CN111835444B - 一种无线信道场景识别方法及*** - Google Patents
一种无线信道场景识别方法及*** Download PDFInfo
- Publication number
- CN111835444B CN111835444B CN202010553067.3A CN202010553067A CN111835444B CN 111835444 B CN111835444 B CN 111835444B CN 202010553067 A CN202010553067 A CN 202010553067A CN 111835444 B CN111835444 B CN 111835444B
- Authority
- CN
- China
- Prior art keywords
- wireless channel
- scene
- channel scene
- signal
- spectral density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000006870 function Effects 0.000 claims abstract description 73
- 230000003595 spectral effect Effects 0.000 claims abstract description 73
- 238000013135 deep learning Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005314 correlation function Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000005562 fading Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线信道场景识别方法及***,属于无线通信中无线信道场景识别领域,首先建立无线信道场景模型,通过计算机仿真出不同的无线信道场景,得到信道场景基带信号y(t)pq;其次采用自相关方法对y(t)pq进行特征参数提取,提取出自相关函数Ah(t)pq,对Ah(t)pq进行傅里叶变换得到功率谱密度函数S(t)pq;再对S(t)pq作归一化处理得到归一化信道场景功率谱密度函数然后设计深度学习网络,输入归一化功率普密度函数与类别标签对训练搭建的深度学习网络;最后对待识别信道场景的***,在其接收端采集通频带信号,根据上述步骤得到归一化场景功率谱密度函数将作为已经训练好的分类器的输入,分类器的输出即为信道场景的标签序列,可以有效地完成信道场景的判定。
Description
技术领域
本发明属于无线通信中无线信道场景识别领域,更具体地,涉及一种无线信道场景识别方法及***。
背景技术
无线通信的传输质量与无线通信的周围环境存在很大的关系。不同的无线信道环境存在不同的特点。甚至在相同的通信环境下由于多经效应的存在会使得传输信号存在差异,电磁波在无线信道传输中通过反射、衍射以及折射形成多经效应。在接收端接收经过不同路径的同一电磁波信号,会得到不同的多经时延以及多经数目。由于多经效应的存在使得实景场景存在差异化,由此导致不同无线信道场景的单位脉冲响应存在差异化。而且信号在无线信道中伴随着大尺度衰落、小尺度衰落以及多普勒效应,导致无线信道的建模与研究十分复杂。通过识别出不同的无线信道场景类型,可以结合适当的物理层技术来匹配不同的无线信道场景,从而提高无线通信的质量。因此研究一种无线信道场景识别方法十分有意义与必要。
为了解决加性噪声信道的辨识问题,存在自适应辨识均衡处理方法,该方法可以对两种信道类型进行很好的辨识。为了降低噪声对信道盲辨识的影响,存在基于递推最小二乘的子空间跟踪方法,但是该方法对实际信道场景中的脉冲噪声非常敏感。也有利用鲁棒统计子空间跟踪方法来进行信道场景辨识的方法,该方法可以对三种信道进行识别。针对室内的无线信道场景,有基于信道强度指标的信道状态分类方法,该方法在特定的信道环境下,可以对两种信道场景进行分类,分类准确率有待提高。然而通常户外通信中,发射机离基站有一定的距离,存在反射折射等现象,且很难有直射路径,信道是服从瑞利衰落信道类型的。
目前无线信道场景识别方法存在识别范围局限,识别种类受限的缺陷,鉴于室外无线信道场景识别方法并没有得到专门的论证,一种无线信道场景识别方法被提出。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种无线信道场景识别方法及***,利用自相关函数与傅立叶变换的特征提取方法可以从不同的无线信道场景类型中很好的提取功率谱密度函数,同时结合具有强大分类能力的人工智能深度学习算法,能够达到对不同无线信道场景分类的目的,而且具有较优的识别效果。
为实现上述目的,按照本发明的一个方面,提供了一种无线信道场景识别方法,包括:
(1)建立无线信道场景模型,并根据所述无线信道场景模型仿真出不同的无线信道场景,对于各所述无线信道场景,采集通频带信号并进行预处理得到信道场景基带信号;
(2)采用自相关方法对所述信道场景基带信号进行特征参数提取,提取出所述信道场景基带信号的自相关函数;
(3)对所述自相关函数进行傅里叶变换得到功率谱密度函数,对所述功率谱密度函数作归一化处理得到归一化信道场景功率谱密度函数;
(4)设计深度学习网络,将所述归一化信道场景功率谱密度函数与对应的场景类别标签作为所述深度学习网络的输入,对所述深度学习网络进行训练,以采用训练好的深度学习网络对待识别的信道场景进行识别。
优选地,所述根据所述无线信道场景模型仿真出不同的无线信道场景,包括:
初始化相关参数,利用平坦滤波器法产生不同无线信道场景,通过两路高斯白噪声随机序列输入平坦滤波器,从而分别产生有色高斯白噪声随机序列,组成不同无线信道场景的实部和虚部;
对不同无线信道场景进行一阶和二阶统计分析。
优选地,对所述通频带信号进行预处理,包括:
由求出所述通频带信号的基带接收信号y(t)pq,其中,φi(t)=2π{(fc+fi)τi-fiτi},Ci与τi分别表示第i条传播路径的信道增益与路径时延,fi表示多普勒频移,v表示移动台的速度,λ表示移动台的波长,fm为最大多普勒频移,θi为第i个平面波的到达角度,p表示第p种无线信道场景,q表示第p种无线信道场景中第q个信道通频带信号,I表示传播路径数量;
将y(t)pq建模成为一个线性时变滤波器,求该滤波器的复基带脉冲响应其中,δi(·)为狄拉克函数,在采样周期比路径时延之间的差大于预设阈值的情况下,路径时延τi用近似表示,将h(t,τ)pq表示为其中,ai为第i条路径的幅值;
优选地,步骤(2)包括:
优选地,步骤(3)包括:
优选地,所述设计深度学习网络,包括:
采用深度置信网络构建基于深度学习的无线信道场景识别分类器,所述无线信道场景识别分类器包括一个输入层h0,一个输出层O和N个隐含层h1,h2,…,hn,输入层h0的单元个数等于输入特征的维度,设置为输入特征向量特征的个数,输出层O的单元个数等于无线信道场景类型总数,最后一个隐含层hn由量子单元组成,量子单元具有多个层次的表示能力,其他隐含层都是由sigmoid单元组成。
优选地,所述采用训练好的深度学习网络对待识别的信道场景进行识别,包括:
对于待识别的无线信道场景,在接收端采集通频带信号并进行预处理得到信道场景基带信号;
采用自相关方法对所述待识别的无线信道场景的信道场景基带信号进行特征参数提取,提取出所述待识别的无线信道场景的信道场景基带信号的自相关函数;
对所述待识别的无线信道场景的信道场景基带信号的自相关函数进行傅里叶变换得到功率谱密度函数,对傅里叶变换得到的功率谱密度函数作归一化处理得到所述待识别的无线信道场景的归一化信道场景功率谱密度函数;
将所述待识别的无线信道场景的归一化信道场景功率谱密度函数作为训练好的分类器的输入,根据分类器的输出情况,完成所述待识别的无线信道场景的识别。
优选地,所述根据分类器的输出情况,完成所述待识别的无线信道场景的识别,包括:
计算分类器的输出向量与各无线信道场景类别标签向量之间的欧式距离,取最小欧式距离对应的信道场景作为所述待识别的无线信道场景的判决类型。
按照本发明的另一方面,提供了一种无线信道场景识别***,包括:
建模仿真及信号处理模块,用于建立无线信道场景模型,并根据所述无线信道场景模型仿真出不同的无线信道场景,对于各所述无线信道场景,采集通频带信号并进行预处理得到信道场景基带信号;
自相关求取模块,用于采用自相关方法对所述信道场景基带信号进行特征参数提取,提取出所述信道场景基带信号的自相关函数;
归一化信道场景功率谱密度求取模块,用于对所述自相关函数进行傅里叶变换得到功率谱密度函数,对所述功率谱密度函数作归一化处理得到归一化信道场景功率谱密度函数;
训练识别模块,用于设计深度学习网络,将所述归一化信道场景功率谱密度函数与对应的场景类别标签作为所述深度学习网络的输入,对所述深度学习网络进行训练,以采用训练好的深度学习网络对待识别的信道场景进行识别。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:利用自相关函数与傅立叶变换的特征提取方法可以从不同的无线信道场景类型中很好的提取功率谱密度函数,同时结合具有强大分类能力的人工智能深度学习算法,能够达到对不同无线信道场景分类的目的,扩大了信道场景识别的范围,可以在复杂的无线信道场景中提取特征参数,且对不同的无线信道环境具有一定的容错性。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2是本发明实施例提供的一种无线信道的生成流程图;
图3是本发明实施例提供的一种深度置信网络架构图;
图4是本发明实施例提供的一种不同无线信道场景仿真结果时域幅值图;
图5是本发明实施例提供的一种不同无线信道场景一阶二阶统计特性图;
