CN108768567B - 一种多径分簇方法、装置、电子设备及可读存储介质 - Google Patents
一种多径分簇方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN108768567B CN108768567B CN201810554612.3A CN201810554612A CN108768567B CN 108768567 B CN108768567 B CN 108768567B CN 201810554612 A CN201810554612 A CN 201810554612A CN 108768567 B CN108768567 B CN 108768567B
- Authority
- CN
- China
- Prior art keywords
- multipath
- wireless channel
- mixture model
- clustering
- gaussian mixture
- 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
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
- H04B17/364—Delay profiles
Abstract
本发明实施例提供了一种多径分簇方法、装置、电子设备及可读存储介质,应用于无线通信技术领域,所述方法包括:获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合,高斯混合模型根据无线信道多径的参数的均值和方差确定;通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例可以根据无线信道多径的参数的均值及方差,深度挖掘无线信道多径的参数的信息,使得分簇结果更全面地反映无线信道的特征,从而得到更加准确的分簇结果。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及一种多径分簇方法、装置、电子设备及可读存储介质。
背景技术
在第五代(5G)移动通信中,随着天线数量和应用场景的增加,信道模型复杂度也大幅度增加。GBSM(Geometry Based Stochastic Model,基于几何的统计信道建模)模型是一种基于簇的信道建模方式,通过簇可以更便捷地描述信道传播特性。
在实际的电磁传播环境中,由于散射体(例如树木以及建筑物等)的存在,电磁波在与散射体发生接触后,其传播方向和幅度会发生一定的改变,通常通过多径传播来表征电磁波的传播。多径传播过程中产生的参数为多径参数,包括:功率、时延、到达角以及离开角等,每一个参数表征了多径传播在不同维度上的特性。相邻的散射体或表面不光滑的反射体所产生的多径参数相近,因此,可将相近的参数归为一个集合来进行研究,该集合称为簇,将不同的参数归为簇的过程称为分簇。
传统的分簇方法为K-means算法,K-means算法是输入聚类个数k,以及包含n个数据对象的数据库,输出满足方差最小标准k个聚类的一种算法。k-means算法接受输入量k;然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较低。然而该算法应用多径参数之间的欧式距离进行分簇,与多径参数在空间的真实分布特性的相关性较低,因此,得到的分簇结果准确性较低。
发明内容
本发明实施例的目的在于提供一种多径分簇方法、装置、电子设备及可读存储介质,以提高分簇结果的准确性。具体技术方案如下:
本发明实施例提供了一种多径分簇方法,所述方法包括:
获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对所述无线信道多径的参数进行拟合,所述高斯混合模型根据所述无线信道多径的参数的均值和方差确定;
通过期望最大算法估计所述高斯混合模型的参数值,根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果。
可选的,在所述根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果之后,所述方法还包括:
若所述预设的分簇个数为M,所述无线信道多径的条数为N,
θRxi为第i条多径的接收垂直角,θRxj为第j条多径的接收垂直角,
θTxi为第i条多径的发射垂直角,θTxj为第j条多径的发射垂直角,
τi为第i条多径的时延,τj为第j条多径的时延,
τstd为时延集合的标准差,Δτmax为任意两个时延差的最大值;
可选的,所述根据预设的分簇个数,通过高斯混合模型对所述无线信道多径的参数进行拟合,包括:
若无线信道多径的参数X={xi;i=1,2,...,N},xi为第i条多径参数,且xi为D维矢量,N为所述无线信道多径的条数,若所述预设的分簇个数为M,则N条多径由M个高斯分布生成,第k个高斯分布公式为:
其中,θk={μk,Σk}为第k个高斯分布的参数集,μk为第k个簇的均值矩阵,Σk为第k个簇的协方差矩阵,πk为所述高斯混合模型中p(xi|θk)的权值,k为1至M的整数。
可选的,所述通过期望最大算法估计所述高斯混合模型的参数值,包括:
步骤A,初始化πk、μk和Σk,得到πk、μk和Σk的值;
步骤B,根据πk、μk和Σk的值以及公式:
依次循环执行上述步骤B和步骤C,直至πk、μk和Σk的值收敛,将得到的πk、μk和Σk的最终结果作为所述高斯混合模型的参数值。
本发明实施例提供了一种多径分簇装置,所述装置包括:
模型拟合模块,用于获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对所述无线信道多径的参数进行拟合,所述高斯混合模型根据所述无线信道多径的参数的均值和方差确定;
分簇结果确定模块,用于通过期望最大算法估计所述高斯混合模型的参数值,根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果。
可选的,本发明实施例的多径分簇装置,还包括:
分簇结果评价模块,用于在所述预设的分簇个数为M,所述无线信道多径的条数为N时,
θRxi为第i条多径的接收垂直角,θRxj为第j条多径的接收垂直角,
θTxi为第i条多径的发射垂直角,θTxj为第j条多径的发射垂直角,
τi为第i条多径的时延,τj为第j条多径的时延,
τstd为时延集合的标准差,Δτmax为任意两个时延差的最大值;
可选的,所述模型拟合模块具体用于,若无线信道多径的参数X={xi;i=1,2,...,N},xi为第i条多径参数,且xi为D维矢量,N为所述无线信道多径的条数,若所述预设的分簇个数为M,则N条多径由M个高斯分布生成,第k个高斯分布公式为:
其中,θk={μk,Σk}为第k个高斯分布的参数集,μk为第k个簇的均值矩阵,Σk为第k个簇的协方差矩阵,πk为所述高斯混合模型中p(xi|θk)的权值,k为1至M的整数。
可选的,所述分簇结果确定模块,包括:
初始化子模块,用于初始化πk、μk和Σk,得到πk、μk和Σk的值;
第一更新子模块,用于根据πk、μk和Σk的值以及公式:
结果确定子模块,用于依次循环执行上述第一更新子模块和第二更新子模块,直至πk、μk和Σk的值收敛,将得到的πk、μk和Σk的最终结果作为所述高斯混合模型的参数值。
本发明实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述任一所述的多径分簇方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一所述的多径分簇方法的步骤。
本发明实施例提供的多径分簇方法、装置、电子设备及可读存储介质,通过获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合;高斯混合模型根据无线信道多径的参数的均值和方差确定;通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例的基于高斯混合模型的多径分簇方法,可以根据无线信道多径的参数的均值及方差,深度挖掘无线信道多径的参数的信息,使得分簇结果更全面地反映无线信道的特征,从而得到更加准确的分簇结果。当然,实施本发明的任一产品或方法并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为本发明实施例的多径分簇方法的流程图;
图2为不同采样点下现有技术的K-means算法和本发明实施例的期望最大算法得到的紧凑性评价指标值;
图3为不同簇个数下现有技术的K-means算法和本发明实施例的期望最大算法的紧凑性评价指标值;
图4为本发明实施例的多径分簇装置的结构图;
图5为本发明实施例的电子设备的结构图。
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。
为了解决现有的多径分簇方法得到的分簇结果准确性较低的问题,本发明实施例提供了一种多径分簇方法、装置、电子设备及可读存储介质,以提高分簇结果的准确性。
下面首先对本发明实施例所提供的多径分簇方法进行详细介绍。
参见图1,图1为本发明实施例的多径分簇方法的一种流程图,包括以下步骤:
S101,获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合,高斯混合模型根据无线信道多径的参数的均值和方差确定。
具体的,在电磁波传播过程中,由于散射体的存在,电磁波在与散射体发生接触后,其传播方向和幅度会发生一定的改变,因此,电磁波通常通过多条路径传播至接收端,路径的条数即为多径的条数。并且在电磁波传播过程中,将产生无线信道多径的参数,无线信道多径的参数包括:多径时延、接收水平角、发射水平角、接收垂直角、发射垂直角等。其中,分簇个数指的是将无线信道多径分为多少个簇,当然,预设的分簇个数小于多径的条数。例如,若多径的条数为10,那么,预设的分簇个数可以为5、6或8等,当预设的分簇个数为5时,表明将10条多径分为5个簇。预设的分簇个数可以根据实际情况进行设定,在此不对预设的分簇个数进行限定。
本发明实施例中,高斯混合模型为若干个高斯密度函数的线性组合,可以通过高斯混合模型对无线信道多径进行拟合,由于高斯混合模型根据无线信道多径的参数的均值和方差确定,因此,可以挖掘无线信道多径的参数的均值和方差的特征,从而得到更符合无线信道多径传播特性的分簇结果。下文将对高斯混合模型进行详细介绍,在此不再赘述。
S102,通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。
本发明实施例中,期望最大算法是一种迭代算法,在统计学中被用于寻找,依赖于不可观察的隐性变量的概率模型中。通过期望最大算法对高斯混合模型的参数值进行求解,避免了复杂函数无法求导的问题,通过迭代求解,以得到各高斯分布参数及其对应权值,使其充分拟合给定的信道数据,得到一个模糊聚类,即每个多径的参数以不同概率属于每个高斯分布,最终得到符合无线信道多径传播特性的分簇结果。
