CN113938935A - 基于期望最大化算法的信道知识地图构建方法 - Google Patents
基于期望最大化算法的信道知识地图构建方法 Download PDFInfo
- Publication number
- CN113938935A CN113938935A CN202111193184.4A CN202111193184A CN113938935A CN 113938935 A CN113938935 A CN 113938935A CN 202111193184 A CN202111193184 A CN 202111193184A CN 113938935 A CN113938935 A CN 113938935A
- Authority
- CN
- China
- Prior art keywords
- channel
- channel knowledge
- data
- map
- knowledge map
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 abstract description 5
- 230000001413 cellular effect Effects 0.000 abstract description 4
- 238000013179 statistical model Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012804 iterative process 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
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于期望最大化算法的信道知识地图构建方法,包括:通过离线射线追踪仿真、离线实地测量或在线实时测量任一方式获取本地通信环境的信道知识数据,根据专家知识对相关信道知识进行统计建模,并利用EM算法对混合统计模型的K类参数进行估计,构建反应当地信号传播环境的信道知识地图;在用户需要通信时,通过GPS、北斗、蜂窝定位、激光雷达以及自身传感器定位方式获取实时位置信息,利用先前构建的信道知识地图及基于逆距离加权的方式获知目标位置的信道知识,从而用于环境感知自适应通信。本发明解决了基于纯模型或纯数据的信道预测方法准确性低、数据存储容量需求大、训练复杂度高的问题,从而降低实时信道状态信息获取的开销。
Description
技术领域
本发明属于第六代通信技术领域,尤其涉及基于期望最大化算法的信道知识地图构建方法。
背景技术
随着第六代(6G)移动通信技术研究的开展,实现超广覆盖、超大规模链接、超高容量、以及极低时延通信成为了人们关注的重点。无线信道的准确预测和估计是移动通信网络研究的基石,对于无线通信网络的设计、分析和优化至关重要。对于面向2030年的6G通信,随着信道维度的进一步增加和信道训练所需的巨大开销,使得下一代通信技术发展面临着巨大挑战。而由于现实通信环境的复杂性,想要获取准确而真实的信道状态信息是一个巨大的难题,先前的信道统计模型仅粗略区分城市、郊区、农村、丘陵等环境类型,而忽略了当地信号的实际传播环境,使得构建的信道模型通常只取决于通信节点的相对位置,信道预测准确性低。
为了解决上述问题,需要充分利用收发机的地理位置信息,构建出映射通信节点实际位置到信道信息的信道知识地图。信道知识地图通过将当地环境特征融入信道的建模参数之中,能够实现多种现实复杂环境的准确信道估计,这十分符合未来6G网络需求,信道知识地图有着以下优势:与传统无环境感知通信相比,基于信道知识地图的通信能大幅降低信道状态信息的实时获取开销,从而实现高效的大维无线通信。传统的信道预测方法主要有以下几种:(1)基于统计信道模型的预测:将信道粗略划为城市、郊区、农村、丘陵等类型,进行统计信道建模。但该类方式没有考虑当地的实际传播环境,无法实现准确的信道预测;(2)基于测量数据的纯数据信道预测:该方法高度依赖于测量数据的数量和测量设备的精确度,并且在构建方法中存在的多种假设在现实场景中并不成立,同时,随着场景的变迁,这类方法的迁移性也非常差,不利于现实中的应用。(3)基于统计信道模型和数据的单一模型的曲线拟合方法:该方法考虑了现实中的真实数据,同时利用了已有的专家知识模型。但是由于单一模型的自由度限制,使得数据在拟合中存在较大的误差,使与现实中的情况差距较大。
基于对上述三种传统构建信道知识地图方法的分析,可以看出,在未来的无线通信系统中,急需一种能够兼备环境感知、低存储容量开销、预测精确并且适用性广的信道知识地图构建方法。
发明内容
本发明目的在于提供一种基于期望最大化算法的信道知识地图构建方法,以解决急需一种能够兼备环境感知、低存储容量开销、预测精确并且适用性广的信道知识地图构建方法的技术问题。
为解决上述技术问题,本发明的具体技术方案如下:
一种基于期望最大化算法的信道知识地图构建方法,包括以下步骤:
步骤1、基于用户端地理位置信息,通过离线射线追踪仿真、离线实地测量或在线实时测量等任一方式获取反映当地信号实际传播环境的信道知识数据;
步骤2、根据蕴含专家知识的统计信道模型,将统计信道模型参数集自由度由1增加到K,结合步骤1中所获取的信道知识数据,利用EM迭代算法以估计混合模型的K类参数,构建相应的信道知识地图;
