CN113037410A - 信道识别方法、装置、传输方法、传输设备、基站、介质 - Google Patents

信道识别方法、装置、传输方法、传输设备、基站、介质 Download PDF

Info

Publication number
CN113037410A
CN113037410A CN201911348223.6A CN201911348223A CN113037410A CN 113037410 A CN113037410 A CN 113037410A CN 201911348223 A CN201911348223 A CN 201911348223A CN 113037410 A CN113037410 A CN 113037410A
Authority
CN
China
Prior art keywords
terminal
speed
model
channel data
target
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
CN201911348223.6A
Other languages
English (en)
Other versions
CN113037410B (zh
Inventor
李建国
刘巧艳
毛凯
苗婷
史珂
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Priority to CN201911348223.6A priority Critical patent/CN113037410B/zh
Priority to EP20904906.3A priority patent/EP4084365A4/en
Priority to US17/788,023 priority patent/US20230034994A1/en
Priority to PCT/CN2020/136508 priority patent/WO2021129464A1/zh
Publication of CN113037410A publication Critical patent/CN113037410A/zh
Application granted granted Critical
Publication of CN113037410B publication Critical patent/CN113037410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种信道识别的方法，包括：获取终端的信道数据；基于所述信道数据构造第一特征向量，所述第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合；在预定的预测模型中输入所述第一特征向量，预测出所述终端的速度；或者，预测出所述终端所在聚类的速度类型。还提供一种基于该信道识别方法的自适应传输方法、装置、传输设备、基站，以及计算机存储介质。所述方法用于解决目前高分辨率测速准确性不高的问题，从而实现信道的精确分类。

