CN112183425B - 信道参数估计方法及装置 - Google Patents
信道参数估计方法及装置 Download PDFInfo
- Publication number
- CN112183425B CN112183425B CN202011074320.3A CN202011074320A CN112183425B CN 112183425 B CN112183425 B CN 112183425B CN 202011074320 A CN202011074320 A CN 202011074320A CN 112183425 B CN112183425 B CN 112183425B
- Authority
- CN
- China
- Prior art keywords
- model
- likelihood value
- subcomponent
- model subcomponent
- likelihood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000012545 processing Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 12
- 230000010363 phase shift Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 56
- 241000209094 Oryza Species 0.000 description 47
- 235000007164 Oryza sativa Nutrition 0.000 description 47
- 235000009566 rice Nutrition 0.000 description 47
- 230000008569 process Effects 0.000 description 43
- 238000009826 distribution Methods 0.000 description 21
- 239000000203 mixture Substances 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000005070 sampling Methods 0.000 description 12
- 238000012217 deletion Methods 0.000 description 10
- 230000037430 deletion Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000005315 distribution function Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 230000008521 reorganization Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005562 fading Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Error Detection And Correction (AREA)
Abstract
本文公开了一种信道参数估计方法及装置。其中，该方法包括：利用预设模型对调制数据进行聚类，得到第一模型子分量；获取第一模型子分量对应的第一似然值；基于第一似然值确定调制数据对应的信道参数。本发明解决了相关技术中在没有辅助数据的情况下无法从调制接收数据中获取信道参数的技术问题。
Description
技术领域
本发明涉及通信技术领域，具体而言，涉及一种信道参数估计方法及装置。
背景技术
目前存在的链路质量估计方法可以根据估计指标的不同分为基于收发机参数的链路质量估计方法和基于信道参数的链路质量估计方法。其中，基于信道参数的链路质量估计方法是对信道参数进行直接测量，能更准确反映链路质量的变化状况；因而使用莱斯信道参数作为链路质量估计的指标更能准确有效的对链路质量进行表述。
当前常见的莱斯参数估计方法主要有基于接收信号包络的矩估计方法、基于接收信号包络的最大似然估计方法、基于接收信号I/Q采样的最大似然估计方法。然而这些方法都只针对非调制采样数据，使其更适用于信道测量，不满足在实际无线通信应用场景中实时性地对莱斯信道参数进行估计的要求。
目前对于带有调制符号的接收采样数据，通常需要借助已知被调制信息的辅助数据，如导频信息、同步信号等，以便在接收端对消在莱斯信道参数估计过程中调制符号引入的自干扰。该类方法一方面由于存在对辅助数据的依赖，对有限无线通信资源造成了额外的负担；另一方面该类方法只能利用接收采样数据部分数据进行莱斯信道参数的估计，降低了莱斯信道参数估计的准确性。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种信道参数估计方法及装置，以至少解决相关技术中在没有辅助数据的情况下无法获取信道参数的技术问题。
根据本发明实施例的一个方面，提供了一种信道参数估计方法，包括：利用预设模型对调制数据进行聚类，得到第一模型子分量；获取第一模型子分量对应的第一似然值；基于第一似然值确定调制数据对应的信道参数。
可选地，基于第一似然值确定调制数据对应的信道参数，包括：基于第一似然值对第一模型子分量进行分类，得到目标模型子分量；利用预设模型对目标模型子分量进行聚类，得到第二模型子分量；获取第二模型子分量对应的第二似然值；判断第二似然值是否小于第一似然值；如果第二似然值小于第一似然值，则确定第一模型子分量对应的参数为信道参数。
可选地，在确定第一模型子分量对应的参数为信道参数之前，方法还包括：对第一模型子分量进行处理，得到处理后的第一模型子分量；利用预设模型对处理后的第一模型子分量进行聚类，得到第三模型子分量；获取第三模型子分量对应的第三似然值；判断第三似然值是否小于第一似然值；如果第三似然值小于第一似然值，则确定第一模型子分量对应的参数为信道参数。
可选地，对第一模型子分量进行处理，得到处理后的第一模型子分量，包括：确定第一模型子分量中最小第一似然值对应的第一模型子分量；删除最小第一似然值对应的第一模型子分量，得到处理后的第一模型子分量。
可选地，如果第三似然值小于或等于第一似然值，确定第三模型子分量为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第三似然值小于第一似然值。
可选地，如果第二似然值大于或等于第一似然值，确定第二模型子分量为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第二似然值小于第一似然值。
可选地，基于第一似然值对第一模型子分量进行分类，得到目标模型子分量，包括：利用预设函数对第一模型子分量的第一似然值进行二分类；判断二分类后的第一似然值是否大于预设值；若二分类后的第一似然值大于预设值，则确定第一似然值对应的第一模型子分量为目标模型子分量。
可选地，利用预设模型对调制数据进行聚类，得到第一模型子分量，包括：利用预设模型和星座图拓扑集合对调制数据进行聚类，得到第一模型子分量。
