CN109299698A - 一种基于支持向量机的无线信道场景识别方法 - Google Patents

Abstract

本发明提供了一种基于支持向量机的无线信道场景识别方法，包括：采集信道数据，将采集的信道数据分成两部分，一部分为待处理数据，另一部分为不处理数据；将待处理数据进行分类特征提取和数据转化，根据数据转化结果建立非线性的功率直方图，将功率直方图作为支持向量机输入的特征矩阵；将功率直方图作为支持向量机输入的特征矩阵进行训练，设计支持向量机分类器结构及参数，构造超平面函数，建立分类模型；对不处理数据进行分类，并采用超平面函数对分类器参数进行校准，对分类模型进行测试，该方法可以解决现有技术中已有信道建模技术对信道环境监测模糊，无法准确判断无线传输环境的问题。

Description

一种基于支持向量机的无线信道场景识别方法

技术领域

本发明涉及无线移动通信领域，尤其涉及一种基于支持向量机的无线信道场景识别方法。

背景技术

在对无线通信系统进行研究的过程中，需要在无线信道环境中对收发端信号的算法处理的功能进行分析和评价，但是由于无线信道的复杂性，在实际环境中系统的测试时间较长，并且难度较高，尤其当在不同技术指标或不同通信环境下进行测试时，实现的难度更高，风险也更大。在此种情况下，利用精确的信道场景识别对系统进行分析和评估可以大大提高工作的效率，并且通过调整信道场景分类器的参数或改动模型的结构可以满足有差别的实际信道特点。

适合的信道场景估计对建立无线通信系统有极大的帮助，并对设计传输参数和确定传输标准也起到很好的作用，也为信道建模提供了进一步的技术支持。信道建模的主要目的是在考虑模型的精度和复杂性的前提下，在不同的环境中MPCs(Multi-pathComponents,表征多径分量)。现有技术中，应用的表征多径分量的模型是抽头延迟线的模型，早期无线系统的许多标准信道模型均使用抽头延迟线模型，但是，由于3G，4G和其下一代系统有更大的带宽，MIMO(Multiple-Input Multiple-Output，多输入多输出)阵列也在增加，对多径分量的建模更加复杂。MIMO有可抑制信道衰落提高系统容量的特性，MIMO技术在各种各样的无线通信系统中的应用正变得越来越多，基于MIMO实际测量数据的信道模型也被国内外各个组织机构争相提出。大量MIMO测量结果表明多径分量在实际环境中以聚类分布。聚类就是将对象的集合按其相似度分成多个类或者簇的过程，同一个簇中的对象是类似的，而不同的簇中的对象是存在差异的。利用多径散射簇的特性来提高用户对移动通信系统的体验成为通信发展的热点之一。该现象可以降低信道建模的复杂性，基于信道多径分簇机制的模型成为近年来信道建模理论的发展趋势。基于簇的信道模型已经广泛应用于标准化信道模型，包括COST 259，COST 2100，3GPP空间信道模型和WINNER；基于地理特征的单环和双环信道模型；适用于不同的通信环境的专用信道模型，如V2V信道模型；通过实测数据或统计特性的分布得到的信道模型，如IEEE 802.11n的信道模型。

SVM(Support Vector Machine，支持向量机)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构风险最小化来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的，可以克服传统神经网络方面经验的成分过大的难题，可以解决小样本情况下的机器学习问题，提高泛化性能、解决高维问题、解决非线性问题和避免神经网络结构选择和局部极小点问题。

分类是数据挖掘领域中一项非常重要的任务，分类的目的是学会一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个，从而可以用于预测。而SVM本身便是一种监督式学习的方法，它广泛地应用于统计分类以及回归分析中。SVM是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

给定一组训练样例，每个训练样例标记为属于两个类别中的一个或另一个，SVM模型是将这些例子表示为空间中的点的映射，以便将各个类别的例子除以尽可能宽的明显差距。然后将新示例映射到同一空间中，并预测属于它们落在基于哪一侧的类别。

除了执行线性分类之外，SVM还可以使用内核技巧高效地执行非线性分类，并将其输入隐式映射到高维特征空间中。

多径分量以簇的形式分布的概念在信道建模中已被广泛接收，但是，现有技术中存在的问题为：由于目前缺乏合理有效的多径分簇算法，针对无线信道多径分簇及建模理论的研究进展缓慢。此外，因为无线信道的复杂性，目前仍然缺乏无线信道多径分簇的一般性方法。同时，现有技术中，对于集群多径分量的研究多使用人工检查，即首先肉眼观测多径分量数据，这有利于检测数据的模式和结构，但是对于具有大量多维数据的聚类的情况来说，这种检查耗时太长，更难以自动处理数据，如何建立良好的聚类算法仍然是当前的研究主题之一。

