种无线信道场景分类方法，包括如下步骤：

步骤一、对场景的真实信道测量结果进行维纳滤波去除噪声，得到完整的时变信道；

步骤二、对完整的时变信道进行分段非参数化直接双谱估计求解双谱矩阵；

步骤三、根据双谱矩阵计算无线信道特征矩阵；

步骤四、对无线信道特征矩阵进行归一化预处理；

步骤五、用归一化预处理后的无线信道特征矩阵训练M个弱分类器；

步骤六、计算并调整预测序列的权重；

步骤七、根据相对多数投票准则合并M个弱分类器得到一个强分类器；

步骤八、建立场景判定指标，利用强分类器对待识别的无线信道进行场景分类。

与现有技术相比，本发明的积极效果是：

(1)本发明解决了如何发现并提取不同环境下的无线信道特征并将其识别为某一特定场景的问题。

(2)本发明应用维纳滤波，反卷积组成复杂的接收信号，消除了等效滤波器和高斯白噪声的干扰，估计出了完整的时变信道，在某种程度上对样本进行了降噪处理。

(3)本发明通过多个神经网络弱分类器构造了多样性的强分类器BP_Adaboost强分类器，从而获得了较高的场景识别率。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明的流程示意图。

图2为维纳反卷积去除高斯噪声的流程图。

具体实施方式

一种无线信道场景分类方法，如图1所示，包括以下步骤：

步骤一、对场景的真实信道测量结果进行维纳滤波去除噪声：

根据维纳滤波去卷积模型，有r(S)＝G(S)h(S)+u(S)，求得均方最优的去卷积维纳滤波器传递函数P(S)，由此获取完整的时变信道h[k,n]，目的是去除接收信号中复高斯白噪声获取完整的时变信道。

去噪声方法：维纳反卷积滤波方法。考虑到多径系数及多径时延的影响，在保证精度的前提下，可以用散线性系统为无线信道建模。因为在真实无线通信系统中，为了改善信号的传输质量，通常需要在系统的发射端和接收端，各增加一个滤波器。所有滤波器在真实信道测量中的影响，可以等效地用函数g(m)表示。考虑到信道的时变性以及实测中可能引入了噪声，不同时刻的真实信道测量结果及其对应的无线信道分别为：

其中r[k,n]表示真实信道测量结果，g(m)表示等效滤波器，而u[k,n]表示复高斯白噪声，K表示多径数目。利用维纳滤波去卷积模型获取完整的时变信道h[k,n]。

下面结合附图2对维纳滤波去噪声具体实施方式做进一步的详细说明：

1.1在考虑有复高斯白噪声情况下，图2中W(S)为维纳滤波的函数，P(S)为去卷积滤波器与维纳滤波级联传递函数。根据维纳滤波去卷积模型：

r(S)＝G(S)h(S)+u(S)(2)

其中，r(S),G(S),h(S)分别r(t),G(t),h(t)的傅里叶变换，u(S)表示噪声信号经过傅里叶变换，r(t)表示维纳滤波输出结果，G(t)是去卷积滤波器与维纳滤波器级联传递函数，h(t)代表原始信号。

1.2、如果G(S)≠0，且信号和噪声不相关，根据相关理论可知，维纳滤波器的传递函数为：

其中h(t),u(t)分别代表原始信号和噪声信号，P_h(S)，P_u(S)分别为h(t),u(t)的功率谱。

1.3、均方最优的去卷积维纳滤波器传递函数为：

其中G(S)是一个低通滤波，则1/G(S)是一个高通滤波，G*(S)是G(S)中的因果成分也就是逆拉普拉斯变换。

1.4、当G(S)值非常小时，1/G(S)将会非常大，从而导致我们的数值求解不稳定。这说明逆向滤波方法对实际测量波形中存在的噪音非常敏感。为了避免这种情况，我们可以给定如下1/G(S)的一个阈值ξ：