图6是本发明实施例提供的一种在不同无线信道场景中提取的归一化功率谱密度函数,其中,(a)为经典瑞利信道中归一化功率谱密度函数,(b)为高斯衰落信道中归一化功率谱密度函数,(c)为平坦衰落信道中归一化功率谱密度函数,(d)为圆拱衰落信道中归一化功率谱密度函数,(e)为巴特沃兹衰落信道中归一化功率谱密度函数;
图7是本发明实施例提供的一种对不同无线信道场景识别的三维特征结果图;
图8是本发明实施例提供的一种***结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种无线信道场景识别方法对不同的无线信道场景进行了辨识。该方法结合了自相关函数与傅立叶变换,目的在于获取无线信道的功率谱密度函数,并对其进行了归一化处理,同时结合深度学习进行进一步分类处理,通过搭建深度置信网络,结合功率谱密度函数与类别标签对作为训练数据,最终实现了不同无线信道场景识别的目的。识别效果优越,达到了非常高的识别精度。
实施例一
如图1所示是本发明实施例提供的一种无线信道场景识别方法的流程示意图,包括以下步骤:
S1:建立无线信道场景模型:在无线通信中,发送信号为s(t)=Acos(2πfct),其中,A为信号幅值,fc为载波频率,t为时间。一个平面波以角度θ到达,移动台的速度为v波沿水平方向到达。令x(t)为基带发射信号,则相应的通频带发射信号为:其中,Re[(t)]表示s(t)的实部。通过具有I条传播路径的散射信道后,通频带接收信号为:其中,y(t)表示基带接收信号,Ci与τi分别表示第i条传播路径的信道增益与时延,fi表示多普勒频移。移动台的速度v和波长λ,多普勒频移表示为:其中,fm为最大多普勒频移,θi为第i个平面波的到达角度。
S2:无线信道场景实现与通频带信号的预处理:利用平坦滤波器法产生不同无线信道场景,采集通频带信号并进行预处理,其中,p代表第p种无线信道场景,q代表第q个信道通频带信号。求出通频带信号的基带信号y(t)pq,通过基带信号y(t)pq求出复基带脉冲响应h(t,τ)pq,利用复基带脉冲响应h(t,τ)pq求出h(t,τ)pq的同向分量hI(t)pq与正交分量hQ(t)pq。其中,τ代表路径时延。
S3:求取无线信道的自相关函数Ah(t)pq:利用自相关函数方法对同向分量hI(t)pq求取自相关函数对同向分量hI(t)pq与正交分量hQ(t)pq求取互相关函数最后对复基带脉冲响应h(t,τ)pq求取自相关函数Ah(τ)pq。
S4:求取Ah(τ)pq的归一化功率谱密度函数对复基带脉冲响应h(t,τ)pq的自相关函数Ah(τ)pq作傅立叶变换,得到功率谱密度函数Sh(f)pq,对Sh(f)pq进行归一化处理得到归一化功率谱密度函数
S5:针对不同信道场景依次重复上述步骤S2到S4,利用得到的归一化功率谱密度函数与类别标签对构建训练样本集,作为深度学习网络分类器的输入向量,对应的类别标签作为深度学习网络的输出向量,完成分类器的训练。
S6:对上述通信***待识别无线信道场景的时段,在接收端采集通频带信号,根据上述步骤S2到S4,计算其归一化功率谱密度函数将作为上述步骤S5已经训练好的分类器的输入,根据分类器的输出情况,完成无线信道场景的识别。
在本发明实施例中,如图2所示,步骤S2中利用平坦滤波器法产生无线信道场景,其具体步骤如下:
(a)初始化相关参数:包括***采样频率,采样点数,最大多普勒平移;
(b)利用平坦滤波器法产生不同无线信道场景,通过两路高斯白噪声随机序列输入平坦滤波器,从而分别产生有色高斯白噪声随机序列,组成不同无线信道场景的实部和虚部;
如图4所示是本发明实施例提供的一种不同无线信道场景仿真结果时域幅值图,从上到下依次为经典瑞利信道仿真结果时域幅值图,瑞利平坦衰落信道仿真结果时域幅值图,瑞利高斯衰落信道仿真结果时域幅值图,巴特沃兹衰落信道仿真结果时域幅值图,瑞利圆拱衰落信道仿真结果时域幅值图;从图4中可以看出,在最大多普勒平移fd=500Hz,采样点为6000时,五种无线信道时域波形呈现出了不同的特点。
(d)对不同无线信道场景进行一阶和二阶统计分析,如图5所示,其中,左图表示经典瑞利信道、瑞利平坦衰落信道、瑞利高斯衰落信道、巴特沃兹衰落信道及瑞利圆拱衰落信道的幅值统计特性,不同信道的一阶统计特性服从瑞利分布;图5右图表示不同信道的角度统计特性,不同的信道场景二阶角度统计特性服从均匀分布。从图5中可以得出五种仿真信道均符合要求,可以用于无线信道识别测试。
(i)求通频带接收信号的基带信号y(t)pq:利用公式求出通频带的基带接收信号y(t)pq,其中,φi(t)=2π{(fc+fi)τi-fiτi},Ci与τi分别表示第i条传播路径的信道增益与时延,fi表示多普勒频移。移动台的速度v和波长λ,则多普勒频移表示为:其中,fm为最大多普勒频移,θi为第i个平面波的到达角度;
