CN108667502A - 一种基于机器学习的空间调制天线选择方法 - Google Patents

Abstract

本发明属于通信抗干扰技术领域，具体的说是涉及一种基于机器学习的空间调制天线选择方法。本发明主要利用机器学习的方法，首先产生信道样本进行训练，训练好之后，每当信道矩阵发生变化时，只需利用信道矩阵找到对应的分类即可，无需繁琐的计算，从而大幅度降低了复杂度。此外，在学习模型训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练。本发明的有益效果为，本发明提出的基于机器学习的天线选择算法，因为无需重复繁琐的计算，大幅度降低了计算复杂度。

Description

一种基于机器学习的空间调制天线选择方法

技术领域

本发明属于通信抗干扰技术领域，涉及空间调制技术(Spatial Modulation,SM)，多输入多输出技术(Multiple-Input Multiple-Output，MIMO),天线选择技术(AntennaSelection)，机器学习(Machine Learning)，欧氏距离最优化天线选择(EuclideanDistance optimized Antenna Selection,EDAS)。

背景技术

在传统的空间调制技术中，如天线选择，每当信道矩阵发生变化时，都需要根据天线选择标准或者功率分配标准进行选择或分配，每一次选择或分配都有繁琐的计算和比较过程，从而使得整个过程变得重复繁琐。传统的天线选择算法以欧氏距离最优化天线选择(Euclidean Distance optimized Antenna Selection,EDAS)为主，其主要思想为最大化最小欧氏距离，并以EDAS算法为标准，进行复杂度优化，需要重复计算进行，使得最小欧氏距离最大化。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，传统的天线选择算法仍需进行两次相应的运算，不利于有效利用资源。

发明内容

传统的天线选择的算法，以EDAS为例，需要重复进行使得最小欧氏距离最大化的数学公式,如公式(1)

的重复计算，其中，是从原始完整信道矩阵中选取N_s列所组成的信道子矩阵， 为所有可能的发送信号集合，这一系列计算将消耗大量资源，不利于系统系能的提升。

本发明的目的，就是针对空间调制系统中传统天线选择时的重复繁琐计算，提出一种基于机器学习的天线选择算法。利用机器学习的方法，首先产生信道样本进行训练，训练好之后，每当信道矩阵发生变化时，只需利用信道矩阵找到对应的分类即可，无需繁琐的计算，从而大幅度降低了复杂度。此外，在学习模型训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练。并且在选择样本特征时，相较于传统方法选用信道矩阵H的元素模值作为特征，本发明选用H^HH的元素模值作为特征，更接近接相关性矩阵的表达式，能够取得较好的效果。

本发明的技术方案如下：

假设一个有N_t根发送天线，N_r根接收天线的空间调制系统，并从N_t根发送天线中选取N_s根天线进行发送。假设为被选中天线索引向量的集合，其中是第n种天线组合的被选中天线索引构成的向量，NS为所有可能的天线组合数，即基于机器学习的天线选择主要包括如下内容：

A.训练集合的构造

训练集合的构造主要分为三个方面：(1)从信道矩阵中生成训练样本；(2)设计关键性能指标(Key Performance Indicator,KPI)；(3)基于KPI给出样本贴标签。

(1)生成训练样本：训练样本作为已知的变量被输入到学习系统中，在空间调制系统中，假设有M个N_r×N_t维的信道矩阵H_m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H_m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h_i,j的实虚部等。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。本发明中训练集合生成的过程如下：

1)从信道矩阵中得到实值的特征向量；

2)直至为所有的H_m(m＝1,2,...,M)生成特征向量；

3)生成训练数据矩阵

4)归一化矩阵D，并生成归一化特征矩阵T，其中

t_i,j＝(d_i,j-E_i{d_i,j})/(max_i{d_i,j}-min_i{d_i,j}) 公式(2)

(2)设计关键KPI：关键性能指标(KPI)是用来决定为样本贴上何种标签，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。本发明根据公式(1)设计KPI。

(3)标签：假设是标签集合，是天线组合集合，设计标签集合和设计天线组合集合是对等的。在天线选择中，相关性越小的天线被选中，其性能也会更好一些。因此，在设计天线组合集合时，选择相关性较小的一些天线集合，以提升训练性能。而若不知道天线间相关性，或天线间均不相关，则天线组合集合为包含所有可能的天线组合。表1给出了标签集合到天线组合集合的映射表，其中，N_t＝6,N_r＝2,N_s＝2，加粗部分为相关性较小的组合。

表1标签和天线组合间的映射

l＝1,s1＝[1,2]	l＝6,s1＝[2,3]	l＝11,s1＝[3,5]
			l＝2,s1＝[1,3]	l＝7,s1＝[2,4]	l＝12,s1＝[3,6]
l＝3,s1＝[1,4]	l＝8,s1＝[2,5]	l＝13,s1＝[4,5]
			l＝4,s1＝[1,5]	l＝9,s1＝[2,6]	l＝14,s1＝[4,6]
l＝5,s1＝[1,6]	l＝10,s1＝[3,4]	l＝15,s1＝[5,6]

