CN107104747B - 无线时变信道中的多径分量的分簇方法 - Google Patents
无线时变信道中的多径分量的分簇方法 Download PDFInfo
- Publication number
- CN107104747B CN107104747B CN201710471869.8A CN201710471869A CN107104747B CN 107104747 B CN107104747 B CN 107104747B CN 201710471869 A CN201710471869 A CN 201710471869A CN 107104747 B CN107104747 B CN 107104747B
- Authority
- CN
- China
- Prior art keywords
- mpc
- state transition
- mpcs
- frame
- transition probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种无线时变信道中的多径分量的分簇方法。该方法包括:将无线时变信道中的多径分量MPC在角度域和时延域中的变化作为马尔科夫过程,基于MPC之间的欧式距离计算无线时变信道中连续帧之间的MPC状态转移概率,建立连续帧之间MPC的状态转移概率矩阵;将状态转移概率矩阵中的各个状态转移概率矩阵与预设门限进行比较,根据比较结果对无线时变信道帧内的MPC进行分簇。本发明的算法考虑了MPC的时变特性,实现了追踪的同时完成分簇操作,可以充分展现簇的时变特性,满足未来无线通信领域面向簇结构的信道建模需求。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种无线时变信道中的多径分量的分簇方法。
背景技术
准确的信道模型是无线通信系统设计与性能分析的研究基础。由于移动台的运动,无线信道常具有时变特性,因此如何对时变信道建模是一个重要问题。而在现有的信道模型中,Saleh-Valenzuela(SV)模型是最为著名的一个,该SV模型中引入了多径簇的概念,即MPC(MultipathComponent,多径分量)在时延域成簇的现象,并且指出每个多径簇内部的多径分量在角度域与时延域具有较为相似的特性。因此,对时变信道的多径分量建立一种动态分簇机制具有重要意义。
当前大部分研究中采用视觉鉴别的方法实现MPC分簇过程,因为人体视觉可以有效地从噪声中鉴别多径结构与模式。但是这个方法对于海量的测量数据显得过于繁琐,实用性较差,并且容易受到观测者的主管判决差异影响。因此研究MPC自动分簇算法具有较大的意义,且在近几年逐渐成为研究热点。
时变信道MPC自动分簇算法研究主要存在的难点在于:(i)难以对不同时刻的时变信道中对MPC进行定位和追踪;(ii)簇的数目通常未知;(iii)难以在追踪MPC的同时完成分簇。当前较为著名的分簇算法为KMeans,该算法采用了欧式距离来计算样本点与簇心之间的距离,并通过迭代更新簇心位置来完成分簇过程。其改进型分簇算法KPowerMeans在多径分簇领域具有较为广泛的认可度。KPowerMeans与KMeans的主要区别是KPowerMeans在计算簇心距离时引入了MPC功率,从而提高高功率MPC在分簇时的权重。在KPowerMeans算法中,需要首先设置簇数目的上下界,然后通过最小化每个MPC到簇心距离以及最大化不同簇心间距离来实现MPC分簇过程。KPowerMeans属于硬判决算法,有研究提出了基于Fuzzy-C-Means的模糊分簇算法。该分簇算法在KPowerMeans的基础上加入了隶属度的概念,同一个MPC对不同的簇具有不同的隶属度。针对多径簇的时变特性,有研究使用了KPowerMeans先进行分簇,再通过最小化不同时刻下多径簇的相对位移来对簇进行追踪。
然而上述现有的KpowerMeans算法、Kmeans算法普遍只适用于静态信道,且并未能够将追踪与分簇有效结合起来或未能将追踪结果有效利用在分簇过程中。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无线时变信道中的多径分量的分簇方法,实现了追踪MPC的移动轨迹的同时完成MPC的分簇操作。
为了实现上述目的,本发明采取了如下技术方案。
一种无线时变信道中的多径分量的分簇方法,包括:
将无线时变信道中的多径分量MPC在角度域和时延域中的变化作为马尔科夫过程,基于MPC之间的欧式距离计算无线时变信道中连续帧之间的MPC状态转移概率,建立连续帧之间MPC的状态转移概率矩阵;
将状态转移概率矩阵中的各个状态转移概率矩阵与预设门限值进行比较,根据比较结果对无线时变信道帧内的MPC进行分簇。
进一步地,所述的将无线时变信道中的MPC在角度域和时延域中的变化作为马尔科夫过程,包括:
将无线时变信道多帧内的MPC视为在角度域和时延域内移动的点,设每一帧内的多径分量数量保持不变,且总数为M,使用A1,…,AM表示第Si帧内的多径分量,使用B1,…,BM表示第Si+1帧内的多径分量,使用轨迹l=(Ax,By)表示第Si帧内的多径分量Ax在第Si+1帧内移动到了By的位置,则第Si帧到第Si+1帧所有多径分量轨迹的集合L表示为:
L={lA,B=(Ax,By)|A∈Si,B∈Si+1}
将无线时变信道帧内的不同的多径分量视为不同的马尔科夫状态,不同帧之间MPC位置的变化视为马尔科夫状态转移过程。
进一步地,所述的基于MPC之间的欧式距离计算连续帧之间的MPC状态转移概率,建立连续帧之间MPC的状态转移概率矩阵,包括:
根据连续帧内MPC之间的欧式距离计算所述连续帧内MPC之间的移动轨迹的状态转移概率,使用状态转移概率P(A,B)作为轨迹lA,B的权值,通过最大化所有移动轨迹的状态转移概率之和来获取所述连续帧之间MPC的真实移动轨迹组合P*:
建立基于欧式距离的连续帧之间MPC的状态转移概率矩阵P:
进一步地,所述的根据连续帧内MPC之间的欧式距离来计算所述连续帧内MPC之间的移动轨迹的状态转移概率,使用状态转移概率P(A,B)作为轨迹lA,B的权值,包括:
其中N(*)为归一化函数,其计算过程如下:
进一步地,所述的通过最大化所有移动轨迹的状态转移概率之和来获取所述不同帧之间MPC的真实移动轨迹组合P*,包括:
将无线时变信道中的两个连续帧内的MPC视为两个集合,将两个集合的MPC间状态转移概率作为最佳匹配中的权值,根据所述基于欧式距离的状态转移概率矩阵P使用Kuhn-Munkres算法获取所述连续帧之间MPC的真实移动轨迹组合P*。
进一步地,所述的将状态转移概率矩阵中的各个状态转移概率矩阵与预设门限值进行比较,根据比较结果对无线时变信道帧内的MPC进行分簇,包括:
选取连续帧中前一帧内各个MPC,选取连续帧中下一帧内某个MPC,根据所述连续帧之间的MPC状态转移概率矩阵获取前一帧内各个MPC到下一帧内所述某个MPC的所有状态转移概率,将所有状态转移概率与预设门限值进行对比,将状态转移概率超过预设门限值的所述连续帧中前一帧内所有MPC划分为同一个簇;如果出现某些MPC点未被划分到任何簇中,则将这些MPC划分为独立的簇;
依次类推,分别根据连续帧中下一帧内各个MPC,获取所述连续帧中前一帧内所有MPC的分簇结果,将所有分簇结果进行综合,采取出现次数最高的分簇结果作为最终分簇结果。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例针对无线信道多径簇结构建模,公开了一种时变信道下MPC的分簇算法。与现有的静态MPC分簇算法不同,本算法考虑了MPC的时变特性,实现了追踪MPC的移动轨迹的同时完成MPC的分簇操作,可以充分展现簇的时变特性。本发明所提出的算法与其他算法相比有更好的追踪性能,同时可以较好的展现出簇的时变特性,满足未来无线通信领域面向簇结构的信道建模需求。本发明的基于追踪的分簇算法在时变信道中具有较高的准确度。
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一种两帧内MPC匹配二分图。
图2为本发明实施例一提供的一种时变MPC追踪效果示意图。
图3是本发明实施例的算法在模拟时变信道下的分簇结果示意图。(a)-(b)为5个簇共100个MPC的信道场景下第1-4帧的分簇结果。(e)-(h)为8个簇共160个MPC的信道场景下第1-4帧的分簇结果。
图4是本发明实施例的算法使用不同状态转移概率门限PT下的F测度CDF分布图。
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,当文中称元件被“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。
实施例一
本发明实施例提出了一种基于MPC追踪的分簇算法,本算法首先将MPC在角度域和时延域中的变化看做为马尔科夫过程,根据基于MPC之间的归一化的欧式距离计算状态转移概率。其次基于马尔科夫状态转移概率矩阵,使用Kuhn-Munkres算法求解最优的MPC移动路径组合,实现MPC追踪过程。最后,利用状态转移概率矩阵与预设门限进行比较,选出相似度较高的MPC完成分簇过程。该算法在完成分簇过程中能同时发现簇的时变特性,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。
(1)MPC移动轨迹模型的建立及分析
将时变信道多帧内的MPC视为在角度域(Azimuth of Arrival/Departure,AoA/AoD)和时延域(Delay)内移动的点。假设每一帧内的MPC数量保持不变,且总数为M,使用A1,…,AM表示第Si帧内的MPC,使用B1,…,BM表示第Si+1帧内的MPC,使用轨迹l=(Ax,By)表示第Si帧内的MPCAx在第Si+1帧内移动到了By的位置,则第Si帧到第Si+1内所有轨迹的集合L可以表示为:
L={lA,B=(Ax,By)|A∈Si,B∈Si+1} (1)