Description

信道识别方法、装置、传输方法、传输设备、基站、介质
技术领域
本发明涉及通信技术领域，具体地，涉及一种信道识别的方法和装置、自适应传输方法和传输设备、基站、计算机可读存储介质。
背景技术
对于5G来说，通过大规模天线(Massive Mimo)技术的应用，实现了多用户信道之间的正交性，充分利用空域资源，从而提升了频谱效率。但同时，对于用户移动性的识别提出了迫切需求，其目的就是识别出不同移动状态的用户。
目前的高分辨率测速的方案均是建立在Rayleigh(瑞利)信道的基础上的，而这种测速方案存在准确性不高的问题。
发明内容
本公开针对现有技术的上述不足，提出了一种信道识别的方法和装置、自适应传输方法和传输设备、基站、计算机可读存储介质，以提高高分辨率测速的准确性，从而实现信道的精确分类。
为解决上述技术问题，第一方面，本公开实施例提供一种信道识别的方法，包括：
获取终端的信道数据；
基于所述信道数据构造第一特征向量，所述第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合；
在预定的预测模型中输入所述第一特征向量，预测出所述终端的速度；或者，预测出所述终端所在聚类的速度类型。
在一实施例中，所述基于所述信道数据构造第一特征向量，包括：
基于每条信道数据的频域数据构造第一特征矩阵，所述第一特征矩阵的行包括不同时刻的信道的频域数据与自身、以及其后不同时间间隔的频域数据的互相关值的期望值；
计算所述第一特征矩阵的每一列的有效值的平均值，作为第一特征向量的行值，以得到所述第一特征向量。
在一实施例中，所述在预定的预测模型中输入所述第一特征向量之前，还包括：建立模型库，所述模型库中存储有各种频点下的预测模型；在模型库中选取与所述终端的频点相应的预测模型，作为所述预定的预测模型。
在一实施例中，所述建立模型库包括：
获取不同的信道数据用例；
对于每条信道数据用例，构造第二特征向量，得到一级训练数据集合，所述第二特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合，所述一级训练数据集合为所有频点下的所述第二特征向量与其对应的目标向量的集合；
从所述一级训练数据集合中选取某一频点下的所述第二特征向量与其对应的目标向量，得到二级训练数据集合；
构造模型训练准则；
基于所述模型训练准则及所述二级训练数据集合，获取该频点下的预测模型的参数，得到该频点下的预测模型；
遍历所述一级训练数据集合，得到所有频点下的预测模型，形成所述模型库。
第二方面，本公开实施例提供一种自适应传输方法，根据第一方面中所述的信道识别方法获得的所述终端的速度或所述终端所在聚类的速度类型，进行自适应传输。
第三方面，本公开实施例提供一种信道识别装置，包括：获取模块、构造模块和预测模块。
获取模块，用于获取终端的信道数据；
构造模块，基于获取模块的所述信道数据用于构造第一特征向量，所述第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合；
预测模块，用于在预定的预测模型中输入构造模块中的所述第一特征向量，预测出所述终端的速度；或者，预测出所述终端所在聚类的速度类型。
第四方面，本公开实施例提供一种自适应传输设备，包括第三方面中所述的信道识别装置、以及传输装置，所述传输装置，用于根据所述信道识别装置获得的所述终端的速度或所述终端所在聚类的速度类型，进行自适应传输。
第五方面，本公开实施例提供一种基站，包括存储器和处理器，存储器存储指令，处理器运行所述指令以执行第一方面中所述的信道识别方法。
第六方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时实现如第一方面中所述的信道识别方法。
采用本公开实施例的方案，通过在预定的预测模型中输入根据待测终端的信道数据构造的第一特征向量，从而可准确地预测出终端的移动速度或移动速度类型，由于第一特征向量是表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合。该数值集合构成的曲线不同，则速度不同，对第一特征向量的计算则是对速度的计算，因此，采用本公开实施例的方案可提高高分辨率测速准确性，最终实现信道的精确分类。
附图说明
图1是第一类0阶Bessel函数图；
图2是本公开一实施例的一种信道识别的方法流程图；
图3是本公开一实施例的一种信道识别的方法的建立模型库的方法流程图；
图4是本公开一实施例的一种信道识别的方法流程图；
图5是本公开一实施例的一种信道识别装置的结构示意图；
图6是本公开一实施例的一种基站的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本公开的信道识别的方法和装置、自适应传输方法和传输设备、基站、计算机可读存储介质进行详细描述。
目前基于Rayleigh(瑞利)信道的测速技术是根据如下模型(1)，来进行移动终端速度估计。
Figure BDA0002333988360000041
其中h是信道响应，J0是第一类零阶Bessel函数，如图1所示，fd是最大多谱勒频率，τ是信道互相关时间间隔，t为信道的采样时刻。
受上述模型启发，通过计算用户信道数据的自相关值，和一定延迟下的互相关值，并根据二者的大小关系，来判断速度是高于一个给定的阈值还是低于一个给定的阈值。但是只能识别两种速度类型，分辨率低。后续又出现一种高分辨率测速方案，仍是基于Rayleigh信道的测速技术，即非直视径的场景下进行测速。而实际的通信网络中，极少情况是非直视径场景，更多情况是混合场景，也就是说直视径的能量会有一定占比，且当直视径的功率占比比较大时，互相关值随着相关时间间隔的变化衰减很慢甚至不衰减。
针对上面这种情况，本公开实施例的具体思路为：每种频点下的每种移动速度下都有一条信道的互相关值随着相关时间间隔的变化而变化的曲线；速度不同，该曲线不同，速度影响曲线的变化快慢，当速度低时，相关性就高，则曲线变化慢；当速度高时，相关性就低，则曲线变化快。直视径功率占比(莱斯因子)不同，该曲线也不同，直视径的功率占比影响曲线的幅度分布；当直视径功率占比大时，曲线幅度分布高；当直视径功率占比小时，曲线幅度分布低。因此，只需构造对应的变化曲线，作为特征向量，或者对特征向量分类就是对速度进行分类，同时也是对于直视径功率占比的分类。
此外，速度和莱斯因子(直视径功率占比)都是信道的特征，例如高速、或中速、或低速的信道特征。因此，对于速度和/或莱斯因子的识别就是对于信道的识别。
实施例1：
如图2所示，本实施例提供一种信道识别的方法，应用于网络侧，例如具体可以应用于基站，目的是用于识别终端的移动速度和/或莱斯因子，终端可以是手机、电话手表、车载电脑等其他具有通话功能的电子装置。该方法包括如下步骤：
步骤101，获取终端的信道数据。
本实施例中，具体是获取待测移动速度的终端的信道数据，其中，终端的数量可以是一个，也可以是多个。在终端的数量为多个时，多个终端属于同一个小区。获取终端的信道数据，包括时域或者频域的信道数据，例如，将获取的终端的信道数据表示为H＝{[h0,h1,h2,...,hN]i|i＝1,2,...,M}，其中[h0,h1,h2,...,hN]i表示第i个终端的N个连续子帧，在频域上对齐的信道数据的实部数据。需要说明的是，因为信道具有频选特性，如果不对齐，后续计算的相关性会受到频选特性的影响(即信道时延的影响)，从而影响测速的准确性。同时，信道数据中包括有频点信息。
步骤102，基于终端的信道数据构造第一特征向量，第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合。
具体地，基于每条信道数据(一个终端在某个小时间段内仅对应一条信道数据)的频域数据构造第一特征矩阵，所述第一特征矩阵的行包括不同时刻的信道的频域数据与自身、以及其后不同时间间隔的频域数据的互相关值的期望值；计算第一特征矩阵的每一列的有效值的平均值，作为第一特征向量的行值，以得到第一特征向量。若获取的信道数据为时域数据，则将时域数据转换为频域数据后再构造第一特征矩阵。
本实施例中，对于每个终端的信道数据相应地构造一个第一特征矩阵，第一特征矩阵用表达式(2)表示：
Figure BDA0002333988360000061
其中，i＝1,2,...,M，
Figure BDA0002333988360000062
是h0的共轭，相应地，
Figure BDA0002333988360000063
是hN的共轭，
Figure BDA0002333988360000064
表示两个标量相乘，E表示期望值或均值，Null表示空或无效值。
根据第i个终端的第一特征矩阵Vi,(i＝1,2,...,M)构造第一特征向量，第一特征向量用表达式(3)表示：
Figure BDA0002333988360000065
第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合，该数值集合可描述信道互相关性随相关时间间隔变化的曲线。其中表达式(3)中的
Figure BDA0002333988360000066
表示第一特征矩阵Vi的第t列的有效值的平均值(t＝0,1,2,...,N)。
步骤103，在预定的预测模型中输入第一特征向量，预测出终端的速度；或者，预测出终端所在聚类的速度类型。其中，速度是指移动速度。