贴标签过程如下：

1)对于第m个样本H_m，计算每一种组合s_n对应的KPI。

2)找出能使KPI最好的天线组合以及其对应的标签l^*，令l^*作为标签向量的第m个元素c_m。

3)重复上述步骤，直至得到所有样本H_m(m＝1,2,...,M)的对应标签。

B.建立学习系统

在上述过程中，我们已经得到了样本的特征矩阵T和标签向量c，现在利用特征矩阵和标签向量建立学习系统。为方便表示，令t_r[m]表示矩阵T的第m行。本发明涉及的机器学习过程中，采用KNN和SVM分类器。

(1)多级KNN分类器：从训练样本集合{t_r[m]}中，找出离新的观测样本t_r最近的k个样本，然后基于多数票决，为t_r贴上标签l^*。

(2)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：

1)假设T_l时标签为l的样本特征向量作为行向量所构成的子训练数据矩阵。于是对于所有的可得到一个子训练数据矩阵集合{T_l}。然后运行SVM来对两个训练群T_l和的分类。

2)生成二元标签向量b_l＝[b_l[1],...,b_l[M]]^T，当c_m＝l时，b_l[m]＝1，否则b_l[m]＝0。

3)用两个训练群和相应的二元标签向量b_l，根据公式(3)来解决二选一的逻辑回归问题：

其中，C是惩罚因子，是代价函数，是学习参数向量，是高斯径向基核函数向量，其第q个元素

f_q(t_r[m])＝exp(-||t_r[q]-t_r[m]||²/(2σ²))

给出了t_r[q]和t_r[m]间的相似度。

4)重复上述步骤3)，直至遍历完所有

C.基于SVM分类器的天线选择

在得到所有的θ_l后，就可以利用公式(3)建立一个天线选择系统，在输入一个新的信道矩阵后，首先处理为特征向量t_r，然后输入分类器即可预知其所属类别的标签，即选出的天线组合索引。

D.样本特征提取的优化

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，传统方法中采用的是以信道矩阵H的元素的模作为特征，但并未进一步研究此特征是否还可以得到优化。为了得到更好的分类效果，本发明中采用了以H^HH的元素的模作为特征，可知此公式接近于相关性矩阵的表达式，而相关性与最终的天线选择结果存在较大的关系，因此以此公式的元素来提取特征能取得较好的效果。

E.仿真结果

仿真的结果如配图2和配图3所示。结果表明支持向量机算法的分类效果要好于K最邻近算法，且采用以H^HH的元素模值作为特征的性能要远远好于以信道矩阵H的元素模值作为特征的性能，但对于K最邻近算法来说，采用以H^HH性能要略差于采用H的性能。另外，随机选择的性能与无天线选择的性能相同，在高信噪比时，采用以H^HH的元素模值作为特征的支持向量机的性能EDAS算法相比大约有2dB的性能损失，但由于支持向量机算法在训练好之后，只要信道矩阵的分布不发生改变，便无需再进行重复计算，复杂度远远低于EDAS算法。

本发明的有益效果为，本发明提出的基于机器学习的天线选择算法，因为无需重复繁琐的计算，大幅度降低了计算复杂度。而选择H^HH的元素模值作为特征，能够有效提高系统的性能。

附图说明

图1为本发明中的基于机器学习的天线选择算法的流程图；

图2为在不同的分类方法下采用不同的样本特征的性能对比，(N_t＝4,N_r＝2,N_s＝2，QPSK)其中，无天线选择表示配置为N_t＝2,N_r＝2的传统空间调制系统性能；

图3为不同天线选择方法的性能对比，(N_t＝4,N_r＝2,N_s＝2，QPSK)；其中，无天线选择表示配置为N_t＝2,N_r＝2的传统空间调制系统性能。

具体实施方式

下面将结合配图，给出本发明的具体实施例。需要说明的是：实施例中的参数并不影响本发明的一般性。

下面对该发明提出的一种基于机器学习的发送端天线选择算法算法进行说明。考虑一个N_t×N_r的空间调制系统，其中N_t是发射天线数，N_r是接收天线数。设为被选中天线索引向量的集合，其中是第n种天线组合的被选中天线索引构成的向量，NS为所有可能的天线组合数，即基于机器学习的天线选择算法主要包括如下步骤：

