CN107734507A - 无线场景识别装置和方法以及无线通信设备和系统 - Google Patents

无线场景识别装置和方法以及无线通信设备和系统 Download PDF

Info

Publication number
CN107734507A
CN107734507A CN201610663615.1A CN201610663615A CN107734507A CN 107734507 A CN107734507 A CN 107734507A CN 201610663615 A CN201610663615 A CN 201610663615A CN 107734507 A CN107734507 A CN 107734507A
Authority
CN
China
Prior art keywords
wireless
channel conditions
scene
interference
signal
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.)
Pending
Application number
CN201610663615.1A
Other languages
English (en)
Inventor
赵友平
王静云
孙晨
郭欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to CN201610663615.1A priority Critical patent/CN107734507A/zh
Priority to TW106108186A priority patent/TW201806427A/zh
Priority to PCT/CN2017/092630 priority patent/WO2018028376A1/zh
Priority to EP17838506.8A priority patent/EP3499942A4/en
Priority to US16/313,475 priority patent/US10897714B2/en
Priority to CN201780028144.XA priority patent/CN109076356A/zh
Publication of CN107734507A publication Critical patent/CN107734507A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供一种用于对预定无线场景的场景类别进行识别的无线场景识别装置、方法和无线通信设备和系统。无线场景识别装置包括：处理电路，被配置为基于从预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对预定无线场景中的无线信号的无线信道条件进行分类，并将该多个个分类器的分类结果进行决策融合，以将无线信道条件分类为预定的多个无线信道条件中的无线信道条件。