在一实施方式中，在预定的预测模型中输入第一特征向量之前，还包括：建立模型库。其中，模型库中存储有各种频点下的预测模型，预测模型为特征向量的函数。
在模型库中选取与所述终端的频点相应的预测模型，作为预定的预测模型。
本实施例中，模型库中与终端的频点相对应的预测模型的数量可以是一个，也可以是多个，预测模型的数量与模型库有关，模型库与模型训练准则有关。在某模型库中选取的预测模型的数量为多个时，可以根据用户需要，选取该频点下性能最优的一个预测模型，用来预测终端的速度或者预测终端所在聚类的速度类型，若选取该频点下多个预测模型，则可用来预测终端所在聚类的速度类型，即预测终端的速度类型。具体选取的方法在后面的实施例中进行详述。
因模型库的建立与模型训练准则有关，鉴于以下实施方式中存在两种模型训练准则，以下实施例中模型库包括第一模型库和/或第二模型库，下面将公开第一模型库和第二模型库的建立过程。
在一实施方式中，如图3所示，建立第一模型库包括如下步骤：
步骤110，获取不同的信道数据用例。
本实施例中，基于可配置信道参数的系统仿真平台或实验室信道模拟仪或外场商用场景，获取各种目标速度下的小尺度数据(其中，小尺度数据即信道数据，其包括时域或者频域的信道数据)，同样用如下表达式描述步骤110获取的信道数据：H＝{[h0,h1,h2,...,hN]i|i＝1,2,...,M}，对应的目标为：Htar＝{[vi]|i＝1,2,...,M}。其中[h0,h1,h2,...,hN]i表示第i用例的N个连续子帧，在频域上对齐的信道数据的实部数据，[vi]表示第i用例的目标速度，并记录第i用例的信道对应的频点信息fc。需要说明的是，获取各种目标速度下的小尺度数据时，可配置各种不同的莱斯因子。当莱斯因子配置为0时获取各种目标速度下的小尺度数据，说明获取的信道数据用例为非直视径场景下的，当莱斯因子配置为非0时获取各种目标速度下的小尺度数据，说明获取的信道数据用例为直视径存在一定占比的混合场景下的。
为保证获取的信道数据用例的全面性和完整性，通常获取常见频点下的不同目标速度下的信道数据用例。
步骤111，对于每条信道数据用例，相应构造一个第二特征向量，得到一级训练数据集合，其中，第二特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合，所述一级训练数据集合包括所有频点下的第二特征向量与其对应的目标向量的集合。
本实施例中，第二特征向量可以采用与构造第一特征向量相同的方式来进行构造。即，基于每条信道数据用例的频域数据构造第二特征矩阵，其中第二特征矩阵同样可以采用表达式(2)来表示：即第二特征矩阵的行包括不同时刻的信道的频域数据与自身、以及其后不同时间间隔的频域数据的互相关值的期望值。根据如上第二特征矩阵Vi,(i＝1,2,...,M)构造第二特征向量，第二特征向量同样可采用表达式(3)表示，即
Figure BDA0002333988360000071
构造方法同步骤102中所述。其中
Figure BDA0002333988360000072
表示第二特征矩阵Vi的第t列的有效值的平均值(t＝0,1,2,...,N)。
获得第二特征向量与目标向量的集合：
Figure BDA0002333988360000081
该集合构成一级训练数据集合，其中，目标向量包括目标速度，即目标向量[vi]表示第i用例的第二特征向量对应的目标速度。
步骤112，从一级训练数据集合中选取某一频点下的第二特征向量与其对应的目标向量，得到二级训练数据集合。
本实施例中，根据信道数据用例对应的频点信息，从一级训练数据集合中选取相同频点下的数据集合，得到二级训练数据集合：
Figure BDA0002333988360000082
其中，二级训练数据集合中包括第二特征向量、与其对应的目标向量，而目标向量包括目标速度。因此，T是A的子集，即T表示同一频点下的不同目标速度对应的第二特征向量与目标速度集合，B表示与频点对应的数据索引集合，j为B中的变量。
步骤113，构造模型训练准则。
构造模型训练准则包括：建立误差函数的表达式为
Figure BDA0002333988360000083
其中，Err为误差，νj为目标速度，aj为第二特征向量，
Figure BDA0002333988360000084
为速度预测模型，B表示与频点对应的数据索引集合，j为B中的变量，
Figure BDA0002333988360000085
为权值参数。
步骤114，基于模型训练准则及二级训练数据集合，获取某一频点下的预测模型的参数，得到某一频点下的预测模型。
本实施例中，对于建立的误差函数表达式(4)，可通过经典模型训练算子(如回归算法、神经网络、支持向量机等算子)获得速度预测模型。如在误差函数表达式(4)中输入目标速度，并代入某一频点下目标速度对应的第二特征向量aj，在误差最小值时，获取权向量即：
Figure BDA0002333988360000086
得到
Figure BDA0002333988360000087
进而得到该频点下的速度预测模型，得到的速度预测模型是关于特征向量与速度的模型，其中特征向量为速度预测模型的输入值，速度为输出值。其中，arg min表示使目标函数取最小值时的变量值。因本实施例中的模型训练准则仅考虑目标速度的监督学习，该实施例中获得的频点与速度预测模型为一一对应的关系，即一个频点下相应的速度预测模型的数量为一个。
步骤115，遍历一级训练数据集合，得到所有频点下的预测模型，形成第一模型库。
得到所有频点下的预测模型，能使模型库的应用范围更广，即根据误差函数表达式(4)获得的第一模型库中的速度预测模型能预测很多不同小区的终端的移动速度或速度类型。
在另一实施方式中，建立第二模型库包括如下步骤：
步骤120，获取不同的信道数据用例。具体地，基于可配置信道参数的系统仿真平台或实验室信道模拟仪或外场商用场景，获取各种目标速度和各种目标莱斯因子(莱斯因子表示直视径功率与非直视径功率的比值，即表示直视径功率占比)下的小尺度数据，同样用如下表达式描述信道数据：H＝{[h0,h1,h2,...,hN]i|i＝1,2,...,M}，对应的目标向量为：Htar＝{[vi,κi]|i＝1,2,...,M}。[νi,κi]表示第i用例的目标向量，该目标向量包括目标速度和目标莱斯因子，并记录第i用例的信道对应的频点信息fc。为保证获取的信道数据用例的全面性和完整性，通常获取常见频点下的不同目标速度和不同目标莱斯因子下的信道数据用例。步骤110与步骤120的区别在于，步骤110不记录获取信道数据用例时配置的莱斯因子的值，因此，步骤110获得的目标向量仅包括目标速度，后续的模型训练准则中不考虑目标莱斯因子的监督学习。
步骤121，对于每条信道数据用例，同样构造第二特征向量。构造方法同步骤111中所述，并获得第二特征向量与目标向量集合为：
Figure BDA0002333988360000091
该集合构成一级训练数据集合，其中，目标向量包括目标速度和目标莱斯因子，目标向量[vi,κi]表示第i用例的第二特征向量对应的目标速度和目标莱斯因子。
步骤122，从一级训练数据集合中选取某一频点下的第二特征向量与其对应的目标向量，得到二级训练数据集合：
Figure BDA0002333988360000101
即T表示同一频点下的不同目标速度和不同目标莱斯因子对应的第二特征向量与目标向量集合，B表示与频点对应的数据索引集合，j为B中的变量。
步骤123，构造模型训练准则包括：建立误差函数的表达式为
Figure BDA0002333988360000102
其中，Err为误差，νj为目标速度，κj为目标莱斯因子，aj为第二特征向量，B为与频点对应的数据索引集合，j为B中的变量，
Figure BDA0002333988360000103
Figure BDA0002333988360000104
可以表示一个线性回归、也可以表示为一个神经网络等，这里，
Figure BDA0002333988360000105
为速度预测模型，
Figure BDA0002333988360000106
为莱斯因子预测模型，α为超越参数，取值范围为0≦α≦1，
Figure BDA0002333988360000107
为权值参数。
本实施例中建立的误差函数(5)，通过引入超越参数(多目标误差函数向量各个成分在单目标误差函数中的占比)将多目标(例如，速度和莱斯因子两个目标)优化问题转化为单目标优化问题。α表示多目标的折中因子，即超越参数，超越参数不同，对应的预测模型存在差异。其中，α∈[0,1]，当α＝1时，对应模型训练准则均衡考虑了目标速度和目标莱斯因子的监督学习，即使其目标速度和目标莱斯因子的监督学习在误差函数中各占比50％。因实际的通信网络中在很多情况下是混合场景，直视径的能量会存在一定占比，当直视径的功率占比比较大时，会影响互相关值随时间间隔变化的曲线。而本实施例中得到的速度预测模型因误差函数(5)考虑了莱斯因子下的影响，从而使用该速度预测模型预测得到的速度值或速度类型与实际中的信道特性更为相近，故预测的数据准确性更高。
步骤124，基于模型训练准则及二级训练数据集合，获取某一频点下的预测模型的参数，得到某一频点下的预测模型。
