CN114362851B - 一种基于机器学习的无线信道数据去噪方法 - Google Patents

Abstract

本发明提供了一种基于机器学习的无线信道数据去噪方法。该方法包括：获取信道测量场景中的信道冲激响应数据序列；构建双向循环神经网络，将所述信道测量场景中的信道数据序列输入到所述双向循环神经网络中进行训练，得到训练好的双向循环神经网络；将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据。本发明通过对双向循环神经网络进行训练，从而准确、快速地去除信道数据中的噪声，进而有效提高信道特性参数分析的准确性。

Description

一种基于机器学习的无线信道数据去噪方法

技术领域

本发明涉及数据去噪技术领域，尤其涉及一种基于机器学习的无线信道数据去噪方法。

背景技术

机器学习在处理通信网络产生的大量数据方面发挥着越来越重要的作用，因为它可以有效地解决非线性和非结构化数据的问题。因此，机器学习已广泛应用于无线信道数据的处理、预测和建模中。此外，随着通信新频段、场景的多样化和天线数量的增加，信道测量数据的规模增长迅速，传统的基于启发式的数据处理方法将难以胜任新形势下的信道数据处理。使用神经网络等机器学习的方法对信道数据进行准确快速的去噪将更加关键和迫切。

现有技术中公开了一种机器学习使能的动态环境多输入多输出系统的视距/非视距识别方案，该方案利用机器学习的方法对通信场景中的视距和非视距条件进行识别。

现有技术中还公开了一种利用大数据算法实现簇使能的无线信道建模方案，该方案利用了多种聚类的方法对无线信道进行建模。

现有技术中还公开了一种毫米波通信中使用机器学习技术预测无线信道模型的路径损耗方案，该方案通过使用机器学习技术来拟合与预测毫米波通信中各类蜂窝小区的路径损耗。

现有技术中还公开了一种从概要中学习参数的随机信道模型方案，该方案提出了一种基于概要统计的信道建模方法，其中使用了近似贝叶斯计算和神经网络来拟合和校准随机信道模型。

上述现有技术中的方案的缺点为：尽管这些方案利用了机器学习的方法对无线信道进行分析和建模，但并没有深入到信道数据层面进行处理。而原始的信道冲激响应数据中包含了大量的噪声信号。这部分噪声信号主要是测量设备的热噪声，并且很难在测量过程中消除。因此，直接使用原始的信道冲激响应数据可能会提高信道特性参数的萃取误差，进而影响到信道分析和建模的准确度。

现有的去噪方法通常是设置噪声门限，但一方面门限数值的设定通常需要启发式的方法来确定，这对于海量的信道数据很难实现，另一方面，一些功率与噪声信号相似的有用信号容易被噪声门限错误去除。在数据去噪领域已有多种去噪算法被提出，特别是在图像领域中的应用，但其仅针对图像数据，而无线通信中的信道数据描述了真实物理环境中的多径传播现象，包括直射、反射、散射和绕射等各类无线传播机制，这些传播机制都能在信道数据中体现，这使得信道数据与图像等数据的差别较大，其他领域中的去噪方法很难应用于无线信道数据中，因此有必要针对无线信道数据开发一种高效的去噪方法。

发明内容

本发明的实施例提供了一种基于机器学习的无线信道数据去噪方法，以实现准确、快速地去除信道数据中的噪声。

为了实现上述目的，本发明采取了如下技术方案。

一种基于机器学习的无线信道数据去噪方法，包括：

获取信道测量场景中的信道冲激响应数据序列；

构建双向循环神经网络，将所述信道测量场景中的信道数据序列输入到所述双向循环神经网络中进行训练，得到训练好的双向循环神经网络；

将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据。

优选地，所述获取信道测量场景中的信道冲激响应数据序列，包括：

将信道测量设备的发射机与接收机的端口通过射频线缆相互连接，记录信道测量设备直连状态下的信道频率响应H_ref；

将信道测量设备的发射和接收两端分别连接发射与接收天线，将信道测量设备放置在信道测量场景中，测量并记录信道测量场景中的信道频率响应H_raw；

获取信道测量场景中的信道频率响应H，计算公式如下：

利用傅里叶逆变换获得信道测量场景中的信道冲激响应h，计算公式如下：

h＝IFFT(H)

获取信道测量场景中的功率时延谱P，计算公式如下：

P＝20log₁₀(|h|²)

将获得的信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，并对多径信号和噪声进行标记；

将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理后，再进行重新整理排列，使每组信道数据序列由一个待分类数据点及其相邻数据点组成，生成信道测量场景中的双向循环神经网络输入所需的信道冲激响应数据序列。

优选地，所述的将信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，包括：

根据设定的判断准则将信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，所述设定的多径判断准则包括：

当在不同位置连续进行信道测量时，多径信号会在几个连续快照中相似的时延下同时出现，而噪声样本在连续的快照中不会在相似的时延下出现；

多径信号伴随着散射径，在功率时延谱的曲线中展现出拖尾现象。

优选地，所述的将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理，包括：

将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理，方法如下：

其中P_i为功率时延谱中的第i个数据点，min与max分别为取功率时延谱中最小值和最大值的操作。

优选地，所述的双向循环神经网络的网络规模为{36,128,128,1}，其中输入和输出层的节点数分别为36和1，两层隐藏层的节点数为128。

优选地，所述的将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据，包括：

获取待去噪的信道数据的功率时延谱，对所述功率时延谱进行归一化处理，再进行重新整理排列，使每组信道数据序列由一个待分类数据点及其相邻数据点组成，生成待去噪的信道数据序列；

将待去噪的信道数据序列输入到经过训练后的双向循环神经网络中，所述双向循环神经网络输出每一个待去噪信道数据点的分类标识结果，将每一个待去噪信道数据点的分类标识结果组成列向量，并与行向量的信道冲激响应原始数据相乘，获取经双向循环神经网络去噪后的信道冲激响应数据。

由上述本发明的实施例提供的技术方案可以看出，本发明提出一种新颖的针对信道数据中有用信号和噪声的标记准则，并通过对双向循环神经网络进行训练，从而准确、快速地去除信道数据中的噪声，进而有效提高信道特性参数分析的准确性。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于机器学习的无线信道数据去噪方法的处理流程图。

图2为本发明实施例提供的一种信道数据标记准则示意图。

图3为本发明实施例提供的一种对信道数据标记后的功率时延谱示意图。

图4为本发明实施例提供的一种信道数据输入序列示意图。

图5为本发明实施例提供的一种信道数据去噪结果示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供的一种基于机器学习的信道数据去噪方法的处理流程如图1所示，包括如下的处理步骤：

步骤S10：通过信道测量获取信道测量场景中的信道冲激响应数据序列。

使用矢量信号收发机或者矢量网络分析仪等信道测量设备对无线信道进行测量，以下以矢量信号收发机为例进行说明，矢量网络分析仪的测量步骤相似。

将矢量信号发射机与接收机的端口通过射频线缆相互连接，记录设备直连状态下的信道频率响应H_ref。

将矢量信号收发机的发射和接收两端分别连接发射与接收天线，将矢量信号收发机设置在信道测量场景中，测量并记录信道测量场景中的信道频率响应H_raw。

获取信道测量场景中的信道频率响应H，计算公式如下：

利用傅里叶逆变换获得信道测量场景中的信道冲激响应h，计算公式如下：

h＝IFFT(H)

获取信道测量场景中的功率时延谱P，计算公式如下：

P＝20log₁₀(|h|²)

步骤S20：判断信道数据点所属类型。

功率时延谱中的每个数据点都可以分为有效的多径信号或噪声。为了准确地区分多径信号与噪声，本发明提出了两条新颖的多径判断与标记准则：

多径信号会在几个连续快照中相似的时延下同时出现。而噪声样本的相关性较弱，其在连续的快照中通常不会在相似的时延下出现。值得注意的是，该准则要求信道测量是在不同连续位置的测量。图2为本发明实施例提供的一种信道数据标记准则示意图。在图2中的两幅测量快照中，14.23微秒和14.4微秒处，峰值连续出现，因此被视为是多径信号。而在14.77微秒处，快照1出现峰值，但快照2则出现了低谷，该时延下的信号在连续快照中并没有同时出现，因此被视为噪声。

占主导地位的多径信号通常伴随着散射径，在功率时延谱的曲线中展现出拖尾现象。例如出现在图2快照1中圆圈内所示的拖尾时，相关的数据点被视为有效的多径信号。该准则主要适用于高于噪声门限5dB及以上的高功率多径信号，而对于略微高于噪声门限或与噪声门限功率水平相当的低功率多径信号，其伴随的散射径能量可能低于噪声而无法被区分，此时可应用上一段所描述的准则来判断和标记多径。

步骤S30：对信道数据进行标记。

图3为本发明实施例提供的一种对信道数据标记后的功率时延谱示意图。在功率时延谱中将步骤S20判断出的有效多径信号和噪声分别进行标记，如图3所示，标记后的功率时延谱被分类为有效的多径信号和噪声。

步骤S40：对信道数据进行预处理，将功率时延谱中的数据重新整理排列，使每组信道数据序列由一个待分类数据点及其相邻数据点组成，生成信道数据序列。

为了能使双向循环神经网络更快地收敛，首先需要将功率时延谱中的数据点进行归一化处理，方法如下：

其中P_i为功率时延谱中的第i个数据点，min与max分别为取功率时延谱中最小值和最大值的操作。

随后为了将标记数据输入到双向循环神经网络中，需要将功率时延谱中的数据重新整理排列，使每组信道冲激响应数据序列由一个待分类数据点及其相邻数据点组成，其中待分类点前包含15个信道数据，待分类点之后包含20个信道数据，因此每组信道数据序列包含36个信道数据。信道冲激响应数据序列的结构和分布如图4所示。

步骤S50：将整理后的具有标记信息的信道数据序列输入到双向循环神经网络中训练。

所构建的网络规模和类型为{36,128,128,1}的双向循环神经网络，其中输入和输出层的节点数分别为36和1，两层隐藏层的节点数为128。随后将上述信道数据序列输入到神经网络中进行训练，得到训练好的双向循环神经网络模型。

本发明创新性地将双向循环神经网络应用于信道数据去噪处理中，相比其他发明中常见的单向循环神经网络，双向循环神经网络可以学习到当前节点与其前后节点的关系，而单向循环神经网络仅能学习到当前节点与其后节点的关系。多径相比噪声具有更强的相关性，而双向循环神经网络相比常规神经网络能更好地学习这种相关性，进而提升了信道数据去噪的准确性。

步骤S60：将待去噪的信道数据输入到训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据。

将待去噪的信道数据同样按照步骤S40和步骤S50中的处理方式处理，获取待去噪的信道数据序列。将待去噪的信道数据序列输入到经过训练后的双向循环神经网络中，由此可在神经网络的输出端获取到每一个待去噪信道数据点的分类标识结果。

将待去噪信道数据点的分类标识结果组成列向量，并与行向量的信道冲激响应原始数据相乘，即可获取经双向循环神经网络去噪后的信道冲激响应数据。

为了验证本发明的优越性，图5展示了使用本发明构建和训练的双向循环神经网络去噪的结果图。其中图5(a)和(b)展示了原始未去噪的信道功率时延谱及其相邻快照，结合图5(a)和(b)以及步骤S20中的两条准则来判断信道数据中的有效多径信号与噪声。可以看到，14.67微秒出现多径，而15.3、15.47以及15.93微秒的数据点为噪声。图5(c)为使用传统噪声门限去噪的结果，可以看到虽然14.67微秒处的多径信号被保留，但15.3、15.47和15.93微秒处的噪声信号同样被保留。而图5(d)则为使用本发明所述的神经网络去噪的结果，可以看到14.67微秒及先前的有效多径被保留，同时信道数据中的噪声被全部去除。由此可知，本发明确实能够更好地去除信道数据中的噪声，验证了所提方法的有效性与可靠性。

综上所述，本发明实施例提出的基于机器学习的信道数据去噪相比传统的噪声门限去噪方法，可以实现更快速和准确的信道数据去噪。

本发明提出的基于机器学习的信道数据去噪方法，通过实现对信道数据的有效去噪，有助于更加精准地估计和计算信道特性参数，从而有效提高信道分析和建模的准确性。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种基于机器学习的无线信道数据去噪方法，其特征在于，包括：

获取信道测量场景中的信道冲激响应数据序列；

构建双向循环神经网络，将所述信道测量场景中的信道数据序列输入到所述双向循环神经网络中进行训练，得到训练好的双向循环神经网络；

将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据；所述获取信道测量场景中的信道冲激响应数据序列，包括：

将信道测量设备的发射机与接收机的端口通过射频线缆相互连接，记录信道测量设备直连状态下的信道频率响应H_ref；

将信道测量设备的发射和接收两端分别连接发射与接收天线，将信道测量设备放置在信道测量场景中，测量并记录信道测量场景中的信道频率响应H_raw；

获取信道测量场景中的信道频率响应H，计算公式如下：

利用傅里叶逆变换获得信道测量场景中的信道冲激响应h，计算公式如下：

h＝IFFT(H)

获取信道测量场景中的功率时延谱P，计算公式如下：

P＝20log₁₀(|h|²)

将获得的信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，并对多径信号和噪声进行标记；

将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理后，再进行重新整理排列，使每组信道数据序列由一个待分类数据点及其相邻数据点组成，生成双向循环神经网络输入所需的信道冲激响应数据序列。

2.根据权利要求1所述的方法，其特征在于，所述的将信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，包括：

根据设定的判断准则将信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，所述设定的多径判断准则包括：

当在不同位置连续进行信道测量时，多径信号会在几个连续快照中相似的时延下同时出现，而噪声样本在连续的快照中不会在相似的时延下出现；

多径信号伴随着散射径，在功率时延谱的曲线中展现出拖尾现象。

3.根据权利要求1所述的方法，其特征在于，所述的将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理，包括：

将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理，方法如下：

其中P_i为功率时延谱中的第i个数据点，min与max分别为取功率时延谱中最小值和最大值的操作。

4.根据权利要求1所述的方法，其特征在于，所述的双向循环神经网络的网络规模为{36,128,128,1}，其中输入和输出层的节点数分别为36和1，两层隐藏层的节点数为128。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述的将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据，包括：

获取待去噪的信道数据的功率时延谱，对所述功率时延谱进行归一化处理，再进行重新整理排列，使每组信道数据序列由一个待分类数据点及其相邻数据点组成，生成待去噪的信道数据序列；

将待去噪的信道数据序列输入到经过训练后的双向循环神经网络中，所述双向循环神经网络输出每一个待去噪信道数据点的分类标识结果，将每一个待去噪信道数据点的分类标识结果组成列向量，并与行向量的信道冲激响应原始数据相乘，获取经双向循环神经网络去噪后的信道冲激响应数据。

Images