[發(fā)明專利]基于UKFNN的無線信道場景識別方法

有效

• 申請?zhí)枺?/td>: 201610141612.1
• 申請日: 2016-03-11
• 公開（公告）號: CN105721086B
• 公開（公告）日: 2018-05-01
• 發(fā)明（設計）人: 李太福;姚立忠;黃迪;梁曉東;周偉
• 申請（專利權）人: 重慶科技學院
• 主分類號: H04B17/391
• 分類號: H04B17/391;H04B17/30
• 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的無線信道場景識別方法，其特征在于包括以下步驟：

S1：采集連續(xù)路段的信道數據作為訓練樣本；

S2：將所得的訓練樣本平均分為l段，l＝2,3,4,5,…，分別利用無跡卡爾曼濾波神經網絡進行建模，根據建模效果確定分段數目并得到連續(xù)信道數據分段模型；

具體步驟如下：

S21：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；

S22：利用主成份分析法對步驟S21轉換后的信道數據進行降維處理；

步驟S22中降維的具體方法為：

S221：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；

S222：計算矩陣BB的協(xié)方差矩陣C；

S223：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；

S224：確定主元個數k，從而得到新的數據集；

S23：對步驟S21和S22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；

S24：利用無跡卡爾曼濾波神經網絡對信道數據進行建模，得到無線信道模型；

S25：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，對信道分段場景進行識別；

S3：利用AP算法對每一段數據進行區(qū)域劃分；

S4：將所得的訓練樣本按照步驟S3所劃分出的區(qū)域進行標記，并利用無跡卡爾曼濾波神經網絡進行區(qū)域特征建模，得到連續(xù)信道數據分區(qū)模型；

S5：將待測數據帶入步驟S2所訓練出的連續(xù)信道數據分段模型，判斷出屬于哪一路段；

S6：將待測數據帶入步驟S4所訓練出的連續(xù)信道數據分區(qū)模型，從而判斷出屬于哪一區(qū)域。

2.根據權利要求1所述的基于UKFNN的無線信道場景識別方法，其特征在于，步驟S21中霍特林變換為：

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_n)，從而得到經霍特林變換后的實數矩陣B＝QA，其中，λ_iA為矩陣A的特征值，1≤i≤n，φ_A為矩陣A的協(xié)方差矩陣，φ_A＝E{(A-E(A))(A-E(A))^T}，E(A)為矩陣A的期望值矩陣。

3.根據權利要求1所述的基于UKFNN的無線信道場景識別方法，其特征在于，步驟S224中采用累積貢獻率CPV來確定主元個數k，即：

第i個主元的貢獻率為：

前k個主元的累積貢獻率為：式中，λ_iC為協(xié)方差矩陣C中第i個特征值，

若CPV(i)大于設定值CL，則前k個主元可替代原始數據。

4.根據權利要求1所述的基于UKFNN的無線信道場景識別方法，其特征在于，步驟S23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。