基于ukfnn的無(wú)線信道場(chǎng)景識(shí)別方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及無(wú)線信道中模式識(shí)別領(lǐng)域，具體的說(shuō)是一種基于UKFNN(unscented Kalman filter artificial neural network，無(wú)跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)）的無(wú)線信道場(chǎng)景 識(shí)別方法。
【背景技術(shù)】
[0002]移動(dòng)通信產(chǎn)業(yè)一直以驚人的速度迅猛發(fā)展，已成為帶動(dòng)全球經(jīng)濟(jì)發(fā)展的主要高科 技產(chǎn)業(yè)之一，并對(duì)人類(lèi)生活及社會(huì)發(fā)展產(chǎn)生了巨大的影響。在移動(dòng)通信中，發(fā)送端和接收端 之間通過(guò)電磁波來(lái)傳輸信號(hào)，我們可以想象兩者之間有一些看不見(jiàn)的電磁通路，并把這些 電磁通路稱為無(wú)線信道。無(wú)線信道與周?chē)沫h(huán)境密切相關(guān)，不同環(huán)境下的無(wú)線信道具有一 些差異化的特征。如何發(fā)現(xiàn)并提取這些特征并將其應(yīng)用于優(yōu)化無(wú)線網(wǎng)絡(luò)，是當(dāng)前的一個(gè)研 究熱點(diǎn)。
[0003]無(wú)線通信數(shù)據(jù)信息主要是以無(wú)線電波為載體通過(guò)無(wú)線信道來(lái)傳輸?shù)?。由于無(wú)線信 道所在環(huán)境復(fù)雜多變，容易出現(xiàn)波的多徑傳播，例如出現(xiàn)直射、反射、散射等現(xiàn)象；同時(shí)，電 磁波也會(huì)在各路徑相互作用下發(fā)生多徑衰落現(xiàn)象。為更好的反映實(shí)際環(huán)境中信號(hào)的傳輸規(guī) 律，為無(wú)線網(wǎng)絡(luò)的規(guī)劃優(yōu)化、無(wú)線系統(tǒng)的設(shè)計(jì)、測(cè)試和定型等提供重要的參考依據(jù)，提出建 設(shè)無(wú)線信道模型。
[0004] 但是目前無(wú)線信道建模方法可以分為統(tǒng)計(jì)性建模、確定性建模以及半確定性建模 三種方法，但其模型復(fù)雜度高、參數(shù)獲取難度大，難以滿足模型精度。
[0005] 人工神經(jīng)網(wǎng)絡(luò)(ANN)以其強(qiáng)大的非線性逼近能力，具有不依賴精確建模過(guò)程以及 任意逼近非線性映射的特點(diǎn)。ANN在處理復(fù)雜系統(tǒng)的建模問(wèn)題上顯示出獨(dú)特的優(yōu)越性，被廣 泛用于模式識(shí)別領(lǐng)域。然而目前，很少有人應(yīng)用ANN來(lái)對(duì)無(wú)線信道特征進(jìn)行建模，且ANN只對(duì) 輸入輸出變量進(jìn)行簡(jiǎn)單的靜態(tài)映射，是一種靜態(tài)建模方法，對(duì)無(wú)線信道特征建模效果有限。

【發(fā)明內(nèi)容】

[0006] 針對(duì)上述問(wèn)題，本發(fā)明提供了一種基于UKFNN的無(wú)線信道場(chǎng)景識(shí)別方法，采用無(wú)跡 卡爾曼濾波神經(jīng)網(wǎng)絡(luò)方法，即：UKFNN，對(duì)無(wú)線信道狀態(tài)參數(shù)估計(jì)建立動(dòng)態(tài)實(shí)時(shí)濾波效果的 分段模型和分區(qū)模型，使其能夠反映信道的實(shí)際分布情況，從而實(shí)現(xiàn)對(duì)無(wú)線信道的路段、區(qū) 域的識(shí)別，來(lái)解決無(wú)線信道建模復(fù)雜度高、難度大、精度低等問(wèn)題，將真實(shí)信道數(shù)據(jù)進(jìn)行智 能分段和分區(qū)。
[0007] 為達(dá)到上述目的，本發(fā)明采用的具體技術(shù)方案如下：
[0008] -種基于UKFNN的無(wú)線信道場(chǎng)景識(shí)別方法，包括以下步驟：
