CN108564178A - 一种基于机器学习的功率分配方法 - Google Patents

一种基于机器学习的功率分配方法 Download PDF

Info

Publication number
CN108564178A
CN108564178A CN201810389915.4A CN201810389915A CN108564178A CN 108564178 A CN108564178 A CN 108564178A CN 201810389915 A CN201810389915 A CN 201810389915A CN 108564178 A CN108564178 A CN 108564178A
Authority
CN
China
Prior art keywords
power distribution
matrix
sample
label
vector
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
CN201810389915.4A
Other languages
English (en)
Inventor
李泳洋
游龙飞
杨平
肖悦
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810389915.4A priority Critical patent/CN108564178A/zh
Publication of CN108564178A publication Critical patent/CN108564178A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Complex Calculations (AREA)

Abstract

本发明属于通信抗干扰技术领域，具体的说是一种基于机器学习的功率分配方法。本发明主要为了降低功率分配算法的复杂度，具体方法如下：需要将信道样本处理为一个N维的实值特征向量，设计出预设的功率分配矩阵，贴上标签，重复此步骤，直至每个样本都有一个对应标签。利用样本特征集合和对应的标签集合，采用SVM算法对新输入的样本进行分类，输出的标签对应的功率分配矩阵即为此样本对应的最优功率分配矩阵。本发明的有益效果为，传统的功率分配方式的整个计算过程是具有重复性的，且为减轻这一问题，采用SVM算法对新输入样本分类且能有效的降低算法复杂度。