(ii)求该滤波器的复基带脉冲响应h(t,τ)pq:将y(t)pq建模成为一个线性时变滤波器,求该滤波器的复基带脉冲响应其中,Ci与τi分别表示第i条传播路径的信道增益与路径时延,δi(·)为狄拉克函数。在采样周期比路径时延之间的差大于预设阈值时,路径时延τi就可以用近似表示,h(t,τ)pq就可以表示为其中,ai为第i条路径的幅值。
其中,预设阈值可以根据实际需要确定,以保证采样周期比路径时延大很多即可,预设阈值的具体大小本发明实施例不做唯一性限定。
在本发明实施例中,步骤S3中利用自相关法求取无线信道的自相关函数Ah(t)pq,其具体步骤如下:
如图6所示是本发明实施例提供的一种在不同无线信道场景中提取的归一化功率谱密度函数,其中,(a)为经典瑞利信道中归一化功率谱密度函数,(b)为高斯衰落信道中归一化功率谱密度函数,(c)为平坦衰落信道中归一化功率谱密度函数,(d)为圆拱衰落信道中归一化功率谱密度函数,(e)为巴特沃兹衰落信道中归一化功率谱密度函数,从图6中可以看出不同的无线信道场景所提取的归一化功率谱密度函数各不相同,具有很强的特征差异,相同的无线信道场景提取的归一化功率谱密度函数大致相同,说明该特征参数可以很好的用于识别不同的无线信道场景。
在本发明实施例中,步骤S5中构建基于深度学习的无线信道场景识别分类器具体实施步骤:
如图3所示,构建基于深度学习的无线信道场景识别分类器时采用深度置信网络,包括一个输入层h0,一个输出层O和N个隐含层h1,h2,…,hn,输入层h0的单元个数等于输入特征的维度,设置为输入特征向量特征的个数;输出层O的单元个数等于无线信道场景类型总数,最后一个隐含层hn由量子单元组成,量子单元具有多个层次的表示能力,其他隐含层都是由sigmoid单元组成。
在本发明实施例中,步骤S6中根据分类器的输出情况,完成无线信道场景的判决,以此计算分类器输出向量与各无线信道场景标签向量之间的欧式距离,取最小欧式距离对应的信道场景作为输出判决。
如图7所示是本发明实施例提供的一种对不同无线信道场景识别的三维特征结果图,从图7可以看出:不同的无线信道场景被识别在不同的三维空间范围内,相同的信道场景被准确的识别出来,聚类到一定的空间范围内,由此说明本发明对不同无线信道场景具有很好的识别效果。
在本发明实施例中,提供了一种无线信道场景识别方法,首先建立无线信道场景模型,通过计算机仿真出不同的无线信道场景,得到信道场景基带信号y(t)pq;其次采用自相关方法对y(t)pq进行特征参数提取,提取出自相关函数Ah(t)pq,对Ah(t)pq进行傅里叶变换得到功率谱密度函数S(t)pq,再对S(t)pq作归一化处理得到归一化信道场景功率谱密度函数然后设计深度学习网络,输入归一化功率普密度函数与类别标签对训练搭建的深度学习网络;最后对待识别信道场景的***,在其接收端采集通频带信号,根据上述步骤的方法得到归一化场景功率谱密度函数将作为已经训练好的分类器的输入,分类器的输出即为信道场景的标签序列,完成信道场景的判定。本发明能够对多种无线信道场景进行分类识别,扩大了无线信道场景识别的范围。对独立同分布瑞利信道具有鲁棒性且泛化能力较强,能够获得很好的分类识别效果。可以在复杂的无线信道场景中提取特征参数,且分类器的学习训练简单,对无线信道场景分类可靠有效。
实施例二
如图8所示是本发明实施例提供的一种***结构示意图,包括:
建模仿真及信号处理模块801,用于建立无线信道场景模型,并根据无线信道场景模型仿真出不同的无线信道场景,对于各无线信道场景,采集通频带信号并进行预处理得到信道场景基带信号;
自相关求取模块802,用于采用自相关方法对信道场景基带信号进行特征参数提取,提取出信道场景基带信号的自相关函数;
归一化信道场景功率谱密度求取模块803,用于对自相关函数进行傅里叶变换得到功率谱密度函数,对功率谱密度函数作归一化处理得到归一化信道场景功率谱密度函数;
训练识别模块804,用于设计深度学习网络,将归一化信道场景功率谱密度函数与对应的场景类别标签作为深度学习网络的输入,对深度学习网络进行训练,以采用训练好的深度学习网络对待识别的信道场景进行识别。
其中,各模块的具体实施方式可以参考上述方法实施例的描述,本发明实施例将不再复述。
在本发明实施例中,提供了一种无线信道场景识别***,首先建立无线信道场景模型,通过计算机仿真出不同的无线信道场景,得到信道场景基带信号y(t)pq;其次采用自相关方法对y(t)pq进行特征参数提取,提取出自相关函数Ah(t)pq,对Ah(t)pq进行傅里叶变换得到功率谱密度函数S(t)pq,再对S(t)pq作归一化处理得到归一化信道场景功率谱密度函数然后设计深度学习网络,输入归一化功率普密度函数与类别标签对训练搭建的深度学习网络;最后对待识别信道场景的***,在其接收端采集通频带信号,根据上述步骤的方法得到归一化场景功率谱密度函数将作为已经训练好的分类器的输入,分类器的输出即为信道场景的标签序列,完成信道场景的判定。本发明能够对多种无线信道场景进行分类识别,扩大了无线信道场景识别的范围。对独立同分布瑞利信道具有鲁棒性且泛化能力较强,能够获得很好的分类识别效果。可以在复杂的无线信道场景中提取特征参数,且分类器的学习训练简单,对无线信道场景分类可靠有效。
