CN110784892A - 一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法 - Google Patents

一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法 Download PDF

Info

Publication number
CN110784892A
CN110784892A CN201911055819.7A CN201911055819A CN110784892A CN 110784892 A CN110784892 A CN 110784892A CN 201911055819 A CN201911055819 A CN 201911055819A CN 110784892 A CN110784892 A CN 110784892A
Authority
CN
China
Prior art keywords
kalman filter
value
users
time
frequency band
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
Application number
CN201911055819.7A
Other languages
English (en)
Other versions
CN110784892B (zh
Inventor
邹智群
殷锐
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.)
Zhejiang University City College ZUCC
Original Assignee
Zhejiang University City College ZUCC
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 Zhejiang University City College ZUCC filed Critical Zhejiang University City College ZUCC
Priority to CN201911055819.7A priority Critical patent/CN110784892B/zh
Publication of CN110784892A publication Critical patent/CN110784892A/zh
Application granted granted Critical
Publication of CN110784892B publication Critical patent/CN110784892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发提供一种基于改进的卡尔曼滤波器的Wi‑Fi系统用户数目检测方法，所述方法应用于LTE‑U、D2D‑U等复用免授权频段的通信系统中，在复用免授权频段资源前，系统用户通过感知信道中的传输碰撞概率预测Wi‑Fi系统中的用户数目，进而能够协助估计Wi‑Fi系统负载，合理使用免授权频段资源。本发明所提供的方法能够分布式的部署在每个通信设备，无需多余的信令开销，用户设备在不与基站或Wi‑Fi接入点进行信令交互的基础上，自行部署算法进行计算，能够通过持续监听信道中的数据传输碰撞的情况快速准确的估计对应免授权信道中的Wi‑Fi用户数目，进而可以协助设备判断Wi‑Fi系统的负载状况，并且保证了长时间预测的准确以及灵敏性与稳定性。

