CN108183736B - 基于机器学习的发射机码字选择方法、装置和发射机 - Google Patents
基于机器学习的发射机码字选择方法、装置和发射机 Download PDFInfo
- Publication number
- CN108183736B CN108183736B CN201711463203.4A CN201711463203A CN108183736B CN 108183736 B CN108183736 B CN 108183736B CN 201711463203 A CN201711463203 A CN 201711463203A CN 108183736 B CN108183736 B CN 108183736B
- Authority
- CN
- China
- Prior art keywords
- transmitter
- samples
- sample
- parameter information
- class
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种基于机器学习的发射机码字选择方法、装置和发射机,所述方法包括:获取发射机的当前参数信息;将所述当前参数信息输入到预先经过机器学习训练好的分类模型中,得到发射机码字,并形成用于发送的模拟信号波束。从而降低通信系统中发射机码字选择的复杂度,同时适用于信道剧烈变化、发射机进行初始接入或者发射机没有初始最优码字的情况。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及一种基于机器学习的发射机码字选择方法、装置和发射机。
背景技术
目前,许多无线通信系统通常配备多天线的收发机,多个天线可以构成多天线阵列,通过调整射频链路中诸如移相器等元器件,能够使得收发机天线把信号的能量集中于无线传输空间中某一方向,形成信号传输的模拟波束。具体实施中,信号发射机需要从一个预先定义好的码本中选择一个码字,来决定发射模拟波束的方向。如何在码本中选择传输性能最优的码字是一个难题。
现有技术中选择码字的方法有两种:
1、通过遍历所有码字的方式选择其中最优的:即发射机将所有可能的码字进行遍历,形成一系列模拟波束进行发送,接收机在收到不同的信号后,选取其中最优的码字反馈给出发射机,发射机接收到上述最优码字后,即采用该最优码字进行发送。
2、基于缓变信道进行码字选择:通常,在已经建立好连接的收发机通信链路上,由于发射机位置的移动,信道状态会发生改变,需要重新进行发射机码字选择。但是在一些发射机位置改变不明显的情况下,发射机到接收机链路中信道状态变化比较缓慢,因此发射机可以直接选择原来的最优码字进行发送。
上述两种方法都存在缺点:
对于第一种方法,缺点是计算复杂度很高,特别是发射机中可选的码字很多时,需要发射机遍历所有的码字,使得发射机计算负担很大。
对于第二种方法,由于需要基于原先选好的最优码字进行发送,则如果没有已知的最优码字,就无法进行选择。此外,这种方法只适用于缓变信道,不适合发射机高速移动的场景和发射机进行初始接入系统的情况,以及信道剧烈变化的情况。
发明内容
本发明实施例的目的在于提供一种基于机器学习的发射机码字选择方法、装置和发射机,以降低无线通信系统中发射机码字选择的复杂度,同时适用于信道剧烈变化、发射机进行初始接入或者发射机没有初始最优码字的情况。具体技术方案如下:
一种基于机器学习的发射机码字选择方法,应用于发射机,所述方法包括:
获取发射机的当前参数信息;所述参数信息包括:发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息;
将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字;所述分类模型是预先根据数据样本库中的参数信息以及对应的码字,按照机器学习的方法训练得到的;所述数据样本库包括:多个样本,其中每个样本都包括一个发射机的参数信息以及对应的码字。
可选的,所述数据样本库由通信系统中基站执行如下步骤建立的:
预先对到达接收机的历史数据进行收集,形成数据样本库;所述历史数据包括每个到达接收机的信号对应的发射机参数信息和码字。
可选的,所述对到达接收机的历史数据进行收集包括:
接收发射机在发送信号的同时上报的发射机参数信息以及对应的码字并记录
或
检测来自发射机的信号并对当前信道进行信道估计,从而获得所述信号对应的发射机参数信息以及码字并记录。
可选的,所述按照机器学习的方法训练,包括:
所述通信系统中基站,依据每个样本中的码字,用码字在码本中的索引对所述数据样本库中的样本进行标记;
将相同标记的样本确定为一类,共Nc种类别,其中,Nc为码本中码字的个数;