可选地，星座图拓扑集合包括如下至少之一：相移键控的星座图拓扑、正交幅相调制的星座图拓扑。
根据本发明实施例的另一方面，还提供了一种信道参数估计装置，包括：聚类模块，用于利用预设模型对调制数据进行聚类，得到第一模型子分量；获取模块，用于获取第一模型子分量对应的第一似然值；确定模块，用于基于第一似然值确定调制数据对应的信道参数。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述的信道参数估计方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的信道参数估计方法。
在本发明实施例中，首先利用预设模型对调制数据进行聚类，然后根据聚类后的模型子分量的似然值将其进行二分类；最后获取似然值较大的一类重新组成混合模型对调制数据进行聚类；根据混合模型聚类收敛后的模型似然值的变化确定信道参数估计的终止；然后基于参数估计结束后得到的聚类参数确定对应信道参数；实现了在没有辅助数据的情况下来获取调制数据对应的信道参数；通过对每次聚类收敛后的模型子分量进行二分类，获取具有较大似然值的模型子分量重组混合模型并利用重组的混合模型再次进行聚类，基于参数估计过程收敛后的聚类参数可以确定调制数据对应的信道参数，例如：当连续两次聚类过程，模型似然值趋近于同一值，则说明该次聚类的模型减少了上次聚类模型存在的冗余模型子分量的个数，当一次聚类后得到的模型似然值小于上一次聚类过程的似然值，则说明该次冗余模型子分量删除过多，此时需要调整冗余模型子分量删除的幅度，直至参数估计过程收敛，最后根据收敛后各模型子分量参数得到调制数据对应的信道参数。本发明中仅采用调制数据和预设模型确定信道参数，其中并未引入其他辅助数据，进而解决了相关技术中在没有辅助数据的情况下无法获取信道参数的的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种信道参数估计方法的流程图；
图2是根据本发明实施例的高斯混合模型的模型子分量收敛到不同位置对应数据的似然值；
图3是根据本发明实施例的使用不同个数的子高斯分量组成的高斯混合模型拟合同一数据的结果；
图4是根据本发明实施例的不同子高斯分量的个数对同一QPSK调制数据聚类时，似然值的变化；
图5是根据本发明实施例的一种可选的信道参数估计方法的流程图；
图6是根据本发明实施例的星座拓扑约束引入后模型收敛过程中模型子分量的二分类现象；
图7是根据本发明实施例的使用扩展后的高斯混合模型对QPSK调制接收数据进行莱斯信道参数估计的仿真结果；
图8是根据本发明实施例的引入拓扑约束后，扩展的GMM对QPSK调制结束数据进行莱斯参数估计的仿真结果；
图9是根据本发明实施例的不同莱斯参数估计方法在不同莱斯K值下的莱斯信道参数估计误差的统计；
图10是根据本发明实施例的本文方法在不同K值下对QPSK和16QAM调制接收数据进行莱斯参数估计时所需迭代次数的统计；
图11是根据本发明实施例的收发节点之间直接通信场景下的莱斯信道参数估计结果；
图12是根据本发明实施例的收发节点之间有工作人员走动场景下的莱斯信道参数估计结果；
图13是根据本发明实施例的收发节点周围存在正常工作的设备场景中的莱斯信道参数估计结果；
图14是根据本发明实施例的一种信道参数估计装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种信道参数估计方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种信道参数估计方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，利用预设模型对调制数据进行聚类，得到第一模型子分量。
上述步骤中的预设模型可以为高斯混合模型(Gaussian Mixed Mode，GMM)。其中，GMM是指多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况；也可以解决同一集合下的数据虽属于同一类分布但参数不一样，比如正态分布；还可以解决同一集合下的数据属于不同类型的分布，比如伯努利分布。
上述步骤中的调制数据可以为振幅键控(Amplitude Shift Keying，ASK)调制数据、频移键控(Frequency Shift Keying，FSK)调制数据、相移键控(Phase Shift Keying，PSK)调制数据。调制数据还可以为多进制幅度键控(M-ASK)调制数据、正交幅度键控(QASK)调制数据、多进制频率键控(M-FSK)调制数据、多进制相位键控(M-PSK)调制数据。
上述步骤中的第一模型子分量由多个子高斯分量组成。需要说明的是，初始高斯混合模型降低模型子分量的个数后可以成为次级高斯混合模型。
聚类是一个把数据对象划分成子集的过程，每个子集是一个簇，使得簇中的对象彼此相似，但与其他簇中的对象不相似。
在一种可选的实施例中，可以通过GMM进行聚类，其概率密度函数可以由如下公式得出：其中，M为初始高斯混合模型中的模型子分量个数，ωm为每个聚类核心的权重系数，满足ωm≥0且/>G(x|θm)为二维高斯概率密度函数，θm＝(μm，∑m)，μm，∑m分别代表高斯函数的均值和协方差。
上述步骤中的初始高斯混合模型中的模型子分量个数M可以由人为进行设定，也可以采用前一次聚类时所设定的第一模型子分量个数M，此处不做限定。
需要说明的是，当预先设定的第一模型子分量个数M大于或等于真实聚类个数时，聚类收敛后得到的第一模型子分量的似然值与采用真实聚类个数聚类收敛后得到的模型子分量的似然值近似相同；而当预先设定的第一模型子分量个数M小于真实聚类个数时，聚类后得到的第一模型子分量的似然值明显小于采用真实聚类个数聚类收敛后得到的模型子分量的似然值。其中，真实聚类个数是在对调制数据进行聚类过程中，借助辅助数据所得到的模型子分量的个数。
在另一种可选的实施例中，可以预先设定初始模型子分量个数为历史数据中真实聚类个数最大时的个数。示例性的，历史聚类过程中，真实聚类个数依次为5、10、20、15，此时，可以设置第一模型子分量个数为20；这样可以依据历史聚类过程中真实聚类个数来提高预先设定的初始模型子分量的个数大于或等于真实聚类个数的概率，使得聚类后的模型子分量的似然值可以与真实聚类个数所得到的似然值近似相同。
步骤S104，获取第一模型子分量对应的第一似然值。
在一种可选的实施例中，可以通过似然函数获取第一模型子分量对应的第一似然值。其中，可以通过如下公式获取第一模型子分量对应的第一似然值： 其中，pi，m表示某个采样数据点由第m个子高斯密度函数产生的概率。
在另一种可选的实施例中，可以计算GMM中每个第一模型子分量对应整体数据的第一似然值，得到包含各第一模型子分量对应第一似然值的向量L＝(l1，l2...，lM′)。
步骤S106，基于第一似然值确定调制数据对应的信道参数。
上述步骤中的信道参数可以为莱斯信道参数。一般基于信道参数的链路质量估计方法是对信道参数的直接测量，因此可以准确的反映链路质量的变化状况。在典型无线通信场景中，经过莱斯信道的接收信号的包络服从参数为s和σ的莱斯分布，公式如下：其中，rn为第n个采样的包络。莱斯信道参数K＝s2/2σ2表述为直视径分量功率与散射径分量功率之比，是一种直接反映莱斯信道状况的指标，因此使用莱斯信道参数作为链路质量估计的指标更能准确有效的对链路质量进行表述。
