CN110798271B - 一种无线信道测量中基于神经网络的伪径消除方法 - Google Patents
一种无线信道测量中基于神经网络的伪径消除方法 Download PDFInfo
- Publication number
- CN110798271B CN110798271B CN201910867595.3A CN201910867595A CN110798271B CN 110798271 B CN110798271 B CN 110798271B CN 201910867595 A CN201910867595 A CN 201910867595A CN 110798271 B CN110798271 B CN 110798271B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- time delay
- path
- pseudo
- 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.)
- Expired - Fee Related
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 230000008030 elimination Effects 0.000 claims abstract description 17
- 238000003379 elimination reaction Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 101150050759 outI gene Proteins 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明属于信道测量技术领域，公开了一种无线信道测量中基于神经网络的伪径消除方法，利用信道测量采集的时延功率谱构建测量数据矩阵；寻找存在伪径的可疑时延窗，剔除这些时延窗的数据；利用不存在伪径的时延窗的数据构建神经网络；向神经网络输入全部时延窗标号，训练得到新的时延功率谱数据矩阵；判断新的数据矩阵是否已经消除伪径，若消除完成则输出重构的时延功率谱，否则继续寻找伪径并消除；对所述基于神经网络的伪径消除技术进行验证测试。本发明提供的信道测量中基于神经网络的伪径消除方法可以有效消除时延功率谱中的伪径，还原出真实的时延功率谱，从而既减轻了信道测量过程中的工作量，又同时保证了测量结果的可靠性。
Description
技术领域
本发明属于信道测量技术领域，尤其涉及一种无线信道测量中基于神经网 络的伪径消除方法。
背景技术
目前，最接近的现有技术：在信道测量中，获取时延功率谱(Power DelayProfile,PDP)是一个重要环节，通过时延功率谱可以获得无线电信号在无线信 道中经过散射、反射、绕射形成的多径分量到达接收端的时间与强度，进而可 以获得时延扩展(Delay Spread,DS)和相干带宽(Coherent Bandwidth,CB)等 重要的信道时域参数。目前，PDP使用包含发射端和接收端的信道测量系统 (Channel Sounder)获取。在信号通过信道测量系统的过程中难以避免的会受到 系统性能的影响。一个值得关注的影响是由于发射端功率放大器以及接收端低 噪声放大器(Low Noise Amplifier,LNA)的放大倍数过大所导致的信号的非线 性失真。这种非线性失真反应在PDP中便是时域中会在特定时延窗产生“毛刺”， 即伪径。这些伪径的存在干扰了DS和CB的计算值，从而导致信道的时域特性 被错误估计。
目前，通常在信道测量中能够采取的方案是调整收发端系统配置，使测试 信号与系统的线性工作区相匹配，进而消除毛刺。但这种方法操作繁琐，因为 在实际测量中，接收端需要现场采集信号，存储数据，为了验证测试数据的合 理性，则需要现场处理数据，获取PDP，若存在伪径，则需要接收端调整LNA 的放大倍数或更换LNA，甚至根据实际情况去除LNA，有时需要发射端降低发 射功率值，而每次对系统的改动都需要重新进行采集信号、存储数据、现场处 理步骤，且在实际测试中，收发端距离往往较远，双方沟通协商等环节也会耗 费一定时间。目前，由于信道测量活动成本高昂，设备各异，且尚未普及，测 量过程中遇到的工程问题往往依靠经验解决，若系统得当，伪径问题并非每次 都会产生，因而该问题尚未被列为该领域需要深入研究的问题，结果是目前没 有从数据处理层面解决此问题的方案。鉴于此，亟需一种伪径消除技术，以有 效消除PDP中的伪径，还原出真实的PDP。
