CN108495331A - 一种基于特征矩阵的无线信道场景分类方法 - Google Patents
一种基于特征矩阵的无线信道场景分类方法 Download PDFInfo
- Publication number
- CN108495331A CN108495331A CN201810257114.2A CN201810257114A CN108495331A CN 108495331 A CN108495331 A CN 108495331A CN 201810257114 A CN201810257114 A CN 201810257114A CN 108495331 A CN108495331 A CN 108495331A
- Authority
- CN
- China
- Prior art keywords
- scene
- angle
- mobile station
- arrival
- path loss
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
-
- 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
Abstract
本发明公开了一种基于特征矩阵的无线信道场景分类方法,利用无线信道传输过程的包含到达角和路径损耗的特征矩阵对当前场景进行处理分析从而能够实时地得到场景分类结果,分类过程分成上下行链路两部分,在下行链路的特征矩阵中,移动台根据路径损耗模型进行开阔地,高架桥,山地,城市四种场景的判断;在上行链路的特征矩阵中,发射台根据每次测量得到的到达角计算出对应的角度参考值,将前后测量的到达角的差值与角度参考值进行比较,从而进行移动台处于移动或者静止场景的判断。优点:本发明提高了无线通信环境中在场景变换情况下的场景分类正确率和实时性。
Description
技术领域
本发明涉及一种基于特征矩阵的无线信道场景分类方法,属于通信技术领域。
背景技术
场景分类技术目前大多应用于基于场景内容的图像和视频检索领域中,而针对于无线信道传输过程中实时的场景分类方法还比较缺乏。对现有技术文献检索发现,现有图像场景分类方法大多是对各个图像中的目标或者场景进行分析,将图像的原始像素转换为图像特征来构建图像的描述信息,最后根据提取出图像的描述信息从而达到对图像进行分类的目的,接着通过假设检验条件来判断分类是否成功。常用的图像分类方法主要有三种:(1)基于统计理论的方法,比如贝叶斯方法;(2)基于规则方法,比如决策树;(3)人工构建的神经网络方法。这些方法虽然能对图像上的场景进行分类,但无法运用到无线信道传输过程的实时场景分类中去,且只适用于固定的场景,一旦场景发生改变,将无法进行分类。在无线通信环境中,移动台位置的改变可能会造成传输过程中的场景发生变化,从而会导致分类错误,计算量不断增大,错误率不断升高,故传统的一些分类方法不能运用于无线信道传输中实时场景分类。(基于特征矩阵的场景分类技术解决了)传统方法中由于传播环境的改变和发射功率的辐射扩散等原因造成的分类正确率较低等问题。
利用特征矩阵对场景进行分类这一方法,逐渐成为研究的热点,其区别于传统的分类技术,只需要利用传输信道的特征矩阵就能进行场景分类。相比于传统的分类技术,基于特征矩阵的场景分类技术所需时间更少,操作更方便,正确率更高。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于特征矩阵的无线信道场景分类方法,当移动台位置发生变化时,利用无线信道传输过程中的到达角和路径损耗两种无线信道特征对移动台所处场景进行分类,提高在移动无线通信环境中的分类效率和正确率。
为解决上述技术问题,本发明提供一种基于特征矩阵的无线信道场景分类方法,其特征是,利用无线信道传输过程中的到达角和路径损耗两种信道特征,对当前的场景特征矩阵进行处理分析从而能够实时地得到场景分类结果,分类过程分成下行链路和上行链路两部分;
包括如下步骤:
步骤1:在下行链路的特征矩阵中,移动台根据路径损耗模型进行开阔地,高架桥,山地,城市四种场景的判断;
步骤2:在上行链路的特征矩阵中,发射台根据每次测量得到的到达角计算出对应的角度参考值,将前后测量的到达角的差值与角度参考值进行比较,从而进行移动台处于移动或者静止场景的判断;
步骤3:将前面步骤所分类的结果整合起来得出最终结果,并与预测的场景结果相比较,从而得到正确率。
进一步的,所述步骤1中:
步骤1.1:将移动台行驶的直线平面到发射台平面的垂直距离记为dy,单位为km,将下行链路特征矩阵中的到达角即移动台站接收信号时测量的角度,记为τ=[τ1,τ2,τ3...τK],根据公式(1)算出第K次测量时移动台距离发射台的距离dK:
步骤1.2:将下行链路特征矩阵中的路径损耗记为f=[f(1),f(2),f(3)...f(k)],单位为dB,将步骤1.1中计算得到的dk代入开阔地,高架桥,山地,城市四种场景所对应的不同的路径损耗模型进行计算得到路径损耗,在动态误差δ允许范围内的,若计算得到的开阔地场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为开阔地场景;若计算得到的高架桥场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为高架桥场景;若计算得到的山地场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为山地场景;若计算得到的城市场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为城市场景;若都不相近,说明数据出错,无法判断场景。
进一步的,所述动态误差δ用于控制测量或者计算数据时产生的附加误差,允许误差的存在并减小误差带来的影响,使分类结果更准确。
进一步的,所述步骤2中:
步骤2.1:将上行链路特征矩阵中的到达角即发射台接收信号时测量的角度记为T=[T1,T2,T3…TK],计算当前测量的到达角和前一次测量的到达角的差值,记为D=[D1,D2,D3...D(X-1)]。
步骤2.2:将参照物所移动的距离作为移动值dx,将移动台行驶的直线平面到
发射台平面的垂直距离记为dy,根据公式(2)和当前测量的到达角计算出前一次测量的到达角所对应的角度参考值τA:
τA=|arctan[(tan(Tk)dy+dx)/dy]-TK| (2)
步骤2.3:若τA大于D,则判断前一次测量时移动台是静止的;若τA小于D,则判断前一次测量时移动台是移动的。
进一步的,所述到达角的数据的采集过程:下行链路的到达角数据是发射台发送一个信号给移动台接收后测量得到的,上行链路的到达角数据是移动台接收到信号之后返回一个信号响应给发射台后得到的,上行链路的到达角数据是根据移动台的响应时间里移动台行驶的路程计算出的角度改变值而得到的,因为响应时间在工程中一般都是十到几十ms,和测量时间不在一个数量级上,所以有时候可以忽略不计。
进一步的,所述步骤3:上下行链路的两个特征矩阵各有一列是提供好的场景预测标签,将分类后的场景分类标签与场景预测标签相比较,相同即为分类正确,从而得到分类正确率。
本发明所达到的有益效果:
本发明利用无线信道的到达角和路径损耗模型两种信道特征,对待分类场景进行分类。由于无线信道对于空间以及噪声干扰比较敏感,故针对每次测量得到的到达角都要计算对应的角度参考值τA,不断更新角度参考值τA,从而对当前移动台所处的场景进行静止或者移动的判断。本发明的整个分类过程分为上下行链路两个部分,下行链路的特征矩阵在移动台进行处理,对移动台当前所处环境进行分类;上行链路的特征矩阵在发射台进行处理,对移动台当前是移动的还是静止的进行判断,本发明还引入了动态误差δ,能够更好地提高分类的准确性。本发明的场景分类所需时间更少,操作更方便,正确率更高。
附图说明
图1为基于特征矩阵的无线信道场景分类流程图;
图2为移动台接收信号功率曲线图;
图3为移动台的场景分类结果图;
图4为发射台的场景分类结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
下行链路在移动台进行测量处理,上行链路在发射台进行测量处理,现有一移动台匀速直线行驶,行驶的直线平面到发射台平面的垂直距离dy为0.1km;针对移动台初试状态测量一次,在移动台测量过程中,下行链路每100ms测量一次,每10次(即1s时间)整合出一个无线信道特征矩阵进行分类判断,移动台整个过程总共测量了4001次,产生了400个10行3列的特征矩阵,每一行为一次测量对象,第一列为到达角数据(视距传播),第二列为路径损耗数据,第三列为预测场景结果。上行链路每100ms测量一次,产生了一个4001行2列的无线信道特征矩阵,第一列为到达角数据(视距传播),第二列为预测场景结果。动态误差δ设置为±0.1,如图1所示,本发明进行基于特征矩阵的无线信道场景分类方法具体步骤如下:
下行链路:
步骤1:开阔地,高架桥,山地,城市四种场景的判断
步骤1.1:移动台行驶的直线平面到发射台平面的垂直距离记dy为0.1km,根据公式(1)算出每个特征矩阵每次测量时移动台距离发射台的直线距离。