步骤二、把去噪信号数据平均分成k段，采用非参数化直接双谱估计方法求解得到k个双谱矩阵：

将完整的时变信道h[k,n]平均分成k段，采用分组傅里叶序列进行估算,再计算出离散傅里叶的三阶相关，采用非参数化直接双谱估计方法，得到h[k,n]时变信道的k段双谱估计

该步骤由完整时变信道求解非参数化直接双谱估计：高阶统计量分析能够消除大部分信号功率谱中的有色高斯噪声，而且高阶统计量分析方法能够用于获取信号自身的非线性相关信息,同时高阶统计量分析技术也能检测和表征信号的循环平稳性质,再平稳噪声消除。功率谱表示了两个相同频率成分对均值的贡献，双谱表示了3个频率成分对均值的贡献，其中一个频率是另两个频率之和。双谱的一般表达式为：

双谱估计过程描述如下：

2.1对完整时变信号h[k,n]进行分组傅里叶序列进行估算,再继续作三重相关运估算。采用分组的原因是由于无线信道数据量通常非常大。将时变信号数据h[k,n]平均分成k段,其中各段有N个试验样本,对各段试验样本去除均值；

2.2计算离散傅里叶变换，其中X^(j)(u)是表示每一段的数据，取值为0,1......,N-1，分解形式如下：

2.3计算出离散傅里叶的三阶相关，其中j＝1,2.....,K，u₁和u₂满足关系0≤u₂≤u₁，u₁+u₂≤f_s/2，分解形式如下：

其中f_s代表采样频率，Δ₀＝f_s/N₀，而N＝2(L₁+1)N₀，k1,k2代表的是累加记号。

2.4时变信号的双谱矩阵由k段非参数化直接双谱估计的均值给出：

其中

步骤三、求出k个双谱矩阵对应的特征向量，再进行取模运算得到无线信道特征矩阵：

设傅里叶变换步长为h，分别计算每一个双谱矩阵的特征向量P_i，对向量模运算得到实向量P_i'。以k个实向量作为列向量排列，生成无线信道特征矩阵Ρ；该步骤中提取无线信道特征矩阵Ρ，提取过程描述如下：

3.1步骤2中的双谱矩阵是一个方阵，大小同使用的傅里叶步长h一样，模型中通常会选取h＝32,64,128，即每一段信号对应生成的双谱矩阵维度是32×32,64×64,128×128，共有k个双谱矩阵。分别对这k个双谱矩阵进行特征分解；

[P_i,D_i]＝eig(B_i) (10)

其中,D_i是对角矩阵,P_i的列向量构成对应于D_i的特征向量组。

3.2将复向量P_i取模转换为实向量P_i→P_i'，以k个实向量P_i'作为列向量排列，构成无线信道特征矩阵Ρ。Ρ矩阵的维度是h×k。

步骤四、将无线指纹特征矩阵进行归一化预处理：

将无线指纹特征矩阵构造成训练样本集进行归一化预处理为其中P_i,P_i ^*是特征矩阵的列向量，y_i,是样本P_i,P_i ^*对应的类标签。

该步骤中，训练样本集进行归一化预处理的方法：0-1标准化，是对原始样本数据的线性变换，使结果落到[0,1]区间，转换函数如下：

其中，max(P_i')表示取训练样本P_i'中元素的最大值，min(P_i')表示取训练样本P_i'中元素的最小值，最后用所有预处理后的训练样本P_i ^*及其标签y_i构成预处理后的训练样本集

步骤五、初始化M个弱分类器神经网络，并用归一化后的无线指纹特征矩阵训练：

5.1初始化n个样本的权值，假设样本分布为均匀分布 表示在第t次迭代中样本的权值，n为训练集中样本的个数。在此样本分布下训练一个基本的弱分类器h₁，总迭代次数为弱分类器个数M。根据该分类器对训练集的预测误差来确定该弱分类器h₁的权重和训练集中各样本的权重，对h₁预测误差大的样本，则增加其对应的样本权重；而对于预测误差小的样本，则降低其权重。