综上所述，现有技术存在的问题是：现有信道测量中采取的调整系统配置 的方法操作繁琐，需要发射端和接收端配合，在测试现场经过不断尝试进而确 定合适的发射功率从而消除伪径，降低了测试效率。
解决上述技术问题的难度：
从数据处理层面消除存在于PDP中的伪径，难点之一是如何准确识别伪径， 难点之二是如何在消除伪径的同时保留真正的多径分量，从而最大程度还原真 正的PDP。
解决上述技术问题的意义：
从数据处理层面解决伪径问题可以减轻信道测量过程中的工作量，使得在 实际测试时不需要反复调整收发端的系统配置，提升了测试效率。
发明内容
针对PDP中存在的伪径问题，本发明提供了一种无线信道测量中基于神经 网络的伪径消除方法。
本发明是这样实现的，一种信道测量中基于神经网络的伪径消除方法，包 括以下步骤：
步骤一，利用信道测量采集的时延功率谱构建测量数据矩阵。
步骤二，找到存在伪径的可疑的时延窗，剔除这些时延窗的数据。使得这 些时延窗中的信号功率强度值不会参与神经网络的构建，确保了所构建的神经 网络的可靠性。
步骤三，利用不存在伪径的时延窗的数据构建神经网络。该网络的参数集 在不断优化的过程中逐渐完善，最终可输出消除伪径的正确PDP。
步骤四，向神经网络输入全部时延窗标号，训练得到新的PDP数据矩阵。 该矩阵的数据被用于判断是否已经消除伪径，若判断结果是已经消除伪径，则 该数据矩阵则为最终输出的重构后的PDP矩阵。
步骤五，判断新的数据矩阵是否已经消除伪径。
步骤六，结束并输出数据。
进一步，所述步骤一中数据测量矩阵的构建方法如下：
1)定义在测量场景下一共得到N组测量数据，即获得N组时延功率谱； 每组数据有M个时延窗，表示时延从1到M。
2)在信道测量技术中，收发端约定一组特定长度的伪随机(Pseudo Noise， PN)序列，发射端发射该序列经过调制后的电信号，接收端在接收到信号后利 用接收信号与存于本地的该PN序列相关运算来获取信道冲激响应(Channel Impulse Response，CIR)，并依此计算PDP。
3)若PN序列长度为M，则PDP有M个时延窗，时延窗以码片为单位。 构建矩阵MP0为M×N的矩阵；矩阵的每一列代表一组测量数据中M个时延窗 的归一化功率值(单位为dB)，矩阵的N行则代表在该场景下得到N组测量数 据，下标0代表该矩阵为初始数据矩阵，每经过一次剔除伪径操作，获得新的 数据矩阵，下标增加1；
一般地，用MPi表示进行第i次剔除伪径操作前的数据矩阵，MPi+1表示第i 此剔除伪径操作后的数据矩阵，每次新得到的数据矩阵尺寸不会被改变。
进一步，所述步骤二中确定可能存在伪径的可疑的时延窗的方法如下：
1)对矩阵的每一列求前向差分，得到大小为(M-1)×N的新的矩阵MPdi， 其中，矩阵MPdi表示PDP中相邻时延窗之间变化的剧烈程度。
2)对矩阵MPdi的每一行数据进行K-means聚类，类数量为1；聚类后得到 由每一行数据所聚的类的簇心值所构成的长度为(M-1)的向量c；其中的每一 个元素cm，m∈(1，2，…M-1)代表每一个类的唯一簇心。
3)计算向量
的L1范数，得到向量Li＝[L1，L2，…LM-1]T。 其中En表示尺寸为N×N的单位阵，cn表示向量c中的第n个元素。
4)对向量Li中的元素由小到大排序，得到新的向量 Lsi＝[La1，La2，…La(M-1)]T，其下标ak代表了时延窗的标号。
5)对Lsi求前项差分，得到向量Lsi′＝[Lb1，Lb2，…Lb(M-2)]T，其下标bk代 表了时延窗的标号。
6)找到向量Lsi′中的最大值Lbkmax，则可能存在伪径的时延窗为 [a1，a2，…bkTmax]，不存在伪径的时延窗为：
τi＝[(bkmax+1)，(bkmax+2)，…，a(M-1)]T (1-1)。
进一步，所述计算矩阵MPdi每一行的N个数据与簇心cm之差的绝对值并求 和，计算公式如公式(1-2)所示：
其中，LM为向量
的L1范数，
表示矩阵由MPdi第 n行数据按其在矩阵MPdi中的排列顺序所组成的向量，diag(En)为长度为n的全 1列向量；向量[L1，L2，…LM-1]T代表N测量数据在相邻时延窗之间变化的剧烈程度。
进一步，所述步骤三中利用不存在伪径的时延窗的数据构建神经网络：
用于获得神经网络参数集的样本为时延窗向量τi与其所对应的测试数据的 功率强度值。从向量τi中随机选取70％作为训练集的输入，若时延窗数量为A， 相应的大小为A×N的时延窗的功率强度值矩阵MPti作为训练集的输出，另外 30％的时延窗标号及其相应功率强度值矩阵作为验证集数据，基于此得到构建的 神经网络。
进一步，所述步骤四中，利用已构建的神经网络作为重构时延功率谱的工 具，将全部M个时延窗标号作为网络输入送入该神经网络，网络输出的M×N的 矩阵即为一次伪径消除操作后的数据矩阵，记为MPi+1。