步骤1.2:将步骤1.1中计算得到的移动台距离发射台的直线距离dk代入开阔地,高架桥,山地,城市四种场景所对应的路径损耗模型进行计算得到路径损耗。在动态误差δ允许范围内的,计算得出第1次至第1001次测量的路径损耗与山地场景的路径损耗模型相近,则判断这些测量时移动台处于山地场景;第1002次至1869次、第1876次至2601次、第2607次至3001次测量的路径损耗与开阔地场景的路径损耗模型相近,则判断这些测量时移动台处于开阔地场景;第3007次和第3008次、第3014次和第3015次、第3022次至3101次测量的路径损耗与高架桥场景的路径损耗模型相近,则判断这些测量时移动台处于高架桥场景;第3102至4001次测量的路径损耗与城市场景的路径损耗模型相近,则判断这些测量时移动台处于城市场景;第1870次至1875次、第2602次至2606次、第3002次至3006次、第3009次至3013次、第3016次至3021次测量的场景无法判断。
上行链路:
步骤2:移动静止场景的判断
步骤2.1:先根据特征矩阵的第一列到达角数据计算出当前测量的到达角和前一次测量的到达角的差值。经计算可得每个差值均在0到1度之间。
步骤2.2:将以0.00417km/s(15km/h)的速度匀速行驶的自行车行驶0.1s所移动的距离作为移动值dx,则dx为0.000417km,dy为0.1km,根据公式(2)和当前测量的发射台到达角,计算出前一次测量的发射台到达角所对应的角度参考值τA。
步骤2.3:将角度参考值与差值进行比较可得,第1次、第1869次至1875次、第2600至2610次、第3000至3021次、第4001次测量的差值均小于角度参考值,因此分类为静止场景;其余测量的差值均大于角度参考值,因此分类为移动场景,则判断第1次、第1869次至1875次、第2600至2610次、第3000至3021次、第4001次测量时移动台是静止的,其余测量时移动台均是移动的。
步骤3:将前面步骤所分类的结果整合起来得出最终结果,并与特征矩阵中的预测的场景标签相比较,从而得到移动台的场景分类的正确率为97.7256%,效果见图3;发射台的场景分类的正确率为99.1252%,效果见图4。
图2是接收信号功率曲线图,通过发射信号功率加噪声功率加天线增益再减去路径损耗得到接收信号功率。图2只展示了前1000次测量的效果图,后面3001次测量的接收信号功率曲线图都如图2所示。图3是下行链路的场景分类结果图,每1s可以得到一个特征矩阵进行场景分类,极大地减少了延迟带来的影响。图4是上行链路的场景分类结果图,经计算可得移动台平均行驶速度为171km/h。由图可以得出,该方法判断移动或者静止的场景正确率较高。
本发明只需分析到达角和路径损耗模型两种无线信道特征从而对场景进行分类,解决了传统方法中由于传播环境的改变和发射功率的辐射扩散等原因造成的分类正确率较低等问题。当移动台位置发生改变后,利用传播环境的改变、发射功率的辐射扩散及无线信道的传播特性对于信号功率的影响,通过路径损耗模型可以体现出不同场景之间的接收信号功率的差异,实验结果表明:本发明提高了无线通信环境中在场景变换情况下的实时场景分类效率和正确率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于特征矩阵的无线信道场景分类方法,其特征是,利用无线信道传输过程中的到达角和路径损耗两种信道特征,对当前的场景特征矩阵进行处理分析从而能够实时地得到场景分类结果,分类过程分成下行链路和上行链路两部分;
包括如下步骤:
步骤1:在下行链路的特征矩阵中,移动台根据路径损耗模型进行开阔地,高架桥,山地,城市四种场景的判断;
步骤2:在上行链路的特征矩阵中,发射台根据每次测量得到的到达角计算出对应的角度参考值,将前后测量的到达角的差值与角度参考值进行比较,从而进行移动台处于移动或者静止场景的判断;
步骤3:将前面步骤所分类的结果整合起来得出最终结果,并与预测的场景结果相比较,从而得到正确率。
2.根据权利要求1所述的基于特征矩阵的无线信道场景分类方法,其特征是,所述步骤1中:
步骤1.1:将移动台行驶的直线平面到发射台平面的垂直距离记为dy,单位为km,将下行链路特征矩阵中的到达角即移动台站接收信号时测量的角度,记为τ=[τ1,τ2,τ3...τK,根据公式(1)算出第K次测量时移动台距离发射台的距离dK:
步骤1.2:将下行链路特征矩阵中的路径损耗记为f=[f(1),f(2),f(3)...f(k)],单位为dB,将步骤1.1中计算得到的dk代入开阔地,高架桥,山地,城市四种场景所对应的不同的路径损耗模型进行计算得到路径损耗,在动态误差δ允许范围内的,若计算得到的开阔地场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为开阔地场景;若计算得到的高架桥场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为高架桥场景;若计算得到的山地场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为山地场景;若计算得到的城市场景的路径损耗与f(k)相近,则判断第K次测量时移动台所处场景为城市场景;若都不相近,说明数据出错,无法判断场景。