步骤3、当用户需进行实际通信时,通过GPS、北斗、蜂窝定位、激光雷达、自身传感器等定位方式获取实时位置信息,利用构建的信道知识地图,利用逆距离加权方法,选取与用户位置最近的M个数据点,获得用户位置所对应的最大概率参数,预测用户的信道知识;
步骤4、当地图使用时长超过时限T,或依据当前地图所进行的通信管理操作使得通信质量低于最低阈值Q,执行步骤1到步骤2操作对地图进行更新。
进一步的,所述步骤2利用EM迭代算法以估计混合模型的K类参数具体包括以下步骤:
步骤2.1、执行EM算法E步,对于每个获取的数据进行基于贝叶斯公式的后验概率计算;
步骤2.2、执行EM算法M步,基于E步中的后验概率,迭代计算混合模型的最大似然估计函数,并更新统计信道模型的参数;
步骤2.3、若M步中计算的相邻两次的对数似然函数差值小于设定的极小值ε,或者迭代次数达到限定次数上限,则退出迭代计算;否则,则重复过程步骤2.1至步骤2.3。
进一步的,所述信道知识地图构成一个数据库,用于存储基于位置信息的基站端用户端参数集。
进一步的,当信道知识地图更新时,对数据库进行全盘更新,即对整个服务范围的每一位置实施步骤1到步骤2操作,并用新数据覆盖历史数据。
进一步的,当信道知识地图更新时,对数据库局部更新,对发生变化的地理环境或信号传播环境附近范围的区域,或基于各位置一段时间的通信质量反馈,得出信道知识地图效果不佳的区域,针对其执行步骤1到步骤2操作,更新该位置的相关数据,而不改变其他位置的历史数据。
本发明的一种基于期望最大化算法的信道知识地图构建方法,具有以下优点:
1、本方法将信道测量数据拟合在混合统计信道模型中,只需存储信道模型中K类参数而取代了大量测量数据的存储,降低了存储容量的要求,避免了基于插值方法等纯数据驱动需要的数据量巨大、计算和存储容量需求高的问题。
2、本方法将信道模型参数集的自由度提高到K,估计精度高,克服了单一模型参数曲线拟合的自由度不足造成的准确性低的问题。
3、本方法设置的信道模型参数集自由度K及K类参数估计数值能随环境适应性变化,充分将环境特征融入信道的建模参数之中,能够实现复杂环境的准确信道估计来构建信道知识地图,使得启用信道知识地图的环境感知通信可以促进甚至避免实时信道状态信息的采集,为未来大维通信系统提供了切实可行的解决方法。
4、本方法利用EM算法的自适应聚类估计和逆距离加权算法对通信位置信道参数概率预测,不仅能够适用于一般的通信场景,在一些特殊的应用场景,例如未到达位置的信道预测、非合作节点间的通信,都能够胜任,适用范围很广。
附图说明
图1为本发明实施例提供的基站-多用户场景示意图;
图2为本发明实施例提供的信道知识地图EM算法迭代估计参数流程示意图;
图3为本发明实施例提供的信道知识地图在估计新的感兴趣点的信道知识并构建全局地图的流程示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种基于期望最大化算法的信道知识地图构建方法做进一步详细的描述。
本发明对于包含一个固定基站和多移动用户的特定站点的无线通信系统,通过离线射线追踪仿真、离线实地测量或在线实时测量等任一方式获取用户通信环境的信道知识(如路径损耗、到达角等)数据X,其中包含用户的位置信息q以及对应位置的信道知识r,根据专家知识对相关信道知识进行统计建模获取对应概率密度函数p(r|q,θ),其中θ代表混合信道模型的参数集。测量数据由网络管理者收集,结合信道模型概率密度函数作为输入进行EM算法的离线迭代计算。EM算法包含两步操作:E步和M步,执行E步,对每个获取的数据进行基于贝叶斯公式的后验概率计算;执行M步,基于E步中的后验概率,迭代计算混合模型的最大似然估计函数,并更新信道统计模型的参数。重复上述两步过程直到算法收敛或者迭代次数达到上限。当用户需要通信时,通过GPS、北斗、蜂窝定位、激光雷达、自身传感器等方式获取位置信息qnew,利用逆距离加权(IDW)等方法,选取与用户位置最近的M个数据点,获得用户位置所对应的最大概率参数,预测用户的信道知识。
该方法包括如下主要内容:
步骤1、基于离线射线追踪仿真、离线实地测量或在线实时测量等任一方式获取反映当地信号实际传播环境的信道知识数据;
步骤2、根据蕴含专家知识的统计信道模型,将统计信道模型参数集自由度由1增加到K,结合步骤1中所获取的信道知识数据,利用EM迭代算法估计混合模型的K类参数,并将地理位置信息和对应参数信息保存在基站端数据库中;
步骤3、当用户需进行实际通信时,通过GPS、北斗、蜂窝定位、激光雷达、自身传感器等定位方式获取实时位置信息,利用基于IDW等方法,选取与用户位置最近的M个数据点,获得用户位置所对应的最大概率参数,预测用户的信道知识;
步骤4、基站端在接下来的t时间内,通过步骤3得到的用户的信道知识,调节发射机的状态,选择最佳通信状态和用户进行通信;
步骤5、当t时刻结束,则基站端或用户端判断通信是否结束,若通信结束,则该过程完毕;
步骤6、若通信继续,则重复过程步骤4到步骤5直至通信结束;
步骤7、当地图使用时长超过时限T,或依据当前地图所进行的通信管理操作使得通信质量低于最低阈值Q,执行步骤1到步骤3操作对地图进行更新。
其中:
该信道知识地图能够反应当地信号实际传播环境,通过离线射线追踪仿真、离线实地测量和在线实时测量等方式获取信道知识数据,并通过EM算法和IDW方法估计混合信道模型的参数和对目标用户进行信道状态的预测。
该信道知识地图可针对不同类型的信道知识,包括但不限于信道的路径损耗、阴影衰落、是否存在视距链路、路径的出发角、到达角、时延等。
该信道知识地图结合实际信道知识数据和蕴含专家知识的统计信道模型的双重驱动方式,既克服了单一模型参数曲线拟合的自由度不足造成的准确性低的问题,同时避免了基于插值方法等纯数据驱动需要的数据量巨大、计算和存储容量需求高的问题。
该信道知识地图用于通信时,能提供直接反应用户所在位置的信道内在特性的信道知识,与发射机或接收机的活动状态无关,从而实现大幅度降低实时信道状态信息获取的开销。
该信道知识地图不仅能够辅助一般的通信场景,还对于以下四种信道特别有用:尚未到达位置的信道、非合作节点的信道、大尺寸的信道以及具有严重硬件/处理限制的信道,利用信道知识地图使得上述信道状况下的有效通信成为可能。
该信道知识地图构成一个数据库,用于存储基于位置信息的基站端用户端参数集。当信道知识地图需要更新时,可对数据库进行全盘更新,对整个服务范围实施步骤1操作,并丢弃历史数据。另一种方式为数据库局部更新,对发生变化的地理环境或信号传播环境附近范围的区域,或基于各位置一段时间的通信质量反馈,得出信道知识地图效果不佳的区域,执行步骤1操作,更新该位置的相关数据,而不改变其他位置的历史数据。
这里将详细地对实施例进行说明。
图1是根据实施例示出的信道知识地图的一种具体应用场景示意图。
图2是根据实施例示出的本发明所提及的一种信道知识地图的数据来源、模型来源和EM算法工作流程。
图3是根据实施例示出的当有用户需要通信时,如何估计用户位置的信道状态并构建全局的信道知识地图。
在EM迭代计算阶段,ε代表相邻两次对数似然函数计算的差值,count代表EM迭代过程中最大的迭代次数,K是信道模型参数的类别数量。t表示信道的相干时隙,T表示信道知识地图使用周期,Q表示通信质量最低域值。
基于以上定义,所提方法的示例性实施例的具体实现步骤可概括为如下:
步骤1、初始数据收集阶段。基于用户端地理位置信息,通过离线射线追踪仿真、离线实地测量和在线实时测量等任一方式,获取反应当地信号实际传播环境的信道知识数据r,并将信道知识信息和位置信息q一一对应构成测量数据集X。
步骤2、信道模型获取阶段。通过蕴含专家知识的统计信道模型,获得信道模型的概率密度函数p(r|q,θ)。
步骤3、参数估计阶段。将步骤1中测量数据集X结合步骤2中的信道模型的概率密度分布p(r|q,θ)作为输入,利用EM迭代算法估计混合模型参数。通过E步对每个获取的数据进行基于贝叶斯公式的后验概率计算,此后在M步中基于E步计算的后验概率,对统计信道模型的参数进行更新,并计算最大似然估计函数,直到相邻两次对数似然函数差值小于ε,或者迭代次数达到限定值count。
步骤4、地图构建阶段。利用步骤3参数估计结果,获取到目标区域K类参数的最终估计值。通过GPS、北斗、蜂窝定位、激光雷达、自身传感器等定位方式获取新用户实时位置信息qnew,利用IDW等方法,选取与新用户位置最近的M个数据点,获取用户位置所对应的最大概率参数,预测用户的信道知识。
步骤5、通信阶段。在接下来的t时间段内,基站端利用步骤4中的信道知识,调整自身发射机的状态,和用户间进行通信,直到时间t结束。
步骤6、地图更新阶段。当地图使用时间到达使用周期T时,为保证地图的准确性,需要对地图进行更新。地图更新又可分为以下两个阶段:
步骤7、更新位置选择阶段。更新位置选择有两种方式。一是基于环境的方式,服务范围内有小部分地区发生了改变,例如楼房的建设等,则需要对该位置附近范围内的区域的地图进行更新。二是基于通信质量的方式,经过一段时间的实际通信,可以判断哪些位置的通信质量未达预期,即可对之及周围范围进行更新。
步骤8、更新方式选择阶段。更新方式的选择也有两种,即离线更新和在线更新。离线更新通过线下计算待更新范围内的信道知识类似步骤1到步骤4,并将数据上传,覆盖原始数据。在线更新通过基站对待测量范围内的通信进行实时数据采集和训练并实时记录,上传到信道知识地图数据库,对待更新范围进行逐步更新。
步骤9、地图重构阶段。当服务范围内的地理环境或电磁环境发生重大的改变时,需要对整个地图进行重建,即再次进行步骤1到步骤4。
上述方法通过离线射线追踪仿真、离线实地测量和在线实时测量等任一方式获得信道知识数据,通过蕴含专家的统计信道模型获得概率密度分布函数(步骤1到步骤2)。基于EM算法迭代计算对信道的参数集进行估计,并基于IDW等方法,结合EM算法估计的参数集构建出全局信道知识地图(步骤3到步骤4)。本方法还包括信道知识地图的更新与重构,以提高其精确度与可持续性(步骤5到步骤9)。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (5)
1.一种基于期望最大化算法的信道知识地图构建方法,其特征在于,包括以下步骤:
步骤1、基于用户端地理位置信息,通过离线射线追踪仿真、离线实地测量或在线实时测量任一方式获取反映当地信号实际传播环境的信道知识数据;
步骤2、根据蕴含专家知识的统计信道模型,将统计信道模型参数集自由度由1增加到K,结合步骤1中所获取的信道知识数据,利用EM迭代算法以估计混合模型的K类参数,构建相应的信道知识地图;