Description

无线场景识别装置和方法以及无线通信设备和系统
技术领域
本公开涉及无线通信领域，更具体地涉及一种用于对无线场景的类别进行识别的无线场景识别装置和方法以及无线通信设备。
背景技术
随着无线通信需求的不断增长，通信系统对无线频谱资源的需求也相应增长，导致用于无线通信的频谱资源变得日益紧张。因此，现有技术提出了采用认知无线电(CR)技术，通过从时间和空间上充分利用那些空闲的频谱资源，从而有效解决上述难题。在认知无线电领域，对于无线环境的认知需要朝着智能化发展，以便能够对复杂的无线场景进行认知，从而基于认知的无线场景使用不同的信道模型和无线频谱资源分配策略。
基于此，本公开提出一种基于机器学习的无线场景识别装置和方法。
发明内容
在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些方面的基本理解。应当理解，这个概述并不是关于本公开的穷举性概述。它并不意图确定本公开的关键或重要部分，也不意图限定本公开的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于现有技术的上述状况，本公开的目的之一是提供一种基于机器学习的、用于对预定无线场景的场景类别进行识别的无线场景识别装置、方法及无线通信设备，以至少改进现有技术中的状况。
根据本公开的一个实施例，提供一种用于对预定无线场景的场景类别进行识别的无线场景识别装置，所述无线场景识别装置包括：处理电路，被配置为：基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件以便基于所述无线信道条件的类别，识别所述预定无线场景的场景类别。
根据本公开的又一实施例，提供一种用于对预定无线场景的场景类别进行识别的无线通信设备，包括：通信装置，被配置为从所述预定无线场景中获取环境参数信息；以及处理电路，所述处理电路被配置为基于从所述环境参数信息提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。
根据本公开的另一实施例，提供一种用于对预定无线场景的场景类别进行识别的方法，包括：基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。
根据本公开，还提供一种无线通信系统，用于对该无线通信系统所处的预定无线场景进行识别，无线通信系统包括：预定移动终端，被配置成接收服务基站向其发送的期望信号，并将其对于期望信号的接收功率和波束到达角的信息发送给该服务基站；服务基站，被配置成：根据从该预定移动终端的接收的所述信息确定该期望信号的干扰信号的干扰类型，基于所述干扰信号的干扰类型获取所述干扰信号的干扰信息，其中在所述干扰信号为小区内干扰的情况下，获取所述干扰信号的无线信道条件作为所述干扰信息，以及根据所述干扰信号的干扰信息和/或所述期望信号的无线信道条件，确定所述预定无线场景的场景类别；频谱协调器，用于在所述服务基站确定所述干扰信号的干扰类型为小区间干扰的情况下，确定所述干扰信号的来源，并向产生所述干扰信号的相邻基站发送请求干扰信号的无线信道条件的信息；相邻基站，用于基于所述频谱协调器的请求，根据从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述干扰信号的无线信道条件进行分类来确定所述干扰信号的无线信道条件，并将所述干扰信号的无线信道条件作为干扰信息发送给所述频谱协调器，从而通过所述频谱协调器发送给所述服务基站；其中，所述服务基站确定期望信号的无线信道条件是基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的期望信号的无线信道条件进行分类并将所述多个分类器的分类结果进行决策融合来确定的；所述服务基站确定在小区内干扰的情况下确定所述干扰信号的无线信道条件以及所述相邻基站在小区间干扰的情况下确定所述干扰信号的无线信道条件是根据从所述预定无线场景下的环境参数提取的特征、通过经训练的多个分类器对所述干扰信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合来确定的。
另外，本公开的实施例还提供了用于实现上述无线场景识别方法的计算机程序。
此外，本公开的实施例还提供了相应的计算机可读存储介质，该计算机可读存储介质上存储有用于实现上述无线场景识别方法的计算机程序代码。
上述根据本公开实施例的无线场景识别装置、方法和无线通信装置和系统至少能够实现以下有益效果之一：有效提高了无线场景的识别正确率和识别效率。
通过以下结合附图对本公开的最佳实施例的详细说明，本公开的这些以及其他优点将更加明显。
附图说明
本公开可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中：
图1是示出了根据本公开的一个实施例的无线场景识别装置的示意图。
图2是示出根据本公开实施例的处理电路10的一种示例性结构的框图。
图3示出了根据本公开实施例的处理电路10的一种示例性结构的框图。
图4示出了根据本公开实施例的处理电路10的另一种示例性结构的框图。
图5示出了存在小区内干扰的无线场景的示例。
图6示出了存在小区间干扰的无线场景的示例。
图7示出了根据本公开实施例的分类单元101的一种示例性结构的框图。
图8详细描述对于N个分类器中每个分类器的训练处理的流程图。
图9示出了包括多个无线场景的无线场景列表的示例。
图10示出了根据本公开的无线通信设备的一种示例性结构的框图。
图11是示出了根据本公开实施例的用于对预定无线场景进行识别的无线场景识别方法的流程图。
图12示出了根据N个分类器的分类结果以及无线信道条件的权重确定无线信号的无线信道条件的分类的处理流程
图13描述了根据本公开实施例的用于对无线场景进行识别的无线场景识别方法的一个示例的信令交互图。
图14示出了在不同无线信道条件下的路径损耗。
图15是示出可以应用本公开内容的技术的智能电话的示意性配置的示例的框图；
图16是示出可以应用本公开内容的技术的汽车导航设备的示意性配置的示例的框图；以及
图17是其中可以实现根据本发明的实施例的方法和/或装置和/或系统的通用个人计算机的示例性结构的框图。
本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按配比绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本公开实施例的理解。
具体实施方式
在下文中将结合附图对本公开的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施方式的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开的方案密切相关的装置结构和/或处理步骤，而省略了与本公开关系不大的其他细节。
本公开提出一种基于机器学习的、对预定无线场景的场景类别进行识别的无线场景识别装置。
图1示出了根据本公开的一个实施例对预定无线场景的场景类别进行识别的无线场景识别装置的示意图。如图1所示，无线场景识别装置1包括：处理电路10，被配置为基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。
根据本公开的实施例，预定的多个无线信道条件为M个无线信道条件，多个分类器为N个分类器，其中，M为大于等于2的整数、N为将M个无线信道条件进行两两组合获得的组合数，并且其中每个分类器对应于所述两两组合中的一个组合并且被配置为将所述无线信号的无线信道条件分类为所述一个组合中的一个无线信道条件。
下面以通过N个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类、以将所述无线信道条件分类为预定的M个无线信道条件中的无线信道条件为例详细描述根据被公开的无线场景识别装置。
图2示出了处理电路10的功能模块的示例，如图2所示，处理电路10包括分类单元101。应该理解，该功能模块可以由一个处理电路实现，也可以由多个处理电路共同实现，或者实现为一个处理电路的一部分，或者每一个功能模块可以由多个处理电路实现。换言之，功能模块的实现方式是非限制性的。其中，处理电路10例如可以为具有数据处理能力的中央处理单元(CPU)、微处理器、集成电路模块等。
根据本公开的优选实施例，预定的多个无线信道条件可以包括视通(LOS)、非视通(NLOS)和受阻碍视通(OLOS)三类无线信道条件，其中视通(LOS)是指传播信号不受任何阻挡的无线信道条件，非视通(NLOS)是指传播信号被不可穿透物体阻挡的无线信道条件，受阻碍视通(OLOS)是指传播信号被可穿透物体阻挡的无线信道条件。在本公开中，可穿透是指发射信号能量可以透过阻挡物到达接收端但是会有一定的衰减，可穿透物体例如是树木等；不可穿透是指发射信号能量不可以透过阻挡物而到达接收端，不可穿透物体例如是墙等建筑物。受阻碍视通是介于视通和非视通之间的无线信道条件类型。
根据本公开的一个实施例，预定无线场景中的无线信号例如可以是基站向预定移动终端发送的期望信号。在此情况下，处理电路10可以被配置为基于从预定无线场景的环境参数提取的关于期望信号的特征，通过经训练的多个分类器、例如N个分类器对预定无线场景中的期望信号的无线信道条件进行分类，以基于期望信号的无线信道条件的类别识别预定无线场景的场景类别。
根据本公开的另一个实施例，预定无线场景中的无线信号例如也可以是期望信号的干扰信号。在此情况下，处理电路10可以被配置为基于从预定无线场景的环境参数提取的关于干扰信号的特征，通过经训练的多个分类器、例如N个分类器对预定无线场景中的干扰信号的无线信道条件进行分类，以基于干扰信号的无线信道条件的类别识别预定无线场景的场景类别。此外，根据本公开的实施例，处理电路10还可以配置为基于干扰信号的无线信道条件和干扰信号的干扰类型对该预定无线场景的场景类别进行识别。
根据本公开的又一个实施例，处理电路10还可以被配置为基于从预定无线场景的环境参数提取的关于期望信号和干扰信号两者的特征，通过经训练的多个分类器、例如N个分类器对预定无线场景中的期望信号和干扰信号的无线信道条件进行分类，以基于期望信号和干扰信号的无线信道条件的类别识别预定无线场景的场景类别。
如图2中的虚线框所示，无线场景识别装置1还可以包括：通信装置20，用于从无线场景中包括的移动终端、基站以及频谱协调器等无线通信装置至少其中之一接收环境参数，从而处理电路10可以从接收到的环境参数中提取特征信息，用于对预定无线场景中的无线信号的无线信道条件进行分类。环境参数例如包括：基站发送期望信号的发送功率、移动终端接收期望信号的接收功率、干扰信号的发送功率和接收功率、移动终端的位置信息等。
图3示出了根据本公开实施例的处理电路10的另一种示例性结构的框图。如图3所示，除了包括分类单元101之外，处理电路10还包括特征提取单元102，用于从无线场景中包括的预定移动终端、其他移动终端(视情况包括同小区的其他移动终端和相邻小区的移动终端)、基站(视情况包括相邻基站)以及频谱协调器等无线通信装置至少其中之一获取的环境参数中提取特征，包括用于确定干扰信号的干扰类型的特征和用于判断期望信号或干扰信号的无线信道条件的类别的特征。