进一步，所述步骤五中的判断方法是：
设定一个阈值ε，当
对判定伪径消除完成，停止伪径消 除并输出数据；否则判定尚有伪径存在并转回步骤二；当前MPi+1为消除伪径后 的数据矩阵。
综上所述，本发明的优点及积极效果为：本发明在针对某一测量场景下所 获得的PDP中，伪径总是存在于固定的时延窗中且强度值几乎相同，其不依据 收发端在测试场景中的相对位置变化而变化，进而提供了一种信道测量中基于 神经网络的伪径消除方法，用于消除在一次信道测量所得PDP中的全部伪径。
本发明可以有效消除PDP中的伪径，还原出真实的PDP，从而既减轻了信 道测量过程中的工作量，又同时保证了测量结果的可靠性。
附图说明
图1是本发明实施例提供的信道测量中基于神经网络的伪径消除方法流程 图。
图2是本发明实施例提供的信道测量中基于神经网络的伪径消除方法实现 流程图。
图3是本发明实施例提供的未去除伪径前的全部12组数据的PDP示意图。
图4是本发明实施例提供的具体的两组未去除伪径前的PDP示意图；
图中：(a)发射端位于位置1处；(b)发射端位于位置5处。
图5是本发明实施例提供的两组利用本发明技术流程去除伪径前后的PDP 对比示意图；
图中：(a)发射端位于位置3处；(b)发射端位于位置4处。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种信道测量中基于神经网络的 伪径消除方法，下面结合附图对本发明作详细的描述。
本发明的一种信道测量中基于神经网络的伪径消除方法依据伪径所具备的 下述特征实现：在针对某一测量场景下所获得的PDP的研究中发现，伪径总是 存在于固定的时延窗中且强度值几乎相同，其不依据收发端在测试场景中的相 对位置变化而变化。
如图1所示，本发明实施例提供对的信道测量中基于神经网络的伪径消除 方法包括以下步骤：
S101：利用信道测量采集的时延功率谱构建测量数据矩阵。
S102：找到可能存在伪径的可疑的时延窗，剔除这些时延窗的数据。
S103：利用不存在伪径的时延窗的数据构建神经网络。
S104：向神经网络输入全部时延窗标号，训练得到新的时延功率谱数据矩 阵。
S105：判断新的时延功率谱数据矩阵是否已经消除伪径。
S106：结束并输出数据。
下面结合具体实施例对本发明的技术方案作进一步的描述。
如图2所示，本发明实施例提供对的信道测量中基于神经网络的伪径消除 方法包括以下步骤：
第一步，构建测量数据矩阵。
在某场景下进行信道测量所得的测量数据假设有N组。例如，在进行上行 链路测量中，发射端是用户设备，而接收端是基站。基站固定在测量场景中的 某一位置。发射端位于场景中不同的N个位置，这样便可以得到N组测量数据， 这N组测量数据用于反映所测试环境中的信道特性。从每一组数据中可以获得 PDP。具体的一种操作方法是，首先在收发端约定一个相同的伪随机(Pseudo Noise,PN)序列，在发射端循环发送该PN序列。序列经过无线信道形成包含若 干多径分量的信号到达接收端，接收端将接收到的信号与该PN序列进行相关运 算。解出包含若干多径分量的信道冲激响应，依此计算出一个PDP，假设PN序 列的长度为M，即PN序列包含M个码片，那么PDP相应的包含M个时延窗， 时延窗的标号从1到M。由此，N组数据便可组织成一个大小为M×N的矩阵， 令其为MPi，初始数据矩阵的下标i＝0，每进行一次消除伪径的操作，下标i的 数值会加1，以此区分每一次操作的数据矩阵。
第二步，寻找可能存在伪径的时延窗。
(1)对MPi的每一列数据，即每一组PDP数据求前向差分得到功率强度值 在相邻时延窗间的变化程度，令求前项差分之后的矩阵为MPdi。
(2)对矩阵MPdi的每一行数据进行K-means聚类，类数量为1，聚类后得 到由每一行数据所聚的类的簇心值所构成的向量c，该向量长度为(M-1)。
(3)计算向量
的L1范数，得到向量Li＝[L1，L2，…LM-1]T。 其中En表示尺寸为N×N的单位阵。cn表示向量c中的第n个元素。
(4)对向量Li中的元素由小到大排序，得到新的向量 Lsi＝[La1，La2，…La(M-1)]T。其下标ak代表了时延窗的标号。
(5)对Lsi求前项差分，得到向量Lsi′＝[Lb1，Lb2，…Lb(M-2)]T。其下标bk代 表了时延窗的标号。
(6)找到向量Lsi′中的最大值
则可能存在伪径的时延窗为 [a1，a2，…bkTmax]，不存在伪径的时延窗为 τi＝[(bkmax+1)，(bkmax+2)，…，a(M-1)]T (1-1)。
进一步，所述计算矩阵MPdi每一行的N个数据与簇心cm之差的绝对值并求 和，计算公式如公式(1-2)所示：
其中，LM为向量
的L1范数，