3.根据权利要求2所述的基于特征矩阵的无线信道场景分类方法,其特征是,所述动态误差δ用于控制测量或者计算数据时产生的附加误差。
4.根据权利要求1所述的基于特征矩阵的无线信道场景分类方法,其特征是,所述步骤2中:
步骤2.1:将上行链路特征矩阵中的到达角即发射台接收信号时测量的角度记为T=[T1,T2,T3...TK],计算当前测量的到达角和前一次测量的到达角的差值,记为
步骤2.2:将参照物所移动的距离作为移动值dx,将移动台行驶的直线平面到发射台平面的垂直距离记为dy,根据公式(2)和当前测量的到达角计算出前一次测量的到达角所对应的角度参考值τA:
τA=|arctan[(tan[Tk)dy+dx)/dy]-TK| (2)
步骤2.3:若τA大于D,则判断前一次测量时移动台是静止的;若τA小于D,则判断前一次测量时移动台是移动的。
5.根据权利要求1所述的基于特征矩阵的无线信道场景分类方法,其特征是,所述到达角的数据的采集过程:下行链路的到达角数据是发射台发送一个信号给移动台接收后测量得到的,上行链路的到达角数据是移动台接收到信号之后返回一个信号响应给发射台后得到的,上行链路的到达角数据是根据移动台的响应时间里移动台行驶的路程计算出的角度改变值而得到的。
6.根据权利要求1所述的基于特征矩阵的无线信道场景分类方法,其特征是,所述步骤3:上下行链路的两个特征矩阵各有一列是提供好的场景预测标签,将分类后的场景分类标签与场景预测标签相比较,相同即为分类正确,从而得到分类正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257114.2A CN108495331B (zh) | 2018-03-27 | 2018-03-27 | 一种基于特征矩阵的无线信道场景分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257114.2A CN108495331B (zh) | 2018-03-27 | 2018-03-27 | 一种基于特征矩阵的无线信道场景分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108495331A true CN108495331A (zh) | 2018-09-04 |
CN108495331B CN108495331B (zh) | 2021-09-17 |
Family
ID=63337622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810257114.2A Active CN108495331B (zh) | 2018-03-27 | 2018-03-27 | 一种基于特征矩阵的无线信道场景分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108495331B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114647198A (zh) * | 2022-03-09 | 2022-06-21 | 深圳市经纬纵横科技有限公司 | 基于物联网的智能家居控制方法、系统和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607723A (zh) * | 2013-11-18 | 2014-02-26 | 北京交通大学 | 一种面向高速铁路线状小区的无线通信链路估计方法 |
CN105247934A (zh) * | 2013-04-12 | 2016-01-13 | 惠普发展公司,有限责任合伙企业 | 移动设备的位置确定 |
CN107734507A (zh) * | 2016-08-12 | 2018-02-23 | 索尼公司 | 无线场景识别装置和方法以及无线通信设备和系统 |
-
2018
- 2018-03-27 CN CN201810257114.2A patent/CN108495331B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105247934A (zh) * | 2013-04-12 | 2016-01-13 | 惠普发展公司,有限责任合伙企业 | 移动设备的位置确定 |
CN103607723A (zh) * | 2013-11-18 | 2014-02-26 | 北京交通大学 | 一种面向高速铁路线状小区的无线通信链路估计方法 |
CN107734507A (zh) * | 2016-08-12 | 2018-02-23 | 索尼公司 | 无线场景识别装置和方法以及无线通信设备和系统 |
Non-Patent Citations (2)