具体地，对于建立的误差函数表达式(5)，根据超越参数的不同设定值，可通过经典模型训练算子(如回归算法、神经网络、支持向量机等算子)获得速度预测模型和莱斯因子预测模型，如在误差函数表达式(5)中输入目标速度、目标莱斯因子和设定的超越参数，并代入某一频点下目标速度和目标莱斯因子对应的第二特征向量aj，在误差最小值时，获取权向量即：
Figure BDA0002333988360000111
分别得到
Figure BDA0002333988360000112
和
Figure BDA0002333988360000113
进而得到某一频点下与设定的超越参数对应的速度预测模型和莱斯因子预测模型。其中，arg min表示使目标函数取最小值时的变量值，得到的莱斯因子预测模型中，特征向量是输入值，莱斯因子是输出值。因考虑了目标速度和目标莱斯因子的监督学习，故某一频点下对应多个超越参数的设定值，而超越参数的不同设定值，又分别对应一种速度预测模型和一种莱斯因子预测模型，因此，该实施例中获得的频点与速度预测模型不是一一对应的关系，即一个频点下相应的速度预测模型数量为多个，同样地，一个频点下相应的莱斯因子预测模型数量为多个。
步骤125，遍历一级训练数据集合，得到所有频点下的预测模型，形成第二模型库。
得到所有频点下的模型库，能使模型库的应用范围更广。即根据误差函数表达式(5)获得的第二模型库中的预测模型能预测多个不同小区的终端的移动速度或速度类型、莱斯因子。
需要说明的是，在建立第一模型库或第二模型库的过程中，信道数据用例均在一定的莱斯因子下获取的，使得得到的预测模型适用于不同直视径占比的混合场景，不同直视径占比的混合场景与实际的通信网络更相符，且两种模型训练准则，均采用了监督学习方式训练模型，以使获得的模型更为精准，从而由经过监督学习获得的预测模型预测出的数据准确性更高。
此外，模型库还存储有频点与模型的映射关系表，第一模型库中存储有频点与模型的第一映射关系表，频点与模型的第一映射关系表包括频点信息、速度预测模型，以及这两者之间的对应关系。第二模型库中存储有频点与模型的第二映射关系表，频点与模型的第二映射关系表包括频点信息、超越参数、速度预测模型、莱斯因子预测模型，以及这四者之间的对应关系。当建立模型库以后，可选取模型库中与待测终端的频点相应的预定的预测模型用来预测小区内终端的移动速度或速度类型，而不需要在每次测速时都建立一次模型库。且只需建立一个模型库(如第一模型库或者第二模型库)，则可使用模型库中的预测模型预测终端的移动速度。
在一实施方式中，使用第二模型库时，一个频点下相应的速度预测模型和莱斯因子预测模型的数量为多个，选取该频点下性能最优的一个预测模型，包括如下步骤：
步骤130，基于终端的频点以及初始超越参数，从模型库中确定出莱斯因子预测模型。
本实施例中，若在频点与模型的第二映射关系表中查询到第二模型库中包含该终端的频点，选取该频点下初始超越参数设定值为1的莱斯因子预测模型，因为，初始超越参数设定值为1的训练模型均衡考虑了目标速度和目标莱斯因子的监督学习。
当然，也可以选取该频点下初始超越参数设定值为0.2、0.5或其他数值的莱斯因子预测模型，而本实施例中优选初始超越参数设定值为1。
步骤131，基于第一特征向量及确定出的莱斯因子预测模型，预测出莱斯因子。
本实施例中，将基于终端的信道数据构造的第一特征向量代入确定出的莱斯因子预测模型，预测出莱斯因子的取值大小。
步骤132，基于预测出的莱斯因子，以及预设的超越参数与莱斯因子的映射关系表，确定出目标超越参数。
在一实施方式中，信道识别方法还包括构建超越参数与莱斯因子的映射关系表。其中，超越参数与莱斯因子的映射关系表表示如下：
Figure BDA0002333988360000121
其中，α为超越参数，κ为莱斯因子。本实施例中，若步骤131预测出的莱斯因子的取值为0.5，则根据超越参数与莱斯因子的映射关系表确定出目标超越参数为0.2。从超越参数与莱斯因子的映射关系表可知，超越参数的选取随着莱斯因子的增加而增大，即随着莱斯因子的增加，在模型训练准则(误差函数)中莱斯因子的误差项占比增加，反映的是实际通信网络中，当莱斯因子(直视径的功率占比)比较大时，对互相关值随时间间隔变化的曲线的影响相应较大的情况。
需要说明的是，步骤132中的目标超越参数的取值与步骤131中的初始超越参数的取值没有直接关系，只是在初始超越参数为最优设定值1时，将第一特征向量输入至初始超越参数为设定值1时对应的莱斯因子预测模型，从而预测出莱斯因子，再根据预测出的莱斯因子，以及超越参数与莱斯因子的映射关系表确定目标超越参数的取值。
步骤133，基于终端的频点，以及确定出的目标超越参数，从模型库中确定速度预测模型。
本实施例中，终端的频点对应的速度预测模型的数量为多个，需要确定超越参数则确定对应的一个速度预测模型。例如本实施例中选取目标超越参数为0.2时其对应的速度预测模型，即为该频点下性能最优的一个速度预测模型。根据预设的超越参数与莱斯因子的映射关系表确定与速度预测模型对应的目标超越参数的目的是：根据莱斯因子的大小，选取直视径占比导致的误差更为合理的训练准则。此外，模型训练准则还均衡考虑了速度和莱斯因子的监督学习，从而使得这些条件下确定的速度预测模型更为合理和准确，即定义为性能最优的预测模型。
在一实施方式中，在模型库(第一模型库或第二模型库)中选取与终端的频点相应的预测模型之前，还包括如下步骤：
步骤140，判断模型库中的频点是否包含终端的频点，在模型库中的频点不包含该终端的频点时，获取该终端的频点下的不同的信道数据用例。
本实施例中，通过查表的方式在频点与模型的映射关系表中查询到模型库中不包含终端的频点时，说明建立模型库时，未获取该频点下的信道数据用例，则说明模型库的训练数据用例不够完整，需要进一步完善模型库。因此，基于系统仿真平台或实验室信道模拟仪等获取该终端频点下的不同目标速度下的信道数据用例，或者获取该终端频点下的不同目标速度和不同目标莱斯因子下的信道数据用例。
步骤141，对于终端的频点下的每条信道数据用例，同样采用步骤102中所述的构造方法构造第二特征向量，并记录相应的目标速度，或者记录相应的目标速度和目标莱斯因子。
步骤142，基于模型训练准则中的误差函数表达式(4)或误差函数表达式(5)、以及，步骤141获得的第二特征向量及相应的目标速度或者第二特征向量及相应的目标速度和目标莱斯因子，获取终端的频点下的预测模型的参数，得到该频点下的预测模型，将其加入到相应的模型库中，具体为，若建立的是第一模型库，则将获取该终端频点下的不同目标速度下的信道数据用例，且基于误差函数表达式(4)得到的预测模型，加入第一模型库中；若建立的是第二模型库，则将获取该终端频点下的不同目标速度和不同目标莱斯因子下的信道数据用例，且基于误差函数表达式(5)得到的预测模型，加入第二模型库中，以完善第一模型库或者第二模型库。
需要说明的是，因采用的误差函数表达式不同，使得模型库中的预测模型包括速度预测模型和莱斯因子预测模型(对应第二模型库)，或者仅包括速度预测模型(第一模型库)。该实施方式的步骤140-步骤142用于解决模型库中不包含待测终端的频点的情况。
在一实施方式中，在预定的预测模型中输入第一特征向量，预测出终端的速度。
本实施例中，在选取的终端的频点相应的预测模型，作为预定的预测模型的数量为一个时(存在两种可能的情况，一种情况是从第一模型库获得某一频点下相应的预测模型的数量为一个，还有一种情况是从第二模型库获得某一频点下相应的预测模型的数量为多个，然后在多个预测模型中选取一个性能最优的预测模型)，则在预定的预测模型中输入基于终端的信道数据构造的第一特征向量，预测出终端的速度。
在另一实施方式中，在预定的预测模型中输入第一特征向量，预测出终端所在聚类的速度类型，具体包括：
对于终端所在聚类，在预定的预测模型中输入基于终端的信道数据构造的第一特征向量，预测出终端所在聚类的速度集合，采用速度分级和多数表决，预测出终端所在聚类的速度类型。
本实施例中，可根据终端的信道数据或终端所在位置信息对小区终端进行聚类划分。对于终端所在聚类，在终端的频点下选取的相应的预测模型中输入基于终端的信道数据构造的第一特征向量：第一种情况是使用第一模型库或者第二模型库，当预定的预测模型的数量为一个，则预测出属于该聚类的所有终端的速度值的集合，记为第一集合。第二种情况是，使用第二模型库使得预定的预测模型的数量为多个时，则预测出该聚类的所有终端的速度值的集合，记为第二集合，其中第二集合中的数据比第一集合中的数据多。继而，对第一集合或者第二集合中的速度值划分等级(例如，按区间进行划分，将小于5千米/小时的设定为低速，大于5千米/小时小于30千米/小时的设定为中速，大于30千米/小时的设定为高速)，并针对第一集合或第二集合中速度等级采用多数表决或速度均值的方式确定类的标签(如第一集合中低速数量为100个，中速数量为150个，高速数量为50个，则采用多数表决方式确定类的标签为中速类)，即确定出终端所在聚类是高速类或中速类或低速类，则可以预测出终端、终端所在聚类的速度类型。
需要说明的是，速度类型可以是三种(高速、中速、低速)，也可以是四种、或五种，或更多种，当速度类型趋于无穷大，则预测出的终端、终端所在聚类的速度类型更趋近于确定的速度值，即相似于预测出终端、终端所在聚类的速度。
在一实施方式中，在预测出终端的速度之后，所述信道识别方法还包括：
根据预测出的终端的速度对终端进行分类，对分类后的终端采用差异化调度，比对分类前和分类后终端的关键性能指标变化，在判断分类前的关键性能指标优于分类后的关键性能指标时，进行机器学习。