表示矩阵由MPdi第 n行数据按其在矩阵MPdi中的排列顺序所组成的向量，diag(En)为长度为n的全1列向量；向量[L1，L2，…LM-1]T代表N测量数据在相邻时延窗之间变化的剧烈程度。
第三步，利用不存在伪径的时延窗的数据构建神经网络。
从向量τi中随机选取70％作为训练集的输入，假设其时延窗数量为A，相应 的大小为A×N的时延窗的功率强度值矩阵作为训练集的输出，另外30％的时延 窗标号及其相应功率强度值矩阵作为验证集数据，基于此得到构建的神经网络。
第四步，向神经网络输入全部时延窗标号并得到输出值。
利用第三步中构建的神经网络作为重构时延功率谱的工具，将全部M个时延 窗标号作为网络输入送入该神经网络，网络输出的M×N的矩阵即为一次伪径消 除操作后的数据矩阵，记为MPi+1。
第五步，判断数据是否已经消除伪径，是则进行S106，否则转回S102。判 断的方法是设定一个固定的阈值ε。当
时判定伪径消除完成， 否则判定尚有伪径存在。
第六步，输出数据。输出S104得到的MPi+1作为消除伪径后的PDP矩阵。
下面结合测试对本发明的技术效果作详细的描述。
图3给出了某次测试的结果。该测试开展于农村宏蜂窝环境。接收端放置 于一栋四层办公楼的楼顶，该楼高约20米，发射端位于距离接收端约200米远 的一条道路上，测试中发射端一共位于道路上12个不同的位置，每个位置采集 一组数据，一共采集12组数据，图3给出了12组PDP。从图中可以看出，在 12组数据的某些时延窗内，总是存在功率值大小近乎相同的伪径。进一步的， 从图4中可以清楚的观察到伪径的存在。将全部12组采集到的数据代入到算法 中，设置阈值参数ε值为10。通过本发明的技术流程后得到重构的PDP。图5展示了PDP重构的结果。从图中可以看到，明显的伪径已经被完全消除。其PDP 呈现出指数衰减走势，这与3GPP TR 36.873标准中对PDP的统计建模结果相一 致。同时从图5中可以看到，真实的独立多径分量并未被消除。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。
Claims (2)
1.一种信道测量中基于神经网络的伪径消除方法，其特征在于，所述基于神经网络的伪径消除方法包括以下步骤：
步骤一，利用信道测量采集的时延功率谱构建测量数据矩阵；
步骤二，寻找存在伪径的可疑时延窗，剔除存在伪径的可疑时延窗的数据；
步骤三，利用不存在伪径的时延窗的数据构建神经网络；
步骤四，向神经网络输入全部时延窗标号，训练得到新的时延功率谱数据矩阵；
步骤五，判断新的时延功率谱数据矩阵是否已经消除伪径；
步骤六，结束并输出数据；
所述步骤一中，数据测量矩阵的构建方法如下：
1)定义在测量场景下一共得到N组测量数据，获得N组时延功率谱；每组数据有M个时延窗，表示时延从1到M；
2)在信道测量技术中，收发端约定一组特定长度的伪随机序列，发射端发射该序列经过调制后的电信号，接收端在接收到信号后利用接收信号与存于本地的PN序列相关运算来获取信道冲激响应，并依此计算PDP；
3)若PN序列长度为M，则PDP有M个时延窗，时延窗以码片为单位；构建矩阵MP0为M×N的矩阵；矩阵的每一列代表一组测量数据中M个时延窗的归一化功率值，矩阵的N行则代表在该场景下得到N组测量数据，下标0代表该矩阵为初始数据矩阵，每经过一次剔除伪径操作，获得新的数据矩阵，下标增加1；
用MPi表示进行第i次剔除伪径操作前的数据矩阵，MPi+1表示第i此剔除伪径操作后的数据矩阵，每次新得到的数据矩阵尺寸不会被改变；
所述步骤二中，确定可能存在伪径的可疑的时延窗的方法如下：
1)对矩阵的每一列求前向差分，得到大小为(M-1)×N的新的矩阵MPdi，其中，矩阵MPdi表示PDP中相邻时延窗之间变化的剧烈程度；
2)对矩阵MPdi的每一行数据进行K-means聚类，类数量为1；聚类后得到由每一行数据所聚的类的簇心值所构成的长度为(M-1)的向量c；其中的每一个元素cm，m∈(1，2，…M-1)代表每一个类的唯一簇心；
3)计算向量
的L1范数，得到向量Li＝[L1,L2,…LM-1]T，其中En表示尺寸为N×N的单位矩阵，cn表示向量c中的第n个元素；
4)对向量Li中的元素由小到大排序，得到新的向量Lsi＝[La1，La2，…La(M-1)]T，其下标ak代表了时延窗的标号；
5)对Lsi求前项差分，得到向量Ls′i＝[Lb1，Lb2，…Lb(M-2)]T，其下标bk代表了时延窗的标号；
6)找到向量Ls′i中的最大值
则可能存在伪径的时延窗为[a1，a2，…bkTmax]，不存在伪径的时延窗为：
τi＝[(bkmax+1),(bkmax+2),…,a(M-1)]T；
计算矩阵MPdi每一行的N个数据与簇心cm之差的绝对值并求和，计算公式：