Title |
---|
付毅: "一种基于协方差描述子的场景分类算法", 《光学技术》 * |
吴欢桐: "《南京邮电大学硕士学位论文》", 30 April 2019 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114647198A (zh) * | 2022-03-09 | 2022-06-21 | 深圳市经纬纵横科技有限公司 | 基于物联网的智能家居控制方法、系统和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108495331B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azari et al. | Key technologies and system trade-offs for detection and localization of amateur drones | |
US9602972B2 (en) | Method and system for identification and mitigation of errors in non-line-of-sight distance estimation | |
CN108513251B (zh) | 一种基于mr数据的定位方法及系统 | |
US7212830B2 (en) | Position detection method, position detection system, and position detection server equipment | |
Nilsson et al. | A measurement-based multilink shadowing model for V2V network simulations of highway scenarios | |
CN109996278B (zh) | 道路网络质量评估方法、装置、设备及介质 | |
CN102149192B (zh) | 一种基于移动台合作的蜂窝网络无线定位方法 | |
CN109916372B (zh) | 信道状态信息不准确下的无人机基站最佳高度计算方法 | |
Thomas et al. | A robust location estimator architecture with biased Kalman filtering of TOA data for wireless systems | |
US11500055B2 (en) | Detection method and detection apparatus | |
CN109313273A (zh) | 记录有室内外判断程序的记录介质、室内外判断系统、室内外判断方法、移动终端和室内外环境分类判断单元 | |
CN108957503A (zh) | 基于ads-b消息脉冲计数的定位和虚假目标识别方法 | |
Wölfle et al. | Enhanced localization technique within urban and indoor environments based on accurate and fast propagation models | |
CN109579774B (zh) | 一种基于深度实例分割网络的天线下倾角测量方法 | |
CN109521412B (zh) | 基于局部统计量融合的雷达组网空域目标检测方法 | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
CN108495331A (zh) | 一种基于特征矩阵的无线信道场景分类方法 | |
CN107561530A (zh) | 一种基于协同被动探测多维信息的目标识别方法 | |
CN107396309A (zh) | 一种无线传感器网络森林定位方法 | |
KR101222887B1 (ko) | 대규모 시설물 이용자 안내 시스템 | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
CN113391267A (zh) | 一种基于atdoa算法的频谱检测系统定位方法 | |
CN108828510A (zh) | 一种基于渐变阴影权重模型的射频层析成像定位方法 | |
CN114777030B (zh) | 一种基于nb-iot技术的危化气体监测方法 | |
Wang et al. | Mobile device localization in 5G wireless networks |
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 |