Description

一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测 方法
技术领域
本发明涉及通信领域，具体涉及一种基于用神经网络改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法。
背景技术
在5G移动通信对数据传输的性能有更高要求的背景下，LTE(Long TermEvolution)与D2D(Device-to-Device communication)等通信系统都在使用授权频段资源的同时尝试使用免授权频段的资源，进而衍生出了LTE-U(Long Term Evolution on theunlicensed bands)，D2D-U(Device-to-Device communications on the unlicensedbands)等同时使用授权频段和免授权频段资源的通信技术，显著的提升了原有系统的吞吐量性能。
由于免授权频段上使用的通信协议与授权频段上蜂窝通信所采用的协议不同，随意使用免授权频段的资源会影响频谱利用率并且对主要使用免授权频段的Wi-Fi系统造成干扰，影响Wi-Fi系统的正常工作。所以在使用免授权频段之前，系统需要首先估计免授权频段中Wi-Fi系统的负载情况，进而合理地使用免授权频段的资源。
在IEEE 802.11n协议的规定下，Wi-Fi系统遵循CSMA/CA(Carrier SenseMultiple Access with Collision Avoidance)带有冲突避免的载波侦听多路访问机制。Wi-Fi系统的性能对接入Wi-Fi AP(Access Point)的Wi-Fi用户数目的变化十分敏感，当用户数目较大时，信道中发生传输碰撞的概率也会随之增大，从而导致单个用户的吞吐量降低；反之，当用户数目较小时，多数传输能够正常的进行，单个用户的服务质量(QoS)较高。因此估计Wi-Fi系统中的用户数目对于估计Wi-Fi系统的负载有重要的意义。
由于当Wi-FiAP的底层硬件参数确定时，用户传输数据时的碰撞概率只与接入信道的用户数目有关，因此复用免授权频段的用户能够根据持续监听得到的信道中的传输碰撞概率估计得到系统中总的用户数目。传统的基于传输碰撞概率估计Wi-Fi系统用户数目的方法是基于扩展卡尔曼滤波器的分布式预测机制。扩展卡尔曼滤波器能够在充分考虑历史的信道状况、系统噪声以及协方差的基础上，提供稳定准确的预测性能。
虽然扩展卡尔曼滤波器已经能够得到较稳定准确的预测结果，算法在每一个时隙运行时需要大量的循环迭代运算，这会导致在一些计算能力不强的设备比如普通的手机上，无法实现实时性，进而导致用户对Wi-Fi用户数目估计的偏差，影响其对免授权频段的正常使用。因此，需要一种复杂度更低、运算更快且能同样能够分布式部署并提供稳定准确性能的算法。
发明内容
本发明的目的在于，针对现有技术中存在的不足，提供一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法。
为此，本发明的上述目的通过以下技术方案来实现：
一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，在5G移动通信复用免授权频段的通信系统中，该方法能够分布式的部署在每个通信设备，无需多余的信令开销，设备能够通过持续监听信道中的数据传输碰撞的情况快速准确的估计对应免授权信道中的Wi-Fi用户数目，进而可以协助设备判断Wi-Fi系统的负载状况协助接入免授权频段。
具体地，所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法应用于LTE-U或D2D-U等复用免授权频段的通信系统中，协助系统用户设备在接入免授权频段之前估计免授权频段中Wi-Fi系统的用户数目；
所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法包括：
系统用户通过实时监听免授权频段的信道传输状态，统计碰撞时隙数目与信道繁忙的时隙数目，进而与总的时隙数目相比计算得到信道中的传输碰撞概率的测量结果；
采用卡尔曼滤波器(Kalman Filter)建立预测模型，根据持续检测得到的传输碰撞概率，实时预测对应免授权信道中的Wi-Fi用户数目；
使用神经网络替代传统卡尔曼滤波器中的复杂的循环结构，降低算法的复杂度，提升卡尔曼滤波器迭代的速度，保证算法的实时性。
在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：
作为本发明的优选技术方案：所述卡尔曼滤波器的Wi-Fi系统用户数目检测方法可以完全分布式的部署于用户设备，无需多余的信令开销，且较低的算法复杂度支持用户实时高效的预测Wi-Fi用户数目，估计免授权频段负载。具体地，所述接入免授权频段的用户设备估计Wi-Fi系统用户数目的方法包括：
用户设备首先通过监听免授权信道上的传输情况计算该时刻测试得到的传输碰撞概率，将t时刻监听计算得到的传输碰撞概率P的测试值表示为：
Figure BDA0002256531160000031