在一种可选的实施例中，如图2中所示，收敛到不同位置的混合模型的模型子分量对应整体数据具有不同的似然值，在此可以把靠近分布数据的点称为近端数据点，远离分布数据的点称为远端数据点，因此，可以根据模型子分量的似然值将其进行分类，以便将冗余模型子分量的个数收敛到对应的真实聚类的个数。在此，需要说明的是，冗余模型子分量个数可以由技术人员根据实际经验进行设置，也可以从聚类的历史数据中获取真实聚类个数最大的数值，将该值作为冗余模型子分量的个数。
需要说明的是，图2中的正交分量为Quadrature，同相分量为In-phase。
在另一种可选的实施例中，如图2所示，第一模型子分量的第一似然值从远端位置到近端位置逐渐增大，可以认为远端的第一模型子分量对全局的似然值的模型构建贡献度较少，即远端的第一模型子分量的第一似然值较低，可以优先删除。此处，可以使用二分类模型将聚类收敛后的第一模型子分量进行二分类，并尝试删除第一似然值较低的分类，然后将第一似然值较大分类的第一模型子分量重新通过GMM进行聚类。若聚类后得到的第二模型子分量的第二似然值明显小于第一模型子分量的第一似然值，则确定此次删除了过多的模型子分量。其中，可以采用soft-max函数构建二分类模型。
在本发明实施例中，首先利用预设模型对调制数据进行聚类，然后根据聚类后的模型子分量的似然值将其进行二分类；最后获取似然值较大的一类重新组成混合模型对调制数据进行聚类；根据混合模型聚类收敛后的模型似然值的变化确定信道参数估计的终止；然后基于参数估计结束后得到的聚类参数确定对应信道参数；实现了在没有辅助数据的情况下来获取调制数据对应的信道参数；通过对每次聚类收敛后的模型子分量进行二分类，获取具有较大似然值的模型子分量重组混合模型并利用重组的混合模型再次进行聚类，基于参数估计过程收敛后的聚类参数可以确定调制数据对应的信道参数，例如：当连续两次聚类过程，模型似然值趋近于同一值，则说明该次聚类的模型减少了上次聚类模型存在的冗余模型子分量的个数，当一次聚类后得到的模型似然值小于上一次聚类过程的似然值，则说明该次冗余模型子分量删除过多，此时需要调整冗余模型子分量删除的幅度，直至参数估计过程收敛，最后根据收敛后各模型子分量参数得到调制数据对应的信道参数。本发明中仅采用调制数据和预设模型确定信道参数，其中并未引入其他辅助数据，进而解决了相关技术中在没有辅助数据的情况下无法获取信道参数的的技术问题。
可选地，基于第一似然值确定调制数据对应的信道参数，包括：基于第一似然值对第一模型子分量进行分类，得到目标模型子分量；利用预设模型对目标模型子分量进行聚类，得到第二模型子分量；获取第二模型子分量对应的第二似然值；判断第二似然值是否小于第一似然值；如果第二似然值小于第一似然值，则确定第一模型子分量对应的参数为信道参数。
上述步骤中的第二模型子分量由多个子高斯分量组成。
在一种可选的实施例中，可以通过soft-max函数将第一模型子分量分为第一似然值大于预设值的第一模型子分量和第一似然值小于预设值的第一模型子分量，将第一似然值大于预设值的第一模型子分量确定为目标模型子分量，此时，可以删除第一似然值小于预设值的第一模型子分量以减少内存的占用；利用GMM对目标模型子分量进行聚类，可以得到第二模型子分量；通过似然函数获取第二模型子分量对应的第二似然值；判断第二似然值是否小于第一似然值；如果第二似然值小于第一似然值，则说明出现删除冗余模型子分量过多的现象，因此，需要回退到分类前的场景，即确定分类前的第一模型子分量对应的参数为信道参数。
可选地，在确定第一模型子分量对应的参数为信道参数之前，方法还包括：对第一模型子分量进行处理，得到处理后的第一模型子分量；利用预设模型对处理后的第一模型子分量进行聚类，得到第三模型子分量；获取第三模型子分量对应的第三似然值；判断第三似然值是否小于第一似然值；如果第三似然值小于第一似然值，则确定第一模型子分量对应的参数为信道参数。
上述步骤中的第三模型子分量由多个子高斯分量组成。
在一种可选的实施例中，可以根据第一似然值的大小对第一模型子分量进行排序，删除预设数量的第一似然值较小的第一模型子分量，得到处理后的第一模型子分量；然后利用GMM对处理后的第一模型子分量进行聚类，得到第三模型子分量；利用似然函数获取第三模型子分量对应的第三似然值；然后判断第三似然值是否小于第一似然值；如果第三似然值小于第一似然值，则说明出现删除冗余模型子分量过多的现象，因此，需要回退到处理第一模型子分量前的场景，即确定处理前的第一模型子分量对应的参数为信道参数。
可选地，对第一模型子分量进行处理，得到处理后的第一模型子分量，包括：确定第一模型子分量中最小第一似然值对应的第一模型子分量；删除最小第一似然值对应的第一模型子分量，得到处理后的第一模型子分量。
在一种可选的实施例中，可以确定第一模型子分量中两个较小的第一似然值对应的第一模型子分量；删除两个较小的第一似然值对应的第一模型子分量，得到处理后的第一模型子分量。
在另一种可选的实施例中，可以通过soft-max函数将第一模型子分量分为第一似然值大于预设值的第一模型子分量和第一似然值小于预设值的第一模型子分量，将第一似然值大于预设值的第一模型子分量确定为处理后的第一模型子分量，并删除第一似然值小于预设值的第一模型子分量以减少内存的占用。
可选地，如果第三似然值小于或等于第一似然值，确定第三模型子分量为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第三似然值小于第一似然值。
在一种可选的实施例中，如果第三似然值小于或等于第一似然值，则说明第一模型子分量中的冗余模型子分量未全部删除或者刚好将冗余模型子分量全部删除；此时，需要对冗余模型子分量的删除情况进行确定；可以将第三似然值对应的第三模型子分量确定为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第三似然值小于第一似然值；若第三似然值小于第一似然值，则说明此时冗余的模型子分量删除过量，可以确定在上一步骤中已将冗余的模型子分量全部删除。
可选地，如果第二似然值大于或等于第一似然值，确定第二模型子分量为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第二似然值小于第一似然值。
在一种可选的实施例中，如果第二似然值大于或等于第一似然值，则说明第一模型子分量中的冗余的模型子分量未全部删除或者刚好将冗余的模型子分量全部删除；此时，需要对冗余模型子分量的删除情况进行确定；可以将第二似然值对应的第二模型子分量确定为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第二似然值小于第一似然值；若第二似然值小于第一似然值，则说明此时的冗余模型子分量删除过量，可以确定在上一步骤中已将冗余的模型子分量全部删除。
可选地，基于第一似然值对第一模型子分量进行分类，得到目标模型子分量，包括：利用预设函数对第一模型子分量的第一似然值进行二分类；判断二分类后的第一似然值是否大于预设值；若二分类后的第一似然值大于预设值，则确定第一似然值对应的第一模型子分量为目标模型子分量。