[0009] S1:采集連續(xù)路段的信道數(shù)據(jù)作為訓(xùn)練樣本；
[0010] S2:將所得的訓(xùn)練樣本平均分為1段，1 = 2,3,4,5,…，分別利用無(wú)跡卡爾曼濾波神 經(jīng)網(wǎng)絡(luò)進(jìn)行建模，根據(jù)建模效果確定分段數(shù)目并得到連續(xù)信道數(shù)據(jù)分段模型；
[0011] S3:利用AP算法對(duì)每一段數(shù)據(jù)進(jìn)行區(qū)域劃分；
[0012] S4:將所得的訓(xùn)練樣本按照步驟S3所劃分出的區(qū)域進(jìn)行標(biāo)記，并利用UKFNN無(wú)跡 卡爾曼濾波神經(jīng)網(wǎng)絡(luò)進(jìn)行區(qū)域特征建模，得到連續(xù)信道數(shù)據(jù)分區(qū)模型；
[0013] S5:將待測(cè)數(shù)據(jù)帶入步驟S2所訓(xùn)練出的連續(xù)信道數(shù)據(jù)分段模型，判斷出屬于哪一 路段；
[0014] S6:將待測(cè)數(shù)據(jù)帶入步驟S4所訓(xùn)練出的連續(xù)信道數(shù)據(jù)分區(qū)模型，從而判斷出屬于 哪一區(qū)域。
[0015] 進(jìn)一步描述，步驟S2中得到連續(xù)信道數(shù)據(jù)分段模型的具體步驟如下：
[0016] S21:利用霍特林變換將復(fù)數(shù)形式的信道數(shù)據(jù)轉(zhuǎn)換為實(shí)數(shù)域數(shù)據(jù)；
[0017] S22:利用主成份分析法對(duì)步驟S21轉(zhuǎn)換后的信道數(shù)據(jù)進(jìn)行降維處理；
[0018] S23:對(duì)步驟S21和S22處理后的數(shù)據(jù)進(jìn)行歸一化處理，得到新數(shù)據(jù)XmXN，其中，m為變 量個(gè)數(shù)，N為樣本數(shù)目；
[0019] S24:利用UKFNN無(wú)跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)對(duì)信道數(shù)據(jù)進(jìn)行建模，得到無(wú)線信道模 型；
[0020] S25:定義歸類(lèi)準(zhǔn)則，并以無(wú)跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)的輸出變量對(duì)輸入樣本進(jìn)行歸 類(lèi)，對(duì)信道分段場(chǎng)景進(jìn)行識(shí)別。
[0021] 再進(jìn)一步描述，步驟S21中霍特林變換為：
[0022]矩陣A為復(fù)數(shù)形式的信道數(shù)據(jù)，尋求正交矩陣Q，使得QciuQTzdiagAJvDj 而得到經(jīng)霍特林變換后的實(shí)數(shù)矩陣B = QA，其中，M為矩陣A的特征值，1 < i <n，<i>A為矩陣A 的協(xié)方差矩陣，巾a=E{(A-E(A))(A-E(A))t}，E(A)為矩陣A的期望值矩陣。
[0023]再進(jìn)一步描述，步驟S22中降維的具體方法為：
[0024] S221:特征中心化，即將矩陣B的每一維數(shù)據(jù)都減去該維的均值，得到矩陣BB，其 中，矩陣BB的均值為0;
[0025] S222:計(jì)算矩陣BB的協(xié)方差矩陣C;
[0026] S223:按照特征值大小，選取對(duì)應(yīng)的特征向量，使得矩陣B轉(zhuǎn)換為主元矩陣t;
[0027] S224:確定主元個(gè)數(shù)k，從而得到新的數(shù)據(jù)集；
[0028]如何確定主元個(gè)數(shù)是降維的關(guān)鍵，步驟S224中采用累積貢獻(xiàn)率CPV來(lái)確定主元個(gè) 數(shù)k，即：
[0029] 第i個(gè)主元的貢獻(xiàn)率為：
[0030] 前k個(gè)主元的累積貢獻(xiàn)率為
，式中Ai為協(xié)方差矩陣C中 第i個(gè)特征值，
[0031] 若CPV(i)大于設(shè)定值CL，則前k個(gè)主元可替代原始數(shù)據(jù)。