对于任意的两类样本:m类样本和n类样本,其中m,n满足m<n,且m,n∈{1,2,…,Nc},Nc表示所述样本库中样本的类别总数,使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程:其中x′为自变量,y′为因变量,为针对样本m和样本n的超平面方程的系数,为针对样本m和样本n的超平面方程的常数项,且和的维度和样本的维度相同;
可选的,所述每个样本为一个多维的向量{x,ic},其中ic表示样本中的码字在码本中的索引;向量x表示样本中发射机的参数信息,满足如下形式:
可选的,所述对于任意的两类样本:m类样本和n类样本,其中m,n满足m<n,且m,n∈{1,2,…,Nc},Nc表示所述样本库中样本的类别总数,使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程包括:
获取所述m类样本和n类样本中的全部样本,记所述两类样本中的全部样本总数为J,则所述m类样本和n类样本中的全部样本可以表示为x1,x2,x3…xJ;
对其中任意一个样本xj进行赋值,j∈{1,2,…,J},记为yj,满足以下式子:
则对于所述m类样本和n类样本,使用机器学习算法求解方程:
其中,w表示超平面方程的参数,为一个向量,维度和样本x的维度相同,wT表示向量的转置,Φ(xj)表示对于样本xj的核函数;
可选的,所述对于所述m类样本和n类样本,使用机器学习算法求解方程,包括:
使用SVM分类器,采用二次规划算法、序列最小化算法或最小均方误差算法求解方程。
可选的,所述将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字,包括:
设置迭代次数k初始值为1;
初始化m,n,令m=1,n=2;
判断迭代次数k是否大于(Nc-1);
若迭代次数k不大于(Nc-1),则将发射机的当前参数信息代入公式中进行计算,其中为针对m类样本和n类样本的超平面方程的系数,为针对m类样本和n类样本的超平面方程的常数项,x*表示发射机的当前参数信息;
如果计算得到的y*≥0,则保留n类样本对应的码字cn,并更新m=n+1,更新迭代次数k=k+1,同时返回判断迭代次数k是否大于(Nc-1)的步骤;
如果计算得到的y*<0,则保留m类样本对应的码字cm,并更新n=n+1,更新迭代次数k=k+1,返回判断迭代次数k是否大于(Nc-1)的步骤;
若迭代次数大于(Nc-1),则将当前保留的码字作为发射机码字。
本发明实施例提供了一种基于机器学习的发射机码字选择装置,所述装置包括:
发射机参数信息获取模块:用于获取发射机的当前参数信息;所述参数信息包括:发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息;
发射机码字确定模块:用于将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字;所述分类模型是预先根据数据样本库中的参数信息以及对应的码字,按照机器学习的方法训练得到的;所述数据样本库包括:多个样本,其中每个样本都包括一个发射机的参数信息以及对应的码字。
本发明实施例提供了一种发射机,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述方法步骤。
本发明实施例提供的基于机器学习的发射机码字选择方法、装置和发射机,可以降低无线通信系统中发射机码字选择的复杂度,同时适用于信道剧烈变化、发射机进行初始接入或者发射机没有初始最优码字的情况。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明实施例提供的基于机器学习的发射机码字选择方法的一种流程图;
图2为本发明应用场景中的密集部署小小区基站的超密集网络的一种示意图;
图3为本发明应用的网络中,用户设备与小小区基站进行通信的一种示意图;
图4为本发明实施例提供的一次迭代中数据训练过程的一种示意图;
图5为本发明实施例提供的基于机器学习的发射机码字选择方法的另一种流程图;
图6为本发明实施例提供的基于机器学习的发射机码字选择装置的一种结构示意图;
图7为本发明实施例提供的发射机的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为了降低通信系统中发射机码字选择的复杂度,同时适用于发射机高速移动、信道剧烈变化、发射机进行初始接入以及发射机没有初始最优码字的情况,本发明实施例提供了一种基于机器学习的发射机码字选择方法、装置和发射机。
首先,对所述基于机器学习的发射机码字选择方法进行说明,该方法应用于发射机,如图1所示,包括以下步骤:
步骤S101:获取发射机的当前参数信息;所述参数信息包括:发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息。
在本发明实施例中,发射机在发射信号之前,先获取自身参数信息,包括发射参数信息以及所使用的发射信道的信道状态信息。
步骤S102:将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字;所述分类模型是预先根据数据样本库中的参数信息以及对应的码字,按照机器学习的方法训练得到的;所述数据样本库包括:多个样本,其中每个样本都包括一个发射机的参数信息以及对应的码字。
发射机将获取的当前参数信息输入到预先存储在发射机内的分类模型,则会输出一个当前参数信息对应的最佳的码字,随后发射机使用该码字发送信号即可。
可见,本发明实施例提供的基于机器学习的发射机码字选择方法,不需要发射机遍历所有的码字,只需将发射机当前的参数信息输入到预先训练完成的分类模型中,即可得到当前发射信号的最佳码字。从而大大降低发射机码字选择的的计算复杂度,此外,使用这种方法也适用于发射机高速移动、信道剧烈变化、发射机进行初始接入以及发射机没有初始最优码字的情况。
在本发明实施例中,所述分类模型是预先根据数据样本库中参数信息以及对应的码字,按照机器学习的方法训练得到的;所述样本库包括:多个样本,其中每个样本都包括一个发射机的参数信息以及对应的码字。
所述样本库是由基站对到达接收机的历史数据进行收集,从而建立的。所述历史数据包括每个到达接收机的信号对应的发射机参数信息和码字。
具体的,执行历史数据收集的对象可以是任何具有一定计算能力和处理能力的终端,例如,基站端的服务器,较为先进的用户设备(User,UE)等,本发明对此不做具体限定。收集到的历史数据会以一定的数据格式存储,用于后续的训练过程。
在本发明提供的实施例中,发射机在发送信号时,可以同时向接收机上报此时发射机参数信息以及发射信号时所使用的码字。因此,使用上述终端可以收集到各个到达接收机的信号对应的发射机参数信息和码字。
在本发明提供的另一种实施例中,可以通过接收机检测来自发射机的信号并对信道进行信道估计的方法,获得所述信号对应的发射机参数信息以及码字,从而实现对到达接收机的历史数据进行收集。
本领域技术人员应当理解,基站在收集发射机状态及发射时使用的码字时可以采用多种方式,并不限于上述两种方式,本发明实施例对此不做限定。
以下对基站收集样本数据的具体实现方式进行详细说明。其中样本数据以及下述样本数据均指的是发射机状态及发射时使用的码字。
首先,基站之间可以共享收集到的样本数据,参见图2,应用场景为超密集部署有很多小小区基站(Small Cell Base Station,SBS)的超密集网络。用户设备UE分布在网络中,小小区基站SBS和用户设备UE均配备有多天线,所有的小基站通过有线或者无线空中接口相连(例如图中的X2接口),能够共享收集到的样本数据。
下面以用户设备作为发射机,基站作为接收机为例,说明基站收集样本数据的过程:
基站在与用户设备通信过程中收集样本数据,参见图3,在超密集网络中,其中小小区基站SBS和用户设备UE都配备有多天线,通过射频单元(Radio Frequency Unit,RFU)进行相位调整,从而形成相应的天线图案,并确定出一个码字。用户设备UE根据确定出码字发出信号波束,信号经过传播空间中的各个散射体(Scatter)到达小小区基站SBS端,小小区基站SBS以某一种固定的天线方向进行信号接收。
可以理解,无线通信中信号都是通过多径传播的。小小区基站SBS会对来自不同方向的径进行接收,同时也会采集用户设备UE的状态信息,例如发射功率,采用的码字等,并将所述用户设备UE的状态信息存入本地。
本领域技术人员应当理解,本发明实施例可以适用于任意配备有多天线的发射机的通信系统,例如,基于毫米波频段的超密集网络的通信系统,或者基于蜂窝频段网络的通信系统等。本发明实施例对此不做限定。
在本发明的一种实施例中,按照机器学习的方法对数据库中的样本进行训练,从而得到分类模型的步骤,包括:
所述通信系统中基站,依据每个样本中的码字,用码字在码本中的索引对所述数据样本库中的样本进行标记;所述码字在码本中的索引,可以是码字在码本中的序号。
将相同标记的样本确定为一类,共Nc种类别,其中,Nc为码本中码字的个数;
对于任意的两类样本:m类样本和n类样本,其中m,n满足m<n,且m,n∈{1,2,…,Nc},Nc表示所述样本库中样本的类别总数,使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程:其中x′为自变量,y′为因变量,为针对样本m和样本n的超平面方程的系数,为针对样本m和样本n的超平面方程的常数项,且和的维度和样本的维度相同;