在一种可选的实施例中，可以利用soft-max函数对第一模型子分量的第一似然值进行二分类；即可以将第一似然值归类为0或1，其中，第一似然值大于0.1的可以为1，第一似然值小于0.1的可以归类为0，判断二分类后的第一似然值是否大于0；若二分类后的第一似然值大于0，则确定该第一似然值对应的第一模型子分量为目标模型子分量。
可选地，利用预设模型对调制数据进行聚类，得到第一模型子分量，包括：利用预设模型和星座图拓扑集合对调制数据进行聚类，得到第一模型子分量。
需要说明的是，不同调制方式进行调制的数据，经历信道的衰落作用之后，接收机的复基带采样数据在星座图上的整体分布仍具有与调制方式对应的星座拓扑图关系。因此，在利用GMM进行星座拓扑图约束的聚类过程，相当于对聚类的模型子分量在迭代过程中引入了二维约束，降低了信道参数的空间维度，并提升了第一模型子分量在参数空间聚类的可分性，从而减少信道参数估计中所需要的迭代次数。
在一种可选的实施例中，可以通过星座图拓扑集合对调制数据的聚类过程进行约束，得到第一模型子分量，以提升第一模型子分量在参数空间聚类的可分性，可以减少信道参数估计中所需要的迭代次数。
可选地，星座图拓扑集合包括如下至少之一：相移键控的星座图拓扑、正交幅相调制的星座图拓扑。
上述步骤中的相移键控的星座拓扑图可以为四相相移键控(Quadrature PhaseShift Keying，QPSK)的星座拓扑图、8相相移键控(8Phase Shift Keying，8PSK)的星座拓扑图、16正交幅相调制(16Quadrature Amplitude，16QAM)的星座拓扑图、64正交幅相调制(64Quadrature Amplitude，64QAM)的星座拓扑图。
需要说明的是，星座图拓扑集合可以包括相移键控的星座图拓扑和正交幅相调制的星座图拓扑，以便于该星座图拓扑集合可以对各种调制数据的聚类过程进行约束。
下面结合图2至图6对上述信号参数估计方法进行引理证明。
对于多幅值多相位(M-PSK/M-QAM)调制数据，接收端接收到的采样数据在星座图上呈现出多聚类现象，且单个聚类在采样独立的情况下可以视为服从高斯分布。因此在调制方式已知的情况下，通常可以使用GMM对调制数据进行聚类，通过EM迭代求解GMM的参数。
当高斯混合模型的模型子分量个数等于真实数据聚类个数时，此时接收数据可使用GMM进行建模，其概率密度函数可表示为：其中，M为GMM模型子分量的个数，ωm为每个聚类核心的权重系数，满足ωm≥0且/>G(x|θm)为二维高斯概率密度函数，θm＝(μm，∑m)，μm，∑m分别代表高斯函数的均值和协方差。为第m个模型子分量的概率密度函数。
根据概率密度函数可以求得对数似然函数为 由于该对数似然函数中存在和的对数，无法通过求导获得其最大值的闭式解。因此利用Jensen(詹森)不等式取得该式中的下限函数Q函数：其中，pi，m表示归一化后的某个采样数据点由第m个子高斯密度函数产生的概率。求得所有采样数据在各子高斯概率密度函数的pi，m，即EM迭代算法的E步。在E步求解结束后，对Q函数的右侧求关于参数μ，σ，ω的导数得：/> 可以在每次迭代中得到模型子分量的参数更新，通过多次EM的循环迭代直到算法收敛，完成聚类过程。
对于存在自适应调整等机制的无线通信系统，调制方式的先验信息是未知的，也即数据的真实聚类个数是未知的，当数据调制的方式未知时，使用不同个数的子高斯分量组成的高斯混合模型对同一数据进行拟合的结果如图3所示，图3中展示的是分别使用1、2、3和4个子高斯分量组成的高斯混合模型，拟合由两个子高斯分量以1：1的权重组成的GMM的真实采样数据。通过图3可以看出，当给定的初始聚类个数大于等于真实数据聚类个数时，得到近似相同的拟合结果。当给定的初始聚类数小于真实数据聚类数时，很明显拟合结果会出现较大的误差。
但是，当给定的初始聚类数多于真实聚类数时，虽然其拟合包络在理论上可以实现渐进最优，但是却无法满足莱斯信道参数估计的需求。这是由于莱斯信道参数是由各个子高斯分量的特征参数线性组合而得到，当给定的初始聚类数多于真实聚类数目时，显然子高斯分量的参数将偏离真实的信道参数。因此，当直接应用传统的GMM进行聚类时，需要依靠额外的握手数据包交换才能获得，这就带来了额外的通信开销。另一可行选择是首先应用基于矩估计的调制方式识别算法，再将估计结果送至GMM，显然，两个分立的、松耦合的系统不但存在较大开销，也存在潜在的性能损失。
图3虽然给出的GMM对一维数据的拟合结果，可以提供一个不采用辅助数据来进行信道估计的解决思路。即，可以先给出一个多于真实聚类个数的子高斯分量，即冗余的子高斯分量组成的GMM，在EM算法收敛过程中逐步删减冗余子高斯分量的个数，从而获得一个泛化无先验的莱斯信道参数估计方法。通过对传统的GMM中使用的EM算法的研究，给出其在子高斯分量个数冗余场景下的收敛范式，并以此为理论基础提出扩展后的EM算法，来规避对调制方式先验信息的需求。需要说明的是，子高斯分量＝1为Gaussian Kernel＝1；子高斯分量＝2为Gaussian Kernel＝2；子高斯分量＝3为Gaussian Kernel＝3；子高斯分量＝4为Gaussian Kernel＝4。
图4展示的是分别使用初始子高斯分量个数为3、4、5和10的GMM对QPSK产生的同一数据进行高斯混合模型聚类的过程中似然值的变化。从图4中可以看出，当初始子高斯分量的个数大于真实数据聚类数时，聚类过程收敛后得到了近似相同的似然值。然而当初始子高斯分量个数小于真实聚类数时，出现了似然函数收敛到显著较低的值。需要说明的是，似然值为Likelihood，迭代次数为Number of iteration；根据高斯混合模型的EM估计算法，可以得到以下引理：
引理1：高斯混合模型的EM估计算法中，当且仅当混合模型的模型子分量个数等于真实聚类个数时，模型似然值Q可得到最大值。
引理2：当M′＞M时，混合模型的似然值仍能达到最大值：
其中，i代表迭代次数。
证明：混合模型的模型子分量个数M′大于真实数据聚类个数M时，显然成立。
当M′＞M时，首先考虑M＝1，Δm＝1的场景，Δm＝M′-M。
显然至少存在μ1＝μ2，∑1＝∑2，ωm＝1/2，pi，1＝pi，2的一个场景，使得成立。
不失一般性，对任意Δm∈N*，显然至少存在μm′＝μ1，∑m′＝∑1，ωm′＝1/M′，pi，m′＝pi，1/M′的一个场景，使得等式成立。
进一步考虑M＞1场景，可以令m＝1～M-1个子高斯概率密度函数不变，对第个子高斯聚类按M＝1场景拆分，同样可以使得等式成立。
于是，引理2可证。
引理3：当M′＜M时，此时收敛后似然值QM′明显小于真实聚类个数所计算的似然值QM。
证明：若Δm＝M，则M′＝0，无高斯拟合，似然值为0，显然小于全局最优值。仅需证明0＜Δm＜M时，该引理成立。
首先考虑M＝1时。此场景下，无满足0＜Δm＜M约束的Δm存在。
考虑M＝2，Δm＝1时。
若成立，则该命题等价于使用单高斯分布函数拟合双高斯分布的拟合优度与使用双高斯分布函数拟合双高斯分布拟合优度相同。应用KLD散度方法，简单可证该命题不成立。
考虑M＞2，Δm＝1时，令m＝1～M-1个子高斯聚类及其拟合子高斯概率密度分布函数不变。命题等价于，对第M-1与M个子高斯聚类利用单高斯分布拟合，同M＝2的场景，该命题不成立。
