[发明专利]一种基于支持向量机的单比特空间谱估计方法

说明书

一种基于支持向量机的单比特空间谱估计方法，涉及阵列信号处理中的空间谱估计领域和人工智能中的支持向量机领域。解决了在单比特极端量化和超大规模天线阵情形，传统空间谱估计算法不仅计算量很大，而且精度较差的问题。本发明将大规模天线阵中的单比特空间谱估计建模为一个人工智能中的分类问题，并采用支持向量机方法来求解来波信号的空间谱。本发明提出的算法相对于传统算法的优势在于提高了空间谱估计的精度以及简化了接收机结构，并且能够同时估计多个信号源的角度。本发明用于对空间谱进行估计。

技术领域

本发明涉及阵列信号处理中的空间谱估计领域和人工智能中的支持向量机领域。

背景技术

在雷达、通信、声呐、气象等领域，阵列信号处理有广泛而重要的应用。而在阵列信号处理中，空间谱估计是进行波束成形和其他阵列信号处理算法的基础。而在5G移动通信的研究中，大规模MIMO成为一个受到关注的热点。在超大规模天线阵列的情况下，进行低复杂度和高精度的空间谱估计是进行其他算法处理的基础。在真实的接收机进行测向处理时，量化处理会降低算法的精度。本发明考虑的是单比特极端量化情形，也即每个阵元只保留接收数据的符号信息。考虑单比特极端量化情形，如果仍然采用传统的空间谱估计方法比如多重信号分类算法，不仅计算量很大，而且精度较差。

因此，在单比特极端量化和超大规模天线阵情形，传统空间谱估计算法不仅计算量很大，而且精度较差，上述问题是本发明亟需解决的问题。

发明内容

本发明是为了解决在单比特极端量化和超大规模天线阵情形，传统空间谱估计算法不仅计算量很大，而且精度较差的问题。本发明提供了一种基于支持向量机的单比特空间谱估计方法。

一种基于支持向量机的单比特空间谱估计方法，该方法包括如下步骤：

步骤一：根据单比特接收数据，构造样本训练模型；

步骤二：对构造样本训练模型的输入和输出，采用支持向量机算法，计算出分类系数向量t，其中t＝[t₁,t₂,...,t_i,...,t_2m]^T；

步骤三：根据的分类系数向量t和下述公式一：

S_i＝t_i+j×t_i+m (公式一)；

获得空间谱S＝[S₁,S₂,...,S_m]^T，从而完成对空间谱S的估计；

其中，i和m均为整数，t_i为分类系数向量t的第i个分量，t_i+m为分类系数向量t的第i+m个分量，S_i表示空间谱S的第i个分量，j为虚数单位。

所述的步骤一中根据单比特接收数据，构造样本训练模型的具体过程为：

步骤一一，对原始样本训练模型：

进行稀疏表示，获得稀疏表示后的原始样本训练模型：

x＝FS (公式三)，

步骤一二，对稀疏表示后的原始样本训练模型进行单比特量化，获得单比特量化后的模型：

步骤一三，将单比特量化后的模型在实数域表示为，

q＝sign(Φt+e′) (公式五)，

所述的单比特量化后的模型在实数域为构造的样本训练模型；

其中，