虽然聚类分析是机器学习领域的热点研究课题之一，将其应用于无线信道中的多径分量分簇仍需很多工作。由于多径分量有很多属性，如延迟、功率和角度，并且每个属性通常具有独立的特性，所以亟需一种综合考虑不同属性影响的场景分类方法。

发明内容

本发明提供了一种基于支持向量机的无线信道场景识别方法，以解决现有技术中已有信道建模技术对场景分类不准确，无法准确基于信道多径分量特点判断当前信道场景的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于支持向量机的无线信道场景识别方法，包括：

采集信道数据，将所述信道数据分成LOS信道数据和NLOS信道数据，对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图；

设计支持向量机的分类器结构及参数，构造超平面函数，将所述LOS信道数据和NLOS信道数据的功率直方图作为特征矩阵输入到支持向量机，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的LOS信道数据和NLOS信道数据的分类器。

进一步地，所述的采集信道数据，将所述信道数据分成LOS信道数据和NLOS信道数据，包括：

采集信道数据，将采集的信道数据分成两部分，一部分为待处理数据，另一部分为验证数据，根据LOS和NLOS环境两类数据在功率分配和时延扩散的差异，对所述待处理数据进行分类特征提取操作，将所述待处理数据分为LOS信道数据和NLOS信道数据两类。

进一步地，所述对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图，包括：

将所述LOS信道数据和NLOS信道数据转化为对应的向量，统计每一个功率下像素点出现的数量，采用功率分布直方图体现每一帧PAS内的功率分布，使用KMeans聚类方法对每个PAS内所有元素在功率域进行聚类，首先通过在所有样本数据空间中随机撒点的方式，随机建立簇心，然后将所有样本元素连接到与其距离最近的簇心，从而建立初次聚类分簇结果，基于初次聚类结果，通过计算每一个簇的几何中心来更新簇心的位置，再基于新的簇心位置重新分簇，通过多次迭代，则可以最终完成聚类，得到非线性的聚类后的LOS信道数据和NLOS信道数据的功率直方图，该功率直方图的横坐标即为Keams聚类最终结果中每一个簇的簇心功率。

进一步地，聚类后的功率直方图的维度≤100。

进一步地，所述的设计支持向量机的分类器结构及参数，采用超平面分割算法构造超平面函数，将所述LOS信道数据和NLOS信道数据的功率直方图作为特征矩阵输入到支持向量机，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的的LOS信道数据和NLOS信道数据的分类器，包括：

使用非线性RBF核函数设计支持向量机的分类器结构及参数，所述非线性RBF核函数按下式计算：

K(x,y)＝exp(-γ||x-y||²),γ＞0)

其中，γ为核参数，RBF扩展的缺省值为1，均方误差为0，x为输入样本，y为输入样本标签；

采用超平面分割算法构造超平面函数，取LOS信道数据和NLOS信道数据各设定数量个的功率直方图作为支持向量机的特征矩阵，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的LOS信道数据和NLOS信道数据的分类器；

所述支持向量机的基本型包括如下公式：

s.t.y_i(ω^T x_i+b)≥1，i＝1,2,K,m.

b为直线方程截距。

进一步地，所述的设定数量为50或者160。

进一步地，所述的方法还包括：

将所述验证数据分成LOS信道数据和NLOS信道数据，对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图；

取LOS信道数据和NLOS信道数据各设定数量个的功率直方图对训练后的支持向量机的进行测试，并对支持向量机的分类器参数进行校准，得到优化后的LOS信道数据和NLOS信道数据的分类器。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例的基于支持向量机的无线信道场景识别方法，通过考虑无线通信信号LOS和NLOS在角度功率谱下的区别，基于支持向量机分类器的理论可以很好的通过角度功率谱来区分移动端在LOS和NLOS环境中的信号。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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个实施例，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一种基于支持向量机的无线信道场景识别方法的实现原理图；

图2为本发明实施例提供的一种基于支持向量机的无线信道场景识别方法的处理流程图图；

图3为本发明实施例提供的NLOS场景功率直方图；

图4为本发明实施例提供的NLOS场景聚类后的功率直方图；

图5为本发明实施例提供的LOS场景功率直方图；

图6为本发明实施例提供的LOS场景聚类后的功率直方图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以下具体实施例为例做进一步的解释说明，且实施例并不构成对本发明实施例的限定。

本发明实施例的基于支持向量机的无线信道场景识别方法，旨在针对无线信道建模研究中缺乏信道场景分类方法的问题，提供一种合理有效的信道场景分类方法。

图1为本发明实施例提供的一种基于支持向量机的信道建模场景识别方法的实现原理图，具体处理流程图如图2所示，包括如下的处理步骤：

S21：采集信道数据，将采集的信道数据分成两部分，一部分为待处理数据，另一部分为验证数据。

S22：将待处理数据分成LOS信道数据和NLOS信道数据，对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图。