用于判断期望信号或干扰信号的无线信道条件的类别的特征可以包括：期望信号或干扰信号的路径损耗和路径损耗的方差至少其中之一。例如，可以根据期望信号或者干扰信号在传播信道内的路径损耗计算出路径损耗的方差，用于确定期望信号或干扰信号的无线信道条件的类别。
根据本公开，用于确定干扰信号的干扰类型的特征例如可以包括：移动终端的位置信息及基站发射波束的到达角至少其中之一。这些信息例如可以通过在该预定无线场景中的无线通信设备之间的信息交互而直接获取。例如，可以通过基站与移动终端之间的通信来获取基站发射波束的到达角，从而无线场景识别装置1通过通信单元20可以从各个移动终端(包括预定移动终端)获取该移动终端的位置信息及基站发射波束的到达角。
根据本公开的优选实施例，用于判断期望信号或干扰信号的无线信道条件的类别的特征例如还可以包括：路径损耗的期望信号或干扰信号的路径损耗的均值(其也可以根据传播信道的路径损耗计算出)、均方根时延扩展(Root Mean Square Delay Spread)和/或接收信号的概率分布函数的峰度和不对称性。
以上描述的是，基于期望信号和/或干扰信号的无线信道条件来识别预定无线场景的类别。但是，本公开不限于此，根据本公开的处理电路10还可以被配置为基于预定无线场景中无线通信设备之间的信息交互，确定干扰信号的干扰类型，并且基于期望信号和干扰信号的无线信道条件的类别以及干扰信号的干扰类型对预定无线场景的场景类别进行识别。
图4示出了根据本公开实施例的处理电路10的另一种示例性结构的框图。如图4所示，除了包括分类单元101和特征提取单元102之外，处理电路10还包干扰确定单元103，用于基于预定无线场景下无线通信设备之间的交互，来确定干扰信号的干扰类型。
具体地，干扰确定单元103可以通过无线通信设备之间的信息交互(例如通过基站向移动终端发送期望信号)从该移动终端获取其对于期望信号的接收功率和波束到达角以及该移动终端的位置信息，从而干扰确定单元103可以基于此确定例如干扰值(例如，干扰噪声比INR)，并且将所确定的干扰噪声比与该用户终端的干扰阈值(例如，干扰噪声比阈值INRth)进行比较，以确定该期望信号是否存在干扰信号。
如果所确定的干扰值小于干扰阈值，则干扰确定单元103可以确定该期望信号不存在干扰信号(即干扰类型为无干扰)。在此情况下，处理电路10可以基于所分类单元101对于期望信号的无线信道条件的分类，来识别预定无线场景的类别。
如果所确定的干扰值大于等于干扰阈值，则干扰确定单元103可以确定该期望信号存在干扰信号。在此情况下，干扰确定单元103可以进一步确定干扰信号是来自小区内干扰还是小区间干扰。在本公开中，小区内干扰是指服务基站向其所服务的其他移动终端发送的信号对期望信号造成的干扰(即干扰信号和期望信号为同一基站所发出的)；小区间干扰是指相邻基站对其所服务的移动终端发送的信号对于期望信号的干扰，即期望信号和干扰信号为相邻的不同基站所发出的。
在此需要说明，虽然以上以通过确定期望信号的干扰噪声比并将其与干扰噪声比阈值进行比较来确定是否存在干扰信号，但是本公开不限于此，例如也可以确定期望信号的信号与干扰加噪声比(SINR)等，并将其与信号与干扰加噪声比阈值(SINRth)进行比较来确定是否存在干扰以及如下述那样确定干扰来源。
根据本公开的一个实施例，在干扰确定单元103确定期望信号存在干扰的情况下，干扰确定单元103可以根据发送期望信号的服务基站在向其小区内的其他移动终端发送信号的发送间隔期间、干扰值是否满足接收期望信号的预定移动终端的干扰阈值，来确定该干扰信号是小区内干扰还是小区间干扰。如果在发送间隔期间，干扰值小于预定移动终端的干扰阈值，则确定该干扰信号来自小区内干扰；如果在发送间隔期间，干扰值大于等于预定移动终端的干扰阈值，则确定该干扰信号来自小区间干扰。
更具体地，在干扰确定单元103确定干扰信号来自小区内干扰还是者小区间干扰之后，干扰确定单元103可以根据本小区内或者相邻小区内其他移动终端的波束到达角，基于预定移动终端的干扰阈值、该预定移动终端的位置以及小区内其他移动终端的位置确定干扰信号的来源。
根据本公开的一个实施例，在干扰确定单元103确定干扰信号来自小区内干扰时，干扰确定单元103可以根据本小区内其他移动终端的波束到达角，基于如下公式(1)来判断服务基站发送给其他移动终端的哪条波束会对期望信号造成干扰，从而可以确定干扰信号的来源，包括确定干扰信号的发送功率、接收功率等信息。
其中，N0为噪声的功率；Pi为服务基站发射的第i个潜在干扰信号的功率；Li为服务基站到接收期望信号的预定移动终端的距离；Gi为第i个潜在干扰信号的主要波束增益；INRth为预定移动终端的干扰阈值；α为预定移动终端和服务基站之间的无线链路的路径损耗指数，其中i正整数。
具体地，对于基站所服务的小区内的每个移动终端，干扰确定单元103基于各个移动终端的波束到达角确定服务基站向哪个移动终端发送的信号(即基站发送的哪条波束)可能会对期望信号造成干扰，并且针对可能会对期望信号造成干扰的每个潜在干扰信号，根据上述公式(1)进一步确定该潜在干扰信号是否为干扰信号，如果其对预定移动终端造成的干扰超过干扰阈值，则干扰确定单元103确定该潜在干扰信号为期望信号的干扰信号，反之，则干扰确定单元103确定该潜在干扰信号不是期望信号的干扰信号。
图5示出了存在小区内干扰的无线场景的示例。如图5所示，UE1是服务基站BS向其发送期望信号的预定移动终端。如图5所示，由于UE1落入其所在小区内其他移动终端UE2的波束到达角的范围内，因此，可以由干扰确定单元103基于上述公式(1)进一步确定服务基站向移动终端UE2发送的信号对期望信号造成的干扰是否超过UE1的干扰阈值，从而确定服务基站向移动终端UE2发送的信号是否会对期望信号造成干扰。如果服务基站向移动终端UE2发送的信号对期望信号造成的干扰超过UE1的干扰阈值，则将服务基站向移动终端UE2发送的信号认为是干扰信号。
在干扰确定单元103确定了干扰信号的来源从而确定干扰信号之后，可以通过特征提取单元102对干扰信号进行特征提取，例如提取干扰信号的路径损耗、路径损耗的方差，从而分类单元101可以基于从干扰信号提取的特征，来确定干扰信号的无线信道条件。
在干扰确定单元103确定干扰信号来自小区间干扰时，干扰确定单元103可以根据相邻小区的其他移动终端的波束到达角，基于接收期望信号的预定移动终端的干扰阈值、该预定移动终端的位置以及相邻小区内的其他移动终端的位置，例如基于上述公式(1)来判断哪个相邻基站及该相邻基站发送给其他移动终端的哪条波束会对期望信号造成干扰，从而可以确定干扰信号的来源，包括确定干扰信号的发送功率、接收功率等信息。
具体地，对于相邻基站所服务的小区内的每个移动终端，干扰确定单元103基于各个移动终端的波束到达角确定哪个基站向其服务的哪个移动终端发送的信号可能会对期望信号造成干扰，并且针对可能会对期望信号造成干扰的每个潜在干扰信号，根据上述公式(1)进一步确定该潜在干扰信号是否为干扰信号。类似地，如果其对预定移动终端造成的干扰超过干扰阈值，则确定该潜在干扰信号为期望信号的干扰信号，反之，则确定该潜在干扰信号不是期望信号的干扰信号。
图6示出了存在小区间干扰的无线场景的示例。如图6所示，UE1是服务基站BS1向其发送期望信号的预定移动终端，BS2是相邻基站，UE2是相邻基站BS2服务的小区内的移动终端。如图6所示，由于UE1落入移动终端UE2的波束到达角的范围内，因此，干扰确定单元103可以基于上述公式(1)进一步确定相邻基站BS2向移动终端UE2发送的信号对其望信号造成的干扰是否超过UE1的干扰阈值，从而确定相邻基站BS2向移动终端UE2发送的信号是否会对期望信号造成干扰。如果相邻基站BS2向移动终端UE2发送的信号对期望信号造成的干扰超过UE1的干扰阈值，则将相邻基站BS2向移动终端UE2发送的信号认为是干扰信号。
虽然图6中仅示出了包括两个相邻基站的无线通信系统，但是本公开不限于此，例如无线通信系统中也可以包括三个以上的相邻基站。
类似地，在干扰确定单元103确定了干扰类型为小区间干扰的干扰信号的来源从而确定干扰信号之后，特征提取单元102可以对干扰信号进行特征提取，例如提取干扰信号的路径损耗、路径损耗的方差，从而分类单元101可以基于从干扰信号提取的特征，来确定干扰信号的无线信道条件。
虽然以上描述了在确定干扰信号的干扰类型之后确定干扰信号的无线信道条件，但是本公开不限于此。例如，也可以在干扰信号的干扰类型已知的情况下(例如，当已知仅存在一个小区，从而干扰信号必然来自小区内干扰的情况下)，直接确定干扰信号的来源，从而确定干扰信号的无线信道条件。
在提取了期望信号和或干扰信号的用于确定无线信道条件的特征(包括但不限于路径损耗和路径损耗的方差)之后，通过分类单元101可以基于所提取的特征，对期望信号和/或干扰信号的无线信道条件进行分类。
下面将详细描述根据本公开的实施例的分类单元101的结构。图7示出了根据本公开实施例的分类单元101的一种示例性结构的框图。
如图7所示，分类单元101包括：N个经训练的分类器C1至CN，每个分类器对应于将M个无线信道条件进行两两组合获得两两组合中的一个组合并且被配置为将无线信号的无线信道条件分类为所述一个组合中的一类无线信道条件；以及决策融合子单元1010，用于对该N个分类器C1-CN的分类结果进行决策融合。
根据本公开进行的决策融合是指多个分类器的结果进行组合(例如进行加权组合)来获得最终分类结果，其为机器学习领域的常用术语，是本领域技术人员公知的。
根据本公开，通过将现有技术中使用的两类分类方式进行两两组合，来构成个分类器。每个分类器可以是根据现有技术公知的两类分类器。
根据本公开的优选实施例，分类单元101中包括的N个分类器C1-CN中的每个分类器可以是基于反向传播神经网路的Adaboost算法分类器。但是，本公开不限于此，N个分类器中的每个分类器也可以是其他类型的两类分类器，例如SVM分类器(如，LSSVM)、贝叶斯分类器、线性分类器、深度学习的两类分类器等。
例如，当M个预定无线信道条件为视通(LOS)、非视通(NLOS)和受阻碍视通(OLOS)时，可以将这3个无线信道条件LOS、NLOS和OLOS两两组合构成种组合，对应于3个分类器，这3个分类器分别对应于LOS和NLOS的两两组合、LOS和OLOS的两两组合以及OLOS和NLOS的两两组合。
根据本公开，通过对N个分类器中的每个分类器输入训练数据来生成分类器模型，即训练每个分类器。输入的训练数据可以是M个预定无线信道条件中每个无线信道条件下对应的期望信号和干扰信号的特征参数，例如期望信号或干扰信号的路径损耗和路径损耗的方差至少其中之一、或者期望信号或干扰信号的均方根时延扩展和/或接收信号的概率分布函数的峰度和不对称性。