其中：Kbt为t时刻信道上检测到的繁忙的时隙数，Kct为t时刻信道上检测到的碰撞的时隙数，Kall为每次总的监听时隙数，Kall为常数。
作为本发明的优选技术方案：所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法采用改进的卡尔曼滤波器对Wi-Fi系统用户数目进行估计，在t时刻，卡尔曼滤波器结合历史的最优估计值nt-1与当前的测量碰撞概率Pt联合得到当前的最优估计nt。将预测得到的Wi-Fi用户数目n作为状态，卡尔曼滤波器的迭代更新方案如下：
nt＝nt-1+KtZt (II)
Vt＝(1-Kth′(nt-1))(Vt-1+Q) (III)
其中：nt和nt-1分别表示t时刻和t-1时刻卡尔曼滤波器关于Wi-Fi用户数目的最优估计值，Vt和Vt-1分别表示t时刻和t-1时刻估计值的协方差估计，Q代表了系统噪声的估计值，Q值越大，系统对于噪声越敏感，输出的预测值越不稳定；Q值越小，系统对于噪声越不敏感，输出的预测值越稳定。Zt为预测值与实际测量值的误差，计算方法为：
Zt＝Pt-h(nt-1) (IV)
其中：Pt为t时刻测量得到的传输碰撞概率值，由公式(I)计算得到，函数h(n)是根据Wi-Fi用户数目推导得到Wi-Fi碰撞概率的函数，Kt为t时刻的卡尔曼增益，表示为：
函数h′(n)为函数h(n)的导函数，Rt为测量值Pt的方差，计算方法为：
Figure BDA0002256531160000042
作为本发明的优选技术方案：使用神经网络拟合卡尔曼滤波器中的函数h′(n)以及函数h(n)，避免时间复杂度高的循环迭代计算，降低算法的复杂度，提升系统的实时性。h(n)与h′(n)的定义为函数f(P)的反函数以及函数f(P)的反函数的导数，f(P)的定义为：
其中：P为未授权信道中的传输碰撞概率，G为IEEE 802.11n协议中CSMA/CA机制下Wi-Fi接入点设置的最小退避窗口大小，m为最大的回退次数。根据公式(VII)，首先采用基于循环迭代的数值方法计算得到采点密集的离线训练数据，接着使用训练数据离线训练浅层神经网络直至完全拟合函数h(n)，线上执行算法时，只需遵循参数训练完毕的神经网络执行前向传导计算h(n)与h′(n)即可。
作为本发明的优选技术方案：采用实时门限值gt并基于gt灵活调整系统噪声估计值Q，gt的定义为：
gt＝max(0，gt-1-v+st) (VIII)
Figure BDA0002256531160000044
这里v为常数，反映了系统对于误差的容忍度，当t时刻gt值大于阈值g，Q值被置为到Q+，之后gt重新置零；反之，当gt值小于阈值g，Q值一直被置为Q-，其中Q+＞Q-＞0。门限值的部署使得系统能够根据误差的积累灵活的调整Q值进而调整系统对于误差的敏感程度，使得估计值平稳准确。
本发明公开了一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法应用于LTE-U、D2D-U等复用免授权频段的通信系统中，在复用免授权频段资源前，系统用户通过感知信道中的传输碰撞概率预测Wi-Fi系统中的用户数目，进而能够协助估计Wi-Fi系统负载，合理使用免授权频段资源。所述的检测方法分布式的部署在系统设备上，具体步骤包括：离线训练神经网络拟合扩展的卡尔曼滤波器中的循环结构，然后部署于线上算法中；系统设备监听信道数据传输状态，计算传输碰撞概率；改进的卡尔曼滤波器结合历史的预测以及当前的碰撞概率综合计算得到当前的Wi-Fi系统用户数目预测结果。本发明所提供的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法能够分布式的部署在每个通信设备，无需多余的信令开销，用户设备在不与基站或Wi-Fi接入点进行信令交互的基础上，自行部署算法进行计算，能够通过持续监听信道中的数据传输碰撞的情况快速准确的估计对应免授权信道中的Wi-Fi用户数目，进而可以协助设备判断Wi-Fi系统的负载状况，并且保证了长时间预测的准确以及灵敏性与稳定性。
附图说明
图1为本发明提供的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法的流程图。
图2为本发明提供的神经网络训练结果图。
图3为本发明提供的检测方法与传统的基于卡尔曼滤波器的方法的检测性能比较图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不应该限定本发明的保护范围。
在基于LTE-U或D2D-U等复用免授权频段的通信系统中，用户设备在接入免授权频段之前需要估计信道中的传输负载，以合理的复用免授权频段的资源，保证与Wi-Fi系统的和谐共处。具体地，用户需要通过检测Wi-Fi系统中的用户数目反映当前信道中的传输负载。因此本实施例提供了一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，如图1所示，具体包括以下步骤：
S101，复用免授权频段的用户设备D，以及周围的Wi-Fi接入点开启，算法初始化，将离线训练完毕的神经网络部署在算法中；
S102，在t时刻用户设备D监听免授权频段的信息传输状态持续Kall个传输时隙，统计信道上检测到的繁忙的时隙数Kbt，检测到的碰撞的时隙数Kct，计算得到t时刻测量得到的传输碰撞概率Pt为：