不失一般性，对任意Δm∈N*，可以令m＝1～M-Δm个子高斯聚类及其拟合子高斯概率密度分布函数不变。命题等价于，对M-Δm至M等Δm个子高斯聚类利用单高斯分布拟合，应用KLD散度方法，同样可证该命题不成立。
于是，引理3可证。
推论1：当混合模型存在冗余个数模型子分量时，删除多余的模型子分量，重新组合后的混合模型聚类收敛后的似然值不会小于删除前的似然值。
证明：若M`k＞M，每次冗余删减数目Δmk＜M`k-M，则M`k+1＞M。应用引理1可知，成立。
于是，推论1可证。
推论2：当删除混合模型冗余模型子分量后，剩余模型子分量个数小于数据真实聚类个数时，模型似然值将明显小于真实数据对应模型似然值。
以此为基础，提出算法的后半部分—冗余子高斯分量的删除算法。当使用冗余个数的模型子分量组成的混合模型进行数据聚类结束后，会出现如图2所示的现象。在数据密集的地方聚集了较多的模型子分量，在数据稀疏的地方有少数的模型子分量存在。造成这种现象的原因可解释为，冗余个数的模型子分量在聚类时引入了过多的迭代参数，使得解空间维度较高，在使混合模型的似然值最大的过程中，容易陷入局部最优。然而分布在不同位置的子高斯分量对整体数据贡献的似然值是不同的，如图2所示。
从图2中可以看出，收敛到不同位置的模型子分量对应整体数据具有不同的似然值，在此可以把靠近分布数据的点称为近端数据点，远离分布数据的点成为远端数据点，收敛到不同位置的模型子分量对应了不同的似然值，因此可以根据模型子分量的似然值将其进行分类，以便将冗余模型子分量的个数收敛到对应的数据真实聚类个数。
因此，可以计算高斯混合模型中每个模型子分量对应整体数据的似然值，得到包含各模型子分量似然值的向量L＝(l1，l2...，lM′)，从图2中可以看出，模型子分量的似然值从远端位置到近端位置逐渐增大，可以认为远端模型子分量对全局似然值的模型构建贡献较少，可以优先删除。此处可以使用soft-max函数将聚类收敛后的模型子分量进行二分类，并尝试删除似然值贡献度最小的分类。并将似然值较大分类的模型子分量重新组成高斯混合模型代入到下一次聚类过程。
其中，soft-max函数的公式如下：
需要说明的是，此时各模型子分量的空间分布规律并不确定，将有概率使得删除后的模型子分量的个数小于真实数据聚类的个数，即过量删除现象。经过多次这样二分类的过程，模型子分量的个数不断减少，当剩余模型子分量的数目小于真实数据的聚类数时，根据引理2可知，可以通过似然值变化判别出现了冗余模型子分量删除过多的异常现象。由于每次对模型子分量按照其似然值进行简单二分类，容易导致模型在某个过程中间进入局部最优，不能够准确收敛到期望的正确聚类结果。此时可以引入对冗余模型子分量删除算法的修正。
当剩余模型子分量在聚类收敛后的似然值出现明显小于上次冗余模型子分量删除前的似然值时，可以通过一个缓存回退到删除前场景。如前文所述，此时引理1和引理2均能给出模型子分量删除过多的异常告警，但是却无法给出正确的删除数目。因此，可以引入局部扰动原则，在上次聚类后的模型子分量中删除子高分量值域中最小可能的模型子分量，使用剩余的模型子分量重新组成新的GMM进行聚类。该操作等价于在收敛过程中模型似然函数进入局部最优后对其增加了扰动，相关文献表明当非凸函数进入局部最优时，可以通过增加扰动的方式，使得函数跳出局部最优，从而收敛到正确的全局最优解上。
如图5所示为本发明一种优选的实施例，该方法可以包括如下步骤：
步骤S501，获取调制数据；
步骤S502，利用GMM对调制数据进行聚类，得到第一模型子分量；
步骤S503，获取第一模型子分量对应的第一似然值；
可选的，可以利用似然函数获取第一模型子分量对应的第一似然值。
步骤S504，利用预设函数对第一模型子分量的第一似然值进行二分类；
可选的，预设函数可以为soft-max函数。
步骤S505，将大于预设值的第一似然值所对应的第一模型子分量重新聚类，得到第二模型子分量；
可选的，预设值可以由用户进行设定。
步骤S506，获取第二模型子分量对应的第二似然值；
步骤S507，判断第二似然值是否小于第一似然值；若是，则执行步骤S508；若否，则确定第二模型子分量为第一模型子分量后，执行步骤S503至步骤S507，直至第二似然值小于第一似然值；
步骤S508，确定第一模型子分量中最小第一似然值对应的第一模型子分量；
步骤S509，删除最小第一似然值对应的第一模型子分量，得到处理后的第一模型子分量；
步骤S510，利用GMM对处理后的第一模型子分量进行聚类，得到第三模型子分量；
步骤S511，获取第三模型子分量对应的第三似然值；
步骤S512，判断第三似然值是否小于第一似然值；若是，则执行步骤S513；若否，则确定第三模型子分量为第一模型子分量后，执行步骤S508至步骤S512，直至第三似然值小于第一似然值；
步骤S513，确定第一模型子分量对应的参数为信道参数。
可选的，信道参数可以为莱斯信道参数。
通过上述分析可知，本发明的信道参数估计方法的复杂度较高，其是由于在参数估计过程中，过多模型子分量的引入导致了聚类过程中大量参数的迭代更新，参数过多意味着解空间的维度更高，仅通过模型似然函数的最大化过程，容易导致估计参数陷入局部最优，因此，可以在参数估计的过程中加入冗余模型子分量删除的过程，通过二分类的过程不断降低聚类模型子分量的个数，同时降低参数的解空间。然而又由于模型子分量在参数估计过程中收敛方向的随机度较高，在数据密集区较容易出现聚集，聚集的模型子分量意味着其在参数空间上较低的可分辨性，因此需要加入基于局部扰动的修正算法来去除冗余模型子分量，这又进一步增加了算法的迭代次数。
需要说明的是，使用不同调制方式进行调制的数据，经历信道的衰落作用之后，接收机的复基带采样数据在星座图上的整体分布仍具有与调制方式对应的星座拓扑图关系。因此，在利用GMM进行星座拓扑图约束的聚类过程，相当于对聚类的模型子分量在迭代过程中引入了二维约束，降低了信道参数的空间维度，并提升了第一模型子分量在参数空间聚类的可分性，从而减少信道参数估计中所需要的迭代次数。
由于引入了对模型子分量的拓扑约束，因此在给定初始聚类个数时，不能仅仅满足给定聚类的模型子分量个数大于真实数据的聚类数，还需要给定各模型子分量合适的初始空间分布。从多幅度或多相位调制方式的星座图中可以得到，高阶调制的星座图中包含了低阶调制的星座图，如64QAM的星座图的最里层四个点可以视为QPSK的星座图，次内层16个点还可以视为16QAM的星座图。这为GMM的初始模型子分量的设置提供了方法。只需要在设置初始模型子分量时构建包含所有调制方式的星座图全集作为初始聚类输入。
对于高阶调制接收数据，其星座点对应数据的概率密度分布函数为：
其中，s，σ是衰落信道的相关参数，am，φm表示引入的第m个星座点对应数据的幅度和相位信息。
此时可以建立高阶调制数据下的高斯混合模型的分布函数：
然后通过该模型下修正的概率密度函数求得似然函数为：/>在对该似然函数求得对数似然函数后，借助Jensen不等式得到该似然函数的近似形式。然后通过迭代的EM算法求解混合模型的参数估计。
由于此时引入了对混合模型的模型子分量的星座拓扑约束，即限制了模型子分量之间的空间距离，在聚类收敛后，会出现部分模型子分量邻近没有数据分布。这使得收敛后的模型子分量对应的似然值出现明显的二分类，可由引理4得：