优选地，将待处理数据进行分类特征提取和数据转化，包括：根据LOS(line ofsight，视线传输)和NLOS(not line of sight，非视线传输)环境两类数据在功率分配和时延扩散的差异，对待处理数据进行分类特征提取操作，将数据分为LOS信道数据和NLOS信道数据两类。并将分类特征提取的数据转化为对应的向量。数据转化成的向量尽可能突出数据差异，以使性能更好。

LOS环境下信道数据由于遮挡物较少，所以功率较高，NLOS环境下信道数据由于遮挡物较多，所以功率相对较低，且最高功率和平均功率LOS环境均显著高于NLOS环境；LOS环境中有一个很明显的直射径，即有一个主径功率很大，而NLOS环境由于绕射等现象的存在，虽然可能存在一个径的功率较大，但也同时存在多个功率较大的反射径；NLOS环境下的信号，时延扩展要大于LOS环境下的信号；NLOS环境下的信号，其角度扩展要大于LOS环境下的信号，同时，理论上NLOS上能量(信号)的离散程度要高于LOS径中的能量。其中，LOS环境数据标签为1，NLOS环境数据标签为0。

优选地，根据数据转化结果建立非线性的功率直方图，包括：根据数据转化结果，统计每一个功率下像素点出现的数量，采用功率分布直方图体现每一帧PAS(Power anglespectrum,功率谱)内的功率分布，使用K均值聚类分析方法(KMeans)对每个角度PAS内所有元素在功率域进行聚类。在KMeans方法中，首先通过在所有样本数据空间中随机撒点的方式，随机建立簇心，然后将所有样本元素连接到与其距离最近的簇心，从而建立初次聚类分簇结果，基于初次聚类结果，通过计算每一个簇的几何中心来更新簇心的位置，再基于新的簇心位置重新分簇。通过多次迭代，则可以最终完成聚类。最后得到非线性的聚类后的LOS信道数据和NLOS信道数据的功率直方图。功率直方图的横坐标即为Keams聚类最终结果中每一个簇的簇心功率。

进一步地，图3和图5分别为本发明实施例提供的NLOS场景功率直方图和本发明实施例提供的LOS场景功率直方图，参照图3和图5，针对功率分布差异，使用功率分布直方图体现每一帧PAS内的功率分布特性。功率直方图统计每一个功率下像素点出现的数量，该图是一个向量，并且维度很大。其中LOS环境下信号能量集中，导致信号能量空洞较多，且面积很大，所以能量较低的功率较多；NLOS环境下信号能量分散。

图4和图6分别为本发明实施例提供的NLOS场景聚类后的功率直方图和本发明实施例提供的LOS场景聚类后的功率直方图，参照图4和图6，优选地，通过将能量合并，建立一个非线性的功率直方图，从而降低功率直方图的维度，聚类后的功率直方图的维度≤100。

S23、设计支持向量机的分类器结构及参数，构造超平面函数，将所述LOS信道数据和NLOS信道数据的功率直方图作为特征矩阵输入到支持向量机，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的的LOS信道数据和NLOS信道数据的分类器。

示意性地，取LOS和NLOS环境各设定数量(比如50或者80)个功率直方图作为特征矩阵，输入到支持向量机进行训练。

优选地，使用非线性RBF核函数设计支持向量机的分类器结构及参数，非线性RBF核函数按下式计算：

K(x,y)＝exp(-γ||x-y||²),γ＞0)

其中，γ为核参数，RBF扩展的缺省值为1，均方误差为0，x为输入样本，y为输入样本标签。

进一步地，数据被映射到一个更高维的空间，使用非线性RBF核函数K(x,y)＝exp(-γ||x-y||²),γ＞0)，使得数据不需要显示地映射到新的空间，并且能够在输入空间中直接计算内积，简化映射空间中的内积运算，避开了直接在高维空间中进行计算，是对输入空间向高维空间的一种隐式映射。

优选地，支持向量机的基本型包括如下公式：

s.t.y_i(ω^T x_i+b)≥1，i＝1,2,K,m.