其中，Lm为向量
的L1范数，
表示矩阵由MPdi第n行数据按其在矩阵MPdi中的排列顺序所组成的向量，diag(En)为长度为n的全1列向量；向量[L1,L2,…LM-1]T代表N测量数据在相邻时延窗之间变化的剧烈程度；
所述步骤三中，利用不存在伪径的时延窗的数据构建神经网络的方法为：
用于获得神经网络参数集的样本为时延窗向量τi与其所对应的测试数据的功率强度值；从向量τi中随机选取70％作为训练集的输入，若时延窗数量为A，相应的大小为A×N的时延窗的功率强度值矩阵MPti作为训练集的输出，另外30％的时延窗标号及其相应功率强度值矩阵作为验证集数据，得到构建的神经网络；
所述步骤四中，利用已构建的神经网络作为重构时延功率谱的工具，将全部M个时延窗标号作为网络输入送入该神经网络，网络输出的M×N的矩阵即为一次伪径消除操作后的数据矩阵，记为MPi+1；
所述步骤五中的判断方法包括：设定一个阈值ε，当
时判定伪径消除完成，停止伪径消除并输出步骤四得到的MPi+1作为消除伪径后的PDP矩阵；否则判定尚有伪径存在并转回步骤二；当前MPi+1为消除伪径后的数据矩阵。
2.一种应用权利要求1所述一种信道测量中基于神经网络的伪径消除方法的信道测量系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867595.3A CN110798271B (zh) | 2019-09-13 | 2019-09-13 | 一种无线信道测量中基于神经网络的伪径消除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867595.3A CN110798271B (zh) | 2019-09-13 | 2019-09-13 | 一种无线信道测量中基于神经网络的伪径消除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110798271A CN110798271A (zh) | 2020-02-14 |
| CN110798271B true CN110798271B (zh) | 2021-10-12 |
Family
ID=69427436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910867595.3A Expired - Fee Related CN110798271B (zh) | 2019-09-13 | 2019-09-13 | 一种无线信道测量中基于神经网络的伪径消除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110798271B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024209435A1 (en) * | 2023-04-07 | 2024-10-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Delay profile based model input for ai/ml |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105939299A (zh) * | 2016-06-08 | 2016-09-14 | 西安电子科技大学 | 一种基于改进后的sage算法的信道参数估计方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101557443B (zh) * | 2009-05-11 | 2012-02-22 | 重庆金美通信有限责任公司 | 数字电话会议的桥路运算方法 |
| CN102663333B (zh) * | 2011-12-18 | 2014-06-11 | 西北工业大学 | 一种rfid系统中基于自适应混合查询树的标签防碰撞方法 |
| US10605841B2 (en) * | 2015-11-09 | 2020-03-31 | University Of Notre Dame Du Lac | Coherent signal analyzer |
| CN109302360B (zh) * | 2017-07-24 | 2022-02-01 | 北京紫光展锐通信技术有限公司 | 信道估计方法及装置、计算机可读存储介质、终端 |
-
2019