Figure BDA0002256531160000061
其中：Kbt为t时刻信道上检测到的繁忙的时隙数，Kct为t时刻信道上检测到的碰撞的时隙数，Kall为每次总的监听时隙数。
S103，将t时刻得到的测量值Pt带入改进的卡尔曼滤波器进行迭代运算，卡尔曼滤波器结合历史的最优估计值nt-1与当前的测量碰撞概率Pt联合得到当前的最优估计nt。将预测得到的Wi-Fi用户数目n作为状态，卡尔曼滤波器的迭代更新方案如下：
nt＝nt-1+KtZt (II)
Vt＝(1-Kth′(nt-1))(Vt-1+Q) (III)
其中：nt和nt-1分别表示t时刻和t-1时刻卡尔曼滤波器关于Wi-Fi用户数目的最优估计值，Vt和Vt-1分别表示t时刻和t-1时刻估计值的协方差估计，当初始时刻即t＝0时nt-1取0，Vt-1取10，Q代表了系统噪声的估计值。Zt为预测值与实际测量值的误差，计算方法为：
Zt＝Pt-h(nt-1) (IV)
其中：Pt为t时刻测量得到的传输碰撞概率值，由公式(I)计算得到，函数h(n)是根据Wi-Fi用户数目推导得到Wi-Fi碰撞概率的函数，Kt为t时刻的卡尔曼增益，表示为：
Figure BDA0002256531160000062
函数h′(n)为函数h(n)的导函数，Rt为测量值Pt的方差，计算方法为：
式(III)-(VI)中所使用的函数h(n)与h′(n)的定义为函数f(P)的反函数以及函数f(P)的反函数的导数，f(P)的定义为：
Figure BDA0002256531160000072
这里h(n)与h′(n)值通过已部署的神经网络进行前向传导直接计算得到。
S104，计算实时门限值gt并基于gt灵活调整系统噪声估计值Q，gt的定义为：
gt＝max(0，gt-1-v+st) (VIII)
Figure BDA0002256531160000073
其中：v为常数，反映了系统对于误差的容忍度，当t时刻gt值大于阈值g，Q值被增大到Q+，之后gt重新置零；反之，当gt值小于阈值g，Q值一直被置为Q-，其中Q+＞Q-＞0。
S105，重复步骤S102、S103、S104，直至滤波器收敛，得到稳定准确的预测结果。
该Wi-Fi系统用户数目的检测方法实现了在Wi-Fi用户数目持续动态变化的环境下，准确稳定的估计用户数目，并且能够快速的响应系统中Wi-Fi用户数目的变化。
上述Wi-Fi系统用户数目的检测方法还具有较低的算法复杂度，相较于基于传统的卡尔曼滤波器的检测，所提出的方法在时间复杂度上更低，迭代速度是前者的8至9倍，并且能够获得同样的精度与稳定性，为算法在普通的设备上部署时实现实时性提供了保障。
本实施例提供的算法适用于基于LTE-U或D2D-U等复用免授权频段的通信系统中，系统用户在接入免授权频段使用通信资源前对Wi-Fi系统中进行传输的用户数目进行估计。由于该算法可以分布式的部署在系统设备上，因此在本实施例中，只考虑一个LTE-U或D2D-U用户检测免授权频段Wi-Fi用户数目的工作情况。
技术场景如下：本实施例的模型包括1个LTE-U或D2D-U用户与1个Wi-Fi接入点，Wi-Fi系统遵循IEEE 802.11n协议中的CSMA/CA机制，最小退避窗口取值32，最大回退次数取值3，Wi-Fi接入点下的用户数目随时间每1000个时隙变化一次。
本实施例中，最终的目标要在动态的Wi-Fi系统用户数目变化的环境下，使用基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法实时准确的跟踪预测系统中Wi-Fi用户的数目。
具体实现过程如上述分布式资源分配方法中S101～S105，
图2为本发明所提供的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法部署前的神经网络训练结果图，训练结果表明拟合的神经网络与h(n)函数基本完全拟合，
图3为本发明所提供的检测方法与传统的基于卡尔曼滤波器的方法的检测性能比较图，可以看到两种方法都能够收敛且达到比较好的检测效果。
表1为本发明所提供的检测方法与传统的基于卡尔曼滤波器的方法的运算时长比较结果，综合图3、表1可以看出，本发明所提供的检测方法相较于传统的基于卡尔曼滤波器的方法可以达到相同的精度的同时还具有更低的复杂度，算法运行时间只需要传统的基于卡尔曼滤波器的方法的12.2％。
表1
使用方法 传统卡尔曼滤波器 改进的卡尔曼滤波器
运行时间(单位为秒/s) 78.89 9.66
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，其特征在于：所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法适用于使用免授权频段的通信系统，用户可以通过监听免授权频段的传输碰撞概率准确估计Wi-Fi系统中的用户数目，进而计算估计Wi-Fi系统的实时负载以合理地接入免授权频段，提升系统数据传输性能；
所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法包括：