本实施例中，根据预测出的终端的速度采用如上示例方法(速度值划分等级)对终端进行分类，得到终端簇，针对分类后的终端簇采用差异化调度。后续对比分类前后小区内终端簇的关键性能指标(Key Performance Indicator，KPI)变化的情况，KPI可以是波束赋形(Beamforming，SE)、流量等信息。如果KPIa-KPIb≥0，保持模型库(第一模型库或者第二模型库)中的预测模型不变，否则启动机器学习。
其中KPIa表示分类后的小区某终端簇的关键性能指标值，KPIb表示分类前的小区某终端簇的关键性能指标值。分类后的小区终端簇是根据预测的速度对终端进行分类得到的终端簇，而要获得这些小区终端簇在分类前构成的簇的关键性能指标值，可通过分类后的每个终端的ID找到该终端分类前构成的簇，并计算该簇的关键性能指标值，从而完成分类前后的KPI对比。
在一实施方式中，机器学习包括如下步骤：
步骤150，获取终端的当前信道数据。
本实施例中，在线获取小区终端的当前信道数据，如商用场中基站提取正在打电话或用移动数据的用户的小尺度数据。
步骤151，基于当前信道数据构造第三特征向量(根据每个终端的信道数据分别构造一个第三特征向量)，每个第三特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合。
本实施例中，第三特征向量采用与构造第一特征向量相同的方式来进行构造。即，基于小区终端当前的频域数据构造第三特征矩阵(每个终端的信道数据对应一个第三特征矩阵)，其中第三特征矩阵同样可以采用表达式(2)来表示：即第三特征矩阵的行包括不同时刻的信道的频域数据与自身、以及其后不同时间间隔的频域数据的互相关值的期望值。若获取的小区终端当前的信道数据为时域数据，则需要将时域数据转换为频域数据。根据如上第三特征矩阵Vi,(i＝1,2,...,M)构造第三特征向量，第三特征向量同样可采用表达式(3)表示，即
Figure BDA0002333988360000161
构造方法同步骤102中所述。其中
Figure BDA0002333988360000162
表示第三特征矩阵Vi的第t列的有效值的平均值(t＝0,1,2,...,N)。
步骤152，对步骤151获得的第三特征向量进行非监督学习，得到盲分类器。
本实施例中，因为是在线获取的小区终端的当前信道数据，所以没有目标值，故对第三特征向量进行非监督学习，得到盲分类器。
步骤153，采用盲分类器，基于当前信道数据对小区终端进行盲分类。
本实施例中，对基于在线获取的小区终端的当前信道数据构造的第三特征向量进行非监督学习，得到盲分类器。例如，利用K-Mean算法，获得p个簇如下：
{(Ci,Θi)|i＝1,2,...,p} (7)
其中，Ci,Θi分别表示第i个簇的中心，和归属于第i个簇的第三特征向量的索引组成的集合，将各个簇的中心点作为分类模型，得到终端所在簇。当然，也可以使用其他算法，如K-MEDOIDS算法、CLARANS算法、Apriori算法等，或者使用其他盲分类器，如决策树、集成模型等。
步骤154，基于模型库中小区终端当前频点下的速度预测模型，确定盲分类后的小区终端所在簇的速度类型。
本实施例中，根据预测出的速度对终端进行分类，对分类后的终端采用差异化调度，由于分类后的终端的关键性能指标比分类前的终端的关键性能指标差，因此说明使用预测模型预测出的速度不合适，故采用在线获取小区终端的信道数据进行机器学习，得到小区终端所在簇的速度类型，作为一种用户信道识别的补救方法。
在一实施方式中，获取终端的信道数据；基于终端的信道数据构造第一特征向量；根据终端信道数据构造的第一特征向量对终端进行盲分类，得到终端所在聚类；在预定的预测模型中输入基于终端信道数据构造的第一特征向量，预测出终端所在聚类的速度类型。其中，在模型库中选取与终端的频点相应的预测模型，作为预定的预测模型。
实施例2：
本实施例提供一种信道识别的方法，如图4所示，具体包括如下步骤：
Step1、基于可配置信道参数的系统仿真平台或实验室信道模拟仪或外场商用场景获取不同速度和不同莱斯因子下信道用例的信道数据H＝{[h0,h1,h2,...,hN]i|i＝1,2,...,M}，对应的目标为：Htar＝{[vi,κi]|i＝1,2,...,M}。
其中[h0,h1,h2,...,hN]i表示第i用例的N个连续子帧，在频域上对齐的信道数据的实部数据。[νi,κi]表示第i用例的目标向量，分别对应的是速度和莱斯因子(直视径功率占比)信息，并记录信道对应的频点信息fc。考虑实际情况及样本数据的全面性，通常会在每种目标速度下获取常见频点信息对应的信道数据，即一种目标速度下获取多个频点信息对应的信道数据。
Step2、根据第i条用例(i＝1,2,...,M)信道的信道数据，构造第二特征矩阵，即
Figure BDA0002333988360000181
i＝1,2,Λ,M
其中，
Figure BDA0002333988360000182
是h0的共轭，相应地，
Figure BDA0002333988360000183
是hN的共轭，
Figure BDA0002333988360000184
表示两个标量相乘，E表示期望值或均值，Null表示空或无效值。该第二特征矩阵的行表示信道不同时刻的数据与它自己，以及其后不同时间间隔的互相关值的期望值或均值。
Step3、根据如上第二特征矩阵Vi,(i＝1,2,...,M)构造第二特征向量
Figure BDA0002333988360000185
其中
Figure BDA0002333988360000186
表示第二特征矩阵Vi的第t列的有效值的平均值(t＝1,2,...,N)。
获得第二特征向量与目标向量集合：
Figure BDA0002333988360000187
该集合构成训练数据集合，其中[vi,κi]表示第i条用例的第二特征向量对应的目标速率和莱斯因子。
Step4、模型训练：
Step4.1根据频域数据对应的频点信息，从构造的数据
Figure BDA0002333988360000188
中选取某一频点对应的数据集合(该数据集合包括同一频点下的多个不同的第二特征向量)：
Figure BDA0002333988360000189
其中，T是A的子集，B表示与频点对应的数据索引集合，j为B中的变量。
Step4.2、误差函数构造：构造多目标误差函数，通过引入超越参数，将多目标优化问题转化为单目标优化问题。
Figure BDA0002333988360000191
其中
Figure BDA0002333988360000192
可以表示一个线性回归、也可以表示为一个神经网络等等，权
Figure BDA0002333988360000193
可以对应线性回归权或者神经网络对应的权值；νj表示第二特征向量aj对应的目标速度，κj表示第二特征向量aj对应的目标莱斯因子，
Figure BDA0002333988360000194
表示速度预测模型，
Figure BDA0002333988360000195
表示莱斯因子预测模型，α为超越参数(折中因子),B表示与频点对应的数据索引集合，j为B中的变量。
Step4.3、根据超越参数α的不同设定值，通过经典模型训练算子(如回归算法、神经网络、支持向量机等算子)，获得模型参数，相当于确定速度预测模型和莱斯因子预测模型，即获取某一频点下的不同超越参数α设定值下的模型集合{(f,g)k|k∈Ω}，并存储该模型集合。其中，f表示关于特征向量的速度预测模型，g表示关于特征向量的莱斯因子预测模型，Ω为α取值集合。该步骤的目的是得到某一频点下不同超越参数设定值下的速度和莱斯因子预测模型的集合。
Step4.4、判断所有的训练数据集合A中对应的频点是否遍历完毕，若未遍历完毕，继续执行Step4.1；若遍历完毕，则获取模型集合
Figure BDA0002333988360000196
其中Γ为频点集合，Ω为超越参数α的设定值集合。该步骤的目的是得到所有频点下不同超越参数设定值下的向量模型的集合，即得到第二模型库，该第二模型库存储有频点与向量模型的第三映射关系表，频点与向量模型的第三映射关系表包括频点、超越参数，以及向量模型，以及这三者之间的对应关系，其中向量模型包括速度预测模型和莱斯因子预测模型。
Step5、模型应用：
Step5.1、判断待测终端的工作频点在第二模型库中是否存在，具体地，可通过查表的方式进行判断，例如根据待测终端的频点在频点与向量模型的第三映射关系表中进行匹配性查找。若在该第三映射关系表中查找到待测终端的工作频点，则选择该频点下，超越参数α设定值为1的向量模型，记为第一向量模型(即从模型库中选取当前的工作频点下超越参数设定值为1对应的向量模型(f,g))；若在频点集合中查找不到待测终端的工作频点，则执行步骤Step5.4。
Step5.2、在第一向量模型(f,g)中选取莱斯因子预测模型，记为第二预测模型，可表示为g。根据终端当前信道信息构造的第一特征向量，将该第一特征向量代入第二预测模型g，预测当前信道对应的莱斯因子，即获得一个莱斯因子的取值。
Step5.3、构建预设的超越参数与莱斯因子的映射关系表。该映射关系表的构建原则为：超越参数的选取随着莱斯因子的增加而增大，即随着莱斯因子的增加，在模型的训练准则中(误差函数中)莱斯因子的误差项占比增加。
表达式为：
Figure BDA0002333988360000201