本发明实施例的多径分簇方法,通过获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合;高斯混合模型根据无线信道多径的参数的均值和方差确定;通过期望最大算法估计高斯混合模型的参数值,高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例的基于高斯混合模型的多径分簇方法,可以根据无线信道多径的参数的均值及方差,深度挖掘无线信道多径的参数的信息,使得分簇结果更全面地反映无线信道的特征,从而得到更加准确的分簇结果。
本发明的一种实现方式中,在图1实施例S102之后,即在根据高斯混合模型的参数值得到无线信道多径的分簇结果之后,还可以对分簇结果的准确性进行评价。具体的,
若预设的分簇个数为M,无线信道多径的条数为N,
θRxi为第i条多径的接收垂直角,θRxj为第j条多径的接收垂直角,
θTxi为第i条多径的发射垂直角,θTxj为第j条多径的发射垂直角,
τi为第i条多径的时延,τj为第j条多径的时延,
τstd为时延集合的标准差,Δτmax为任意两个时延差的最大值;
本发明实施例提出的紧凑性评价指标中,通过上述求解CI的公式,可以看出,该公式包含无线信道多径的参数的均值和方差,因此,综合考虑了无线信道多径的参数的均值和方差,能够有效选择出与信道传播特性相一致的分簇结果,进而提高分簇结果的准确性。
参见图2,图2为不同采样点下现有技术的K-means算法和本发明实施例的期望最大算法得到的紧凑性评价指标值。可以看出,在相同簇个数不同采样点下,本发明实施例的期望最大算法得到的紧凑性评价指标值大于现有技术的K-means算法得到的紧凑性评价指标值。参见图3,图3为不同簇个数下现有技术的K-means算法和本发明实施例的期望最大算法的紧凑性评价指标值。可见,在不同簇个数下,本发明实施例的期望最大算法得到的紧凑性评价指标值大于现有技术的K-means算法得到的紧凑性评价指标值。综上所述,本发明实施例的分簇方法得到的分簇结果可以更好的反映无线信道多径的参数的特征,紧凑性评价指标值能够较有效的评价分簇结果。
本发明的一种实现方式中,图1实施例S101中,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合,包括:
若无线信道多径的参数X={xi;i=1,2,...,N},xi为第i条多径参数,且xi为D维矢量,N为无线信道多径的条数,若预设的分簇个数为M,则N条多径由M个高斯分布生成,第k个高斯分布公式为:
其中,θk={μk,Σk}为第k个高斯分布的参数集,μk为第k个簇的均值矩阵,Σk为第k个簇的协方差矩阵,πk为高斯混合模型中p(xi|θk)的权值,k为1至M的整数。
具体的,若预设的分簇个数为M,那么,高斯混合模型由M个高斯分布组成,M个高斯分布分别与对应的权值相乘之后再相加,即可得到高斯混合模型。高斯混合模型的参数包括:每个高斯分布的均值矩阵、协方差矩阵和该高斯分布对应的权值。高斯混合模型的参数根据N条多径对应的无线信道多径的参数确定,本发明的一种实现方式中,图1实施例S102中,通过期望最大算法估计高斯混合模型的参数值,包括:
步骤A,初始化πk、μk和Σk,得到πk、μk和Σk的值。
本步骤中,需要对高斯混合模型中的均值矩阵μk、协方差矩阵Σk和该高斯分布对应的权值πk进行初始化,并通过这些参数求出对高斯混合模型建模所需的参数。在初始化过程中,可以将方差设置的大些,而权值则小些。这样设置是由于初始化的高斯混合模型是一个并不准确的模型,需要不停的缩小高斯混合模型的范围,更新高斯混合模型的参数值,从而得到更准确的高斯混合模型。
步骤B,根据πk、μk和Σk的值以及公式:
依次循环执行上述步骤B和步骤C,直至πk、μk和Σk的值收敛,将得到的πk、μk和Σk的最终结果作为高斯混合模型的参数值。
其中,期望最大算法经过两个步骤交替进行:
1)计算期望(E步),利用概率模型参数的现有估计值,计算隐藏变量的期望;
2)最大化(M步),利用E步求得的隐藏变量的期望,对参数模型进行最大似然估计。
3)M步得到的参数估计值被用于下一个E步的计算中,该过程不断交替进行。这样,通过多次的迭代,循环直至某个收敛条件满足为止。
对应于本发明实施例中,通过依次循环执行上述步骤B和步骤C,即可得到高斯混合模型的参数值。
在得到高斯混合模型的参数值之后,根据公式:
计算第i条多径参数xi分别在M个高斯分布的后验概率,后验概率最大值对应的高斯分布即为xi所在的簇号,至此,可以得到无线信道多径的分簇结果。例如,xi在第2个高斯分布的后验概率值最大,那么,xi所在的簇为第2个簇。
相应于上述方法实施例,本发明实施例提供了一种多径分簇装置,参见图4,图4为本发明实施例的多径分簇装置的结构图,包括:
模型拟合模块401,用于获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合,高斯混合模型根据无线信道多径的参数的均值和方差确定;
分簇结果确定模块402,用于通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。
本发明实施例提供的多径分簇装置,通过获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合;高斯混合模型根据无线信道多径的参数的均值和方差确定;通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例可以根据无线信道多径的参数的均值及方差,深度挖掘无线信道多径的参数的信息,使得分簇结果更全面地反映无线信道的特征,从而得到更加准确的分簇结果。
