[發(fā)明專利]一種基于深度學(xué)習(xí)的信道狀態(tài)信息特征提取方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110761547.3
• 申請(qǐng)日: 2021-07-06
• 公開（公告）號(hào): CN113449259A
• 公開（公告）日: 2021-09-28
• 發(fā)明（設(shè)計(jì)）人: 杜留鋒;宋長(zhǎng)源;楊文強(qiáng);王占奎;田熙燕;秦國(guó)慶;郭新
• 申請(qǐng)（專利權(quán)）人: 河南科技學(xué)院
• 主分類號(hào): G06F17/16
• 分類號(hào): G06F17/16;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 王愛濤

本發(fā)明涉及一種基于深度學(xué)習(xí)的信道狀態(tài)信息特征提取方法及系統(tǒng)。該方法包括對(duì)信道狀態(tài)信息進(jìn)行濾波處理；將濾波處理后的信道狀態(tài)信息按時(shí)序轉(zhuǎn)換為各個(gè)空間流的幅度矩陣，并將各個(gè)空間流的幅度矩陣合并為三階張量；根據(jù)三階張量中的幅度矩陣得到結(jié)構(gòu)化信息矩陣和波動(dòng)數(shù)據(jù)矩陣以及確定關(guān)于時(shí)間分集的梯度矩陣和關(guān)于頻率分集的梯度矩陣；根據(jù)結(jié)構(gòu)化信息矩陣、波動(dòng)數(shù)據(jù)矩陣、兩個(gè)梯度矩陣確定四階的模型驅(qū)動(dòng)數(shù)據(jù)；根據(jù)所述四階的模型驅(qū)動(dòng)數(shù)據(jù)，基于3D卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)框架，確定訓(xùn)練后的信道狀態(tài)信息特征提取深度模型本發(fā)明能夠精確提取特征與目標(biāo)態(tài)勢(shì)的映射關(guān)系，進(jìn)而提高情景感知技術(shù)的整體性能。

技術(shù)領(lǐng)域

本發(fā)明涉及無(wú)線信號(hào)處理領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)的信道狀態(tài)信息特征提取方法及系統(tǒng)。

背景技術(shù)

無(wú)線終端的普及和移動(dòng)計(jì)算技術(shù)的發(fā)展，使得基于Wi-Fi技術(shù)的無(wú)線局域網(wǎng)深入到了人類活動(dòng)的各個(gè)空間。Wi-Fi信號(hào)傳輸過(guò)程中會(huì)受到物理空間變化的影響，引起信號(hào)、鏈路的相關(guān)參數(shù)發(fā)生實(shí)時(shí)變化，因而其在傳輸數(shù)據(jù)的同時(shí)還可用來(lái)感知經(jīng)由路徑的情景信息。作為Wi-Fi鏈路的物理層參數(shù)，信道狀態(tài)信息(Channel State Information，CSI)的數(shù)據(jù)表征兼具了MIMO-OFDM技術(shù)的頻率與空間分集，更細(xì)粒度地刻畫了信號(hào)的經(jīng)由變化。利用特定手段對(duì)接收CSI進(jìn)行分析處理，來(lái)獲取傳輸空間中興趣目標(biāo)的情景信息，無(wú)疑可使Wi-Fi感知技術(shù)在智慧家居、醫(yī)療及人機(jī)交互等領(lǐng)域獲到更為深入的應(yīng)用。