引理4:当高斯聚类过程引入星座拓扑约束时，收敛后模型子分量对应的似然值在参数空间上呈现二分类模式。
证明：当似然值最大化后，得到收敛后的模型可以分为两个部分。
其中，Q′代表收敛后混合模型的似然值，E′代表子高斯概率密度函数正确收敛到真实数据的聚类位置。F′代表子高斯概率密度函数没有正确收敛到真实数据聚类位置上。且满足M′＝E′+F′。可以认为F′个子高斯密度函数收敛到数据的远端，而E′个子高斯密度函数收敛到数据的近端。
在数据远端的子高斯概率密度函数的似然值为：
在数据近端的子高斯概率密度函数的似然值为：
对由于子高斯概率密度函数已经正确收敛到真实数据的聚类位置，μe′→μe，∑e′→∑e，于是Le′可以改写为：/> 即主要由其对应真实聚类采样点贡献似然值；而其他聚类采样点由于远离其高斯参数中心，所以其他聚类采样点的概率值趋近于0。
对由于/>子高斯概率密度函数已经正确收敛到其对应真实数据的聚类位置，且考虑星座空间拓扑约束，该类子高斯将远离任一真实聚类中心。于是任一采样点对该子高斯概率密度函数求概率均将趋近于0，即Lf′→0。
显然可得：
于是，引理4可证。
如图6所示为星座拓扑引入后模型收敛过程中模型子分量的二分类现象。其中，图6中的正交分量为Quadrature，同相分量为In-phase，似然值为Likelihood。在进行迭代莱斯参数估计时，每次删除冗余模型子分量后，使用剩余模型子分量组成新的高斯混合模型进行聚类，模型似然值呈现正的变化趋势，直至收敛。聚类收敛过程中，拓扑约束的存在会使得星座内部的模型子分量先收敛到正确的位置，仍然由于模型子分量之间存在星座拓扑的约束，使得冗余的模型子分量附近没有数据的聚集。通过对混合模型的模型子分量删除过程删除冗余分量，将剩余模型子分量重新组合成的GMM代入下一次聚类迭代，得到更准确的参数估计。最后通过K＝s2/2σ2得到莱斯因子的估计值。
需要说明的是，星座拓扑约束的引入仅能对第一次收敛后的冗余模型子分量的删除过程产生影响。而由于较大的初始星座所带来的较高自由度，系统在第一次收敛过程中仍然将耗费较多的迭代周期来收敛到一个明显已知错误的局部最优解上。显然，这些计算开销也是冗余的。在此还可以宽松第一次迭代收敛的判决条件，通过一个较为宽松的经验门限来抑制第一次收敛的计算开销，在二次收敛过程中快速实现全局最优解逼近。
下面结合图7至图13对上述信号参数估计方法进行验证。
首先，对于冗余分量的高斯混合模型的收敛方法在MATLAB平台上进行了仿真验证。采用了由64个模型子分量组成的混合模型对QPSK和16QAM调制接收数据进行了莱斯参数估计。为了形成对比，可以引入使用辅助数据的莱斯参数估计方法，通过辅助数据获得帧的部分采样数据进行莱斯参数估计是实际中常见的莱斯参数估计方法，而使用辅助数据获得整帧的信道采样数据可以认为是莱斯参数的理想估计，在此作为莱斯参数估计的下界。
如图7所示为使用扩展后的高斯混合模型对QPSK调制接收数据进行莱斯信道参数估计的仿真结果；其中，图7中的正交分量为Quadrature，同相分量为In-phase，似然值为Likelihood，迭代次数为Number of iteration。如图8所示为引入拓扑约束后，扩展的GMM对QPSK调制结束数据进行莱斯参数估计的仿真结果；其中，图8中的正交分量为Quadrature，同相分量为In-phase，似然值为Likelihood，迭代次数为Number ofiteration。图7中下方散点图展示的是上方似然值变化趋势图中圆圈标注时间切片图。从图7中可以看出此次莱斯参数过程经过了6次的冗余模型子分量的删减，最终算法收敛结束。然而当我们引入对组成GMM的模型子分量的星座拓扑约束后，如图8所示，模型可以实现较少的冗余模型子分量的删减过程就能准确收敛。
图9中R-GMM-QPSK和R-GMM-16QAM表示的是本发明方法直接对QPSK或16QAM调制接收数据进行莱斯参数估计的准确性估计；其中，莱斯K模型参数为Rician K，相对均方根误差为RRMSE；NDA-GMM-QPSK和NDA-GMM-16QAM表示的是本发明方法引入对模型子分量的星座拓扑约束后对QPSK和16QAM调制数据进行莱斯参数估计的准确性估计。DA-pilot-QPSK/DA-pilot-16QAM和DA-all-QPSK/DA-all-16QAM表示依靠辅助数据的莱斯参数估计方法。其中DA-pilot-QPSK/DA-pilot-16QAM是目前工业界主流的基于导频序列的方法，即在数据包特定位置插入部分已知调制信息的符号，从而在接收端根据先验信息对消调制干扰，进而获得莱斯信道参数估计。DA-all-QPSK/DA-all-16QAM方法则假设数据包的全部调制符号均具有先验信息，是一种理想场景下的误差下限，在实际场景中并不存在，仅用作对比试验。从图中可以看出，本发明提出的方法在不同K值下都得到了较好的精度，近似等于莱斯参数估计的下界。
图10展示了本发明方法在引入星座拓扑约束前后对QPSK和16QAM调制接收数据进行莱斯参数估计时，迭代次数的统计。其中，莱斯K模型参数为Rician K，迭代次数为Numberof iteration；由于使用64个模型子分量组成的GMM在对QPSK进行莱斯参数估计时，所需的模型子分量的删减次数相比于对16QAM的数据需要更多的冗余模型子分量删减次数，一次需要更多的迭代次数，因此，图10中R-GMM-QPSK相较于R-GMM-16QAM的迭代次数会更大。但当引入对混合模型的模型子分量的星座拓扑约束后，迭代次数得到了显著降低，模型子分量星座拓扑约束的加入也使得对QPSK调制数据的莱斯参数估计相较于16QAM更简单，这也显著降低了本发明方法在莱斯参数估计过程中所需的迭代次数，使得本发明方法满足实际场景的应用。
对于本发明所提方法，都进行了实际工业场景下的实验。所选实验平台为两台均配有全向天线的NI USRP-2922的收发器。使用IEEE 802.15.4协议在915MHz载频下对三个不同变化的场景进行了测试。通信策略根据预设门限自动在QPSK和16QAM调制模式之间切换。本发明所提算法，在无任何先验信息下，应用在对接收的IQ信号进行莱斯参数估计。其结果如图11至图13所示，其中图11至图13中的帧为Frame，莱斯K模型参数为Rician K。
从图11至图13的三个测试场景中，本发明所提方法在引入星座图拓扑约束后，对QPSK和16QAM都得到了准确的估计，对调制方式不敏感，在无先验信息或辅助数据的情况下，得到莱斯参数准确估计结果。
本发明中莱斯信道参数估计的误差统计方法采用的是相对均方根误差(RRMSE)，相对均方根误差可以表示比较对象偏离真值的程度，公式如下：
表1不同估计方法的相对均方根误差
从表1可以得到，本发明中的方法在实际测试场景中也得到了准确的莱斯信道参数估计结果，表明本发明方法的可行性。
实施例2
根据本发明实施例，还提供了一种信道参数估计装置，该装置可以执行上述实施例中的信道参数估计方法，具体实现方式和优选应用场景与上述实施例相同，在此不做赘述。
图14是根据本发明实施例的一种信道参数估计装置的示意图，如图14所示，该装置包括：
聚类模块142，用于利用预设模型对调制数据进行聚类，得到第一模型子分量；