其中，||w||，b为直线方程截距。

上述超平面函数通过采用超平面分割算法(Sequential Minimal Optimization，SMO)构造，所述的超平面分割算法按下式计算：

s.t.0≤α_i≤C,i＝1,2,K,n

其中，α为拉格朗日乘子，C为惩罚因子，x,y分别为输入样本与样本标签，n为拉格朗日乘子的总数。

通过将超平面分割算法公式的求解结果带入支持向量机的基本型中求解，可以得到最优分割平面函数f(x)＝w^T+b，上述最优分割平面函数f(x)即为超平面函数。

S24：对验证数据进行分类，将所述验证数据分成LOS信道数据和NLOS信道数据，对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图。

示意性地，采用设定数量(比如40个)来源于验证数据的LOS信道数据和NLOS信道数据的功率直方图对上述S23中训练后的支持向量机的进行测试，并对支持向量机的分类器参数惩罚因子C进行调整，获得最优的分类准确结果，最终得到优化后的LOS和NLOS信道数据的分类器，该分类器为一种信道场景分类模型。

综上所述，本发明实施例的方法，提出对实测信道数据进行提取，根据LOS环境和NLOS环境进行分类，利用不同环境多径分量差异进行特征值变换，统计获得功率分布直方图，并使用KMeans算法对功率分布直方图进行聚类，将LOS和NLOS环境下多组功率分布直方图作为LOS和NLOS环境信道多径数据，并使用支持向量机分类器进行有效分类，从而得到正确分类器结构设计，通过使用未分类的LOS和NLOS环境数据验证分类器性能。

本发明的方法通过考虑无线通信信号LOS和NLOS在角度功率谱下的区别，基于SVM分类器的理论可以很好地通过角度功率谱来区分移动端在LOS和NLOS环境中的信号，解决了已有信道建模技术对LOS和NLOS信道数据分类不准确和效率较低的问题。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于支持向量机的无线信道场景识别方法，其特征在于，包括：

采集信道数据，将所述信道数据分成LOS信道数据和NLOS信道数据，对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图；

设计支持向量机的分类器结构及参数，构造超平面函数，将所述LOS信道数据和NLOS信道数据的功率直方图作为特征矩阵输入到支持向量机，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的LOS信道数据和NLOS信道数据的分类器。

2.根据权利要求1所述的方法，其特征在于，所述的采集信道数据，将所述信道数据分成LOS信道数据和NLOS信道数据，包括：

采集信道数据，将采集的信道数据分成两部分，一部分为待处理数据，另一部分为验证数据，根据LOS和NLOS环境两类数据在功率分配和时延扩散的差异，对所述待处理数据进行分类特征提取操作，将所述待处理数据分为LOS信道数据和NLOS信道数据两类。

3.根据权利要求2所述的方法，其特征在于，所述对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图，包括：

将所述LOS信道数据和NLOS信道数据转化为对应的向量，统计每一个功率下像素点出现的数量，采用功率分布直方图体现每一帧PAS内的功率分布，使用KMeans聚类方法对每个PAS内所有元素在功率域进行聚类，首先通过在所有样本数据空间中随机撒点的方式，随机建立簇心，然后将所有样本元素连接到与其距离最近的簇心，从而建立初次聚类分簇结果，基于初次聚类结果，通过计算每一个簇的几何中心来更新簇心的位置，再基于新的簇心位置重新分簇，通过多次迭代，则可以最终完成聚类，得到非线性的聚类后的LOS信道数据和NLOS信道数据的功率直方图，该功率直方图的横坐标即为Keams聚类最终结果中每一个簇的簇心功率。

4.根据权利要求3所述的方法，其特征在于，聚类后的功率直方图的维度≤100。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述的设计支持向量机的分类器结构及参数，采用超平面分割算法构造超平面函数，将所述LOS信道数据和NLOS信道数据的功率直方图作为特征矩阵输入到支持向量机，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的的LOS信道数据和NLOS信道数据的分类器，包括：

使用非线性RBF核函数设计支持向量机的分类器结构及参数，所述非线性RBF核函数按下式计算：

K(x,y)＝exp(-γ||x-y||²),γ＞0)

其中，γ为核参数，RBF扩展的缺省值为1，均方误差为0，x为输入样本，y为输入样本标签；

采用超平面分割算法构造超平面函数，取LOS信道数据和NLOS信道数据各设定数量个的功率直方图作为支持向量机的特征矩阵，利用所述特征矩阵和超平面函数对支持向量机进行训练，得到训练后的LOS信道数据和NLOS信道数据的分类器；

所述支持向量机的基本型包括如下公式：

s.t.y_i(ω^Tx_i+b)≥1，i＝1,2,K,m.

b为直线方程截距。

6.根据权利要求5所述的方法，其特征在于，所述的设定数量为50或者160。

7.根据权利要求5所述的方法，其特征在于，所述的方法还包括：

将所述验证数据分成LOS信道数据和NLOS信道数据，对所述LOS信道数据和NLOS信道数据进行特征提取和数据转化，分别建立LOS信道数据和NLOS信道数据的功率直方图；

取LOS信道数据和NLOS信道数据各设定数量个的功率直方图对训练后的支持向量机的进行测试，并对支持向量机的分类器参数进行校准，得到优化后的LOS信道数据和NLOS信道数据的分类器。