实施例三
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现方法实施例中的无线信道场景识别方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种无线信道场景识别方法,其特征在于,包括:
(1)建立无线信道场景模型,并根据所述无线信道场景模型仿真出不同的无线信道场景,对于各所述无线信道场景,采集通频带信号并进行预处理得到信道场景基带信号;
其中,对所述通频带信号进行预处理,包括:
由求出所述通频带信号的基带接收信号y(t)pq,其中,φi(t)=2π{(fc+fi)τi-fiτi},Ci与τi分别表示第i条传播路径的信道增益与路径时延,fi表示多普勒频移,v表示移动台的速度,λ表示移动台的波长,fm为最大多普勒频移,θi为第i个平面波的到达角度,p表示第p种无线信道场景,q表示第p种无线信道场景中第q个信道通频带信号,I表示传播路径数量;
将y(t)pq建模成为一个线性时变滤波器,求该滤波器的复基带脉冲响应其中,δi(·)为狄拉克函数,在采样周期比路径时延之间的差大于预设阈值的情况下,路径时延τi用近似表示,将h(t,τ)pq表示为其中,ai为第i条路径的幅值;
(2)采用自相关方法对所述信道场景基带信号进行特征参数提取,提取出所述信道场景基带信号的自相关函数;
(3)对所述自相关函数进行傅里叶变换得到功率谱密度函数,对所述功率谱密度函数作归一化处理得到归一化信道场景功率谱密度函数;
(4)设计深度学习网络,将所述归一化信道场景功率谱密度函数与对应的场景类别标签作为所述深度学习网络的输入,对所述深度学习网络进行训练,以采用训练好的深度学习网络对待识别的信道场景进行识别。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述设计深度学习网络,包括:
采用深度置信网络构建基于深度学习的无线信道场景识别分类器,所述无线信道场景识别分类器包括一个输入层h0,一个输出层O和N个隐含层h1,h2,…,hn,输入层h0的单元个数等于输入特征的维度,设置为输入特征向量特征的个数,输出层O的单元个数等于无线信道场景类型总数,最后一个隐含层hn由量子单元组成,量子单元具有多个层次的表示能力,其他隐含层都是由sigmoid单元组成。
6.根据权利要求5所述的方法,其特征在于,所述采用训练好的深度学习网络对待识别的信道场景进行识别,包括:
对于待识别的无线信道场景,在接收端采集通频带信号并进行预处理得到信道场景基带信号;
采用自相关方法对所述待识别的无线信道场景的信道场景基带信号进行特征参数提取,提取出所述待识别的无线信道场景的信道场景基带信号的自相关函数;
对所述待识别的无线信道场景的信道场景基带信号的自相关函数进行傅里叶变换得到功率谱密度函数,对傅里叶变换得到的功率谱密度函数作归一化处理得到所述待识别的无线信道场景的归一化信道场景功率谱密度函数;
将所述待识别的无线信道场景的归一化信道场景功率谱密度函数作为训练好的分类器的输入,根据分类器的输出情况,完成所述待识别的无线信道场景的识别。
7.根据权利要求6所述的方法,其特征在于,所述根据分类器的输出情况,完成所述待识别的无线信道场景的识别,包括:
计算分类器的输出向量与各无线信道场景类别标签向量之间的欧式距离,取最小欧式距离对应的信道场景作为所述待识别的无线信道场景的判决类型。
8.一种无线信道场景识别***,其特征在于,包括:
建模仿真及信号处理模块,用于建立无线信道场景模型,并根据所述无线信道场景模型仿真出不同的无线信道场景,对于各所述无线信道场景,采集通频带信号并进行预处理得到信道场景基带信号;
其中,对所述通频带信号进行预处理,包括:
由求出所述通频带信号的基带接收信号y(t)pq,其中,φi(t)=2π{(fc+fi)τi-fiτi},Ci与τi分别表示第i条传播路径的信道增益与路径时延,fi表示多普勒频移,v表示移动台的速度,λ表示移动台的波长,fm为最大多普勒频移,θi为第i个平面波的到达角度,p表示第p种无线信道场景,q表示第p种无线信道场景中第q个信道通频带信号,I表示传播路径数量;
将y(t)pq建模成为一个线性时变滤波器,求该滤波器的复基带脉冲响应其中,δi(·)为狄拉克函数,在采样周期比路径时延之间的差大于预设阈值的情况下,路径时延τi用近似表示,将h(t,τ)pq表示为其中,ai为第i条路径的幅值;
自相关求取模块,用于采用自相关方法对所述信道场景基带信号进行特征参数提取,提取出所述信道场景基带信号的自相关函数;
归一化信道场景功率谱密度求取模块,用于对所述自相关函数进行傅里叶变换得到功率谱密度函数,对所述功率谱密度函数作归一化处理得到归一化信道场景功率谱密度函数;