步骤3、当用户需进行实际通信时,通过GPS、北斗、蜂窝定位、激光雷达、自身传感器定位方式获取实时位置信息,利用构建的信道知识地图,利用逆距离加权方法,选取与用户位置最近的M个数据点,获得用户位置所对应的最大概率参数,预测用户的信道知识;
步骤4、当地图使用时长超过时限T,或依据当前地图所进行的通信管理操作使得通信质量低于最低阈值Q,执行步骤1到步骤2操作对地图进行更新。
2.根据权利要求1所述的基于期望最大化算法的信道知识地图构建方法,其特征在于,所述步骤2利用EM迭代算法以估计混合模型的K类参数具体包括以下步骤:
步骤2.1、执行EM算法E步,对于每个获取的数据进行基于贝叶斯公式的后验概率计算;
步骤2.2、执行EM算法M步,基于E步中的后验概率,迭代计算混合模型的最大似然估计函数,并更新统计信道模型的参数;
步骤2.3、若M步中计算的相邻两次的对数似然函数差值小于设定的极小值ε,或者迭代次数达到限定次数上限,则退出迭代计算;否则,则重复过程步骤2.1至步骤2.3。
3.根据权利要求2所述的基于期望最大化算法的信道知识地图构建方法,其特征在于,所述信道知识地图构成一个数据库,用于存储基于位置信息的基站端用户端参数集。
4.根据权利要求3所述的基于期望最大化算法的信道知识地图构建方法,其特征在于,当信道知识地图更新时,对数据库进行全盘更新,即对整个服务范围的每一位置实施步骤1到步骤2操作,并用新数据覆盖历史数据。
5.根据权利要求3所述的基于期望最大化算法的信道知识地图构建方法,其特征在于,当信道知识地图更新时,对数据库局部更新,对发生变化的地理环境或信号传播环境附近范围的区域,或基于各位置一段时间的通信质量反馈,得出信道知识地图效果不佳的区域,针对其执行步骤1到步骤2操作,更新该位置的相关数据,而不改变其他位置的历史数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111193184.4A CN113938935B (zh) | 2021-10-13 | 2021-10-13 | 基于期望最大化算法的信道知识地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111193184.4A CN113938935B (zh) | 2021-10-13 | 2021-10-13 | 基于期望最大化算法的信道知识地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113938935A true CN113938935A (zh) | 2022-01-14 |
CN113938935B CN113938935B (zh) | 2024-01-09 |
Family
ID=79278845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111193184.4A Active CN113938935B (zh) | 2021-10-13 | 2021-10-13 | 基于期望最大化算法的信道知识地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113938935B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022808A (zh) * | 2022-06-21 | 2022-09-06 | 北京天坦智能科技有限责任公司 | 一种通信机器人的即时定位和无线电地图构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105191236A (zh) * | 2013-03-28 | 2015-12-23 | 诺基亚通信公司 | 无线通信中的信道估计 |
CN110086734A (zh) * | 2019-03-14 | 2019-08-02 | 西安电子科技大学 | 一种时变大规模mimo系统中的信道追踪和恢复方法 |
CN112866904A (zh) * | 2021-01-25 | 2021-05-28 | 东南大学 | 基于波束索引地图的免信道训练大维通信波束对齐方法 |
-
2021
- 2021-10-13 CN CN202111193184.4A patent/CN113938935B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105191236A (zh) * | 2013-03-28 | 2015-12-23 | 诺基亚通信公司 | 无线通信中的信道估计 |
CN110086734A (zh) * | 2019-03-14 | 2019-08-02 | 西安电子科技大学 | 一种时变大规模mimo系统中的信道追踪和恢复方法 |
CN112866904A (zh) * | 2021-01-25 | 2021-05-28 | 东南大学 | 基于波束索引地图的免信道训练大维通信波束对齐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022808A (zh) * | 2022-06-21 | 2022-09-06 | 北京天坦智能科技有限责任公司 | 一种通信机器人的即时定位和无线电地图构建方法 |