获取模块144，用于获取第一模型子分量对应的第一似然值；
确定模块146，用于基于第一似然值确定调制数据对应的信道参数。
可选地，确定模块包括：分类单元，用于基于第一似然值对第一模型子分量进行分类，得到目标模型子分量；第一聚类单元，用于利用预设模型对目标模型子分量进行聚类，得到第二模型子分量；第一获取单元，用于获取第二模型子分量对应的第二似然值；第一判断单元，用于判断第二似然值是否小于第一似然值；第一确定单元，用于在第二似然值小于第一似然值时，确定第一模型子分量对应的参数为信道参数。
可选地，确定模块还包括：处理单元，用于对第一模型子分量进行处理，得到处理后的第一模型子分量；第二聚类单元，用于利用预设模型对处理后的第一模型子分量进行聚类，得到第三模型子分量；第二获取单元，用于获取第三模型子分量对应的第三似然值；第二判断单元，用于判断第三似然值是否小于第一似然值；第二确定单元，用于在第三似然值小于第一似然值时，确定第一模型子分量对应的参数为信道参数。
可选地，处理单元包括：第一确定子单元，用于确定第一模型子分量中最小第一似然值对应的第一模型子分量；删除子单元，用于删除最小第一似然值对应的第一模型子分量，得到处理后的第一模型子分量。
可选地，该装置还包括：第一循环模块，用于在第二判断单元判断出第三似然值小于或等于第一似然值时，确定第三模型子分量为第一模型子分量，并返回执行对第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至第三似然值小于第一似然值。
可选地，该装置还包括：第二循环模块，用于在第一判断单元判断出第二似然值大于或等于第一似然值时，确定第二模型子分量为第一模型子分量，并返回执行对第一模型子分量进行处理没得到处理后的第一模型子分量的步骤，直至第二似然值小于第一似然值。
可选地，分类单元包括：分类子单元，用于利用预设函数对第一模型子分量的第一似然值进行二分类；判断子单元，用于判断二分类后的第一似然值是否大于预设值；第二确定子单元，用于在二分类后的第一似然值大于预设值时，确定第一似然值对应的第一模型子分量为目标模型子分量。
可选地，聚类模块还用于利用预设模型和星座图拓扑集合对调制数据进行聚类，得到第一模型子分量。
可选地，聚类模块中的星座图拓扑集合包括如下至少之一：相移键控的星座图拓扑、正交幅相调制的星座图拓扑。
实施例3
根据本发明实施例，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述实施例1中的信道参数估计方法。
实施例4
根据本发明实施例，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述实施例1中的信道参数估计方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种信道参数估计方法，其特征在于，包括：
利用预设模型对调制数据进行聚类，得到第一模型子分量，其中，所述第一模型子分量由多个子高斯分量组成；
获取所述第一模型子分量对应的第一似然值；
基于所述第一似然值确定所述调制数据对应的信道参数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一似然值确定所述调制数据对应的信道参数，包括：
基于所述第一似然值对所述第一模型子分量进行分类，得到目标模型子分量；
利用所述预设模型对所述目标模型子分量进行聚类，得到第二模型子分量；
获取所述第二模型子分量对应的第二似然值；
判断所述第二似然值是否小于所述第一似然值；
如果所述第二似然值小于所述第一似然值，则确定所述第一模型子分量对应的参数为所述信道参数。
3.根据权利要求2所述的方法，其特征在于，在确定所述第一模型子分量对应的参数为所述信道参数之前，所述方法还包括：
对所述第一模型子分量进行处理，得到处理后的第一模型子分量；
利用所述预设模型对所述处理后的第一模型子分量进行聚类，得到第三模型子分量；
获取所述第三模型子分量对应的第三似然值；
判断所述第三似然值是否小于所述第一似然值；
如果所述第三似然值小于所述第一似然值，则确定所述第一模型子分量对应的参数为所述信道参数。
4.根据权利要求3所述的方法，其特征在于，对所述第一模型子分量进行处理，得到处理后的第一模型子分量，包括：
确定所述第一模型子分量中最小第一似然值对应的第一模型子分量；
删除所述最小第一似然值对应的第一模型子分量，得到所述处理后的第一模型子分量。
5.根据权利要求3所述的方法，其特征在于，如果所述第三似然值小于或等于所述第一似然值，确定所述第三模型子分量为所述第一模型子分量，并返回执行对所述第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至所述第三似然值小于所述第一似然值。
6.根据权利要求2所述的方法，其特征在于，如果所述第二似然值大于或等于所述第一似然值，确定所述第二模型子分量为所述第一模型子分量，并返回执行对所述第一模型子分量进行处理，得到处理后的第一模型子分量的步骤，直至所述第二似然值小于所述第一似然值。
7.根据权利要求2所述的方法，其特征在于，所述基于所述第一似然值对所述第一模型子分量进行分类，得到目标模型子分量，包括：
利用预设函数对所述第一模型子分量的所述第一似然值进行二分类；
判断二分类后的第一似然值是否大于预设值；
若所述二分类后的第一似然值大于所述预设值，则确定所述第一似然值对应的第一模型子分量为所述目标模型子分量。
8.根据权利要求1所述的方法，其特征在于，所述利用预设模型对调制数据进行聚类，得到第一模型子分量，包括：
利用预设模型和星座图拓扑集合对所述调制数据进行聚类，得到所述第一模型子分量。
9.根据权利要求8所述的方法，其特征在于，所述星座图拓扑集合包括如下至少之一：相移键控的星座图拓扑、正交幅相调制的星座图拓扑。
10.一种信道参数估计装置，其特征在于，包括：
聚类模块，用于利用预设模型对调制数据进行聚类，得到第一模型子分量，其中，所述第一模型子分量由多个子高斯分量组成；
获取模块，用于获取所述第一模型子分量对应的第一似然值；
确定模块，用于基于所述第一似然值确定所述调制数据对应的信道参数。
11.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的信道参数估计方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任意一项所述的信道参数估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011074320.3A CN112183425B (zh) | 2020-10-09 | 2020-10-09 | 信道参数估计方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011074320.3A CN112183425B (zh) | 2020-10-09 | 2020-10-09 | 信道参数估计方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183425A CN112183425A (zh) | 2021-01-05 |
