[發明專利]基于UKFNN的無線信道“指紋”特征動態建模方法

有效

• 申請號: 201610139417.5
• 申請日: 2016-03-11
• 公開（公告）號: CN105792232B
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 梁曉東;黃迪;周偉;姚立忠;李太福
• 申請（專利權）人: 重慶科技學院
• 主分類號: H04W16/22
• 分類號: H04W16/22;H04B17/391
• 代理公司: 重慶為信知識產權代理事務所(普通合伙) 50216
• 代理人: 龍玉洪

1.一種基于UKFNN的無線信道“指紋”特征動態建模方法，其特征在于，包括如下步驟：

S1：利用霍特林變換將復數形式的信道數據轉換為實數域數據；

霍特林變換的具體方法為：

矩陣A為復數形式的信道數據，尋求正交矩陣Q，使得Qφ_AQ^T＝diag(λ₁,λ₂,…λ_h)，從而得到經霍特林變換后的實數矩陣B＝QA，其中，λ_i為矩陣A的特征值，1≤i≤h，φ_A為矩陣A的協方差矩陣，φ_A＝E{(A-E(A))(A-E(A))^T}，E(A)為矩陣A的平均值矩陣；

S2：利用主成份分析法對步驟S1轉換后的信道數據進行降維處理；

降維的具體方法為：

S21：特征中心化，即將矩陣B的每一維數據都減去該維的均值，得到矩陣BB，其中，矩陣BB的均值為0；

S22：計算矩陣BB的協方差矩陣C；

S23：按照特征值大小，選取對應的特征向量，使得矩陣B轉換為主元矩陣t；

S24：確定主元個數f，從而得到新的數據集；

采用累積貢獻率CPV來確定主元個數f，即：

第i個主元的貢獻率為：

前f個主元的累積貢獻率為：式中，λ_i為協方差矩陣C中第i個特征值，

若CPV(i)大于設定值CL，則前f個主元可替代原始數據；

S3：對步驟S1和S2處理后的數據進行歸一化處理，得到新數據X_M×N，其中，M為變量個數，N為樣本數目；

S4：利用UKFNN無跡卡爾曼濾波神經網絡對信道數據進行建模，得到無線信道“指紋”模型；

無跡卡爾曼濾波神經網絡為三層神經網絡，其中，隱含層傳遞函數為S型函數，輸出層傳遞函數為Purelin函數，該三層神經網絡的函數表達式為：

式中，F¹為輸入層與隱含層之間的連接函數，F²為隱含層與輸出層之間的連接函數，b_n為輸入層和隱含層之間的閾值，b_1i為隱含層和輸出層間的閾值，x_k為輸入樣本，w_ij為從神經元j到神經元i的連接權值，為輸入層與隱含層之間的連接權值，為隱含層與輸出層之間的連接權值，m為輸入神經元個數，n為隱含層神經元數目，k為0-10之間的常數；

建模的具體方法為：通過無跡卡爾曼濾波對神經網絡的權值、閾值進行估計，將神經網絡的權值、閾值作為無跡卡爾曼濾波的狀態變量，神經網絡的輸出作為無跡卡爾曼濾波的測量變量，從而得到無線信道“指紋”模型；

S5：定義歸類準則，并以無跡卡爾曼濾波神經網絡的輸出變量對輸入樣本進行歸類，對場景進行識別。

2.根據權利要求1所述的基于UKFNN的無線信道“指紋”特征動態建模方法，其特征在于，步驟S3中歸一化處理的具體方法為：

式中，x'_i為歸一化處理之前的輸入變量，x”_i為歸一化處理之后的變量，x'_min為歸一化處理前輸入變量x'_i的最小值，x'_max為歸一化處理前輸入變量x'_i的最大值。

3.根據權利要求1所述的基于UKFNN的無線信道“指紋”特征動態建模方法，其特征在于，步驟S5中定義的歸類準則為：

式中，l為場景數目，out_j為模型的第j個輸出值。

4.根據權利要求1所述的基于UKFNN的無線信道“指紋”特征動態建模方法，其特征在于，設定值CL＝85％。