[发明专利]基于UKFNN的无线信道场景识别方法

说明书

技术领域

本发明涉及无线信道中模式识别领域，具体的说是一种基于UKFNN(unscented Kalman filter artificial neural network，无迹卡尔曼滤波神经网络)的无线信道场景识别方法。

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。

无线通信数据信息主要是以无线电波为载体通过无线信道来传输的。由于无线信道所在环境复杂多变，容易出现波的多径传播，例如出现直射、反射、散射等现象；同时，电磁波也会在各路径相互作用下发生多径衰落现象。为更好的反映实际环境中信号的传输规律，为无线网络的规划优化、无线系统的设计、测试和定型等提供重要的参考依据，提出建设无线信道模型。

但是目前无线信道建模方法可以分为统计性建模、确定性建模以及半确定性建模三种方法，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，对无线信道特征建模效果有限。

发明内容

针对上述问题，本发明提供了一种基于UKFNN的无线信道场景识别方法，采用无迹卡尔曼滤波神经网络方法，即：UKFNN，对无线信道状态参数估计建立动态实时滤波效果的分段模型和分区模型，使其能够反映信道的实际分布情况，从而实现对无线信道的路段、区域的识别，来解决无线信道建模复杂度高、难度大、精度低等问题，将真实信道数据进行智能分段和分区。

为达到上述目的，本发明采用的具体技术方案如下：

一种基于UKFNN的无线信道场景识别方法，包括以下步骤：

S1：采集连续路段的信道数据作为训练样本；

S2：将所得的训练样本平均分为l段，l＝2,3,4,5,…，分别利用无迹卡尔曼滤波神经网络进行建模，根据建模效果确定分段数目并得到连续信道数据分段模型；

S3：利用AP算法对每一段数据进行区域划分；

S4：将所得的训练样本按照步骤S3所划分出的区域进行标记，并利用UKFNN无迹卡尔曼滤波神经网络进行区域特征建模，得到连续信道数据分区模型；

S5：将待测数据带入步骤S2所训练出的连续信道数据分段模型，判断出属于哪一路段；

S6：将待测数据带入步骤S4所训练出的连续信道数据分区模型，从而判断出属于哪一区域。

进一步描述，步骤S2中得到连续信道数据分段模型的具体步骤如下：

S21：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；

S22：利用主成份分析法对步骤S21转换后的信道数据进行降维处理；

S23：对步骤S21和S22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；

S24：利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道模型；

S25：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，对信道分段场景进行识别。

再进一步描述，步骤S21中霍特林变换为：

矩阵A为复数形式的信道数据，寻求正交矩阵Q，使得Qφ_AQ^T＝diag(λ₁,λ₂,…λ_n)，从而得到经霍特林变换后的实数矩阵B＝QA，其中，λ_iA为矩阵A的特征值，1≤i≤n，φ_A为矩阵A的协方差矩阵，φ_A＝E{(A-E(A))(A-E(A))^T}，E(A)为矩阵A的期望值矩阵。

再进一步描述，步骤S22中降维的具体方法为：

S221：特征中心化，即将矩阵B的每一维数据都减去该维的均值，得到矩阵BB，其中，矩阵BB的均值为0；