其中，α为超越参数，κ为莱斯因子。根据预设的超越参数与莱斯因子的映射关系表，确定与Step5.2获取的莱斯因子取值大小相应的目标超越参数α，继而在频点与向量模型的第三映射关系表中查找与目标超越参数α对应的速度预测模型f，将根据终端的当前信道数据构造的第一特征向量，代入该速度预测模型f，预测出该终端的移动速度，再执行Step6。根据预测出的莱斯因子以及预设的超越参数与莱斯因子的映射关系表，确定目标超越参数，继而确定速度的预测模型的目的是：根据莱斯因子的大小，选取直视径占比导致的误差是合理的训练准则，且误差函数中均衡考虑了速度和莱斯因子的监督学习，从而这些条件下确定的速度的预测模型更为合理和准确。
Step5.4、在系统仿真平台或实验室信道模拟仪上采集待测终端当前频点下的信道数据，可以采集该频点下的多个目标速度和目标莱斯因子下的信道数据，按照Step1到Step3的步骤，训练模型，完善模型库，然后执行Step5.1到Step5.3完成速度预测。
Step6、模型评估：
根据Step5预测的速度，对终端进行分类，对不同类的终端采用差异化的调度、资源分配、传输方式。例如：根据预测的速度值，按区间进行划分，如小于5千米/小时的为低速组，大于5千米/小时小于30千米/小时的为中速组，大于30千米/小时的为高速组；不同速度组信道的时变性不同，因而对于信道探测的紧迫程度不同；如对于不同速度组用于信道探测的参考信号资源稀疏程度不同，按低速组比中速组稀疏，中速组比高速组稀疏的原则进行处理，这样可以提升频谱效率；再如对于一个中高速移动终端，基站可以采用较宽的波束为其服务，而对于一个低速移动终端，基站可以采用窄波束为其服务。
对模型的评估采用对比分类前后小区对应终端簇的关键性能指标(KeyPerformance Indicator，KPI)变化的方式，KPI可以是波束赋形(Beamforming，SE)、流量等信息。如果KPIa-KPIb≥0，保持速度预测模型不变，否则启动机器学习，执行Step7，其中KPIa表示分类后的小区某终端簇的关键性能指标值，KPIb表示分类前的小区某终端簇的关键性能指标值。分类后的小区终端簇是根据预测的速度对终端进行分类得到的终端簇，而要获得这些小区终端簇在分类前的关键性能指标值，可通过分类后的每个终端的ID找到该终端分类前所构成的终端簇，并计算该分类前的簇的关键性能指标值，从而完成分类前后的KPI对比。
Step7、机器学习：所述机器学习包括在线学习，具体为：
Step7.1、在线提取小区终端的当前信道信息(如商用场中基站提取正在打电话或用移动数据的用户的信道信息)。按照Step2、3相同的构造方法构造第三特征向量；得到如下形式的第三特征向量集合：
T＝{aj|j∈S}
其中，S为第三特征向量的索引集合，j为S中的变量。
Step7.2、对第三特征向量进行非监督学习，得到盲分类器。
例如：利用K-Mean算法，获得p个簇如下：
{(Ci,Θi)|i＝1,2,...,p} (7)
其中，Ci,Θi分别表示第i个簇的中心，和归属于第i个簇的第三特征向量的索引组成的集合，将各个簇的中心点作为分类模型。
Step7.3、应用盲分类器，根据终端的信道信息对终端进行盲分类，对于每一类终端采用当前频点下的速度预测模型集合，并采用多数表决或速度均值的方式确定类的标签，是高速类、中速类、低速类的某一类。
具体如下：
(1)由小区终端的频点信息，可以在Step4.4获得的模型数据库
Figure BDA0002333988360000221
中选取当前频点相应的速度预测模型集合{fk|k∈Ω}，其中，小区就一个工作频点；
(2)用速度预测模型集合{fk|k∈Ω}，对Θi中的每个第三特征向量进行速度预测得到第i个簇的速度集合{vi,k,m|k∈Ω,m∈Θi}，从而通过速度分类和多数表决的方式能够确定第i个簇速度类型。例如，根据Step6中的速度等级分类标准对预测得到的速度集合中的数据进行分类，分别为高速组、中速组，以及低速组，统计每个分类的组中的速度值个数，采用多数表决的方式，确定为第i个簇的速度类型，若高速组的统计数量为200个，中速组的统计数量为100个，低速组的统计数量为150个，则确定高速组为第i个簇的速度类型，即定义第i个簇内的终端均为高速移动终端。
Step7.4、对于不同终端类，采用差异化的调度、资源分布及传输方式，对比分类前后小区对应终端簇的KPI性能变化，如流量、SE、时延等，如果KPIa-KPIb≥0，维持速度预测模型不变。
Step7中的机器学习虽不能预测终端具体的速度值，但能预测终端的速度类型，速度类型不局限于三种类型，可以是四种、五种，或者更多种的速度类型，因此，在线学习同样能预测终端更为精确的速度类型，只要速度种类趋于无穷大，则可逼近于预测终端具体的速度值。
实施例3：
本实施例提供一种信道识别的方法，具体包括如下步骤：
Step1-4同实施例2中所述的步骤；
Step5、机器学习
Step5.1、在线提取终端当前的信道信息(如商用场中基站提取正在打电话或用移动数据的用户的信道信息)。按照Step2、3的相同方法构造第一特征向量；得到如下形式的第一特征向量集合：
T＝{aj|j∈S}
其中，S为第一特征向量的索引集合，j为S中的变量。
Step5.2、对第一特征向量进行非监督学习，得到盲分类器。
例如：利用K-Mean算法，获得p个簇如下：
{(Ci,Θi)|i＝1,2,...,p} (7)
其中，Ci,Θi分别表示第i个簇的中心，和归属于第i个簇的第一特征向量的索引组成的集合，将各个簇的中心点作为分类模型。
Step5.3、应用盲分类器，根据终端的信道信息对终端进行盲分类，对于每一类终端采用当前频点下的速度预测模型，并采用多数表决或速度均值的方式确定类的标签，是高速类、中速类、低速类的某一类。
Step5.4、对于不同终端类，采用差异化的调度、资源分布及传输方式，对比分类前后小区对应终端簇的KPI性能变化，如流量、SE、时延等，如果KPIa-KPIb≥0，维持速度预测模型不变。
上述实施例通过在预定的预测模型中输入根据待测终端的信道数据构造的第一特征向量，从而可准确地预测出终端的移动速度或移动速度类型，由于第一特征向量是表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合。该数值集合构成的曲线不同，则速度不同，对第一特征向量的计算则是对速度的计算。此外，基于网络信道模型获取各种目标速度下相应的信道数据，通过对这些信道数据构造第二特征向量，用第二特征向量描述某种频点下的某种速度下信道互相关值随相关时间间隔变化的数值集合，继而将第二特征向量及目标速度构成模型训练数据集合。通过构造模型训练准则，采用监督学习和经典学习算法，确定模型参数，从而得到频点下相应的速度预测模型，作为预定的速度预测模型。将基于待测终端的信道数据构造的第一特征向量，输入至相应频点下的速度预测模型，获得该终端的预测速度或终端所在聚类的速度类型。由于获取的训练数据集合包括不同直视径占比的混合场景下的数据，且构造的模型训练准则是基于监督学习的，因此，获得的速度预测模型更贴近于实际通信网络，根据速度预测模型预测出的速度的准确性更高，从而解决高分辨率测速准确性不高的问题，最终实现信道的精确分类。还可根据待测终端预测出的速度进行分类，对分类后的终端采用差异化的调度、资源分配或传输方式，可提高小区的频谱效率，提升用户体验感。
实施例4：
本实施例提供一种自适应传输方法，根据实施例1所述的方法获得的终端的速度或终端所在聚类的速度类型，进行自适应传输。
实施例5：
如图5所示，本实施例提供一种信道识别装置，包括：获取模块51、构造模块52和预测模块53。
获取模块51，用于获取终端的信道数据。
构造模块52，与获取模块51连接，基于获取模块51的信道数据用于构造第一特征向量，第一特征向量表示不同时刻的数据与自身、以及该时刻后不同时间间隔的数据的互相关值随时间间隔变化的数值集合。
预测模块53，与构造模块52连接，用于在预定的预测模型中输入构造模块52中的第一特征向量，预测出终端的速度；或者，预测出终端所在聚类的速度类型。
本实施例中，预测模块53还与获取模块51连接，用于根据获取模块51中的频点信息在构造模块52中选取与频点相应的预测模型，作为预定的预测模型。预测模块还存储有模型库，或者预测模块用于从外部设备获取模型库中的预测模型。
在一实施方式中，构造模块包括矩阵构造单元和向量构造单元。
矩阵构造单元，与获取模块连接，用于基于获取模块的信道数据构造第一特征矩阵，第一特征矩阵的行包括不同时刻的信道的频域数据与自身、以及其后不同时间间隔的频域数据的互相关值的期望值。
向量构造单元，与矩阵构造单元连接，用于计算矩阵构造单元中的第一特征矩阵的每一列的有效值的平均值，作为第一特征向量的行值，以得到第一特征向量。
实施例6：
本实施例提供一种自适应传输设备，包括实施例5所述的信道识别装置、以及传输装置，其中传输装置用于根据信道识别装置获得的终端的速度或终端所在聚类的速度类型，进行自适应传输。
实施例7：
如图6所示，本实施例提供一种基站，包括存储器71和处理器72，存储器71存储指令，处理器72运行所述指令以执行实施例1所述的方法。
实施例8：
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时实现如实施例1所述的方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (17)

1.一种信道识别的方法，包括：
获取终端的信道数据；
基于所述信道数据构造第一特征向量，所述第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合；
在预定的预测模型中输入所述第一特征向量，预测出所述终端的速度；或者，预测出所述终端所在聚类的速度类型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述信道数据构造第一特征向量，包括：
基于每条信道数据的频域数据构造第一特征矩阵，所述第一特征矩阵的行包括不同时刻的信道的频域数据与自身、以及其后不同时间间隔的频域数据的互相关值的期望值；
计算所述第一特征矩阵的每一列的有效值的平均值，作为第一特征向量的行值，以得到所述第一特征向量。
3.根据权利要求1所述的方法，其特征在于，所述在预定的预测模型中输入所述第一特征向量之前，还包括：
建立模型库，所述模型库中存储有各种频点下的预测模型；
在模型库中选取与所述终端的频点相应的预测模型，作为所述预定的预测模型。
4.根据权利要求3所述的方法，其特征在于，所述建立模型库包括：
获取不同的信道数据用例；
对于每条信道数据用例，构造第二特征向量，得到一级训练数据集合，所述第二特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合，所述一级训练数据集合为所有频点下的所述第二特征向量与其对应的目标向量的集合；
从所述一级训练数据集合中选取某一频点下的所述第二特征向量与其对应的目标向量，得到二级训练数据集合；
构造模型训练准则；
基于所述模型训练准则及所述二级训练数据集合，获取该频点下的预测模型的参数，得到该频点下的预测模型；
遍历所述一级训练数据集合，得到所有频点下的预测模型，形成所述模型库。
5.根据权利要求4所述的方法，其特征在于，所述在模型库中选取与所述终端的频点相应的预测模型之前，还包括：
判断模型库中的频点是否包含所述终端的频点，在模型库中的频点不包含所述终端的频点时，获取所述终端的频点下的不同的信道数据用例；
对于所述终端的频点下的每条信道数据用例，构造所述第二特征向量，并记录相应的目标向量；
基于所述模型训练准则、所述第二特征向量及相应的目标向量，获取所述终端的频点下的预测模型的参数，得到该频点下的预测模型，将其加入所述模型库中。
6.根据权利要求4所述的方法，其特征在于，在所述目标向量包括目标速度的情况下，
所述获取不同的信道数据用例，包括：获取不同目标速度下的信道数据用例；
所述构造模型训练准则，包括：
建立误差函数的表达式：
Figure FDA0002333988350000021
其中，Err为误差，νj为目标速度，aj为第二特征向量，
Figure FDA0002333988350000022
为速度预测模型，
Figure FDA0002333988350000023
为权值参数，B表示与频点对应的数据索引集合，j为B中的变量；
基于所述模型训练准则及所述二级训练数据集合，获取该频点下的预测模型的参数，得到该频点下的预测模型，包括：
在所述误差函数中输入目标速度，并代入该频点下目标速度对应的第二特征向量aj，在误差最小值时，得到
Figure FDA0002333988350000031
进而得到该频点下的速度预测模型。
7.根据权利要求4所述的方法，其特征在于，在所述目标向量包括目标速度和目标莱斯因子的情况下，
所述获取不同的信道数据用例，包括：获取不同目标速度和不同目标莱斯因子下的信道数据用例；
所述构造模型训练准则，包括：
建立误差函数的表达式：
Figure FDA0002333988350000032
其中，Err为误差，νj为目标速度，κj为目标莱斯因子，aj为第二特征向量，
Figure FDA0002333988350000033
为速度预测模型，
Figure FDA0002333988350000034
为莱斯因子预测模型，α为超越参数，0≦α≦1，
Figure FDA0002333988350000035
为权值参数，B表示与频点对应的数据索引集合，j为B中的变量；
基于所述模型训练准则及所述二级训练数据集合，获取该频点下的预测模型的参数，得到该频点下的预测模型，包括：
在所述误差函数中输入目标速度、目标莱斯因子和设定的超越参数，并代入该频点下目标速度和目标莱斯因子对应的第二特征向量aj，在误差最小值时，分别得到
Figure FDA0002333988350000036
和
Figure FDA0002333988350000037
进而得到该频点下与设定的超越参数对应的速度预测模型和莱斯因子预测模型。
8.根据权利要求7所述的方法，其特征在于，所述在预定的预测模型中输入所述第一特征向量，预测出所述终端的速度之前，还包括：
基于所述终端的频点以及初始超越参数，从所述模型库中确定出莱斯因子预测模型；
基于所述第一特征向量及确定出的所述莱斯因子预测模型，预测出莱斯因子；
基于预测出的所述莱斯因子，以及预设的超越参数与莱斯因子的映射关系表，确定出目标超越参数；
基于所述终端的频点，以及确定出的所述目标超越参数，从所述模型库中确定速度预测模型。
9.根据权利要求8所述的方法，其特征在于，所述基于预测出的所述莱斯因子，以及预设的超越参数与莱斯因子的映射关系表，确定出目标超越参数之前，还包括：构建超越参数与莱斯因子的映射关系表；
所述超越参数与莱斯因子的映射关系表，包括：
Figure FDA0002333988350000041
其中，α为超越参数，κ为莱斯因子。
10.根据权利要求6或7所述的方法，其特征在于，所述在预定的预测模型中输入第一特征向量，预测出所述终端的速度之后，还包括：
根据预测出的所述终端的速度对终端进行分类，对分类后的终端采用差异化调度，比对分类前和分类后终端的关键性能指标变化，在判断分类前的关键性能指标优于分类后的关键性能指标时，进行机器学习。
11.根据权利要求10所述的方法，其特征在于，所述机器学习包括：
获取所述终端的当前信道数据；
基于所述当前信道数据构造第三特征向量，所述第三特征向量表示当前时刻下，所述终端的不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合；
对所述第三特征向量进行非监督学习，得到盲分类器；
采用所述盲分类器，基于所述当前信道数据对所述终端进行盲分类；
基于所述模型库中所述终端当前频点下的速度预测模型，确定盲分类后的所述终端的速度类型。
12.根据权利要求1所述的方法，其特征在于，所述在预定的预测模型中输入所述第一特征向量，预测出所述终端所在聚类的速度类型之前，还包括：
根据所述第一特征向量对所述终端进行盲分类，得到所述终端所在聚类；
所述在预定的预测模型中输入所述第一特征向量，预测出所述终端所在聚类的速度类型，包括：
对于所述终端所在聚类，在所述预定的预测模型中输入第一特征向量，预测出所述终端所在聚类的速度集合，采用速度分级和多数表决，预测出所述终端所在聚类的速度类型。
13.一种自适应传输方法，其特征在于，根据权利要求1-12任一项所述的方法获得的所述终端的速度或所述终端所在聚类的速度类型，进行自适应传输。
14.一种信道识别装置，包括：获取模块、构造模块和预测模块，
获取模块，用于获取终端的信道数据，
构造模块，基于获取模块的所述信道数据用于构造第一特征向量，所述第一特征向量表示不同时刻的信道数据与自身、以及其后不同时间间隔的信道数据的互相关值随时间间隔变化的数值集合，
预测模块，用于在预定的预测模型中输入构造模块中的所述第一特征向量，预测出所述终端的速度；或者，预测出所述终端所在聚类的速度类型。
15.一种自适应传输设备，其特征在于，包括权利要求14所述的信道识别装置、以及传输装置，
所述传输装置，用于根据所述信道识别装置获得的所述终端的速度或所述终端所在聚类的速度类型，进行自适应传输。
16.一种基站，包括存储器和处理器，其特征在于，存储器存储指令，处理器运行所述指令以执行根据权利要求1-13任一项所述的方法。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被执行时实现如权利要求1-13任一项所述的方法。
CN201911348223.6A 2019-12-24 2019-12-24 信道识别方法、装置、传输方法、传输设备、基站、介质 Active CN113037410B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201911348223.6A CN113037410B (zh) 2019-12-24 2019-12-24 信道识别方法、装置、传输方法、传输设备、基站、介质
EP20904906.3A EP4084365A4 (en) 2019-12-24 2020-12-15 CHANNEL IDENTIFICATION METHOD AND APPARATUS, TRANSMISSION METHOD, TRANSMISSION DEVICE, BASE STATION AND MEDIA
US17/788,023 US20230034994A1 (en) 2019-12-24 2020-12-15 Channel Identification Method and Apparatus, Transmission Method, Transmission Device, Base Station, and Medium
PCT/CN2020/136508 WO2021129464A1 (zh) 2019-12-24 2020-12-15 信道识别方法、装置、传输方法、传输设备、基站、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911348223.6A CN113037410B (zh) 2019-12-24 2019-12-24 信道识别方法、装置、传输方法、传输设备、基站、介质