训练识别模块,用于设计深度学习网络,将所述归一化信道场景功率谱密度函数与对应的场景类别标签作为所述深度学习网络的输入,对所述深度学习网络进行训练,以采用训练好的深度学习网络对待识别的信道场景进行识别。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553067.3A CN111835444B (zh) | 2020-06-17 | 2020-06-17 | 一种无线信道场景识别方法及*** |
US17/163,569 US11581967B2 (en) | 2020-06-17 | 2021-02-01 | Wireless channel scenario identification method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553067.3A CN111835444B (zh) | 2020-06-17 | 2020-06-17 | 一种无线信道场景识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111835444A CN111835444A (zh) | 2020-10-27 |
CN111835444B true CN111835444B (zh) | 2021-04-27 |
Family
ID=72898763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553067.3A Active CN111835444B (zh) | 2020-06-17 | 2020-06-17 | 一种无线信道场景识别方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US11581967B2 (zh) |
CN (1) | CN111835444B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11552724B1 (en) * | 2020-09-16 | 2023-01-10 | Wells Fargo Bank, N.A. | Artificial multispectral metadata generator |
CN112866150B (zh) * | 2021-01-13 | 2024-05-17 | 上海复旦通讯股份有限公司 | 一种无线信道特征提取与降维方法及*** |
CN114785433A (zh) * | 2021-01-22 | 2022-07-22 | 中兴通讯股份有限公司 | 信道场景识别的方法、网络设备及存储介质 |
CN113138201B (zh) * | 2021-03-24 | 2022-05-20 | 北京大学 | 用于无线被动式环境状态检测的超材料物联网***及方法 |
TWI793581B (zh) * | 2021-04-23 | 2023-02-21 | 啟碁科技股份有限公司 | 空間動態狀態之偵測方法及偵測系統 |
CN115913829A (zh) * | 2021-09-30 | 2023-04-04 | 中兴通讯股份有限公司 | 信道场景识别方法、装置、电子设备和存储介质 |
CN114359738B (zh) * | 2022-03-16 | 2022-06-14 | 深圳大学 | 一种跨场景鲁棒的室内人数无线检测方法及*** |
CN115189791B (zh) * | 2022-09-08 | 2023-01-13 | 浙江万胜智能科技股份有限公司 | 一种提高智能电表通信模块数据准确性的方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320361A (zh) * | 2014-11-02 | 2015-01-28 | 天津理工大学 | 一种基于参数估计下的星载ais信号串行分离方法 |
CN105721086A (zh) * | 2016-03-11 | 2016-06-29 | 重庆科技学院 | 基于ukfnn的无线信道场景识别方法 |
CN106548136A (zh) * | 2016-10-19 | 2017-03-29 | 中科院成都信息技术股份有限公司 | 一种无线信道场景分类方法 |
CN107517091A (zh) * | 2017-08-07 | 2017-12-26 | 合肥工业大学 | 一种瑞利圆拱复衰落信道仿真方法 |
CN109299698A (zh) * | 2018-09-30 | 2019-02-01 | 北京交通大学 | 一种基于支持向量机的无线信道场景识别方法 |
CN109428660A (zh) * | 2017-08-31 | 2019-03-05 | 迈普通信技术股份有限公司 | 基于隐马尔可夫模型识别无线信道的方法及*** |
CN109446414A (zh) * | 2018-09-28 | 2019-03-08 | 武汉大学 | 一种基于神经网络分类的软件信息站点快速标签推荐方法 |