[0032] 優(yōu)選地，設(shè)定值CL = 85%。
[0033]再進(jìn)一步地:步驟S23中歸一化處理的具體方法為：
[0034]
、，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V i的最小值，Y max為歸一化處理前輸入變量V i的最大 值。
[0035] 再進(jìn)一步描述，步驟S25中定義的歸類(lèi)準(zhǔn)則為：
[0037]式中，1為場(chǎng)景數(shù)目，y為模型輸出值，Cla為所屬的路段。
[0038]再進(jìn)一步描述，步驟S3中AP算法具體步驟為：
[0039] S31::算法初始化，設(shè)置一個(gè)最大迭代次數(shù)K，計(jì)算點(diǎn)與點(diǎn)之間的相似度，構(gòu)成矩陣 s，對(duì)參考度P賦初始值；
[0040] S32:計(jì)算樣本點(diǎn)間的吸引度值R(u，v)、歸屬度值A(chǔ)(u，v)
[0043]其中A(u，v'）表示v'對(duì)于u的歸屬度值；
[0044] S33:吸引度和歸屬度進(jìn)行加權(quán)更新；
[0045] 每一系迭代，吸引度和歸屬度都要與上一次迭代的吸引度和歸屬度進(jìn)行加權(quán)更 新，公式為：
[0046] Ru lU/.v) = ^-/?,,(i/,v) + (1-/!.).C；(i/,v) ^e[0.5,l)
[0047] A： , /. Aj^u.v) + (\ -- /J)- A"；,\{u,v) Ae[0.5,l)
[0048] 其中，A表示收斂系數(shù)，主要作用是用來(lái)調(diào)節(jié)算法的收斂速度以及迭代過(guò)程的穩(wěn) 定性；
[0049] 334:當(dāng)4￥^)+&(￥，￥)>0時(shí)，為一個(gè)聚類(lèi)中心，如果迭代次數(shù)超過(guò)設(shè)定值1(或聚類(lèi) 中心在一定迭代次數(shù)中不再改變，則終止計(jì)算，以確定類(lèi)中心和各類(lèi)的樣本點(diǎn)；否則，返回 S32〇
[0050] 再進(jìn)一步描述，步驟S2和步驟S4中無(wú)跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)為三層神經(jīng)網(wǎng)絡(luò)，其 中，隱含層傳遞函數(shù)為S型函數(shù)，輸出層傳遞函數(shù)為Purelin函數(shù)，該三層神經(jīng)網(wǎng)絡(luò)的函數(shù)表 達(dá)式為：
[0052]式中，F(xiàn)1為輸入層與隱含層之間的連接函數(shù)，F(xiàn)2為隱含層與輸出層之間的連接函 數(shù)，bn為輸入層和隱含層之間的閾值，bu為隱含層和輸出層間的閾值，Xk為輸入樣本，為 從神經(jīng)元j到神經(jīng)元i的連接權(quán)值，g為輸入層與隱含層之間的連接權(quán)值，^為隱含層與輸 出層之間的連接權(quán)值，m為輸入神經(jīng)元個(gè)數(shù)，n為隱含層神經(jīng)元數(shù)目，/2 = ^7TT + A- ,k為 0-10之間的常數(shù)。
[0053]步驟S2和步驟S4中建模的具體方法為：通過(guò)無(wú)跡卡爾曼濾波對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值、 閾值進(jìn)行估計(jì)，將神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值作為無(wú)跡卡爾曼濾波的狀態(tài)變量，神經(jīng)網(wǎng)絡(luò)的輸出 作為無(wú)跡卡爾曼濾波的測(cè)量變量，從而得模型；
[0054]步驟S2中確定分段數(shù)的方法為：
[0055]分別計(jì)算訓(xùn)練樣本平分成1(1 = 2,3,4,5，一）段對(duì)應(yīng)的無(wú)線信道模型預(yù)測(cè)準(zhǔn)確率 ER，比較模型預(yù)測(cè)準(zhǔn)確率ER，確定分段數(shù)目以及對(duì)應(yīng)的分段模型，其中預(yù)測(cè)準(zhǔn)確率ER計(jì)算 公式如下：<