Publications (2)

Publication Number Publication Date
CN113037410A true CN113037410A (zh) 2021-06-25
CN113037410B CN113037410B (zh) 2024-07-02

Family

ID=76451806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911348223.6A Active CN113037410B (zh) 2019-12-24 2019-12-24 信道识别方法、装置、传输方法、传输设备、基站、介质

Country Status (4)

Country Link
US (1) US20230034994A1 (zh)
EP (1) EP4084365A4 (zh)
CN (1) CN113037410B (zh)
WO (1) WO2021129464A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023051528A1 (zh) * 2021-09-30 2023-04-06 中兴通讯股份有限公司 信道场景识别方法、装置、电子设备和存储介质
WO2023082280A1 (zh) * 2021-11-15 2023-05-19 Oppo广东移动通信有限公司 用于无线信道处理的模型更新方法、装置、终端及介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114245189B (zh) * 2021-11-23 2023-05-30 中国联合网络通信集团有限公司 视频码率调整方法、装置、设备及存储介质
CN116187112B (zh) * 2023-05-04 2023-08-11 北京大学 基于大数据的提高单晶生长热对流分布均匀的方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240308A1 (en) * 2007-03-27 2008-10-02 Samsung Electronics Co. Ltd. Apparatus and method for estimating channel using sliding windows in a broadband wireless communication system
CN102025680A (zh) * 2010-12-15 2011-04-20 华为技术有限公司 速度估计方法和装置
CN102740318A (zh) * 2011-04-14 2012-10-17 中兴通讯股份有限公司 自适应测速方法及装置
CN102892152A (zh) * 2011-07-19 2013-01-23 中兴通讯股份有限公司 一种自适应传输方法及系统
CN104067656A (zh) * 2012-12-26 2014-09-24 华为技术有限公司 速度估计方法及装置
CN104853367A (zh) * 2014-02-13 2015-08-19 普天信息技术有限公司 一种终端移动速度估计方法和装置
WO2019172639A1 (en) * 2018-03-06 2019-09-12 Samsung Electronics Co., Ltd. Method and apparatus for ai-based ue speed estimation using uplink srs measurements

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238569B (zh) * 2010-04-22 2014-08-27 中兴通讯股份有限公司 估计终端移动速度的方法和装置
US20150153380A1 (en) * 2013-10-30 2015-06-04 Invensense, Inc. Method and system for estimating multiple modes of motion
CN110197251A (zh) * 2018-02-26 2019-09-03 中国科学院深圳先进技术研究院 基于深度学习网络的预测方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240308A1 (en) * 2007-03-27 2008-10-02 Samsung Electronics Co. Ltd. Apparatus and method for estimating channel using sliding windows in a broadband wireless communication system
CN102025680A (zh) * 2010-12-15 2011-04-20 华为技术有限公司 速度估计方法和装置
CN102740318A (zh) * 2011-04-14 2012-10-17 中兴通讯股份有限公司 自适应测速方法及装置
CN102892152A (zh) * 2011-07-19 2013-01-23 中兴通讯股份有限公司 一种自适应传输方法及系统
CN104067656A (zh) * 2012-12-26 2014-09-24 华为技术有限公司 速度估计方法及装置
CN104853367A (zh) * 2014-02-13 2015-08-19 普天信息技术有限公司 一种终端移动速度估计方法和装置
WO2019172639A1 (en) * 2018-03-06 2019-09-12 Samsung Electronics Co., Ltd. Method and apparatus for ai-based ue speed estimation using uplink srs measurements

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023051528A1 (zh) * 2021-09-30 2023-04-06 中兴通讯股份有限公司 信道场景识别方法、装置、电子设备和存储介质
WO2023082280A1 (zh) * 2021-11-15 2023-05-19 Oppo广东移动通信有限公司 用于无线信道处理的模型更新方法、装置、终端及介质

Also Published As

Publication number Publication date
EP4084365A1 (en) 2022-11-02
EP4084365A4 (en) 2023-06-21
US20230034994A1 (en) 2023-02-02
WO2021129464A1 (zh) 2021-07-01
CN113037410B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
CN113037410B (zh) 信道识别方法、装置、传输方法、传输设备、基站、介质
CN111867049B (zh) 定位方法、装置及存储介质
KR100930799B1 (ko) 자동화된 클러스터링 방법 및 이를 이용한 이동통신환경에서 다중 경로의 클러스터링 방법 및 장치
CN110166154B (zh) 一种基于神经网络的软件无线电频谱监测识别的方法
CN107113635A (zh) 用于确定小区状态以调整天线配置参数的方法和装置
CN109299698B (zh) 一种基于支持向量机的无线信道场景识别方法
CN110365503A (zh) 一种指标确定方法及其相关设备
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
Balakrishnan et al. Resource management and fairness for federated learning over wireless edge networks
CN107547154A (zh) 一种建立视频流量预测模型的方法及装置
CN103428704B (zh) 一种频谱感知方法及装置
CN112672366A (zh) 异构无线网络中基于个性化消费偏好的垂直切换系统
CN110049549A (zh) 基于WiFi指纹的多融合室内定位方法及其系统
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN106911591A (zh) 网络流量的分类方法和系统
CN107451605A (zh) 一种基于信道状态信息和支持向量机的简单目标识别方法
CN110062410A (zh) 一种基于自适应谐振理论的小区中断检测定位方法
CN106993296A (zh) 终端的性能评估方法及装置
CN107104747B (zh) 无线时变信道中的多径分量的分簇方法
CN108519915A (zh) 流量任务调度方法和装置
Shelim et al. Wireless link scheduling over recurrent Riemannian manifolds
CN114205238B (zh) 网络资源优化、模型训练方法、装置、存储介质及设备
CN109286458A (zh) 基于模糊支持向量机的合作频谱感知方法
Wu et al. Learning-based downlink user selection algorithm for UAV-BS communication network
Wang et al. FCM algorithm and index CS for the signal sorting of radiant points

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