- 2019-09-13 CN CN201910867595.3A patent/CN110798271B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105939299A (zh) * | 2016-06-08 | 2016-09-14 | 西安电子科技大学 | 一种基于改进后的sage算法的信道参数估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110798271A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112712557B (zh) | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 | |
| CN108318862B (zh) | 一种基于神经网络的声源定位方法 | |
| CN110086555A (zh) | 大规模mimo系统中的分组导频分配方法及其分配装置 | |
| CN108199794B (zh) | 一种新型Massive MIMO信道模型的统计性建模方法 | |
| CN114567360B (zh) | 一种用于智能超表面无线通信的信道参数估计方法 | |
| CN111901069B (zh) | 一种基于神经网络与近似消息传递算法的多用户检测方法 | |
| CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
| CN110798271B (zh) | 一种无线信道测量中基于神经网络的伪径消除方法 | |
| CN102638290B (zh) | 一种基于信道测量的多径信号分量提取方法及装置 | |
| CA2633060A1 (en) | Method, apparatus, analyser and computer program of searching for propagation paths | |
| CN111770528B (zh) | 基于信道参数萃取方法的视距与非视距识别方法及装置 | |
| CN112087275B (zh) | 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法 | |
| CN116208275A (zh) | 一种基于峭度的宽带频谱感知方法、系统、设备、存储介质 | |
| CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
| CN107171983A (zh) | 估计用于信道建模的大范围参数的信道探测测试设备和方法 | |
| CN109067483B (zh) | 一种利用以往感知时隙数据的最大特征值频谱感知方法 | |
| KR101064015B1 (ko) | 광대역 다중안테나 무선 채널 파라미터 추정 장치 및 방법 | |
| KR20050089869A (ko) | 타임 슬롯 ｃｄｍａ시스템에서의 잡음 공간 상관 특성에대한 평가 방법 | |
| Yao et al. | Radio channel fingerprint model based on entropy weight method | |
| CN109120361A (zh) | 一种利用以往感知时隙数据的协方差矩阵频谱感知方法 | |
| Zhang et al. | Reduced complexity channel models for IMT-Advanced evaluation | |
| Earle et al. | Machine Learning Models for Channel Status Classification in M-Mimo Systems Using Limited CSI Feedback | |
| US20200112364A1 (en) | Method for extracting optical line fault section by applying super-resolution algorithm | |
| Zentarra et al. | From Channel Measurement to Training Data for PHY Layer AI Applications | |
| CN106533586A (zh) | 一种测量接收机的抗干扰能力的方法及设备 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211012 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |