[发明专利]基于UKFNN的无线信道“指纹”特征动态建模方法

说明书

本发明提供了一种基于UKFNN的无线信道“指纹”特征动态建模方法，包括以下步骤：利用霍特林变换将复数形式的信道数据转换为实数域数据；利用主成份分析法对步骤S1转换后的信道数据进行降维处理；对步骤S1和S2处理后的数据进行归一化处理；利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道“指纹”模型；定义归类准则，并以UKFNN无迹卡尔曼滤波神经网络的输出变量对输入样本进行归类，对场景进行识别。该方法基于UKFNN无迹卡尔曼滤波神经网络建立精确的无线信道“指纹”特征动态模型，能正确识别出数据来自哪个已知场景，对无线信道建模具有非常重要的现实意义。

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于UKFNN的无线信道“指纹”特征动态建模方法。

背景技术

移动通信产业一直以惊人的速度迅猛发展，已成为带动全球经济发展的主要高科技产业之一，并对人类生活及社会发展产生了巨大的影响。在移动通信中，发送端和接收端之间通过电磁波来传输信号，我们可以想象两者之间有一些看不见的电磁通路，并把这些电磁通路称为无线信道。无线信道与周围的环境密切相关，不同环境下的无线信道具有一些差异化的特征。如何发现并提取这些特征并将其应用于优化无线网络，是当前的一个研究热点。类比人类指纹，我们将上述无线信道的差异化的特征称为无线信道“指纹”。无线信道“指纹”特征建模，就是在先验模型和测试数据的基础上，提取不同场景或不同区域内无线信道的差异化的特征，进而分析归纳出“指纹”的“数学模型”，并给出清晰准确的“数学描述”。这对研究无线信道特性并有效区分无线信道的场景或者区域意义重大。

无线通信数据的信息是以无线电波为载体通过无线信道来传播的，由于传播过程中环境的复杂性，导致信号在传输过程中发生反射、衍射以及散射等现象，这使得接收端接收到的信号是发射信号经过多径衰落、时延以及相移等过程之后叠加而成的。目前对无线信道“指纹”特征建模方法主要方法有统计性建模方法、确定性建模方法以及半确定性建模方法，但其模型复杂度高、参数获取难度大，难以满足模型精度。

人工神经网络(ANN)以其强大的非线性逼近能力，具有不依赖精确建模过程以及任意逼近非线性映射的特点。ANN在处理复杂系统的建模问题上显示出独特的优越性，被广泛用于模式识别领域。然而目前，很少有人应用ANN来对无线信道“指纹”特征进行建模，且ANN只对输入输出变量进行简单的静态映射，是一种静态建模方法，对无线信道指纹“特征”建模效果有限。如何建立高精度的无线信道“指纹”特征模型是当前的热点。

发明内容

本申请通过提供一种基于UKFNN的无线信道“指纹”特征动态建模方法，采用具有自适应动态跟踪能力的UKF算法对静态神经网络模型进行调整，将神经网络的权值和阈值作为UKF的状态变量，神经网络的输出作为UKF的测量变量，通过状态参数估计建立动态实时滤波效果的模型，以解决神经网络静态建模对无线信道“指纹”建模的效果不佳的技术问题。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种基于UKFNN的无线信道“指纹”特征动态建模方法，包括如下步骤：

S1：利用霍特林变换将复数形式的信道数据转换为实数域数据；

S2：利用主成份分析法对步骤S1转换后的信道数据进行降维处理；

S3：对步骤S1和S2处理后的数据进行归一化处理，得到新数据X_M×N，其中，M为变量个数，，N为样本数目；

S4：利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道“指纹”模型；

S5：定义归类准则，并以无迹卡尔曼滤波神经网络的输出变量对输入样本进行归类，对场景进行识别。

进一步地，步骤S1中霍特林变换的具体方法为：