5.2在的概率分布下，训练M个弱分类器h_t，计算该弱分类器在每次迭代后的误差率e_t，t＝1,2,…,M。

步骤六、计算并调整预测序列的权重，调整策略为最小化权重误差函数

6.1计算序列权重α_t：

6.2依照预测权重α_m，更新下一轮样本的权重：

式中Z_t是归一化因子。目的是使得分布权值和等于1。在新的样本分布下，再次对得到基本分类器h₂对应的权重。因为共有M个弱分类器，所以依次经过M次循环，可得到M个基本分类器和对应的权重向量。

步骤七、根据相对多数投票准则合并M个弱分类器神经网络得到一个泛化能力更强的BP_Adaboost分类器：

合并弱分类器得到一个更强的分类器，组合方式的数学表达如下：

步骤八、依据已有信道分类信息，建立场景分类判定指标：

当有一组未知场景数据时，首先经过步骤一去除噪声干扰，再用步骤二，步骤三提取到特征向量，然后通过步骤四将数据进行预处理。步骤四得到的归一化数据即可作为输入项到强分类器BP_Adaboost中，其输出是一个实数ψ，对其进行四舍五入得到整数i。那么输入未知场景数据判定为i场景。

步骤九、利用最终的强分类器对待识别的无线信道进行场景分类。

Claims (7)

1.一种无线信道场景分类方法，其特征在于：包括如下步骤：

步骤一、对场景的真实信道测量结果进行维纳滤波去除噪声，得到完整的时变信道；

步骤二、对完整的时变信道进行分段非参数化直接双谱估计求解双谱矩阵；

步骤三、根据双谱矩阵计算无线信道特征矩阵；

步骤四、对无线信道特征矩阵进行归一化预处理；

步骤五、用归一化预处理后的无线信道特征矩阵训练M个弱分类器；

步骤六、计算并调整预测序列的权重；

步骤七、根据相对多数投票准则合并M个弱分类器得到一个强分类器；

步骤八、建立场景判定指标，利用强分类器对待识别的无线信道进行场景分类。

2.根据权利要求1所述的一种无线信道场景分类方法，其特征在于：步骤一所述对场景的真实信道测量结果进行维纳滤波去除噪声的方法为：

S101、建立维纳滤波去卷积模型：

r(S)＝G(S)h(S)+u(S)

式中，r(S),G(S),h(S)分别r(t),G(t),h(t)的傅里叶变换，u(S)表示噪声信号经过傅里叶变换，r(t)表示维纳滤波输出结果，G(t)是去卷积滤波器与维纳滤波器级联传递函数，h(t)代表原始信号；

S102、当G(S)≠0时，维纳滤波器的传递函数为：

$W\left(S\right)=\frac{P_h\left(S\right)}{P_h\left(S\right)+P_u\left(S\right)}=\frac{|h\left(S\right){|}^2}{|h\left(S\right){|}^2+|\frac{u\left(S\right)}{G\left(S\right)}{|}^2}$

其中，h(t),u(t)分别代表原始信号和噪声信号，P_h(S)，P_u(S)分别为h(t),u(t)的功率谱；

S103、均方最优的去卷积维纳滤波器传递函数为：

$P\left(S\right)=\frac{W\left(S\right)}{G\left(S\right)}=\frac{1}{G\left(S\right)}\frac{P_h\left(S\right)}{P_h\left(S\right)+P_u\left(S\right)}=\frac{G*\left(S\right)P_h\left(S\right)}{|G\left(S\right){|}^2\[P_h\left(S\right)+P_u\left(S\right)\]}$