在本发明实施例中,在对数据样本库中的样本进行训练之前,需要先对样本进行分类,具体的,可以依据样本中的码字在码本中的索引对样本进行标记。例如,某个样本为(x,5),其中x表示该样本中的发射机参数信息,5表示该样本中的码字在码本中的索引,则可以将该样本标记为5。当然,对样本进行标记的方法不限于此。
在对数据样本库中的样本标记完成后,将标记相同的样本确定为一类。可以理解的,分类的类别总数和码本中的码字数目相同。即每一类样本都一一对应一个码字。
接下来,使用机器学习算法对分类完成的样本进行训练。对于任意的两类样本,设为m类样本和n类样本,都能够获得一个分离超平面方程,其中x′为自变量,y′为因变量,为针对样本m和样本n的超平面方程的系数,为针对样本m和样本n的超平面方程的常数项,且和的维度和样本的维度相同;
本领域技术人员可以理解,在具体的实施过程中,可以把多个码字对应的样本分为一类,再采用相同的方法得到分离超平面方程,这样最终获得的分离超平面方程的数目减少。具体采用何种分类方式,本发明实施例对此不做限定。
在本发明的一种实施例中,数据样本库中的样本可以表示为多维的向量{x,ic},其中ic表示样本中的码字在码本中的索引;向量x表示样本中发射机的参数信息。
向量x的表示形式可以为其中,分别表示发射机发射的信号在第l条路径上的信道增益、信号离开角和信号到达角,d表示发射机和接收机二者的距离,pUE表示发射机的发射功率;l∈{1,2,…,L},其中L为信号传播的总径数。
在上述实施例中,发射机的参数信息包括信道增益、信号离开角、信号到达角、发射机和接收机二者的距离以及发射机的发射功率。由于无线通信中,信号的传输都是多径的,因此,实际实施中可以采样多径的信号对应的发射机参数信息及码字。
本领域技术人员可以理解,针对不同的场合,实际实施中可以在上述发射机参数信息的基础上增加或者减少一些元素,本发明实施例对此不做限定。
在一种实施例中,对于数据样本库中的任意两种样本:m类样本和n类样本,使用机器学习算法得到一个分离超平面方程的步骤,可以包括:
首先,获取所述m类样本和n类样本的全部样本,可以表示为x1,x2,x3…xJ,其中J为上述两类样本中的样本总数。
再对每一个样本赋值,记为yj,满足:
接下来使用机器学习算法求解方程:
其中,w表示超平面方程的参数,为一个向量,维度和样本x的维度相同,wT表示向量的转置,Φ(xj)表示对于样本xj的核函数;
本领域技术人员可以理解,此处的核函数可以根据情况进行选择,其目的是将样本xj再进行一次变换,从而映射到容易求解的形式,常用的核函数可以包括线性核函数和非线性核函数。
在本发明提供的一种实施例中,可以采用线性核函数:定义一个函数k(x1,x2),满足k(x1,x2)=<x1,x2>,其中<x1,x2>表示向量x1和x2的内积。
在一种实施例中,可以采用SVM分类器算法对上述方程进行求解,求解过程可以采用二次规划、序列最小化以及最小均方误差算法等,本发明实施例对此不做限定。
此外,本领域技术人员应当理解,求解上述方程可以使用的机器学习领域的其他算法,并不一定使用SVM这一种分类模型,本发明实施例对其不做限定。
为了便于理解,可以参见图4,图4为一次迭代中数据训练过程的一种示意图。图4中采用了二维空间作为说明,图4中横轴和纵轴标识样本空间有x的两个元素分别构成的维度,比如:元素1可以是发射机功率,元素2可以是信道增益。图4中的黑色实线表示c3和c5两类样本的分离超平面。
图4中五角星表示待选择码字的发射机当前参数信息数据,可以理解,当系统中新加入一个用户时,系统会获得该用户端的发射机参数信息,通过判断所述发射机参数信息数据落在分离超平面的哪一侧,即可得到该发射机参数信息对应的码字。
例如,图4中五角星表示的发射机当前参数信息数据落在c5一侧,则该发射机参数信息对应的码字应该选择c5。
本领域技术人员应当理解,实际实施中,上述分离超平面并不限于二维空间,其维度是与样本中元素的个数相对应的。
为了更清楚的说明本发明实施例提供的基于机器学习的发射机码字选择方法,下面结合流程图再进行详细描述:可见参见图5,图5为本发明实施例提供的基于机器学习的发射机码字选择方法的另一种流程图;包括以下步骤:
步骤S101:获取发射机的当前参数信息;
步骤S501:获得训练完成的超平面方程;
步骤S502:设置迭代次数k初始值为1;
步骤S503:初始化m,n,令m=1,n=2;
步骤S504:判断迭代次数k是否大于(Nc-1),是则执行步骤S508;否则执行步骤S505;
步骤S505:将发射机的当前参数信息代入公式中进行计算,其中为针对m类样本和n类样本的超平面方程的系数,为针对m类样本和n类样本的超平面方程的常数项,x*表示发射机的当前参数信息。如果计算得到的y*≥0,则执行步骤S506;否则执行步骤S507;