下面以使用AdaBoost分类器(其分类的输出是两类(1和-1))作为根据本公开的N个分类器中的每个分类器为例，结合图8的流程图详细描述对于N个分类器中每个分类器的训练处理。在此说明，在本公开中，训练分类器使用的特征与利用分类器对无线信号的无线信道条件进行分类时提取的特征是相同类型的。
在B1，输入包括K个训练子集的训练数据集yi＝-1/1；其中，xi表示输入的分类器的特征参数，yi表示分类器的输出、即具有特征参数xi的无线信号的无线信道条件的分类结果。
然后，在B2初始化每个训练数据子集的权重；
接着，在B3使用每个训练数据子集(xi,yi)去训练第j个AdaBoost分类器，得到该第j个AdaBoost分类器的训练输出，j的初始值为1；
然后，在B4遍历所有训练数据子集的第j个AdaBoost分类器的训练错误率；
接着，在B5根据训练错误率来计算第j个AdaBoost分类器的权值；
然后，在B6根据第j个AdaBoost分类器的权值来更新每个训练数据子集的权重，并且使j＝j+1。
迭代地执行上述步骤B3-B6直至对所有的N个AdaBoost分类器都执行了上述步骤B3-B6为止，即在B7判断j大于L为止。
然后在B8，得到经训练的N个分类器。
通常，神经网络主要由三部分构成：输入层、隐藏层和输出层，反向传播的神经网络主要是根据实际输出和目标输出的总误差从输出层开始向第一隐藏层(最接近输出层的隐藏层)传播来修正权值。使用基于方向传播的AdaBoost分类器算法的训练过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐单元层逐层处理后，传至输出层。每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，那么就转为反向传播，把误差信号沿原连接路径返回，并通过修改各层神经元的权值，使误差信号最小。
在测试时，即，在对预定无线场景进行识别时，分类单元101被配置为根据所述N个分类器中每个分类器的分类结果、以及M个无线信道条件中每个无线信道条件的权重确定预定无线场景中无线信号的无线信道条件的分类。
具体地，通过N个分类器中的每个分类器基于特征提取单元从预定无线场景下的环境参数提取的特征，对该预定无线场景下的期望信号和/或干扰信号的无线信道条件进行分类，从而针对期望信号、干扰信号分别获得N个分类结果，其中每个分类器将该无线信号(包括期望信号和干扰信号)分为预定M个无线信道条件中的一个无线信道条件，从而每个分类器对应一个分类结果。
然后，由决策融合子单元1010基于每个无线信道条件对应的权重对N个分类器中每个分类器的分类结果进行决策融合。根据本公开，每个无线信道条件对应的权重可以是根据在训练所述N个分类器时输出的每个无线信道条件的正确识别率来确定的。
具体地，决策融合子单元1010统计N个分类器的分类结果中被分类为M个无线信道条件中的每个无线信道条件的数量，也就是每个分类器给无线信道条件的投票数(当该分类器分类为某一无线信道条件时，可以认为其为该无线信道条件投了一票，而没有为其对应的另一无线信道条件投票)。例如在上述M个无线信道条件为3个预定的无线信道条件LOS、NLOS、OLOS的示例中，当对应于LOS和NLOS组合的分类器的分类结果为无线信道条件LOS，对应于NLOS和OLOS组合的分类器的分类结果为无线信道条件OLOS，对应于LOS和OLOS组合的分类器的分类结果为无线信道条件OLOS时，决策融合子单元1010可以统计无线信道条件LOS的数量(即投票数)为1，无线信道条件NLOS的数量(即投票数)为0，无线信道条件OLOS的数量(即投票数)为2。
根据本公开，决策融合单元1010可以基于对于无线信道条件的投票数直接确定无线信号的无线信道条件，例如，在上述示例中，可以将具有最多投票数的无线信道条件(即无线信道条件OLOS)作为无线信号的无线信道条件。
为了提高无线场景识别的准确率，根据本公开的优选实施例，决策融合单元1010还可以为每个无线信道条件加权，例如将训练时获得的每个无线信道条件的正确率作为权重为每个无线信道条件进行加权，并将加权后的最大值对应的无线信道条件作为该无线信号的无线信道条件。例如，在上述示例中，如果在训练时，获得的每个无线信道场景的正确识别率分别对应于W1、W2和W3(例如分别为0.8、0.9和0.6)，则可以获得每个无线信道条件LOS、NLOS、OLOS的得分分别为W1、0和2×W3，从而决策融合单元可以将加权后的最大值对应的无线信道条件(例如无线信道条件OLOS)作为无线信号的无线信道条件。
根据本公开的优选实施例，期望信号的无线信道条件可以被分类为对于期望信号的视通、非视通和受阻碍视通之一，干扰信号的无线信道条件可以根据其无线信道条件及干扰类型被分类为小区内视通、小区内非视通、小区内受阻碍视通、小区间视通、小区间非视通和小区间受阻碍视通之一，从而基于期望信号和干扰信号的无线信道条件以及干扰类型可以获得如下图9所示的包括多个无线场景的列表。
如图9所示，当期望信号不存在干扰信号时，可以根据期望信号的无线信道条件，将预定无线场景分类为图9所示的第19-21类无线场景之一。当期望信号存在干扰信号时，可以基于期望信号的无线信道条件、干扰信号的无线信道条件和干扰信号的类型将预定无线场景分类为第1-18类无线场景之一。
图9中示出的是根据基于期望信号的无线信道条件、干扰信号的无线信道条件和干扰信号的类型三者对无线场景进行分类，但是本公开不限于此。例如也可以仅基于干扰信号的无线信道条件对无线场景进行分类(例如在对于无线场景所关注的焦点仅为干扰信号的情况下)，从而可以将预定无线场景分类为干扰信号的视通、非视通和受阻碍视通之一，或者也可以仅基于干扰信号的无线信道条件和干扰类型两者对预定无线场景进行分类，从而可以将预定无线场景分类为小区内视通、小区内非视通、小区内受阻碍视通、小区间视通、小区间非视通和小区间受阻碍视通之一。
处理电路10根据分类单元的分类结果，通过查询图9所示的场景列表可以获得预定无线场景的无线场景类别，从而在通过无线场景识别装置对预定无线场景的类别进行了识别之后，可以基于认知的不同无线场景使用不同的信道模型和无线频谱资源分配策略。
根据本公开的无线场景识别装置可以用于识别基于毫米波频段的超密集组网的无线通信系统的无线场景。毫米波由于其波长短、频带宽，能够有效地解决高速宽带无线接入面临的许多挑战，因而在短距离通信中具有广泛应用前景，因此根据本公开的无线场景识别装置也具有广泛的应用前景。
根据本公开的无线场景识别装置可以是独立于无线通信场景中的无线通信设备(例如基站、移动终端、频谱协调器)而设置，也可以与上述无线通信设备集成在一起。
根据本公开，还提供一种用于无线通信系统的无线通信设备。图10示出了根据本公开的无线通信设备的结构的框图。
如图10所示，无线通信设备9包括：通信单元91，被配置为从所述预定无线场景中获取环境参数信息；以及处理电路92，被配置为基于从所述环境参数信息提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。
根据本公开，多个分类器为N个分类器，预定的多个无线信道条件为预定的M个无线信道条件，其中M为大于等于2的整数、N为将M个无线信道条件进行两两组合获得的组合数，其中每个分类器对应于所述两两组合中的一个组合并且被配置为将所述无线信道条件分类为所述一个组合中的一类无线信道条件。
根据本公开，预定的多个无线信道条件可以包括：视通、非视通和受阻碍视通，其中受阻碍视通是指传播信号被可穿透物体阻挡的无线信道条件。
根据本公开的无线通信设备例如可以是基站、移动终端或者频谱协调器。
无线通信设备9的处理电路92执行的对于无线信号的无线信道条件的分类处理、特征提取处理、无线场景识别处理例如可以与如上参照图1-图9描述的无线场景识别装置中的分类单元的分类处理、特征提取单元的特征提取处理、无线场景识别单元的无线场景识别处理相同或者类似，在此省略对其的具体描述。
图11是示出了根据本公开实施例的用于对预定无线场景进行识别的无线场景识别方法的流程图。
如图11所示，根据本公开实施例的无线场景识别方法的处理流程S1000开始于S1010，然后执行S1020的处理。
在S1020，基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。，根据本公开，多个分类器为N个分类器，预定的多个无线信道条件为预定的M个无线信道条件，其中M为大于等于2的整数、N为将M个无线信道条件进行两两组合获得的组合数，其中每个分类器对应于所述两两组合中的一个组合并且被配置为将所述无线信道条件分类为所述一个组合中的一类无线信道条件。例如，可以通过执行例如参照图2描述的分类单元101的处理来实现，在此省略其描述。然后执行S1030。
处理流程S1000结束于S1030。
根据本公开的环境参数可以包括从该预定无线场景中的移动终端、频谱协调器和基站至少其中之一收集的环境参数。
根据本公开的无线场景识别方法，在S1020中，基于从所述预定无线场景的环境参数提取的特征，通过所述经训练的N个分类器对所述预定无线场景中的期望信号、干扰信号或者期望信号和干扰信号两者的无线信道条件进行分类，以基于所述期望信号和/或干扰信号的无线信道条件的类别识别所述预定无线场景的场景类别。
在S1020中，在通过所述经训练的N个分类器对所述预定无线场景中的期望信号和干扰信号的无线信道条件进行分类的情况下，还可以基于该预定无线场景中无线通信设备之间的信息交互，确定所述干扰信号的干扰类型，从而还基于所述干扰信号的干扰类型来识别所述预定无线场景的场景类别。根据本公开，干扰类型包括：无干扰、来自本小区的小区内干扰和来自相邻小区的小区间干扰。上述确定干扰信号的干扰类型的处理例如可以参见上述结合图1-9描述的无线场景识别装置的干扰确定单元的处理来实现，在此省略其描述。
在本公开的无线场景识别方法中，环境参数例如可以从该预定无线场景中的移动终端、频谱协调器和基站至少其中之一接收，并且基于所述环境参数获取的特征可以包括：用于确定干扰信号的干扰类型的特征和用于判断期望信号或干扰信号的无线信道条件的类别的特征。上述接收环境参数的处理和特征提取的处理例如可以参见上述结合图1-9描述的无线场景识别装置的通信单元和特征提取单元的处理来实现，在此省略其描述。
根据本公开的实施例，用于确定干扰信号的干扰类型的特征包括：移动终端的位置信息、基站发射波束的到达角至少其中之一；用于判断期望信号或干扰信号的无线信道条件的类别的特征包括：期望信号或干扰信号的路径损耗和路径损耗的方差至少其中之一。根据本公开的优选实施例，用于判断期望信号或干扰信号的无线信道条件的类别的特征还包括：期望信号或干扰信号的均方根时延扩展和/或接收信号的概率分布函数的峰度和不对称性。
根据本公开，在S1020中，在确定所述干扰信号的干扰类型为小区内干扰或者小区间的情况下，还可以基于所述期望信号服务的移动终端的位置信息、其他移动终端的位置信息和波束到达角确定所述干扰信号的来源，并基于所述干扰信号的来源确定所述干扰信号的无线信道条件。上述确定干扰信号的来源的处理例如可以参见上述结合图1-9描述的无线场景识别装置的干扰确定单元的处理来实现，在此省略其描述。