如果在第Si帧和第Si+1内都存在两个以上的MPC,则两帧之间存在很多条不同的轨迹,而在这些轨迹中只有一组轨迹是真实的MPC移动轨迹。本发明在该部分的主要思路就是找到两帧内正确的MPC移动轨迹,并将这个轨迹信息传递给下一帧用于继续寻找轨迹,通过多帧内对MPC的定位与追踪,便可以得到时变信道中MPC在一段时间内的移动轨迹。在当前研究认可的时变信道模型中,多径参数虽然会发生一些随机变化,但是在一定时间内不会发生剧烈的改变,即在角度域与时延域坐标系内,MPC的轨迹不会发生急剧的改变。因此可以将时变MPC在角度域与时延域内的变化看作为马尔科夫过程,将不同的MPC视为不同的马尔科夫状态,不同帧之间MPC位置的变化看做马尔科夫状态转移过程,使用状态转移概率P(A,B)作为轨迹lA,B的权值。在这种假设下,真实的MPC移动轨迹不一定具有最大的概率权值,但是应该始终具有较大的概率权值。因此,可以通过最大化状态转移概率之和来获取最优可能为真实移动轨迹的组合,如下所示:
为了找到最佳的轨迹组合P*,需要合理的为不同帧之间的MPC移动轨迹进行概率加权。本发明中使用了基于欧式距离的概率赋值方法,通过对比不同帧内MPC彼此之间的相对距离来判断彼此之间发送移动的概率,即轨迹的概率。在本发明中使用了不同MPC之间归一化的角度差(ΔΦ)、时延差(Δτ)、功率差(Δα)来计算欧式距离,如下所示:
其中N(*)为归一化函数,其计算过程如下:
通过归一化函数可以将不同量纲的角度信息、时延信息、功率信息映射在相同量纲内进行比较。
基于本发明提出了启发式概率计算方法。在评估MPC位置发生变化的概率时,相对距离较远的MPC彼此之间转移概率较低,相对距离较近的MPC彼此之间转移概率较高。因此,本发明使用不同MPC之间欧式距离的倒数作为计算不同MPC之间的状态转移概率的指标。为了保证一个MPC向下一帧内所有点的移动概率之和为1,即:P(Ax,By)的计算公式如下:
至此,基于欧式距离的马尔科夫状态转移概率矩阵就表示为:
为了基于状态转移概率矩阵(6)去找到最优轨迹组合P*,本发明中使用了Kuhn-Munkres(K-M)算法。K-M算法是用于解决二分图中两个集合加权匹配的最佳匹配算法。本方法将两个连续帧内的MPC视为两个集合,将两个集合的MPC间状态转移概率作为最佳匹配中的权值。图2(b)显示了在6帧内本发明的对6个MPC的追踪效果。
图1为本发明实施例提供的一种两帧内MPC匹配二分图。图1中将两帧内出现的MPC作为二分图的两个集合,MPC之间的转移关系作为二分图中的匹配关系,MPC转移概率作为二分图的匹配权值。如图1所示,使用K-M算法寻找最佳匹配结果,即可得到最优轨迹组合P*。
图2为本发明实施例提供的一种时变MPC追踪效果示意图。测试中采用了模拟时变信道,设置为1个簇,簇内有6个MPC;(a)是6帧内6个MPC的真实移动轨迹,不同线条类型代表不同MPC;(b)是基于本发明算法的追踪结果;(c)是基于最小距离追踪算法的追踪结果;(d)是错误点比率的CDF分布图。图中虚线与实线仅为了区分不同的MPC。该结果共同统计了两种算法在500次仿真中的错误点比率。
(2)基于追踪结果的分簇算法
连续帧之间的MPC状态转移概率矩阵可以基于上述MPC追踪算法获得,基于该状态转移概率矩阵,本发明提出了一种启发式分簇方法。其主要思想是
选取连续帧中前一帧内各个MPC,选取连续帧中下一帧内某个MPC,根据所述连续帧之间的MPC状态转移概率矩阵获取前一帧内各个MPC到下一帧内所述某个MPC的所有状态转移概率,将所有状态转移概率与预设门限值进行对比,将状态转移概率超过预设门限值的所述连续帧中前一帧内所有MPC划分为同一个簇;如果出现某些MPC点未被划分到任何簇中,则将这些MPC划分为独立的簇;
依次类推,分别根据连续帧中下一帧内各个MPC,获取所述连续帧中前一帧内所有MPC的分簇结果,将所有分簇结果进行综合,采取出现次数最高的分簇结果作为最终分簇结果,
Kx={By|P(Ax,By)>PT,A∈Si,B∈Si+1} (7)
从公式(7)中可以看出,由于不同的Ax到By的转移状态概率不同,因此不同的Ax可能会对应不同的分簇结果,例如从A1得到的分簇结果K1={B1,B2,B3},而从A2得到的分簇结果为K2={B1,B2},从A3得到的分簇结果为K3={B1,B2,B3}。这种情况下,本发明采取出现次数最高的组数为最终分簇结果,上述情况下分簇结果为K={B1,B2,B3},若出现两种或以上的结果出现次数相同,则进行随机选择。如果出现某些MPC点未被划分到任何簇中,这些MPC将判断为独立的簇。这种选择方式使得算法分簇结果可以选择最具可能性也是最为稳定的分簇结果。
状态转移概率门限PT会对分簇结果明显的影响,通过大量的仿真实验来统计合适的门限值。图4显示了算法在不同的PT下分簇结果的F测度评估值。F测度是一种在真实值已知的情况下对分簇结果的评估函数,其函数值域为[0,1],值域内函数值越大表示分簇效果越好,反之亦然。从图4中可以看出过低或过高的PT都不能获得最好的分簇结果,通过仿真发现最佳门限PT与簇的数量以及簇内MPC个数有一定关系,但是选择一个经验性的固定门限PT依然可以获得较为准确的分簇结果,通过大量仿真,本发明推荐PT=0.8。