步骤S506:保留n类样本对应的码字cn,并更新m=n+1,更新迭代次数k=k+1,同时返回步骤S504;
步骤S507:保留m类样本对应的码字cm,并更新n=n+1,更新迭代次数k=k+1,同时返回步骤S504;
步骤S508:将当前保留的码字作为发射机码字。
在本发明实施例中,可以将预先训练完成的超平面方程存储在发射机中,以供发射机进行码字选择时使用。这些发射机可以是处于信道快速变化下的用户设备,也可以是需要初始接入系统中的用户设备,或者是中断以后重新连接的用户设备等。当然,发射机也可以是基站,当基站发送信号时也可以采用本发明提供的码字选择方法。本发明实施例对此不做限定。
所述发射机需要先获取自身的发射机状态信息,将获取的发射机状态信息输入到预先训练完成并存储在发射机内的超平面方程,进行迭代计算,根据每次迭代计算的结果舍去码本中的一个码字,最终经过(Nc-1)次迭代,最终保留下来的码字即为发射机要选取的最佳码字,其中Nc为码本中码字的总数目。
举例来讲,在第k次迭代过程中,对于m类样本和n类样本对应的码字cm和cm之间的超平面方程,其中m,n满足m<n,且m,n∈{1,2,…,Nc},有如下判断式子:
其中y*k的上标k表示第k次迭代,此时如果计算结果y*k≥0,结合条件m<n,本领域技术人员应当理解,在本次迭代中应在候选码本中淘汰m类样本所对应的码字;如果y*k<0,则本次迭代中应在候选码本中淘汰n类样本所对应的码字。接着进入第k+1次迭代,从剩余的码字中再挑选一个,将上述发射机的参数信息代入新取出的码字同前一次迭代留下的码字之间所对应的分离超平面方程中,通过判断此次迭代中y*k+1的正负值,可以再舍去一个码字。重复上述过程,直到剩下最后一个码字,即为发射机参数信息对应的最佳码字。
可见,使用本发明提供的基于机器学习的发射机码字选择方法,能够降低无线通信系统中发射机码字选择的复杂度,同时适用于发射机高速移动、信道剧烈变化、发射机进行初始接入以及发射机没有初始最优码字的情况。
本发明实施例提供了一种基于机器学习的发射机码字选择装置,可以参见图6,所述装置包括:
发射机参数信息获取模块601:用于获取发射机的当前参数信息;所述参数信息包括:发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息;
发射机码字确定模块602:用于将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字;所述分类模型是预先根据数据样本库中的参数信息以及对应的码字,按照机器学习的方法训练得到的;所述数据样本库包括:多个样本,其中每个样本都包括一个发射机的参数信息以及对应的码字。
相应的,本发明实施例提供了一种发射机,可以参见图7,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述方法步骤。
上述发射机提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,在本文中,诸如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。
本说明书中的各个实施例均采用相关的方式描述,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,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种基于机器学习的发射机码字选择方法,其特征在于,应用于发射机,所述方法包括:
获取发射机的当前参数信息;所述参数信息包括:发射机的发射参数信息以及发射机所使用的发射信道的信道状态信息;
将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字;所述分类模型是预先根据数据样本库中的参数信息以及对应的码字,按照机器学习的方法训练得到的;所述数据样本库包括:多个样本,其中每个样本都包括一个发射机的参数信息以及对应的码字;
所述数据样本库由通信系统中基站执行如下步骤建立的:
预先对到达接收机的历史数据进行收集,形成数据样本库;所述历史数据包括每个到达接收机的信号对应的发射机参数信息和码字;
所述对到达接收机的历史数据进行收集包括:
接收发射机在发送信号的同时上报的发射机参数信息以及对应的码字并记录
或
检测来自发射机的信号并对当前信道进行信道估计,从而获得所述信号对应的发射机参数信息以及码字并记录;
所述按照机器学习的方法训练,包括:
所述通信系统中基站,依据每个样本中的码字,用码字在码本中的索引对所述数据样本库中的样本进行标记;
将相同标记的样本确定为一类,共Nc种类别,其中,Nc为码本中码字的个数;