根据本公开的N个分类器中的每个分类器为基于反向传播神经网络的AdaBoost分类器。
根据本公开的一个实施例，在S1020中，根据所述N个分类器中每个分类器的分类结果、以及所述M个无线信道条件中每个无线信道条件的权重确定所述预定无线场景中无线信号的无线信道条件的分类。根据本公开的优选实施例，每个无线信道条件的权重是根据在训练所述N个分类器时输出的每个无线信道条件的正确识别率来确定的。上述确定无线信号的无线信道条件的分类的处理例如可以参见上述结合图1-9描述的无线场景识别装置的分类单元的处理来实现，在此省略其描述。
图12示出了根据N个分类器的分类结果以及在训练分类器时获得的无线信道条件的权重确定无线信号的无线信道条件的分类的处理的流程。
如图12所示，在步骤S1021中，从N个分类器中的每个分类器获得针对预定无线场景中的无线信号的无线信道条件的分类结果，然后在步骤S1022中，获取在训练分类器时获得的预定M个无线场景中每个无线场景类别的正确识别率，接着在S1023中，统计N个分类器的分类结果中被分类为每个无线场景类别的数量，然后在S1024中，对分类结果中每个无线场景类别被统计的数量进行加权，确定具有最大的加权后的值的无线场景类别，接着在S1025中，将具有最大加权后值的无线场景类别作为该预定无线场景的无线场景类别。
根据本公开的优选实施例，M个无线信道条件包括：视通、非视通和受阻碍视通，其中受阻碍视通是指传播信号被可穿透物体阻挡的无线信道条件。
根据本公开的所述无线场景识别方法可以用于识别基于毫米波频段的超密集组网的无线通信系统的无线场景。
根据本公开还提供一种无线通信系统，用于对该无线通信系统所处的预定无线场景进行识别，无线通信系统包括：预定移动终端，被配置成接收服务基站向其发送的期望信号，并将其对于期望信号的接收功率和波束到达角的信息发送给该服务基站；服务基站，被配置成：根据从该预定移动终端的接收的所述信息确定该期望信号的干扰信号的干扰类型，基于所述干扰信号的干扰类型获取所述干扰信号的干扰信息，其中在所述干扰信号为小区内干扰的情况下，获取所述干扰信号的无线信道条件作为所述干扰信息，以及根据所述干扰信号的干扰信息和/或所述期望信号的无线信道条件，确定所述预定无线场景的场景类别；频谱协调器，用于在所述服务基站确定所述干扰信号的干扰类型为小区间干扰的情况下，确定所述干扰信号的来源，并向产生所述干扰信号的相邻基站发送请求干扰信号的无线信道条件的信息；相邻基站，用于基于所述频谱协调器的请求，根据从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述干扰信号的无线信道条件进行分类来确定所述干扰信号的无线信道条件，并将所述干扰信号的无线信道条件作为干扰信息发送给所述频谱协调器，从而通过所述频谱协调器发送给所述服务基站。其中，所述服务基站确定期望信号的无线信道条件是基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的期望信号的无线信道条件进行分类并将所述多个分类器的分类结果进行决策融合来确定的；所述服务基站确定在小区内干扰的情况下确定所述干扰信号的无线信道条件以及所述相邻基站在小区间干扰的情况下确定所述干扰信号的无线信道条件是根据从所述预定无线场景下的环境参数提取的特征、通过经训练的多个分类器对所述干扰信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合来确定的。
图13描述了根据本公开实施例的上述无线通信系统对无线场景进行识别的一个示例的信令交互图。在该无线通信系统中包括：用于接收期望信号的预定移动终端UE、服务该移动终端的服务基站BSserving、频谱协调器SCserving以及相邻基站BSneighboring。
如图13所示，通过服务基站BSserving向预定移动终端UE发送期望信号，预定移动终端UE获知其对于期望信号的接收功率和波束到达角，并且在步骤①将其位置信息、接收功率和波束到达角信息发送给服务基站BSserving。
然后，在步骤②由设置在服务基站BSserving内的无线场景识别装置根据移动终端UE的干扰阈值(例如，INRth)来确定是否存在干扰信号。
在不存在干扰信号(即通过测量获知的INR值小于干扰阈值)的情况下，由设置在服务基站BSserving中的无线场景识别装置在步骤③根据收集的期望信号的路径损耗以及提取的路径损耗方差，识别期望信号的无线信道条件，并根据期望信号的无线信道条件识别无线场景。
在存在干扰信号的情况下(即通过测量获知的INR值不小于干扰阈值)的情况下，服务基站BSserving在步骤④确定干扰信号是否来自本小区基站(即是小区内干扰还是小区间干扰)。例如可以根据在服务基站BSserving发送其所服务的其他用户的时间间隔期间，期望信号服务的移动终端的干扰阈值是否满足要求来确定干扰信号是来自小区内干扰还是小区间干扰。如果是小区内干扰，则服务基站BSserving在步骤③通过确定干扰信号的来源，根据收集的期望信号和干扰信号的路径损耗以及提取的期望信号和干扰信号的路径损耗方差，识别干扰信号的无线信道条件，并根据期望信号和干扰信号的无线信道条件以及干扰信号的干扰类型识别无线场景。
在存在的干扰信号来自小区间干扰的情况下，服务基站BSserving在步骤⑤可以向频谱协调装置SC请求发送干扰信号的扰信道条件和需要保护的移动终端位置等信息(需要保护的用户是指小区交叠区中需要保护的相邻的同小区移动终端，这些移动终端有可能受到服务小区波束的有害干扰，其通常是与预定移动终端距离相近的移动终端)。
接着，在步骤⑥可以由频谱协调装置SC根据预定移动终端的干扰阈值INRth、预定移动终端的位置信息以及其他移动终端的波束到达角来确定哪个基站发射的哪个信号对期望信号造成了干扰。
然后，在步骤⑦频谱协调器SC向生成干扰信号的相邻基站发送请求，请求发送干扰信号的干扰信道条件信息。
在步骤⑧，由相邻基站BSneighboring根据干扰信号的路径损耗以及路径损耗方差等特征，通过N个分类器对干扰信号进行无线信道条件识别，然后在步骤⑨和⑩通过频谱协调装置SC将干扰信号的干扰信道条件发送给服务基站BSserving，从而由服务基站BSserving基于对期望信号的信道条件识别，再结合干扰信号的干扰信道条件以及干扰类型，识别无线场景。
虽然以上信令交互图中，在上述结合图1-9描述的无线场景识别装置中的干扰确定单元的部分干扰确定操作是由频谱协调器和相邻基站执行的，但是本公开不限于此。本领域技术人员可以理解，在干扰信号来自小区间干扰的情况下，确定产生干扰信号的干扰基站以及识别干扰信号的干扰信道条件的操作也可以由设置有无线场景识别装置的服务基站来执行，只要有服务基站能够从相邻基站获取相邻小区内移动终端的位置、波束到达角的信息即可。
发明人对本发明中所提的无线场景识别方法进行了仿真实验。仿真实验是基于反向传播神经网络的AdaBoost算法，识别的无线信道条件为视通、非视通和受阻碍视通。仿真参数设置如表1：
表1仿真参数表
如下述式(2)(参见G.R.Maccartney、T.S.Rappaport、M.K.Samimi,S.Sun等人在IEEE Access(vol.3,pp.1573-1580,Sept.2015)上发表的“Millimeter-WaveOmnidirectional Path Loss Data for Small Cell 5G Channel Modeling”)所示，仿真模型是采用毫米波频段的信道模型。
其中d0＝1米；d≥d0；Xσ～N(0,σ2)
公式(2)中，d为发射机与接收机的距离；σ表示阴影系数；表是路径损耗参数；λ为基站发射信号的波长；Xσ为阴影衰落。
从该信道模型从而提取需要的特征参数路径损耗以及路径损耗的方差等，作为输入训练数据以及测试数据。
图14示出的是提取的路径损耗，分别对应非视通NLOS、视通LOS和受阻碍视通OLOS，其中纵坐标CDF为累积分函数，其表示路径损耗小于横坐标标识的路径损耗的概率。
表2是根据本发明的无线信道识别方法得到的三种信道条件(LOS、NLOS和OLOS)的分类正确率，表3是根据现有技术的无决策融合的直接分类加权得到的错误分类率。从表2和表3我们可以看出，其中根据本发明的具有决策融合的无线信道识别方法可以提高整个系统的分类性能；表2的两个参数的分类性能比只有1个参数的性能大大地提高了，也就是增加提取的特征参数也是提高系统性的一种方法。
表2分类正确率表
表3无决策融合的错误分类率表
与现有技术相比，根据本公开实施例的无线场景识别装置和方法以及无线通信设备至少具有以下有益效果其中之一：通过对多个分类器的分类结果进行决策融合，能够提高无线场景的识别准确率；通过基于多个特征的分类处理，进一步提高了对于无线场景识别的准确率；本公开的无线场景识别装置和方法可以用于识别基于毫米波频段的超密集组网的无线通信系统的无线场景，因此具有广泛的应用前景。
[关于用户设备的应用示例]
(第一应用示例)
图15是示出可以应用本公开内容的技术的智能电话900的示意性配置的示例的框图。智能电话900包括处理器901、存储器902、存储装置903、外部连接接口904、摄像装置906、传感器907、麦克风908、输入装置909、显示装置910、扬声器911、无线通信接口912、一个或多个天线开关915、一个或多个天线916、总线917、电池918以及辅助控制器919。
处理器901可以为例如CPU或片上系统(SoC)，并且控制智能电话900的应用层和另外层的功能。存储器902包括RAM和ROM，并且存储数据和由处理器901执行的程序。存储装置903可以包括存储介质，诸如半导体存储器和硬盘。外部连接接口904为用于将外部装置(诸如存储卡和通用串行总线(USB)装置)连接至智能电话900的接口。
摄像装置906包括图像传感器(诸如电荷耦合器件(CCD)和互补金属氧化物半导体(CMOS))，并且生成捕获图像。传感器907可以包括一组传感器，诸如测量传感器、陀螺仪传感器、地磁传感器和加速度传感器。麦克风908将输入到智能电话900的声音转换为音频信号。输入装置909包括例如被配置为检测显示装置910的屏幕上的触摸的触摸传感器、小键盘、键盘、按钮或开关，并且接收从用户输入的操作或信息。显示装置910包括屏幕(诸如液晶显示器(LCD)和有机发光二极管(OLED)显示器)，并且显示智能电话900的输出图像。扬声器911将从智能电话900输出的音频信号转换为声音。
无线通信接口912支持任何蜂窝通信方案(诸如LTE和LTE-先进)，并且执行无线通信。无线通信接口912通常可以包括例如BB处理器913和RF电路914。BB处理器913可以执行例如编码/解码、调制/解调以及复用/解复用，并且执行用于无线通信的各种类型的信号处理。同时，RF电路914可以包括例如混频器、滤波器和放大器，并且经由天线916来传送和接收无线信号。无线通信接口912可以为其上集成有BB处理器913和RF电路914的一个芯片模块。如图15所示，无线通信接口912可以包括多个BB处理器913和多个RF电路914。虽然图15示出其中无线通信接口912包括多个BB处理器913和多个RF电路914的示例，但是无线通信接口912也可以包括单个BB处理器913或单个RF电路914。