CN115022808B (zh) * | 2022-06-21 | 2022-11-08 | 北京天坦智能科技有限责任公司 | 一种通信机器人的即时定位和无线电地图构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113938935B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Masood et al. | A machine learning based 3D propagation model for intelligent future cellular networks | |
US9426044B2 (en) | Radio access network geographic information system with multiple format | |
US6889053B1 (en) | Likelihood-based geolocation prediction algorithms for CDMA systems using pilot strength measurements | |
JP7511957B2 (ja) | ビームインデックスマップに基づくインテリジェント反射面の通信ビーム選択方法 | |
Lemic et al. | Regression-based estimation of individual errors in fingerprinting localization | |
CN103369571A (zh) | 基于多网联合测量的传播模型校正与覆盖自优化方法 | |
CN112866904B (zh) | 基于波束索引地图的免信道训练大维通信波束对齐方法 | |
US20080075051A1 (en) | Methods, apparatus and articles for radio frequency planning | |
CN102984745A (zh) | Wi-Fi AP位置及路径损耗模型的联合估测方法 | |
Chen et al. | 3D urban UAV relay placement: Linear complexity algorithm and analysis | |
Fernandes et al. | Scalable vanet simulations with ns-3 | |
KR20090089044A (ko) | 무선랜 기반 측위를 위한 신호 세기 예측 방법 | |
CN113938935B (zh) | 基于期望最大化算法的信道知识地图构建方法 | |
CN108259097A (zh) | 基于mr数据的修正无线传播模型的方法及装置 | |
Biswas et al. | New RSSI-fingerprinting-based smartphone localization system for indoor environments | |
Zeulin et al. | ML-assisted beam selection via digital twins for time-sensitive industrial IoT | |
Moradbeikie et al. | A cost-effective LoRaWAN-based IoT localization method using fixed reference nodes and dual-slope path-loss modeling | |
CN116723470A (zh) | 空中基站的移动轨迹预测模型的确定方法、装置和设备 | |
CN114513805A (zh) | 无线建模方法和系统 | |
Konak | A kriging approach to predicting coverage in wireless networks | |
Soltaninasab et al. | Improving Monte Carlo localization algorithm using time series forecasting method and dynamic sampling in mobile WSNs | |
CN114339913B (zh) | 无线网络的邻小区更新方法、装置、介质及电子设备 | |
Tennekes et al. | A Bayesian approach to location estimation of mobile devices from mobile network operator data | |
Wu et al. | Research on RSS based indoor location method | |
Konstantinidis et al. | Radio map prefetching for indoor navigation in intermittently connected wi-fi networks |
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 |