Description

一种基于机器学习的功率分配方法
技术领域
本发明属于通信抗干扰技术领域，涉及空间调制(Spatial Modulation，SM)技术，多输入多输出(Multiple Input Multiple Output，MIMO)技术，以及支持向量机(SupportVector Machines，SVM)算法。
背景技术
空间调制系统作为一种新的MIMO技术近来受到关注。空间调制的基本思想为：在空间调制中，每个时隙仅激活一根发送天线传送数据，发送天线不仅仅是形成无线射频链路的媒介，而且承载着信息比特本身。由于每个传输时隙只有一个发送天线工作，从而可以完全消除子天线信道间的干扰，且不需要发送天线精确的同步定时，并且在接收端，即使接收天线数小于发送天线数时也可以进行检测。
在传统的功率分配算法里，采用最大化最小欧式距离的思想，计算出最佳的功率分配矩阵。传统的功率分配算法需要进行重复计算，虽然后续也陆续有研究者提出更低复杂度的算法，避免了在给定某次信道矩阵下的重复运算，但整个过程仍然是具有重复性的，例如某两次的信道矩阵相同或相近，传统的功率分配算法仍需进行两次相应的运算。
发明内容
本发明的目的，就是针对上述问题，提出一种基于SVM算法的空间调制系统功率分配方法。
本发明的技术方案如下：
a.训练集合的构造
(1)生成训练集合：训练样本作为已知的变量被输入到学习系统中，假设有M个Nr×Nt维的信道矩阵作为训练样本。因为训练样本需要是一个实值的向量，所以需要将信道样本Hm处理为一个N维的实值特征向量。
步骤1：从信道矩阵Hm生成成实值特征向量dm；
步骤2：重复步骤1，直至为所有的Hm(m＝1，2，…，M)生成特征向量；
步骤3：生成训练数据矩阵
步骤4：归一化矩阵D，并生成归一化特征矩阵T，其中T里面元素
(2)KPI设计：把利用最大化最小欧氏距离的思想求得的欧氏距离dmin作为KPI。XSM为所有可能的发送信号集合，P为功率分配矩阵。
(3)标签的设计：在功率分配中，标签则是对应着功率分配矩阵，因此，首先需要设计出预设的功率分配矩阵，根据(PT为系统总能量)，随机生成若干个功率分配矩阵。
步骤5：对于第m个样本Hm，计算每一种预设的功率分配矩阵的KPI；
步骤6：从预设的功率分配矩阵中找出能使KPI最好的，并将其标签l与样本对应上，令l作为标签向量的第C个元素cm，重复此步骤，直至每个样本都有一个对应标签。
b.建立学习系统
多级SVM分类器：SVM采用一对其它的二元分类策略，主要过程如下：
步骤7：假设Tl是标签为l的样本特征向量作为行向量所构成的子训练数据矩阵。于是对于所有的l，可以得到一个子训练数据矩阵集合{Tl}。
步骤8：生成二元标签向量bl＝[bl[1],...,bl[M]]T，当cm＝l时，bl[m]＝1，否则bl[m]＝0；
步骤9：用两个训练群{Tl,Tl}和相应的二元向量标签bl根据下面的式子来解决逻辑回归的问题。
C为惩罚因子，是代价函数，θl是学习参数向量，f(tr[m])是高斯径向基核函数向量，其第q个元素fq(tr[m])＝exp(-||tr[q]-tr[m]||2/(2σ2))给出了tr[q]和tr[m]的相似度。
步骤10：重复步骤9，直至遍历完所有l。
在得到所有的θl后，就可以利用公式(2)建立一个功率分配选择系统，在输入一个新的信道矩阵后，首先处理为特征向量tr，然后输入分类器即可预知其所属类别的标签，即选出的功率分配函数。
为了进一步的优化分类效果，可以改变上面使用采用H元素模值作为特征的方法，以HHH的元素模值作为特征，进一步的优化分类效果。
本发明与传统的功率分配方式相比，减少了在处理相似信道时重复性的计算，降低了复杂度。
附图说明
图1为一种基于机器学习的功率分配算法流程图；
图2为的基于机器学习的功率分配算法(预设功率分配矩阵的个数为20)，传统的功率分配算法和无功率分配的BER性能对比图(Nt＝2，Nr＝2，QPSK)。
具体实施方式
实施例中的参数并不影响本发明的一般性。
a.训练集合的构造
训练集合的构造主要分为三个方面：(1)从信道矩阵中设计训练样本；(2)设计关键性能指标(Key Performance Indicator，KPI)；(3)基于KPI对样本贴标签。
(1)生成训练集合：训练样本作为已知的变量被输入到学习系统中，假设有M个Nr×Nt维的信道矩阵作为训练样本。因为训练样本需要是一个实值的向量，所以需要将信道样本Hm，处理为一个N维的实值特征向量，特征可以是角度，量级，以及矩阵元素的实部虚部等。另外，提取出的特征向量还需要做归一化处理，以避免训练时出现重大偏差。
步骤1：从信道矩阵Hm生成实值特征向量dm；
步骤2：重复步骤1，直至为所有的Hm(m＝1，2，…，M)生成特征向量；
步骤3：生成训练数据矩阵
步骤4：归一化矩阵D，并生成归一化特征矩阵T，其中T里面元素
(2)KPI设计：KPI是用来决定为样本贴上何种标签的，一般地，在通信中，KPI可以是频谱效率，能量效率，BER，接收信号能量等。把利用最大化最小欧氏距离的思想求得的欧氏距离dmin作为KPI。XSM为所有可能的发送信号集合，P为功率分配矩阵。
(3)标签的设计：在功率分配中，标签则是对应着功率分配矩阵，因此，首先需要设计出预设的功率分配矩阵，根据(PT为系统总能量)，随机生成若干个功率分配矩阵。
步骤5：对于第m个样本Hm，计算每一种预设的功率分配矩阵的KPI；
步骤6：PT为系统总能量，从预设的功率分配矩阵中找出能使KPI最好的，并将其标签l与样本对应上，令l作为标签向量的第C个元素cm，重复此步骤，直至每个样本都有一个对应标签。
b.建立学习系统
多级SVM分类器：SVM采用一对其它的二元分类策略，主要过程如下：
步骤7：假设Tl是标签为l的样本特征向量作为行向量所构成的子训练数据矩阵。于是对于所有的l，可以得到一个子训练数据矩阵集合{Tl}。
步骤8：生成二元标签向量bl＝[bl[1],...,bl[M]]T，当cm＝l时，bl[m]＝1，否则bl[m]＝0；
步骤9：用两个训练群和相应的二元向量标签bl根据下面的式子来解决逻辑回归的问题。
C为惩罚因子，是代价函数，θl是学习参数向量，f(tr[m])是高斯径向基核函数向量，其第q个元素fq(tr[m])＝exp(-||tr[q]-tr[m]||2/(2σ2))给出了tr[q]和tr[m]的相似度。
步骤10：重复步骤9，直至遍历完所有l。
在得到所有的θl后，就可以利用公式(2)建立一个功率分配选择系统，在输入一个新的信道矩阵后，首先处理为特征向量tr，然后输入分类器即可预知其所属类别的标签，即选出的功率分配函数。
由于分类器最终的分类效果受样本特征选取的影响很大，在选取信道矩阵的特征时，以上采用的是信道矩阵H的元素模值作为特征。为了进一步的优化分类效果，可以采用HHH的元素模值作为特征。
从附图2可以看出，相比于无功率分配的系统，进行了功率分配的系统的性能有明显提升，将HHH的元素模值作为特征的性能要明显好于以H为元素模值作为特征的性能，并且可以逼近传统功率分配算法的性能。在复杂度上，由于基于机器学习的功率分配算法在信道矩阵的分布不发生改变的情况下，便无需进行重复繁琐的计算，从而使得其复杂度要远低于传统功率分配算法。

Claims (1)

1.一种基于机器学习的功率分配方法，其特征在于，包括以下步骤：
a、生成特征集合：
设有M个Nr×Nt维的信道矩阵作为训练样本，具体方法为：
a1、从信道矩阵Hm生成实值特征向量dm；
a2、重复步骤a1，直至为所有的Hm(m＝1，2，…，M)生成特征向量；
a3、生成训练数据矩阵
a4、归一化矩阵D，并生成归一化特征矩阵T，其中T里面元素为：
b、为样本贴上标签：
b1、采用KPI来决定为样本贴上何种标签，利用最大化最小欧氏距离的思想，将通过求得的欧氏距离dmin作为KPI，XSM为所有可能的发送信号集合，P为功率分配矩阵；
b2、在功率分配中，标签对应着功率分配矩阵，根据s.t.tr(PPT)≤PT随机生成若干个功率分配矩阵，其中PT为系统总能量；
b3、对于第m个样本Hm，根据步骤b1计算每一种预设的功率分配矩阵的KPI；并从步骤b2中生成的功率分配矩阵中找出能使KPI最好的，并将其标签l与样本对应上，令l作为标签向量的第C个元素cm，重复此步骤，直至每个样本都有一个对应标签；
c、建立学习系统：
采用多级SVM分类器，即SVM采用一对其它的二元分类策略，具体方法为：
c1、设Tl是标签为l的样本特征向量作为行向量所构成的子训练数据矩阵；对于所有的l，可以得到一个子训练数据矩阵集合{Tl}；
c2、生成二元标签向量bl＝[bl[1],...,bl[M]]T，当cm＝l时，bl[m]＝1，否则bl[m]＝0；
c3、用两个训练群和相应的二元向量标签bl，根据下面的公式来解决逻辑回归的问题：
其中，C为惩罚因子，是代价函数，θl是学习参数向量，f(tr[m])是高斯径向基核函数向量，其第q个元素fq(tr[m])＝exp(-||tr[q]-tr[m]||2/(2σ2))给出了tr[q]和tr[m]的相似度；
c4、重复步骤c3直至遍历完所有l，获得所有的θl，建立SVM分类器；
d、输入一个新的信道矩阵后，根据步骤a将其处理为特征向量，然后输入步骤c获得的SVM分类器对其进行分类，即可预知其所属类别的标签，即选出的功率分配函数。
CN201810389915.4A 2018-04-27 2018-04-27 一种基于机器学习的功率分配方法 Pending CN108564178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810389915.4A CN108564178A (zh) 2018-04-27 2018-04-27 一种基于机器学习的功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810389915.4A CN108564178A (zh) 2018-04-27 2018-04-27 一种基于机器学习的功率分配方法