此外，除了蜂窝通信方案之外，无线通信接口912可以支持另外类型的无线通信方案，诸如短距离无线通信方案、近场通信方案和无线局域网(LAN)方案。在此情况下，无线通信接口912可以包括针对每种无线通信方案的BB处理器913和RF电路914。
天线开关915中的每一个在包括在无线通信接口912中的多个电路(例如用于不同的无线通信方案的电路)之间切换天线916的连接目的地。
天线916中的每一个均包括单个或多个天线元件(诸如包括在MIMO天线中的多个天线元件)，并且用于无线通信接口912传送和接收无线信号。如图15所示，智能电话900可以包括多个天线916。虽然图15示出其中智能电话900包括多个天线916的示例，但是智能电话900也可以包括单个天线916。
此外，智能电话900可以包括针对每种无线通信方案的天线916。在此情况下，天线开关915可以从智能电话900的配置中省略。
总线917将处理器901、存储器902、存储装置903、外部连接接口904、摄像装置906、传感器907、麦克风908、输入装置909、显示装置910、扬声器911、无线通信接口912以及辅助控制器919彼此连接。电池918经由馈线向图24所示的智能电话900的各个块提供电力，馈线在图中被部分地示为虚线。辅助控制器919例如在睡眠模式下操作智能电话900的最小必需功能。
在图15所示的智能电话900中，参照图1或9所描述的通信装置20或通信单元91可以由无线通信接口912实现。根据本公开的无线场景识别功能的至少一部分也可以由处理器901或辅助控制器919实现。
(第二应用示例)
图16是示出可以应用本公开内容的技术的汽车导航设备920的示意性配置的示例的框图。汽车导航设备920包括处理器921、存储器922、全球定位系统(GPS)模块924、传感器925、数据接口926、内容播放器927、存储介质接口928、输入装置929、显示装置930、扬声器931、无线通信接口933、一个或多个天线开关936、一个或多个天线937以及电池938。
处理器921可以为例如CPU或SoC，并且控制汽车导航设备920的导航功能和另外的功能。存储器922包括RAM和ROM，并且存储数据和由处理器921执行的程序。
GPS模块924使用从GPS卫星接收的GPS信号来测量汽车导航设备920的位置(诸如纬度、经度和高度)。传感器925可以包括一组传感器，诸如陀螺仪传感器、地磁传感器和空气压力传感器。数据接口926经由未示出的终端而连接到例如车载网络941，并且获取由车辆生成的数据(诸如车速数据)。
内容播放器927再现存储在存储介质(诸如CD和DVD)中的内容，该存储介质被插入到存储介质接口928中。输入装置929包括例如被配置为检测显示装置930的屏幕上的触摸的触摸传感器、按钮或开关，并且接收从用户输入的操作或信息。显示装置930包括诸如LCD或OLED显示器的屏幕，并且显示导航功能的图像或再现的内容。扬声器931输出导航功能的声音或再现的内容。
无线通信接口933支持任何蜂窝通信方案(诸如LTE和LTE-先进)，并且执行无线通信。无线通信接口933通常可以包括例如BB处理器934和RF电路935。BB处理器934可以执行例如编码/解码、调制/解调以及复用/解复用，并且执行用于无线通信的各种类型的信号处理。同时，RF电路935可以包括例如混频器、滤波器和放大器，并且经由天线937来传送和接收无线信号。无线通信接口933还可以为其上集成有BB处理器934和RF电路935的一个芯片模块。如图16所示，无线通信接口933可以包括多个BB处理器934和多个RF电路935。虽然图16示出其中无线通信接口933包括多个BB处理器934和多个RF电路935的示例，但是无线通信接口933也可以包括单个BB处理器934或单个RF电路935。
此外，除了蜂窝通信方案之外，无线通信接口933可以支持另外类型的无线通信方案，诸如短距离无线通信方案、近场通信方案和无线LAN方案。在此情况下，针对每种无线通信方案，无线通信接口933可以包括BB处理器934和RF电路935。
天线开关936中的每一个在包括在无线通信接口933中的多个电路(诸如用于不同的无线通信方案的电路)之间切换天线937的连接目的地。
天线937中的每一个均包括单个或多个天线元件(诸如包括在MIMO天线中的多个天线元件)，并且用于无线通信接口933传送和接收无线信号。如图16所示，汽车导航设备920可以包括多个天线937。虽然图16示出其中汽车导航设备920包括多个天线937的示例，但是汽车导航设备920也可以包括单个天线937。
此外，汽车导航设备920可以包括针对每种无线通信方案的天线937。在此情况下，天线开关936可以从汽车导航设备920的配置中省略。
电池938经由馈线向图16所示的汽车导航设备920的各个块提供电力，馈线在图中被部分地示为虚线。电池938累积从车辆提供的电力。
在图16示出的汽车导航设备920中，参照图1或9所描述的通信装置20或通信单元91可以由无线通信接口933实现。根据本公开的无线场景识别功能的至少一部分也可以由处理器921实现。
本公开内容的技术也可以被实现为包括汽车导航设备920、车载网络941以及车辆模块942中的一个或多个块的车载系统(或车辆)940。车辆模块942生成车辆数据(诸如车速、发动机速度和故障信息)，并且将所生成的数据输出至车载网络941。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，对本领域的技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者其组合的形式实现，这是本领域的技术人员在阅读了本发明的描述的情况下利用其基本电路设计知识或者基本编程技能就能实现的。
而且，本发明还提出了一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时，可执行上述根据本发明实施例的方法。
相应地，用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
在通过软件或固件实现本发明的情况下，从存储介质或网络向具有专用硬件结构的计算机(例如图17所示的通用计算机1800)安装构成该软件的程序，该计算机在安装有各种程序时，能够执行根据本公开实施例的上述各种功能等。
在图17中，中央处理单元(CPU)1801根据只读存储器(ROM)1802中存储的程序或从存储部分1808加载到随机存取存储器(RAM)1803的程序执行各种处理。在RAM 1803中，也根据需要存储当CPU 1801执行各种处理等等时所需的数据。CPU 1801、ROM 1802和RAM 1803经由总线1804彼此连接。输入/输出接口1805也连接到总线1804。
下述部件连接到输入/输出接口1805：输入部分1806(包括键盘、鼠标等等)、输出部分1807(包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等)、存储部分1808(包括硬盘等)、通信部分1809(包括网络接口卡比如LAN卡、调制解调器等)。通信部分1809经由网络比如因特网执行通信处理。根据需要，驱动器1810也可连接到输入/输出接口1805。可移除介质1811比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1810上，使得从中读出的计算机程序根据需要被安装到存储部分1808中。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可移除介质1811安装构成软件的程序。
本领域的技术人员应当理解，这种存储介质不局限于图16所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可移除介质1811。可移除介质1811的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM1802、存储部分1808中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
还需要指出的是，在本发明的装置、方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应该视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按时间顺序执行。某些步骤可以并行或彼此独立地执行。
最后，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上虽然结合附图详细描述了本发明的实施例，但是应当明白，上面所描述的实施方式只是用于说明本发明，而并不构成对本发明的限制。对于本领域的技术人员来说，可以对上述实施方式作出各种修改和变更而没有背离本发明的实质和范围。因此，本发明的范围仅由所附的权利要求及其等效含义来限定。
上述装置中各个组成模块、单元可通过软件、固件、硬件或其组合的方式进行配置。配置可使用的具体手段或方式为本领域技术人员所熟知，在此不再赘述。在通过软件或固件实现的情况下，从存储介质或网络向具有专用硬件结构的计算机安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质安装构成软件的程序。
本领域的技术人员应当理解，上述存储介质不局限于其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质。可拆卸介质的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM、存储部分中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
本公开还提出一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时，可执行上述根据本公开实施例的方法。
相应地，用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本公开的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
最后，还需要说明的是，在本公开中，诸如左和右、第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管上面已经通过本公开的具体实施例的描述对本公开进行了披露，但是，应该理解，本领域技术人员可在所附权利要求的精神和范围内设计对本公开的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本公开所要求保护的范围内。