需要说明的是,本发明实施例的装置是应用上述多径分簇方法的装置,则上述多径分簇方法的所有实施例均适用于该装置,且均能达到相同或相似的有益效果。
本发明的一种实现方式中,上述多径分簇装置还包括:
分簇结果评价模块,用于在预设的分簇个数为M,无线信道多径的条数为N时,
θRxi为第i条多径的接收垂直角,θRxj为第j条多径的接收垂直角,
θTxi为第i条多径的发射垂直角,θTxj为第j条多径的发射垂直角,
τi为第i条多径的时延,τj为第j条多径的时延,
τstd为时延集合的标准差,Δτmax为任意两个时延差的最大值;
本发明的一种实现方式中,模型拟合模块具体用于,若无线信道多径的参数X={xi;i=1,2,...,N},xi为第i条多径参数,且xi为D维矢量,N为无线信道多径的条数,若预设的分簇个数为M,则N条多径由M个高斯分布生成,第k个高斯分布公式为:
其中,θk={μk,Σk}为第k个高斯分布的参数集,μk为第k个簇的均值矩阵,Σk为第k个簇的协方差矩阵,πk为高斯混合模型中p(xi|θk)的权值,k为1至M的整数。
本发明的一种实现方式中,分簇结果确定模块,包括:
初始化子模块,用于初始化πk、μk和Σk,得到πk、μk和Σk的值;
第一更新子模块,用于根据πk、μk和Σk的值以及公式:
结果确定子模块,用于依次循环执行上述第一更新子模块和第二更新子模块,直至πk、μk和Σk的值收敛,将得到的πk、μk和Σk的最终结果作为高斯混合模型的参数值。
本发明实施例还提供了一种电子设备,参见图5,图5为本发明实施例的电子设备的结构图,包括:处理器501、通信接口502、存储器503和通信总线504,其中,处理器501、通信接口502、存储器503通过通信总线504完成相互间的通信;
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现上述任一多径分簇方法的步骤。
需要说明的是,上述电子设备提到的通信总线504可以是PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线504可以分为地址总线、数据总线、控制总线等。为便于表示,图5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502用于上述电子设备与其他设备之间的通信。
存储器503可以包括RAM(Random Access Memory,随机存取存储器),也可以包括非易失性存储器(non-volatile memory),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501可以是通用处理器,包括:CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital SignalProcessing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)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。
本发明实施例的电子设备中,处理器通过执行存储器上所存放的程序,获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合;高斯混合模型根据无线信道多径的参数的均值和方差确定;通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例可以根据无线信道多径的参数的均值及方差,深度挖掘无线信道多径的参数的信息,使得分簇结果更全面地反映无线信道的特征,从而得到更加准确的分簇结果。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时,实现上述任一多径分簇方法的步骤。
本发明实施例的计算机可读存储介质中存储的指令在计算机上运行时,获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对无线信道多径的参数进行拟合;高斯混合模型根据无线信道多径的参数的均值和方差确定;通过期望最大算法估计高斯混合模型的参数值,根据高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例可以根据无线信道多径的参数的均值及方差,深度挖掘无线信道多径的参数的信息,使得分簇结果更全面地反映无线信道的特征,从而得到更加准确的分簇结果。
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,对于装置、电子设备及可读存储介质实施例而言,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 (8)
1.一种多径分簇方法,其特征在于,所述方法包括:
获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对所述无线信道多径的参数进行拟合,所述高斯混合模型根据所述无线信道多径的参数的均值和方差确定;所述多径的参数包括:多径时延、接收水平角、发射水平角、接收垂直角和发射垂直角;
通过期望最大算法估计所述高斯混合模型的参数值,根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果,所得到的所述分簇结果用于对所述无线信道进行信道建模;
若所述预设的分簇个数为M,所述无线信道多径的条数为N,
θRxi为第i条多径的接收垂直角,θRxj为第j条多径的接收垂直角,
