[发明专利]基于UKFNN的无线信道“指纹”特征动态建模方法

摘要

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。

主权项

1.一种基于UKFNN的无线信道“指纹”特征动态建模方法，其特征在于，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；霍特林变换的具体方法为：矩阵A为复数形式的信道数据，寻求正交矩阵Q，使得QφAQT＝diag(λ1,λ2,…λh)，从而得到经霍特林变换后的实数矩阵B＝QA，其中，λi为矩阵A的特征值，1≤i≤h，φA为矩阵A的协方差矩阵，φA＝E{(A‑E(A))(A‑E(A))T}，E(A)为矩阵A的平均值矩阵；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；降维的具体方法为：S21：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；S22：计算矩阵BB的协方差矩阵C；S23：按照特征值大小，选取对应的特征向量，使得矩阵B转换为主元矩阵t；S24：确定主元个数f，从而得到新的数据集；采用累积贡献率CPV来确定主元个数f，即：第i个主元的贡献率为：前f个主元的累积贡献率为：式中，λ_i为协方差矩阵C中第i个特征值，若CPV(i)大于设定值CL，则前f个主元可替代原始数据；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XM×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；无迹卡尔曼滤波神经网络为三层神经网络，其中，隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络的函数表达式为：式中，F¹为输入层与隐含层之间的连接函数，F²为隐含层与输出层之间的连接函数，b_n为输入层和隐含层之间的阈值，b_1i为隐含层和输出层间的阈值，x_k为输入样本，w_ij为从神经元j到神经元i的连接权值，为输入层与隐含层之间的连接权值，为隐含层与输出层之间的连接权值，m为输入神经元个数，n为隐含层神经元数目，k为0‑10之间的常数；建模的具体方法为：通过无迹卡尔曼滤波对神经网络的权值、阈值进行估计，将神经网络的权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到无线信道“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。