其中，G(S)是一个低通滤波，则1/G(S)是一个高通滤波，G^*(S)是G(S)的逆拉普拉斯变换；

S104、给定1/G(S)的一个阈值ξ，则：

3.根据权利要求1所述的一种无线信道场景分类方法，其特征在于：步骤二所述对完整的时变信道进行分段非参数化直接双谱估计方法如下：

S201、将时变信号数据h[k,n]平均分成k段，其中各段有N个试验样本,对各段试验样本去除均值；

S202、计算离散傅里叶变换，其中X(^j)(u)是表示每一段的数据，取值为0,1......,N-1，分解形式如下：

$X^{\left(j\right)}\left(u\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}{x}^{\left(j\right)}\left(n\right)e^{-\frac{2\mathrm{\π}i}{N}kn},j=1,\mathrm{2.....},K;$

S203、计算出离散傅里叶的三阶相关，其中j＝1,2.....,K，u₁和u₂满足关系0≤u₂≤u₁，u₁+u₂≤f_x/2，分解形式如下：

$b_i(u_1,u_2)=\frac{1}{{\mathrm{\Δ}}_0^2}\underset{k_1=-L_1}{\overset{L_1}{\Σ}}\underset{k_2=-L_1}{\overset{L_1}{\Σ}}{X}^{\left(j\right)}(u_1+k_1)\×X^{\left(j\right)}(u_2+k_2)\×X^{\left(j\right)}(-u_1-u_2-k_1-k_2)$

其中f_s代表采样频率，Δ₀＝f_s/N₀，而N＝2(L₁+1)N₀，k1,k2代表累加记号；

S204、计算时变信号的双谱矩阵：

${\hat{B}}_D({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)=\frac{1}{k}\underset{i=1}{\overset{K}{\Σ}}{\hat{b}}_i({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)$

其中

4.根据权利要求1所述的一种无线信道场景分类方法，其特征在于：步骤三所述计算无线信道特征矩阵的方法为：

S301、对双谱矩阵进行特征分解：

[P_i,D_i]＝eig(B_i)

其中,D_i是对角矩阵,P_i的列向量构成对应于D_i的特征向量组；

S302、将复向量P_i取模转换为实向量P_i→P′_i，以k个实向量P′_i作为列向量排列，构成无线信道特征矩阵。

5.根据权利要求4所述的一种无线信道场景分类方法，其特征在于：步骤四所述将无线信道特征矩阵进行归一化预处理的方法是：

S401、将无线指纹特征矩阵构造成训练样本集其中P_i是特征矩阵的列向量，y_i是样本P_i对应的类标签；

S402、对训练样本集中的每个样本分别进行预处理，得到归一化后的训练样本及其类别标签y_i：

$P_i^{*}=\frac{P_i^{\′}-min\left(P_i^{\′}\right)}{max\left(P_i^{\′}\right)-min\left(P_i^{\′}\right)},y_i=y_i$

其中，max(P′_i)表示训练样本P′_i中的最大值，min(P′_i)表示训练样本P′_i中的最小值；

S403、用所有预处理后的训练样本及其标签y_i构成预处理后的训练样本集

6.根据权利要求1所述的一种无线信道场景分类方法，其特征在于：步骤五所述用归一化预处理后的无线信道特征矩阵训练M个弱分类器的方法如下：

S501、初始化n个样本的权值得到其中表示在第t次迭代中样本的权值，n为训练集中样本的个数；

S502、在的概率分布下，训练M个弱分类器，计算每个弱分类器在每次迭代后的误差率e_t：

$e_t=\underset{i=1}{\overset{n}{\Σ}}{D}_t\left(i\right).$

7.根据权利要求6所述的一种无线信道场景分类方法，其特征在于：步骤六所述计算并调整预测序列的权重的方法如下：

S601、计算序列权重α_t：

${\mathrm{\α}}_t=\frac{1}{2}ln\left\{\frac{1-e_t}{e_t}\right\};$

S602、利用预测权重α_m，更新下一轮样本的权重：

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\exp (-{\mathrm{\α}}_t{t}_i{y}_t(x_i\left)\right),i=1,2,...n$

式中Z_t是归一化因子。