用户通过实时监听免授权频段的信道传输状态，统计碰撞时隙数目与信道繁忙的时隙数目，进而与总的监听时隙数目相比计算得到信道中的传输碰撞概率的测量结果；
采用卡尔曼滤波器(Kalman Filter)建立预测模型，根据历史预测结果与持续检测得到的传输碰撞概率，实时预测对应免授权频段下的Wi-Fi用户数目；
使用神经网络替代传统卡尔曼滤波器中的复杂的循环结构，降低算法的复杂度，提升卡尔曼滤波器迭代的速度，保证算法的实时性。
2.如权利要求1所述的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，其特征在于：所述卡尔曼滤波器的Wi-Fi系统用户数目检测方法的检测机制是分布式的，即用户设备无需与基站或Wi-Fi接入点进行数据的交互，通过监听免授权信道上的传输碰撞概率估计Wi-Fi接入点下的用户数目，将t时刻监听得到的传输碰撞概率P的测试值表示为：
其中：Kbt为t时刻信道上检测到的繁忙的时隙数，Kct为t时刻信道上检测到的碰撞的时隙数，Kall为每次总的监听时隙数。
3.如权利要求1所述的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，其特征在于：所述基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法采用了卡尔曼滤波器对Wi-Fi系统用户数目进行估计，在每一个时隙，卡尔曼滤波器可以结合历史的最优估计值nt-1与当前的测量碰撞概率Pt联合得到当前的最优估计nt；将预测得到的Wi-Fi用户数目n作为状态，卡尔曼滤波器的迭代更新方案如下：
nt＝nt-1+KtZt (II)
Vt＝(1-Kth′(nt-1))(Vt-1+Q) (III)
其中：nt和nt-1分别表示t时刻和t-1时刻卡尔曼滤波器关于Wi-Fi用户数目的最优估计值，Vt和Vt-1分别表示t时刻和t-1时刻估计值的协方差估计，Q代表了系统噪声的估计值，Q值越大，系统对于噪声越敏感，输出的预测值越不稳定；Q值越小，系统对于噪声越不敏感，输出的预测值越稳定；Zt为预测值与实际测量值的误差，计算方法为：
Zt＝Pt-h(nt-1) (IV)
其中：Pt为t时刻测量得到的传输碰撞概率值，由公式(I)计算得到，函数h(n)是根据Wi-Fi用户数目推导得到Wi-Fi碰撞概率的函数，Kt为t时刻的卡尔曼增益，表示为：
Figure FDA0002256531150000021
函数h′(n)为函数h(n)的导函数，Rt为测量值Pt的方差，计算方法为：
Figure FDA0002256531150000022
4.如权利要求1所述的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，其特征在于：使用神经网络拟合卡尔曼滤波器中的复杂循环结构，降低算法的复杂度，提升系统的实时性；公式(III)-(VI)中所使用的函数h(n)与h′(n)的定义为函数f(P)的反函数以及函数f(P)的反函数的导数，f(P)的定义为：
Figure FDA0002256531150000023
其中：P为未授权信道中的传输碰撞概率，G为IEEE 802.11n协议中CSMA/CA机制下Wi-Fi接入点设置的最小退避窗口大小，m为最大的回退次数；根据公式(VII)，无法直接计算得到h(n)与h′(n)的表达式，需要采用基于循环迭代的数值方法计算；为了节省系统运算的时间，在基于循环迭代的数值方法得到的数据的基础上，离线训练了浅层的神经网络对函数h(n)进行拟合，进而替代线上部署的循环结构计算h(n)与h′(n)，显著缩短了运行时间。
5.如权利要求1所述的基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法，其特征在于：在传统卡尔曼滤波器的基础上采用门限值gt灵活调整系统噪声估计值Q，gt的定义为：
gt＝max(0，gt-1-v+st) (VIII)
Figure FDA0002256531150000031
这里v为常数，反映了系统对于误差的容忍度，当t时刻gt值大于阈值g，Q值被置为Q+，之后gt重新置零；反之，当gt值小于阈值g，Q值一直被置为Q-，其中Q+＞Q-＞0；门限值的部署使得系统能够根据误差的积累灵活的调整Q值进而调整系统对于误差的敏感程度，使得估计值平稳准确。
CN201911055819.7A 2019-10-31 2019-10-31 一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法 Active CN110784892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911055819.7A CN110784892B (zh) 2019-10-31 2019-10-31 一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911055819.7A CN110784892B (zh) 2019-10-31 2019-10-31 一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法