A、训练集合的构造

(1)按如下过程生成训练样本

1)从信道矩阵中得到实值的特征向量；

2)直至为所有的H_m(m＝1,2,...,M)生成特征向量；

3)生成训练数据矩阵

4)归一化矩阵D，并生成归一化特征矩阵T。

(2)设计关键KPI，可以是频谱效率，能量效率，BER，接收信号能量等

(3)按如下过程给样本贴标签

1)对于第m个样本H_m，计算每一种组合s_n对应的KPI；

2)找出能使KPI最好的天线组合以及其对应的标签l^*，令l^*作为标签向量的第m个元素c_m；

3)重复上述步骤，直至得到所有样本H_m(m＝1,2,...,M)的对应标签。

B.按如下过程利用特征矩阵T和标签向量c建立学习系统

(1)多级KNN分类器：从训练样本集合{t_r[m]}中，找出离新的观测样本t_r最近的k个样本，然后基于多数票决，为t_r贴上标签l^*。

(2)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：

1)假设T_l时标签为l的样本特征向量作为行向量所构成的子训练数据矩阵。于是对于所有的可得到一个子训练数据矩阵集合{T_l}。然后运行SVM来对两个训练群T_l和分类；

2)生成二元标签向量b_l＝[b_l[1],...,b_l[M]]^T，当c_m＝l时，b_l[m]＝1，否则b_l[m]＝0；

3)用两个训练群和相应的二元标签向量b_l，根据公式(3)来解决二选一的逻辑回归问题：

其中，C是惩罚因子，是代价函数，是学习参数向量，是高斯径向基核函数向量，其第q个元素

f_q(t_r[m])＝exp(-||t_r[q]-t_r[m]||²/(2σ²))

给出了t_r[q]和t_r[m]间的相似度。

4)重复上述步骤3)，直至遍历完所有

C.基于SVM分类器，在得到所有的θ_l后，利用公式(3)建立一个天线选择系统，在输入一个新的信道矩阵后，输入分类器即可预知其所属类别的标签，即选出的天线组合索引，完成天线选择。

D.样本特征提取的优化

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，传统方法中采用的是以信道矩阵H的元素的模作为特征，而本发明采用了以H^HH的元素的模作为特征，得到更好的分类效果，信道的H^HH比信道矩阵H更接近于相关性矩阵的表达式，而相关性与最终的天线选择结果存在较大的关系，因此以H^HH的元素来提取特征能取得较好的效果。

本发明的有益效果在于，通过机器学习的方法，训练信道样本，当信道矩阵发生变化时，利用信道矩阵找到对应的分类即可，无需重复繁琐的计算，在学习模型训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练，大幅降低了复杂度。另外，相较于传统机器学习的方法，本发明选用信道H^HH的元素的模作为特征，更接近于相关性矩阵的表达式，能够有效提高系统的性能。

Claims (1)

1.一种基于机器学习的空间调制天线选择方法，设定空间调制系统中有N_t根发送天线，N_r根接收天线，并从N_t根发送天线中选取N_s根天线进行发送，定义为被选中天线索引向量的集合，其中是第n种天线组合的被选中天线索引构成的向量，NS为所有可能的天线组合数，即其特征在于，所述方法包括以下步骤：

a、构造训练集合：

a1、设有M个N_r×N_t维的信道矩阵作为训练样本，具体包括：

a11、从信道矩阵H_m生成实值特征向量d_m；

a12、重复步骤a11，直至为所有的H_m(m＝1,2,...,M)生成特征向量；

a13、生成训练数据矩阵

a14、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：

t_i,j＝(d_i,j-E_i{d_i,j})/(max_i{d_i,j}-min_i{d_i,j}) (1)

a2、采用关键KPI来决定为样本贴上何种标签，所述关键KPI为频谱效率、能量效率、BER和接收信号能量中的一种，具体为：

a21、对于第m个样本H_m，计算每一种组合s_n对应的KPI；

a23、找出能使KPI最好的天线组合以及其对应的标签l^*，令l^*作为标签向量的第m个元素c_m；

a24、重复上述步骤，直至得到所有样本H_m(m＝1,2,...,M)的对应标签；

b、按如下过程利用特征矩阵T和标签向量c建立学习系统：

b1、建立多级KNN分类器：从训练样本集合{t_r[m]}中，找出离新的观测样本t_r最近的k个样本，然后基于多数票决，为t_r贴上标签l^*；

b2、建立多级SVM分类器，即SVM采用一对其它的二元分类策略，主要过程如下：

b21、假设T_l时标签为l的样本特征向量作为行向量所构成的子训练数据矩阵；对于所有的得到一个子训练数据矩阵集合{T_l}；然后运行SVM来对两个训练群T_l和分类；

b22、生成二元标签向量b_l＝[b_l[1],...,b_l[M]]^T，当c_m＝l时，b_l[m]＝1，否则b_l[m]＝0；

b23、用两个训练群和相应的二元标签向量b_l，根据如下公式来解决二选一的逻辑回归问题：

其中，C是惩罚因子，是代价函数，是学习参数向量，是高斯径向基核函数向量，其第q个元素

f_q(t_r[m])＝exp(-||t_r[q]-t_r[m]||²/(2σ²))

给出了t_r[q]和t_r[m]间的相似度；

b24、重复步骤b23，直至遍历完所有建立SVM分类器；

c、基于SVM分类器，在得到所有的θ_l后，利用公式(2)建立一个天线选择系统，在输入一个新的信道矩阵后，输入分类器即可预知其所属类别的标签，即选出的天线组合索引，完成天线选择。