(3)MPC追踪及分簇准确度验证
为了验证MPC追踪效果,将本发明实施例的方法与传统的基于最小距离的追踪算法进行对比。为了提高仿真真实性,使用了以往研究中提出的时变信道模拟器来生成不同的时变信道进行测试。图2(a)显示了6帧内6个MPC的真实移动轨迹,图2(b)显示了本发明对上述6个MPC的追踪结果,图2(c)显示了基于最小距离的追踪方法对上述6个MPC的追踪结果。可以明显看出基于最小距离的追踪方法会优先选择两帧内距离最近的两个点,因此会导致对真实轨迹的错误判断,而本发明从整体状态转移概率上进行考虑,可以获得准确的追踪结果。图2(d)显示了两种追踪方法在500次仿真下错误点比率的累计分布(CDF)图。错误点比率由预测错误点数除以总点数获得,错误点比率越低说明追踪算法性能越好。通过图2(d)可以看出本方法的追踪效果要明显高于基于距离的追踪方法。
图3是本发明实施例的算法在模拟时变信道下的分簇结果示意图。(a)-(b)为5个簇共100个MPC的信道场景下第1-4帧的分簇结果。(e)-(h)为8个簇共160个MPC的信道场景下第1-4帧的分簇结果。每个簇内20个MPC的信道场景下算法分簇效果,其中(a)-(d)分别为信道的第1-4帧。图3(e)-(h)显示了8个簇,每个簇内20个MPC的信道场景下算法分簇效果,其中(e)-(h)为信道的第1-4帧。从图3中可以看出,即使是在100多个MPC的复杂场景,本发明依然能够获得较为准确的分簇结果,且能够较好的反映出MPC的时变特性。图4显示了算法在不同PT下分簇结果的F测度值,可以看出PT取值0.8的时候,基本可以获得优秀的分簇效果。
综上所述,本发明实施例所提出的基于追踪的分簇算法在时变信道中具有较高的准确度。
实施例二
下面结合上述发明内容对该分簇算法的实施方式作详细说明。应该强调的是,下述说明和参数选取仅仅是示例性的,而不是为了限制本方法的范围及其应用。
步骤1:设置状态转移概率门限PT=0.8。
步骤2:输入时变信道连续两帧内MPC的到达/离去角度、时延、功率等信息,利用公式(4)对上述参数信息进行归一化,假设两帧内MPC都为M个。
步骤3:将已归一化的参数信息输入公式(3),求得两帧内MPC之间的相对距离。
步骤4:基于公式(5),通过两帧内MPC之间的相对距离求出MPC之间的状态转移概率,并建立状态转移概率矩阵。
步骤5:基于步骤4中得到的状态转移概率矩阵,通过Kuhn-Munkres算法求解公式(2)中最优路径选择问题,得到两帧内MPC的移动轨迹。
步骤6:MPC追踪:输入后续帧内MPC的到达/离去角度、时延、功率等信息,并分别重复步骤1-步骤4,即可获得MPC在多个连续帧内的移动轨迹。
步骤7:MPC分簇:基于步骤4中求得的状态转移概率矩阵,将前一帧内MPC到下一帧内不同的状态转移概率P(Ax,By)与状态转移概率门限值进行对比PT,并分别记录结果Kx={K1,K2,…,KM}。
步骤8:交叉对比所有分簇结果,将出现次数最高的组数为最终分簇结果,如果出现某些MPC点未被划分到任何簇中,这些MPC将判断为独立的簇。
综上所述,本发明实施例针对无线信道多径簇结构建模,公开了一种时变信道下MPC的分簇算法。与现有的静态MPC分簇算法不同,本算法考虑了MPC的时变特性,实现了追踪MPC的移动轨迹的同时完成MPC的分簇操作,可以充分展现簇的时变特性。本发明所提出的算法与其他算法相比有更好的追踪性能,同时可以较好的展现出簇的时变特性,满足未来无线通信领域面向簇结构的信道建模需求。本发明的基于追踪的分簇算法在时变信道中具有较高的准确度。
本发明实施例提出的基于MPC追踪的分簇算法对时变信道中MPC进行定位追踪,并利用追踪结果进行分簇,在完成分簇过程中能同时发现簇的时变特性。该方法通过考虑信道MPC在角度域与时延域的时变特性,基于马尔科夫过程理论对MPC在时变信道中的变化进行建模,很好的解决了MPC在时变信道中的追踪问题,并基于MPC追踪结果进行分簇,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。
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 (5)
1.一种无线时变信道中的多径分量的分簇方法,其特征在于,包括:
将无线时变信道中的多径分量MPC在角度域和时延域中的变化作为马尔科夫过程,基于MPC之间的欧式距离计算无线时变信道中连续帧之间的MPC状态转移概率,建立连续帧之间MPC的状态转移概率矩阵;
将状态转移概率矩阵中的各个状态转移概率矩阵与预设门限值进行比较,根据比较结果对无线时变信道帧内的MPC进行分簇;
所述的将无线时变信道中的MPC在角度域和时延域中的变化作为马尔科夫过程,包括:
将无线时变信道多帧内的MPC视为在角度域和时延域内移动的点,设每一帧内的多径分量数量保持不变,且总数为M,使用A1,…,AM表示第si帧内的多径分量,使用B1,…,BM表示第Si+1帧内的多径分量,使用轨迹l=(Ax,By)表示第Si帧内的多径分量Ax在第Si+1帧内移动到了By的位置,则第si帧到第si+1帧所有多径分量轨迹的集合L表示为:
L={lA,B=(Ax,By)|A∈Si,B∈Si+1}
将无线时变信道帧内的不同的多径分量视为不同的马尔科夫状态,不同帧之间MPC位置的变化视为马尔科夫状态转移过程。
4.根据权利要求2所述的方法,其特征在于,所述的通过最大化所有移动轨迹的状态转移概率之和来获取所述不同帧之间MPC的真实移动轨迹组合P*,包括:
将无线时变信道中的两个连续帧内的MPC视为两个集合,将两个集合的MPC间状态转移概率作为最佳匹配中的权值,根据所述基于欧式距离的状态转移概率矩阵P使用Kuhn-Munkres算法获取所述连续帧之间MPC的真实移动轨迹组合P*。
5.根据权利要求2或3或4所述的方法,其特征在于,所述的将状态转移概率矩阵中的各个状态转移概率矩阵与预设门限值进行比较,根据比较结果对无线时变信道帧内的MPC进行分簇,包括:
选取连续帧中前一帧内各个MPC,选取连续帧中下一帧内某个MPC,根据所述连续帧之间的MPC状态转移概率矩阵获取前一帧内各个MPC到下一帧内所述某个MPC的所有状态转移概率,将所有状态转移概率与预设门限值进行对比,将状态转移概率超过预设门限值的所述连续帧中前一帧内所有MPC划分为同一个簇;如果出现某些MPC点未被划分到任何簇中,则将这些MPC划分为独立的簇;
依次类推,分别根据连续帧中下一帧内各个MPC,获取所述连续帧中前一帧内所有MPC的分簇结果,将所有分簇结果进行综合,采取出现次数最高的分簇结果作为最终分簇结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710471869.8A CN107104747B (zh) | 2017-06-20 | 2017-06-20 | 无线时变信道中的多径分量的分簇方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710471869.8A CN107104747B (zh) | 2017-06-20 | 2017-06-20 | 无线时变信道中的多径分量的分簇方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107104747A CN107104747A (zh) | 2017-08-29 |
CN107104747B true CN107104747B (zh) | 2020-03-17 |
Family
ID=59664176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710471869.8A Expired - Fee Related CN107104747B (zh) | 2017-06-20 | 2017-06-20 | 无线时变信道中的多径分量的分簇方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107104747B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995383A (zh) * | 2019-12-06 | 2020-04-10 | 北京交通大学 | 一种高速移动通信信道的快速仿真方法 |
CN112564835B (zh) * | 2020-11-26 | 2022-09-20 | 华北电力大学 | 一种基于knn和svm算法的5g无线信道多径分簇计算方法 |
CN116126144B (zh) * | 2023-01-16 | 2023-08-22 | 上海物骐微电子有限公司 | 基于pdp的手势识别方法及装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010042195A1 (en) * | 2008-10-10 | 2010-04-15 | Exxonmobil Research And Engineering Company | Method for clustering of large, high-dimensional datasets |
CN102098082A (zh) * | 2009-12-11 | 2011-06-15 | 中国移动通信集团公司 | 信道簇跟踪方法及装置 |
CN104967495A (zh) * | 2015-05-06 | 2015-10-07 | 南京信息工程大学 | 一种气象卫星Markov时变信道仿真模型的建立方法 |
CN105610528A (zh) * | 2015-12-17 | 2016-05-25 | 北京交通大学 | 一种针对时变信道多径分量的分簇与跟踪方法 |
CN106452629A (zh) * | 2016-11-07 | 2017-02-22 | 北京交通大学 | 一种基于核功率密度的无线信道多径分簇方法 |
-
2017
- 2017-06-20 CN CN201710471869.8A patent/CN107104747B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010042195A1 (en) * | 2008-10-10 | 2010-04-15 | Exxonmobil Research And Engineering Company | Method for clustering of large, high-dimensional datasets |
CN102098082A (zh) * | 2009-12-11 | 2011-06-15 | 中国移动通信集团公司 | 信道簇跟踪方法及装置 |
CN104967495A (zh) * | 2015-05-06 | 2015-10-07 | 南京信息工程大学 | 一种气象卫星Markov时变信道仿真模型的建立方法 |
CN105610528A (zh) * | 2015-12-17 | 2016-05-25 | 北京交通大学 | 一种针对时变信道多径分量的分簇与跟踪方法 |
CN106452629A (zh) * | 2016-11-07 | 2017-02-22 | 北京交通大学 | 一种基于核功率密度的无线信道多径分簇方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107104747A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
CN107241700B (zh) | 基于csi空频特性和参考点位置聚类算法的室内定位方法 | |
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN105223546B (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
CN104185275B (zh) | 一种基于wlan的室内定位方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
Li et al. | A hybrid fingerprint quality evaluation model for WiFi localization | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN107727095B (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
Lee et al. | A novel clustering-based approach of indoor location fingerprinting | |
CN109460793A (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
CN110049549B (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN107104747B (zh) | 无线时变信道中的多径分量的分簇方法 | |
CN108882172B (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
CN107367277B (zh) | 基于二次K-Means聚类的室内位置指纹定位方法 | |
CN111046968B (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
US20220191818A1 (en) | Method and Apparatus for Obtaining Emission Probability, Method and Apparatus for Obtaining Transition Probability, and Sequence Positioning Method and Apparatus | |
CN113037410B (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN108650626A (zh) | 一种基于泰森多边形的指纹定位算法 | |
CN109121083B (zh) | 一种基于ap序列的指纹相似度的室内定位方法 | |
Hsu et al. | An adaptive Wi-Fi indoor localisation scheme using deep learning | |
CN113759311B (zh) | 一种定位方法、装置及存储介质 | |
Liu et al. | Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200317 Termination date: 20210620 |