Publications (2)

Publication Number Publication Date
CN110784892A true CN110784892A (zh) 2020-02-11
CN110784892B CN110784892B (zh) 2023-02-14

Family

ID=69388306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911055819.7A Active CN110784892B (zh) 2019-10-31 2019-10-31 一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法

Country Status (1)

Country Link
CN (1) CN110784892B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN105512722A (zh) * 2015-11-26 2016-04-20 中国石油大学(华东) 一种基于bp神经网络的卡尔曼增益修正方法
CN106054084A (zh) * 2016-07-06 2016-10-26 南京航空航天大学 一种动力电池soc估计方法
CN106332094A (zh) * 2016-09-19 2017-01-11 重庆邮电大学 非授权频段LTE‑U和WiFi系统基于Q算法的动态占空比共存方法
CN109548130A (zh) * 2018-12-28 2019-03-29 浙江大学城市学院 基于免授权频段d2d系统的分布式节能方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN105512722A (zh) * 2015-11-26 2016-04-20 中国石油大学(华东) 一种基于bp神经网络的卡尔曼增益修正方法
CN106054084A (zh) * 2016-07-06 2016-10-26 南京航空航天大学 一种动力电池soc估计方法
CN106332094A (zh) * 2016-09-19 2017-01-11 重庆邮电大学 非授权频段LTE‑U和WiFi系统基于Q算法的动态占空比共存方法
CN109548130A (zh) * 2018-12-28 2019-03-29 浙江大学城市学院 基于免授权频段d2d系统的分布式节能方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G. BIANCHI; I. TINNIRELLO: "Kalman filter estimation of the number of competing terminals in an IEEE 802.11 network", 《IEEE INFOCOM 2003. TWENTY-SECOND ANNUAL JOINT CONFERENCE OF THE IEEE COMPUTER AND COMMUNICATIONS SOCIETIES (IEEE CAT. NO.03CH37428)》 *
秦大淼: "卡尔曼滤波和神经网络组合模型的研究", 《电脑知识与技术》 *

Also Published As

Publication number Publication date
CN110784892B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
US20200015092A1 (en) Systems and methods of adaptive mitigation for shared access
US11316759B2 (en) Method for predicting a level of QoE of an application intended to be run on a wireless user equipment
US10251198B2 (en) Clear channel assessment threshold configuration
CN111787570B (zh) 物联网设备的数据传输方法、装置、计算机设备
EP3606179B1 (en) Wireless communication system and method for controlling wireless communication
KR20120060016A (ko) 주파수 도약 확산 시스템의 간섭 신호 회피 장치 및 그 방법
US9307428B2 (en) Estimating available cell capacity based on monitored network data
US8265231B2 (en) Method for identifying a device transmitting an echo signal, echo source identifying method for identifying echo source, measuring apparatus for identifying a source of an echo, and echo source identifying apparatus
US8514728B2 (en) Methods and systems for estimating temporal correlation of a propagation channel
CN110784892B (zh) 一种基于改进的卡尔曼滤波器的Wi-Fi系统用户数目检测方法
JP2013078083A (ja) 無線ｌａｎセンシング装置、無線ｌａｎステーションおよびプログラム
EP3025452B1 (en) Monitoring network use of resources
EP3837494B1 (en) Multimodal location sensing on a mobile phone
CN112073986A (zh) 无线网络的状态监测装置及方法
CN113542215B (zh) 一种提升流媒体传输性能的方法及相关装置
WO2017161933A1 (zh) Snr估计的方法、装置和存储介质
Liu et al. Ro-raw: run-time restricted access window optimization in IEEE 802.11 ah network with extended kalman filter
EP3085018B1 (en) Distributed saturation detection method for wireless network nodes
JP6708078B2 (ja) 送信パワー制御誤りを検出する方法、装置及びシステム
US20150215102A1 (en) Power back-off on channels with cyclo-stationary noise
US20170325107A1 (en) Managing infrastructure equipment maintenance
Zhang Energy detection using Savitzky-Golay smoothing method for spectrum sensing in cognitive radio
Zhang et al. Estimating the distance between macro base station and users in heterogeneous networks
CN114499798B (zh) 抓取异常信道探测参考信号srs数据的方法及其装置
WO2009144030A2 (en) Method for generating a radio map of an environment and radio communication system being controlled on the basis of a radio map generated by this method

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