θTxi为第i条多径的发射垂直角,θTxj为第j条多径的发射垂直角,
τi为第i条多径的时延,τj为第j条多径的时延,
τstd为时延集合的标准差,Δτmax为任意两个时延差的最大值;
4.一种多径分簇装置,其特征在于,所述装置包括:
模型拟合模块,用于获取无线信道多径的参数,根据预设的分簇个数,通过高斯混合模型对所述无线信道多径的参数进行拟合,所述高斯混合模型根据所述无线信道多径的参数的均值和方差确定;所述多径的参数包括:多径时延、接收水平角、发射水平角、接收垂直角和发射垂直角;
分簇结果确定模块,用于通过期望最大算法估计所述高斯混合模型的参数值,根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果,所得到的所述分簇结果用于对所述无线信道进行信道建模;
分簇结果评价模块,用于在所述预设的分簇个数为M,所述无线信道多径的条数为N时,
θRxi为第i条多径的接收垂直角,θRxj为第j条多径的接收垂直角,
θTxi为第i条多径的发射垂直角,θTxj为第j条多径的发射垂直角,
τi为第i条多径的时延,τj为第j条多径的时延,
τstd为时延集合的标准差,Δτmax为任意两个时延差的最大值;
7.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-3任一所述的多径分簇方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-3任一所述的多径分簇方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810554612.3A CN108768567B (zh) | 2018-06-01 | 2018-06-01 | 一种多径分簇方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810554612.3A CN108768567B (zh) | 2018-06-01 | 2018-06-01 | 一种多径分簇方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108768567A CN108768567A (zh) | 2018-11-06 |
CN108768567B true CN108768567B (zh) | 2021-05-25 |
Family
ID=64001813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810554612.3A Active CN108768567B (zh) | 2018-06-01 | 2018-06-01 | 一种多径分簇方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108768567B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109451555B (zh) * | 2018-11-13 | 2022-03-22 | 国网福建省电力有限公司泉州供电公司 | 面向电力物联网的基于gmm算法的分簇多跳路由确定方法 |
CN111350869A (zh) * | 2018-12-21 | 2020-06-30 | 珠海格力电器股份有限公司 | 一种矫正用水方式的水阀控制方法、控制系统、智能水阀 |
CN110086556A (zh) * | 2019-03-11 | 2019-08-02 | 西北工业大学 | 基于空间转换c-Means的无线信道多径模糊聚类的方法及系统 |
CN111464937B (zh) * | 2020-03-23 | 2021-06-22 | 北京邮电大学 | 一种基于多径误差补偿的定位方法及装置 |
CN112566214B (zh) * | 2020-11-13 | 2022-10-18 | 西安电子科技大学 | 用户分簇方法、系统、存储介质、计算机设备及应用 |
CN112564835B (zh) * | 2020-11-26 | 2022-09-20 | 华北电力大学 | 一种基于knn和svm算法的5g无线信道多径分簇计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098082A (zh) * | 2009-12-11 | 2011-06-15 | 中国移动通信集团公司 | 信道簇跟踪方法及装置 |
CN106548197A (zh) * | 2016-10-20 | 2017-03-29 | 天津大学 | 改进的多径簇聚类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577692B (zh) * | 2009-06-15 | 2012-06-13 | 北京邮电大学 | 一种正交频分复用系统的信道估计方法和装置 |
CN102088750B (zh) * | 2009-12-08 | 2014-08-06 | 中国移动通信集团公司 | 一种多入多出技术中的传播径分簇方法和装置 |
CN106102161B (zh) * | 2016-05-30 | 2019-10-15 | 天津大学 | 基于聚类算法分析数据优化的室内定位方法 |
CN106126807B (zh) * | 2016-06-22 | 2019-04-09 | 北京邮电大学 | 一种基于大数据挖掘的无线信道建模方法 |
-
2018