对于任意的两类样本:m类样本和n类样本,其中m,n满足m<n,且m,n∈{1,2,…,Nc},Nc表示所述样本库中样本的类别总数,使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程:其中x′为自变量,y′为因变量,为针对样本m和样本n的超平面方程的系数,为针对样本m和样本n的超平面方程的常数项,且和的维度和样本的维度相同;
3.根据权利要求2所述的方法,其特征在于,所述对于任意的两类样本:m类样本和n类样本,其中m,n满足m<n,且m,n∈{1,2,…,Nc},Nc表示所述样本库中样本的类别总数,使用机器学习算法得到一个针对m类样本和n类样本的分离超平面方程包括:
获取所述m类样本和n类样本中的全部样本,记所述两类样本中的全部样本总数为J,则所述m类样本和n类样本中的全部样本可以表示为x1,x2,x3…xJ;
对其中任意一个样本xj进行赋值,j∈{1,2,…,J},记为yj,满足以下式子:
则对于所述m类样本和n类样本,使用机器学习算法求解方程:
4.根据权利要求3所述的方法,其特征在于,所述对于所述m类样本和n类样本,使用机器学习算法求解方程,包括:
使用SVM分类器,采用二次规划算法、序列最小化算法或最小均方误差算法求解方程。
5.根据权利要求4所述的方法,其特征在于,所述将所述当前参数信息输入到预先存储的分类模型中,得到发射机码字,包括:
设置迭代次数k初始值为1;
初始化m,n,令m=1,n=2;
判断迭代次数k是否大于(Nc-1);
若迭代次数k不大于(Nc-1),则将发射机的当前参数信息代入公式中进行计算,其中为针对m类样本和n类样本的超平面方程的系数,为针对m类样本和n类样本的超平面方程的常数项,x*表示发射机的当前参数信息;
如果计算得到的y*≥0,则保留n类样本对应的码字cn,并更新m=n+1,更新迭代次数k=k+1,同时返回判断迭代次数k是否大于(Nc-1)的步骤;
如果计算得到的y*<0,则保留m类样本对应的码字cm,并更新n=n+1,更新迭代次数k=k+1,返回判断迭代次数k是否大于(Nc-1)的步骤;
若迭代次数大于(Nc-1),则将当前保留的码字作为发射机码字。
6.一种发射机,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463203.4A CN108183736B (zh) | 2017-12-28 | 2017-12-28 | 基于机器学习的发射机码字选择方法、装置和发射机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463203.4A CN108183736B (zh) | 2017-12-28 | 2017-12-28 | 基于机器学习的发射机码字选择方法、装置和发射机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108183736A CN108183736A (zh) | 2018-06-19 |
CN108183736B true CN108183736B (zh) | 2021-02-23 |
Family
ID=62548558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711463203.4A Active CN108183736B (zh) | 2017-12-28 | 2017-12-28 | 基于机器学习的发射机码字选择方法、装置和发射机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108183736B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112054863B (zh) * | 2019-06-06 | 2021-12-21 | 华为技术有限公司 | 一种通信方法及装置 |
CN112803976B (zh) * | 2020-12-24 | 2022-07-08 | 浙江香农通信科技有限公司 | 大规模mimo预编码方法、系统以及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
CN105790813A (zh) * | 2016-05-17 | 2016-07-20 | 重庆邮电大学 | 一种大规模mimo下基于深度学习的码本选择方法 |
WO2017025575A1 (en) * | 2015-08-10 | 2017-02-16 | Yoti Ltd | Liveness detecton |
-
2017