Publications (1)

Publication Number Publication Date
CN108564178A true CN108564178A (zh) 2018-09-21

Family

ID=63537118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810389915.4A Pending CN108564178A (zh) 2018-04-27 2018-04-27 一种基于机器学习的功率分配方法

Country Status (1)

Country Link
CN (1) CN108564178A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110635833A (zh) * 2019-09-25 2019-12-31 北京邮电大学 一种基于深度学习的功率分配方法及分配装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021396A (zh) * 2014-06-23 2014-09-03 哈尔滨工业大学 基于集成学习的高光谱遥感数据分类方法
CN105050192A (zh) * 2015-06-04 2015-11-11 重庆邮电大学 密集网络中基于虚拟小区的干扰管理方法
WO2017218937A1 (en) * 2016-06-16 2017-12-21 Sri International Systems and methods for optimizing operations of computing devices using deep neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021396A (zh) * 2014-06-23 2014-09-03 哈尔滨工业大学 基于集成学习的高光谱遥感数据分类方法
CN105050192A (zh) * 2015-06-04 2015-11-11 重庆邮电大学 密集网络中基于虚拟小区的干扰管理方法
WO2017218937A1 (en) * 2016-06-16 2017-12-21 Sri International Systems and methods for optimizing operations of computing devices using deep neural networks

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAORAN SUN等: "Learning to Optimize: Training Deep Neural Networks for Wireless Resource Management", 《HTTP://ARXIV:1705.09412V2》 *
JINGON JOUNG等: "Machine Learning-Based Antenna Selection in Wireless Communications", 《IEEE COMMUNICATION LETTERS》 *
PING YANG等: "A Low-Complexity Power Allocation Algorithm for Multiple-Input–Multiple-Output Spatial Modulation Systems", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110635833A (zh) * 2019-09-25 2019-12-31 北京邮电大学 一种基于深度学习的功率分配方法及分配装置
CN110635833B (zh) * 2019-09-25 2020-12-15 北京邮电大学 一种基于深度学习的功率分配方法及分配装置

Similar Documents

Publication Publication Date Title
Wang et al. Automatic modulation classification for MIMO systems via deep learning and zero-forcing equalization
Hu et al. Deep neural network for robust modulation classification under uncertain noise conditions
Joung Machine learning-based antenna selection in wireless communications
Wu et al. Robust automatic modulation classification under varying noise conditions
CN106059972B (zh) 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN108667502A (zh) 一种基于机器学习的空间调制天线选择方法
Daniels et al. Online adaptive modulation and coding with support vector machines
CN110113288B (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
CN112235023B (zh) 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
Xie et al. Virtual Adversarial Training-Based Semisupervised Specific Emitter Identification.
CN108564178A (zh) 一种基于机器学习的功率分配方法
Liu et al. Location-based visible region recognition in extra-large massive MIMO systems
Ali et al. Modulation format identification using supervised learning and high-dimensional features
CN108306662B (zh) 一种基于数据驱动的混合波束成形中的模拟波束选择方法
CN110166389A (zh) 基于最小二乘支持向量机的调制识别方法
Bendjillali et al. Deep learning-powered beamforming for 5G massive MIMO Systems
CN110300077A (zh) 基于极端学习机的空间相关mimo系统的盲调制识别算法
Issaid et al. User clustering for MIMO NOMA via classifier chains and gradient-boosting decision trees
CN117376066A (zh) 一种面向异步采样的数字信号调制方式识别方法
CN112737650B (zh) 基于机器学习的mimo系统发射天线选择方法
CN117131436A (zh) 面向开放环境的辐射源个体识别方法
Salehi et al. Kernelized-likelihood ratio tests for binary phase-shift keying signal detection
CN115243288B (zh) 基于多节点合作感知的干扰识别方法和装置
Ro et al. Improved MIMO Signal Detection Based on DNN in MIMO-OFDM System
CN114118151A (zh) 一种具有环境适应能力的智能频谱感知方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180921

RJ01 Rejection of invention patent application after publication