CN109526021A (zh) * | 2018-11-30 | 2019-03-26 | 北京交通大学 | 一种高速铁路无线信道场景的分类方法及识别方法 |
CN110728230A (zh) * | 2019-10-10 | 2020-01-24 | 江南大学 | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 |
CN110798275A (zh) * | 2019-10-16 | 2020-02-14 | 西安科技大学 | 一种矿井多模无线信号精确识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101532920A (zh) * | 2009-04-22 | 2009-09-16 | 北京工业大学 | 一种基于混沌的低速重载设备微弱信号检测方法 |
JP4937320B2 (ja) * | 2009-09-11 | 2012-05-23 | 株式会社エヌ・ティ・ティ・ドコモ | アクセス種別設定装置、移動通信システム及びアクセス種別設定方法 |
US11408978B2 (en) * | 2015-07-17 | 2022-08-09 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
CN106385308B (zh) * | 2016-09-19 | 2019-05-24 | 中国人民解放军海军航空大学 | 基于k-s检测的stbc-ofdm信号盲识别方法 |
WO2018200529A1 (en) * | 2017-04-24 | 2018-11-01 | Oshea Timothy James | Radio signal identification, identification system learning, and identifier deployment |
US10798722B2 (en) * | 2017-12-22 | 2020-10-06 | Hon Hai Precision Industry Co., Ltd. | Methods and devices for resource scheduling in wireless communication systems |
-
2020
- 2020-06-17 CN CN202010553067.3A patent/CN111835444B/zh active Active
-
2021
- 2021-02-01 US US17/163,569 patent/US11581967B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320361A (zh) * | 2014-11-02 | 2015-01-28 | 天津理工大学 | 一种基于参数估计下的星载ais信号串行分离方法 |
CN105721086A (zh) * | 2016-03-11 | 2016-06-29 | 重庆科技学院 | 基于ukfnn的无线信道场景识别方法 |
CN106548136A (zh) * | 2016-10-19 | 2017-03-29 | 中科院成都信息技术股份有限公司 | 一种无线信道场景分类方法 |
CN107517091A (zh) * | 2017-08-07 | 2017-12-26 | 合肥工业大学 | 一种瑞利圆拱复衰落信道仿真方法 |
CN109428660A (zh) * | 2017-08-31 | 2019-03-05 | 迈普通信技术股份有限公司 | 基于隐马尔可夫模型识别无线信道的方法及*** |
CN109446414A (zh) * | 2018-09-28 | 2019-03-08 | 武汉大学 | 一种基于神经网络分类的软件信息站点快速标签推荐方法 |
CN109299698A (zh) * | 2018-09-30 | 2019-02-01 | 北京交通大学 | 一种基于支持向量机的无线信道场景识别方法 |
CN109526021A (zh) * | 2018-11-30 | 2019-03-26 | 北京交通大学 | 一种高速铁路无线信道场景的分类方法及识别方法 |
CN110728230A (zh) * | 2019-10-10 | 2020-01-24 | 江南大学 | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 |
CN110798275A (zh) * | 2019-10-16 | 2020-02-14 | 西安科技大学 | 一种矿井多模无线信号精确识别方法 |
Non-Patent Citations (3)
Title |
---|