Claims (20)

1.一种用于对预定无线场景的场景类别进行识别的无线场景识别装置，所述无线场景识别装置包括：
处理电路，被配置为：
基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件，以便基于所述无线信道条件的类别，识别所述预定无线场景的场景类别。
2.根据权利要求1所述的无线场景识别装置，其中所述预定的多个无线信道条件为M个无线信道条件，所述多个分类器为N个分类器，其中，M为大于等于2的整数、N为将M个无线信道条件进行两两组合获得的组合数，并且其中每个分类器对应于所述两两组合中的一个组合并且被配置为将所述无线信号的无线信道条件分类为所述一个组合中的一个无线信道条件。
3.根据权利要求1所述的无线场景识别装置，其中，所述环境参数包括从该预定无线场景中的移动终端、频谱协调器和基站至少其中之一收集的环境参数。
4.根据权利要求1-3中任一项所述的无线场景识别装置，其中，所述处理电路被配置为基于从所述预定无线场景的环境参数提取的特征，通过所述经训练的多个分类器对所述预定无线场景中的期望信号和/或干扰信号的无线信道条件进行分类，以基于所述期望信号和/或干扰信号的无线信道条件的类别识别所述预定无线场景的场景类别。
5.根据权利要求4所述的无线场景识别装置，其中，所述处理电路被配置为通过所述经训练的多个分类器对所述预定无线场景中的期望信号和干扰信号的无线信道条件进行分类，其中，所述处理电路还被配置为基于该预定无线场景中无线通信设备之间的信息交互，确定所述干扰信号的干扰类型，并且还基于所述干扰信号的干扰类型来识别所述预定无线场景的场景类别。
6.根据权利要求5所述的无线场景识别装置，其中所述干扰类型包括：无干扰、来自本小区的小区内干扰和来自相邻小区的小区间干扰。
7.根据权利要求6所述的无线场景识别装置，其中，从所述环境参数提取的特征包括：用于确定干扰信号的干扰类型的特征和用于判断期望信号或干扰信号的无线信道条件的类别的特征。
8.根据权利要求7所述的无线场景识别装置，其中用于确定干扰信号的干扰类型的特征包括：移动终端的位置信息、基站发射波束的到达角至少其中之一；用于判断期望信号或干扰信号的无线信道条件的类别的特征包括：期望信号或干扰信号的路径损耗和路径损耗的方差至少其中之一。
9.根据权利要求8所述的无线场景识别装置，其中，用于判断期望信号或干扰信号的无线信道条件的类别的特征还包括：期望信号或干扰信号的均方根时延扩展和/或接收信号的概率分布函数的峰度和不对称性。
10.根据权利要求6-9中任一项所述的无线场景识别装置，其中，所述处理电路被配置为在确定所述干扰信号的干扰类型为小区内干扰或者小区间的情况下，基于所述期望信号服务的移动终端的位置信息、其他移动终端的位置信息和波束到达角确定所述干扰信号的来源，并基于所述干扰信号的来源确定所述干扰信号的无线信道条件。
11.根据权利要求1-10中任一项所述的无线场景识别装置，其中，所述多个分类器中的每个分类器为基于反向传播神经网络的AdaBoost分类器。
12.根据权利要求11所述的无线场景识别装置，其中，所述处理电路被配置为根据所述多个分类器中每个分类器的分类结果、以及所述多个无线信道条件中每个无线信道条件的权重确定所述预定无线场景中无线信号的无线信道条件的分类。
13.根据权利要求12所述的无线场景识别装置，其中，所述每个无线信道条件的权重是根据在训练所述多个分类器时输出的每个无线信道条件的正确识别率来确定的。
14.根据权利要求1-13中任一项所述的无线场景识别装置，其中所述预定的多个无线信道条件包括：视通、非视通和受阻碍视通，其中受阻碍视通是指传播信号被可穿透物体阻挡的无线信道条件。
15.根据权利要求1-14中任一项所述的无线场景识别装置，其中，所述无线场景识别装置用于识别基于毫米波频段的超密集组网的无线通信系统的无线场景。
16.一种用于对预定无线场景的场景类别进行识别的无线通信设备，包括：
通信装置，被配置为从所述预定无线场景中获取环境参数信息；以及
处理电路，所述处理电路被配置为基于从所述环境参数信息提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。
17.根据权利要求16所述的无线通信设备，其中，所述多个无线信道条件包括：视通、非视通和受阻碍视通，其中受阻碍视通是指传播信号被可穿透物体阻挡的无线信道条件。
18.根据权利要求16或17所述的无线通信设备，其中所述无线通信设备是基站、移动终端或者频谱协调器。
19.一种用于对预定无线场景的场景类别进行识别的方法，包括：
基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的无线信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合，以将所述无线信道条件分类为预定的多个无线信道条件中的无线信道条件，以便基于所述无线信道条件，识别所述预定无线场景的场景类别。
20.一种无线通信系统，用于对该无线通信系统所处的预定无线场景进行识别，所述无线通信系统包括：
预定移动终端，被配置成接收服务基站向其发送的期望信号，并将其对于期望信号的接收功率和波束到达角的信息发送给该服务基站；
服务基站，被配置成：
根据从该预定移动终端的接收的所述信息确定该期望信号的干扰信号的干扰类型；
基于所述干扰信号的干扰类型获取所述干扰信号的干扰信息，其中在所述干扰信号为小区内干扰的情况下，获取所述干扰信号的无线信道条件作为所述干扰信息；以及
根据所述干扰信号的干扰信息和/或所述期望信号的无线信道条件，确定所述预定无线场景的场景类别；
频谱协调器，用于在所述服务基站确定所述干扰信号的干扰类型为小区间干扰的情况下，确定所述干扰信号的来源，并向产生所述干扰信号的相邻基站发送请求干扰信号的无线信道条件的信息；
相邻基站，用于基于所述频谱协调器的请求，根据从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述干扰信号的无线信道条件进行分类来确定所述干扰信号的无线信道条件，并将所述干扰信号的无线信道条件作为干扰信息发送给所述频谱协调器，从而通过所述频谱协调器发送给所述服务基站；
其中，所述服务基站确定期望信号的无线信道条件是基于从所述预定无线场景下的环境参数提取的特征，通过经训练的多个分类器对所述预定无线场景中的期望信号的无线信道条件进行分类并将所述多个分类器的分类结果进行决策融合来确定的；所述服务基站确定在小区内干扰的情况下确定所述干扰信号的无线信道条件以及所述相邻基站在小区间干扰的情况下确定所述干扰信号的无线信道条件是根据从所述预定无线场景下的环境参数提取的特征、通过经训练的多个分类器对所述干扰信号的无线信道条件进行分类，并将该多个分类器的分类结果进行决策融合来确定的。
CN201610663615.1A 2016-08-12 2016-08-12 无线场景识别装置和方法以及无线通信设备和系统 Pending CN107734507A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201610663615.1A CN107734507A (zh) 2016-08-12 2016-08-12 无线场景识别装置和方法以及无线通信设备和系统
TW106108186A TW201806427A (zh) 2016-08-12 2017-03-13 無線場景識別裝置和方法以及無線通訊設備和系統
PCT/CN2017/092630 WO2018028376A1 (zh) 2016-08-12 2017-07-12 无线场景识别装置和方法以及无线通信设备和系统
EP17838506.8A EP3499942A4 (en) 2016-08-12 2017-07-12 APPARATUS AND METHOD FOR WIRELESS COMMUNICATION SCENAR IDENTIFICATION, AND WIRELESS COMMUNICATION DEVICE AND SYSTEM
US16/313,475 US10897714B2 (en) 2016-08-12 2017-07-12 Wireless scene identification apparatus and method, and wireless communication device and system
CN201780028144.XA CN109076356A (zh) 2016-08-12 2017-07-12 无线场景识别装置和方法以及无线通信设备和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610663615.1A CN107734507A (zh) 2016-08-12 2016-08-12 无线场景识别装置和方法以及无线通信设备和系统

Publications (1)

Publication Number Publication Date
CN107734507A true CN107734507A (zh) 2018-02-23

Family

ID=61162629

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610663615.1A Pending CN107734507A (zh) 2016-08-12 2016-08-12 无线场景识别装置和方法以及无线通信设备和系统
CN201780028144.XA Pending CN109076356A (zh) 2016-08-12 2017-07-12 无线场景识别装置和方法以及无线通信设备和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201780028144.XA Pending CN109076356A (zh) 2016-08-12 2017-07-12 无线场景识别装置和方法以及无线通信设备和系统

Country Status (5)

Country Link
US (1) US10897714B2 (zh)
EP (1) EP3499942A4 (zh)
CN (2) CN107734507A (zh)
TW (1) TW201806427A (zh)
WO (1) WO2018028376A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108495331A (zh) * 2018-03-27 2018-09-04 南京邮电大学 一种基于特征矩阵的无线信道场景分类方法
CN109299698A (zh) * 2018-09-30 2019-02-01 北京交通大学 一种基于支持向量机的无线信道场景识别方法
CN109447275A (zh) * 2018-11-09 2019-03-08 西安邮电大学 Udn中基于机器学习的切换算法
WO2020001311A1 (zh) * 2018-06-29 2020-01-02 中兴通讯股份有限公司 一种检测干扰的方法、装置、设备及存储介质
CN113316185A (zh) * 2021-05-26 2021-08-27 山东建筑大学 基于分类器的lte网络上行干扰类别识别方法及系统
WO2023082280A1 (zh) * 2021-11-15 2023-05-19 Oppo广东移动通信有限公司 用于无线信道处理的模型更新方法、装置、终端及介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10764904B2 (en) * 2018-10-23 2020-09-01 At&T Intellectual Property I, L.P. Channel allocation
JP7395910B2 (ja) 2019-09-27 2023-12-12 ソニーグループ株式会社 情報処理装置、電子機器、端末装置、情報処理システム、情報処理方法及びプログラム
JP7316190B2 (ja) * 2019-10-29 2023-07-27 パナソニックホールディングス株式会社 基地局、及び、通知方法
JP2022039825A (ja) * 2020-08-28 2022-03-10 シャープ株式会社 無線通信装置、無線通信装置の制御方法および電子機器
CN114785433A (zh) * 2021-01-22 2022-07-22 中兴通讯股份有限公司 信道场景识别的方法、网络设备及存储介质
CN114943260A (zh) * 2021-02-08 2022-08-26 中兴通讯股份有限公司 话务场景的识别方法、装置、设备及存储介质
US20230006913A1 (en) * 2021-06-28 2023-01-05 Samsung Electronics Co., Ltd. Method and apparatus for channel environment classification

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7873361B2 (en) * 2004-02-05 2011-01-18 Telecom Italia S.P.A. Method and system for radio coverage planning with multiple resolution profile approach
US20180146879A9 (en) * 2004-08-30 2018-05-31 Kalford C. Fadem Biopotential Waveform Data Fusion Analysis and Classification Method
US8515473B2 (en) * 2007-03-08 2013-08-20 Bae Systems Information And Electronic Systems Integration Inc. Cognitive radio methodology, physical layer policies and machine learning
WO2017100706A1 (en) * 2015-12-09 2017-06-15 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring
CN102546492B (zh) * 2012-03-27 2014-12-31 北京工业大学 一种基于支持向量机的信道环境检测方法
JP2015527026A (ja) * 2012-08-28 2015-09-10 インターデイジタル パテント ホールディングス インコーポレイテッド １次ビームを使用する通信リンクのハンドオーバのための方法
CN104105106B (zh) * 2014-07-23 2018-10-30 武汉飞脉科技有限责任公司 无线通信网智能天线覆盖场景自动分类识别方法
CN105430664B (zh) 2015-10-30 2019-05-28 上海华为技术有限公司 一种基于分类拟合预测传播路损的方法和装置
CN105721079B (zh) * 2016-01-22 2018-07-03 桂林电子科技大学 一种基于认知无线技术的无线信道“指纹”特征使用方法
CN105721086B (zh) * 2016-03-11 2018-05-01 重庆科技学院 基于ukfnn的无线信道场景识别方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108495331A (zh) * 2018-03-27 2018-09-04 南京邮电大学 一种基于特征矩阵的无线信道场景分类方法
CN108495331B (zh) * 2018-03-27 2021-09-17 南京邮电大学 一种基于特征矩阵的无线信道场景分类方法
WO2020001311A1 (zh) * 2018-06-29 2020-01-02 中兴通讯股份有限公司 一种检测干扰的方法、装置、设备及存储介质
CN110659656A (zh) * 2018-06-29 2020-01-07 中兴通讯股份有限公司 一种检测干扰的方法及装置
CN109299698A (zh) * 2018-09-30 2019-02-01 北京交通大学 一种基于支持向量机的无线信道场景识别方法
CN109447275A (zh) * 2018-11-09 2019-03-08 西安邮电大学 Udn中基于机器学习的切换算法
CN109447275B (zh) * 2018-11-09 2022-03-29 西安邮电大学 Udn中基于机器学习的切换方法
CN113316185A (zh) * 2021-05-26 2021-08-27 山东建筑大学 基于分类器的lte网络上行干扰类别识别方法及系统
CN113316185B (zh) * 2021-05-26 2023-09-12 山东建筑大学 基于分类器的lte网络上行干扰类别识别方法及系统
WO2023082280A1 (zh) * 2021-11-15 2023-05-19 Oppo广东移动通信有限公司 用于无线信道处理的模型更新方法、装置、终端及介质

Also Published As

Publication number Publication date
US10897714B2 (en) 2021-01-19
CN109076356A (zh) 2018-12-21
TW201806427A (zh) 2018-02-16
EP3499942A1 (en) 2019-06-19
US20190166505A1 (en) 2019-05-30
WO2018028376A1 (zh) 2018-02-15
EP3499942A4 (en) 2019-06-26

Similar Documents

Publication Publication Date Title
CN107734507A (zh) 无线场景识别装置和方法以及无线通信设备和系统
US20220416921A1 (en) Frequency spectrum management device, system, method and computer readable storage medium
CN113938232A (zh) 通信的方法及通信装置
CN109743210B (zh) 基于深度强化学习的无人机网络多用户接入控制方法
CN108574954A (zh) 无线通信系统中的电子设备和方法
CN107635189A (zh) 一种波束选择方法及装置
Nouri et al. Multi-UAV placement and user association in uplink MIMO ultra-dense wireless networks
US20220405602A1 (en) Channel feature extraction via model-based neural networks
US11616582B2 (en) Neural network-based spatial inter-cell interference learning
TWI654895B (zh) Communication control device, communication control method, and terminal device
US11929853B2 (en) Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders
CN106416104A (zh) 一种设备
KR20240115239A (ko) 시맨틱 기반 무선 통신 시스템에서 데이터를 전송하는 방법, 전송 기기, 프로세싱 장치 및 저장 매체, 그리고 데이터를 수신하는 방법, 수신 기기 및 저장 매체
Chen et al. QoS-guaranteed multi-UAV coverage scheme for IoT communications with interference management
CN107182023A (zh) 无线通信系统中的用户设备和基站以及无线通信方法
WO2022166910A1 (zh) 用户设备、电子设备、无线通信方法和存储介质
US11095405B2 (en) Electronic device and method for wireless communication
CN117014449A (zh) 用于无线通信系统的电子设备、方法和存储介质
Bora et al. Big data and deep learning for Stochastic Wireless channel
WO2024199168A1 (zh) 用于无线通信的电子设备和方法、计算机可读存储介质
US20230259754A1 (en) Machine learning model validation with verification data
WO2024012319A1 (zh) 用于无线通信的电子设备和方法、计算机可读存储介质
CN111917671B (zh) 用于无线通信的装置和方法
WO2024027676A1 (zh) 用于分层联邦学习网络中的切换的装置、方法和介质
US20240348479A1 (en) Channel state feedback for reduced resource consumption reference signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180223

WD01 Invention patent application deemed withdrawn after publication