- 2018-06-01 CN CN201810554612.3A patent/CN108768567B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098082A (zh) * | 2009-12-11 | 2011-06-15 | 中国移动通信集团公司 | 信道簇跟踪方法及装置 |
CN106548197A (zh) * | 2016-10-20 | 2017-03-29 | 天津大学 | 改进的多径簇聚类方法 |
Non-Patent Citations (2)
Title |
---|
26 GHz室外微蜂窝毫米波信道测量与建模研究;李树等;《通信学报》;20171020;第38卷(第8期);第134页第3.4节 * |
39 GHz室外微蜂窝信道测量、建模与仿真研究;李树等;《电波科学学报》;20180509;第32卷(第5期);第501页第2.4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108768567A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108768567B (zh) | 一种多径分簇方法、装置、电子设备及可读存储介质 | |
WO2020253690A1 (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
Amiri et al. | Exact solution for elliptic localization in distributed MIMO radar systems | |
CN105790813B (zh) | 一种大规模mimo下基于深度学习的码本选择方法 | |
CN110463147A (zh) | 解码符号的方法以及接收并解码符号的接收器 | |
Adeogun | Calibration of stochastic radio propagation models using machine learning | |
CN109116293A (zh) | 一种基于离格稀疏贝叶斯的波达方向估计方法 | |
CN110007283A (zh) | 雷达波达方向估计方法、装置、计算机设备及存储介质 | |
Turlapaty et al. | Bayesian sequential parameter estimation by cognitive radar with multiantenna arrays | |
Leitinger et al. | A scalable belief propagation algorithm for radio signal based SLAM | |
Matsui et al. | Goodness-of-fit tests for symmetric stable distributions—empirical characteristic function approach | |
Du et al. | SVM-assisted adaptive kernel power density clustering algorithm for millimeter wave channels | |
Seyedsalehi et al. | Propagation channel modeling by deep learning techniques | |
Bharti et al. | A general method for calibrating stochastic radio channel models with kernels | |
CN107086969B (zh) | 一种基于特征值分解的sage信道参数估计方法 | |
CN113422627B (zh) | 一种基于自适应梯度反向传播的混合预编码方法及装置 | |
CN109901102A (zh) | 基于张量分解的非正交波形mimo雷达doa估算方法及设备 | |
CN111965593B (zh) | 一种信号的波达方向确定方法及装置 | |
CN111628837B (zh) | 一种信道建模的方法及设备 | |
Bharti et al. | Auto-generated summaries for stochastic radio channel models | |
Alfelt | Closed-form estimator for the matrix-variate Gamma distribution | |
CN113076699B (zh) | 一种基于多输出高斯过程贝叶斯优化的天线优化方法 | |
Jones et al. | Generation of synthetic uhf rfi in urban north american environments | |
Fesl et al. | Diffusion-based Generative Prior for Low-Complexity MIMO Channel Estimation | |
Abeida | Fisher information matrix for non-circular complex elliptical symmetric distributions with application to DOA estimation |
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 |