- 2017-12-28 CN CN201711463203.4A patent/CN108183736B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
WO2017025575A1 (en) * | 2015-08-10 | 2017-02-16 | Yoti Ltd | Liveness detecton |
CN105790813A (zh) * | 2016-05-17 | 2016-07-20 | 重庆邮电大学 | 一种大规模mimo下基于深度学习的码本选择方法 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机和流形学习的分类方法研究;陶晓燕;《CNKI知网博士论文》;20080401;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108183736A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
Gante et al. | Deep learning architectures for accurate millimeter wave positioning in 5G | |
US9191831B2 (en) | Non-parametric power spectral density (PSD) map construction | |
Wu et al. | Location estimation via support vector regression | |
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN112152948A (zh) | 一种无线通信处理的方法和装置 | |
CN110463147A (zh) | 解码符号的方法以及接收并解码符号的接收器 | |
CN108768567B (zh) | 一种多径分簇方法、装置、电子设备及可读存储介质 | |
CN105517019A (zh) | 采用集成回归系统检测lte网络性能的方法 | |
EP3374784B1 (en) | System and methods of locating wireless devices in a volume | |
CN112152741B (zh) | 信道模型的训练方法及装置 | |
CN108183736B (zh) | 基于机器学习的发射机码字选择方法、装置和发射机 | |
US20230388812A1 (en) | Learning method, wireless quality estimation method, learning device, wireless quality estimation device, and program | |
CN111866713A (zh) | 一种定位方法、装置及电子设备 | |
CN109981195B (zh) | 无线信号强度的处理方法及装置 | |
JP7380890B2 (ja) | ビームフォーミング予測装置、方法及びプログラム | |
CN113971437A (zh) | 一种基于商用Wi-Fi设备的跨域手势识别方法 | |
CN111565065B (zh) | 一种无人机基站部署方法、装置及电子设备 | |
Alata et al. | Law recognitions by information criteria for the statistical modeling of small scale fading of the radio mobile channel | |
CN107613500A (zh) | 一种不确定环境下的无线频谱共享方法 | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
CN113543017B (zh) | 毫米波车联网的波束切换方法及相关设备 | |
US11816180B2 (en) | Method and apparatus for classifying mixed signals, and electronic device | |
CN111628837B (zh) | 一种信道建模的方法及设备 | |
Gui et al. | A fractional-derivative kernel learning method for indoor position prediction |
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 |