| CN112183425B true CN112183425B (zh) | 2024-01-30 |
Family
ID=73948725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011074320.3A Active CN112183425B (zh) | 2020-10-09 | 2020-10-09 | 信道参数估计方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183425B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023097641A1 (zh) * | 2021-12-03 | 2023-06-08 | Oppo广东移动通信有限公司 | 信道数据的数据扩充方法、装置、设备及存储介质 |
| CN114024804B (zh) * | 2021-12-10 | 2022-10-25 | 西安交通大学 | 一种重叠聚类辅助的最大似然检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102970085A (zh) * | 2012-11-19 | 2013-03-13 | 北京航空航天大学 | 信号检测方法 |
| CN104702378A (zh) * | 2013-12-06 | 2015-06-10 | 华为技术有限公司 | 混合高斯分布的参数估计方法和装置 |
| CN109547376A (zh) * | 2018-12-17 | 2019-03-29 | 电子科技大学 | 一种基于调制特性的高斯混合模型的调制识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI424699B (zh) * | 2008-08-31 | 2014-01-21 | Realtek Semiconductor Corp | 多層叢集式多輸入多輸出偵測方法及相關多輸入多輸出偵測器 |
-
2020
- 2020-10-09 CN CN202011074320.3A patent/CN112183425B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102970085A (zh) * | 2012-11-19 | 2013-03-13 | 北京航空航天大学 | 信号检测方法 |
| CN104702378A (zh) * | 2013-12-06 | 2015-06-10 | 华为技术有限公司 | 混合高斯分布的参数估计方法和装置 |
| CN109547376A (zh) * | 2018-12-17 | 2019-03-29 | 电子科技大学 | 一种基于调制特性的高斯混合模型的调制识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183425A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103069759B (zh) | Mimo信道状态信息估计的方法和接收器 | |
| CN112183425B (zh) | 信道参数估计方法及装置 | |
| CN111698182A (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
| US9516528B2 (en) | Method for estimating interference within a serving cell, user equipment, computer program and computer program products | |
| US11695612B2 (en) | Method to locate faulted message elements using AI in 5G and 6G | |
| CN107113075B (zh) | 用于基于移动通信系统中的干扰测量来接收信号的方法和装置 | |
| CN110719240B (zh) | 基于反卷积和去噪卷积的信道估计方法和系统 | |
| CN111224779B (zh) | 基于码本的物理层密钥生成方法、装置、存储介质及终端 | |
| CN110611626A (zh) | 信道估计方法、装置及设备 | |
| WO2017071540A1 (zh) | 非正交多址接入中信号检测方法及装置 | |
| CN105960768B (zh) | 协调无线电发射器的方法以及相应的发射器 | |
| CN107707497B (zh) | 基于减法聚类和模糊聚类算法的通信信号识别方法 | |
| Liu et al. | Joint communication-learning design for RIS-assisted federated learning | |
| EP3850756A1 (en) | Array antenna adaptive digital pre-distortion with bayesian observation analysis | |
| KR20110068377A (ko) | 무선 통신 시스템에서 비가우시안 채널을 기반으로 한 연판정 정보 생성 방법 및 장치 | |
| CN114073033A (zh) | 用于载波聚合优化的方法和装置 | |
| CN111343113B (zh) | 基于数字示波器的相位同步改进方法及装置 | |
| WO2021114964A1 (zh) | 信号检测方法、装置、通信设备及计算机存储介质 | |
| KR102274959B1 (ko) | 무선 통신 시스템에서 신호 검출을 위한 방법 및 장치 | |
| Sathyanarayanan et al. | Novel training methodology to enhance deep learning based modulation classification | |
| CN107395547B (zh) | 一种iq支路不平衡条件下的补偿方法及系统 | |
| KR101818870B1 (ko) | 오작동 단말이 존재하는 분산 네트워크에서 신뢰도 기반 분산 동기 방법 및 장치 | |
| US20220278801A1 (en) | Device and method for detecting interference between base stations in wireless communication system | |
| Perez et al. | Adaptive EM-based algorithm for cooperative spectrum sensing in mobile environments | |
| JP5113231B2 (ja) | 無線チャネル推定装置 |
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 |