在復(fù)雜的室內(nèi)環(huán)境下，CSI會(huì)遭受嚴(yán)重的多徑效應(yīng)，數(shù)據(jù)具有鮮明的非平穩(wěn)隨機(jī)統(tǒng)計(jì)特性。盡管感知目標(biāo)的實(shí)時(shí)態(tài)勢(shì)會(huì)明確地映入CSI中，但目標(biāo)小幅度變化形成的特征差異，往往易淹沒于多徑效應(yīng)的總體數(shù)據(jù)波動(dòng)中。傳統(tǒng)的方法，如主成分分析、聚類算法及淺層神經(jīng)網(wǎng)絡(luò)等，很難準(zhǔn)確地捕捉到這種對(duì)數(shù)據(jù)模式貢獻(xiàn)較小的信息，因而造成感知性能提升遭遇瓶頸。近年來(lái)，作為人工智能領(lǐng)域的前沿分支，深度學(xué)習(xí)已在多個(gè)技術(shù)領(lǐng)域成功應(yīng)用。深度學(xué)習(xí)通過(guò)多層次的網(wǎng)絡(luò)結(jié)構(gòu)，自發(fā)地從樣本數(shù)據(jù)中提取內(nèi)在規(guī)律和高級(jí)特征，擁有更好的特征學(xué)習(xí)與非線性映射能力。鑒于此，一些成功的深度模型也不斷被用來(lái)實(shí)現(xiàn)感知目標(biāo)的態(tài)勢(shì)標(biāo)注。然而，空間環(huán)境的復(fù)雜性、目標(biāo)的動(dòng)態(tài)性及多徑衰落等因素，使得CSI中蘊(yùn)含的表征性十分敏感，而現(xiàn)有基于深度學(xué)習(xí)的方案雖在感知精度上有所突破，但其穩(wěn)定性和泛化性仍需加強(qiáng)。在此背景下，可靠的CSI數(shù)據(jù)特征提取方法顯得尤為重要。

西安電子科技大學(xué)申請(qǐng)的專利“基于信道狀態(tài)信息的活動(dòng)人員數(shù)量估計(jì)方法”(申請(qǐng)?zhí)?201710195058X，授權(quán)公告號(hào):CN107154088B，公告日:2019.03.26)針對(duì)移動(dòng)目標(biāo)數(shù)量估算問(wèn)題，基于原始CSI數(shù)據(jù)的均值和方差去除異值，并利用CSI所有子載波的數(shù)據(jù)方差形成關(guān)聯(lián)人員數(shù)量的特征向量；哈爾濱工程大學(xué)在其申請(qǐng)的專利“基于子載波動(dòng)態(tài)選擇的速度自適應(yīng)室內(nèi)人體檢測(cè)方法”(申請(qǐng)?zhí)?2018110868979，申請(qǐng)公布號(hào):CN109409216A，公布日:2019.03.01)中沿采集時(shí)間軸分割CSI數(shù)據(jù)為指定長(zhǎng)度，將長(zhǎng)度內(nèi)各子載波的期望、標(biāo)準(zhǔn)差、平均能量及最大振幅差值融合為檢測(cè)特征，用以實(shí)現(xiàn)動(dòng)、靜態(tài)目標(biāo)檢測(cè)。上述基于傳統(tǒng)線性統(tǒng)計(jì)策略的特征提取方法，由于對(duì)CSI頻率、空間分集信息挖掘不夠，提取特征與目標(biāo)態(tài)勢(shì)的映射精確度較差。

Minh Tu Hoang等(A CNN-LSTM Quantifier for Single Access Point CSIIndoor Localization，arXiv:200506394，2020)針對(duì)目標(biāo)位置感知問(wèn)題，提出了一種組合深度學(xué)習(xí)方法來(lái)學(xué)習(xí)CSI中的關(guān)聯(lián)位置特征。該方法利用2D CNN搜索CSI的空間信息，級(jí)聯(lián)的長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM來(lái)標(biāo)定空間特征的時(shí)間屬性。但該方法由于未對(duì)原始CSI數(shù)據(jù)進(jìn)行有效處理，提取特征與目標(biāo)位置缺乏穩(wěn)定的匹配度，從而影響了模型的魯棒性及整體方案的執(zhí)行效果。

因此，亟需一種新的提取方法以解決上述問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的信道狀態(tài)信息特征提取方法及系統(tǒng)，能夠精確提取特征與目標(biāo)態(tài)勢(shì)的映射關(guān)系，進(jìn)而提高情景感知技術(shù)的整體性能。