Clustering in the wireless channel with a power weighted statistical mixture model in indoor scenario;Y. Li 等;《China Commun》;20190731;全文 * |
TDDM-BOC信号副载波类型识别及参数盲估计;张天骐 等;《***工程与电子技术》;20160430;全文 * |
信道相关情况下UHF RFID识别性能分析;佘开 等;《通信学报》;20180731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111835444A (zh) | 2020-10-27 |
US11581967B2 (en) | 2023-02-14 |
US20210399817A1 (en) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111835444B (zh) | 一种无线信道场景识别方法及*** | |
Khan et al. | Angle-of-arrival estimation using an adaptive machine learning framework | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
Sun et al. | Indoor sound source localization with probabilistic neural network | |
CN106126807B (zh) | 一种基于大数据挖掘的无线信道建模方法 | |
Leung et al. | Prediction of noisy chaotic time series using an optimal radial basis function neural network | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN111767848B (zh) | 一种基于多域特征融合的辐射源个体识别方法 | |
CN109782231B (zh) | 一种基于多任务学习的端到端声源定位方法及*** | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN111366820A (zh) | 局部放电信号的模式识别方法、装置、设备及存储介质 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
Klus et al. | Transfer learning for convolutional indoor positioning systems | |
CN115034261A (zh) | 雷达辐射源信号脉间特征提取方法、设备及存储介质 | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN116047427A (zh) | 一种小样本雷达有源干扰识别方法 | |
Cheng et al. | Optimal nonlinear estimation for localization of wireless sensor networks | |
CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和*** | |
Blanza et al. | Datasets for multipath clustering at 285 MHz and 5.3 GHz bands based on COST 2100 MIMO channel model | |
Ayub et al. | Multiple acoustic source localization using deep data association | |
Ning et al. | Wireless channel scene recognition method based on an autocorrelation function and deep learning | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及*** | |
Zhang et al. | A parameter estimation algorithm for multiple frequency‐hopping signals based on sparse Bayesian method | |
Al Kassir et al. | Improving DOA Estimation via An Optimal Deep Residual Neural Network Classifier On Uniform Linear Arrays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |