一种基于大数据挖掘的无线信道建模方法与流程

本发明涉及无线信道建模领域，尤其涉及一种基于大数据挖掘的无线信道建模方法。

背景技术：

随着移动通信技术的发展，无线电波的传播路径(即无线信道)的各种指标，如带宽、频段、天线规模等均成倍的增大，导致无线信道中的数据急剧增多，原有的无线信道模型已不再适用数据增多的无线信道，无法用于对无线信道的模拟、测试和评估，进而无法帮助技术人员分析、提升无线信道的通信性能。

现有技术在进行无线信道建模时，通常采用确定性建模方法，建立空间模型，设置发射源、接收点和材料参数，以得出无线电波在空间模型内的传播特性，进而得到无线信道模型，该方法复杂度较高，计算量大且需占用大量的存储空间，同时测量数据受环境、人为等因素的影响较大，得到的无线信道模型准确度较低。

技术实现要素：

本发明提供一种基于大数据挖掘的无线信道建模方法，用以解决现有建模方法复杂度较高、计算量大、准确度低的问题。

本发明提供一种基于大数据挖掘的无线信道建模方法，包括：

获取预设条件下的测量环境的图片信息和信道脉冲响应数据样本，所述条件包括如下中的至少一项：场景类型、天线配置参数、频率值；

根据所述信道脉冲响应数据样本，采用信道参数估计算法获取至少一条多径波和各所述多径波的信道参数，根据各所述多径波的信道参数，采用分簇算法，对所述至少一条多径波进行聚簇，得到至少一个簇；

根据所述测量环境的图片信息，获取所述测量环境中的至少一个散射体；

对各所述簇和各所述散射体进行匹配，获取簇核，所述簇核为与散射体匹配的簇；

根据所有所述簇核，建立所述预设条件下的基础无线信道模型。

如上所述的基于大数据挖掘的无线信道建模方法，所述根据所有所述簇核，建立所述预设条件下的基础无线信道模型，包括：

根据所有所述簇核，采用机器学习算法，得到所述预设条件下的基础无线信道模型。

如上所述的基于大数据挖掘的无线信道建模方法，所述根据所有所述簇核，建立所述预设条件下的基础无线信道模型之后，还包括：

根据至少两个不同预设条件下的信道脉冲响应数据样本，采用数据挖掘方法，获取无线信道模型的信道特性随预设条件变化的变化规律；

根据任意条件、所述变化规律和所述基础无线信道模型，建立所述任意条件下的扩展无线信道模型；

其中，所述信道特性随预设条件变化的变化规律包括如下中的至少一种：信道特性在多天线阵元的变化规律、信道特性随频率变化的变化规律、信道特性随运动变化的不平稳特性。

如上所述的基于大数据挖掘的无线信道建模方法，所述对各所述簇和各所述散射体进行匹配，包括：

采用匹配算法，为各所述簇在所有散射体中确定匹配的散射体。

如上所述的基于大数据挖掘的无线信道建模方法，所述根据所述测量环境的图片信息，获取所述测量环境中的至少一个散射体，包括：

对所述测量环境的图片信息进行纹理识别，得到至少一个纹理标识；

根据各所述纹理标识，确定各所述纹理标识对应的散射体，得到所述测量环境中的至少一个散射体。

如上所述的基于大数据挖掘的无线信道建模方法，所述根据各所述多径波的信道参数，采用分簇算法，对所述至少一条多径波进行聚簇，得到至少一个簇，包括：

根据各所述多径波的信道参数中的多径波的时延参数、幅度参数或角度域参数，采用分簇算法，对所述至少一条多径波进行聚簇，得到至少一个簇。

如上所述的基于大数据挖掘的无线信道建模方法，所述机器学习算法为：神经网络线性迭代算法或多层神经网络迭代算法。

如上所述的基于大数据挖掘的无线信道建模方法，所述匹配算法为：Boosting算法、神经网络算法或分类决策树算法。

本发明提供的基于大数据挖掘的无线信道建模方法，通过将多径波进行聚簇，确定各簇对应的散射体，得到簇核，根据簇核确定无线信道模型，降低了无线信道建模方法的复杂度，减少了计算量，提高了无线信道建模的准确度，通过引出簇核的定义，采用有限个簇核对无线信道进行描述，可以解决未来第5代移动通信和未来信道模型在空-时-频各个维度扩张带来的数据和无线信道的复杂度增长。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于大数据挖掘的无线信道建模方法实施例一的流程示意图；

图2为本发明提供的基于大数据挖掘的无线信道建模方法实施例二的流程示意图；

图3为本发明提供的基于大数据挖掘的无线信道建模方法实施例三的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明针对无线信道建模中，数据量越来越大的特性，将无线信道建模与数据挖掘相结合，提供一种基于大数据挖掘的无线信道建模方法，以解决现有建模方法复杂度较高、计算量大、建模不准确的问题。该方法的执行主体是基于大数据挖掘的无线信道建模装置，该装置可以通过软件或硬件实现，本发明对此不作限定。

下面采用具体实施例，对本发明提供的基于大数据挖掘的无线信道建模方法进行详细说明。

图1为本发明提供的基于大数据挖掘的无线信道建模方法实施例一的流程示意图。如图1所示，该方法包括：

步骤101、获取预设条件下的测量环境的图片信息和信道脉冲响应数据样本，条件包括如下中的至少一项：场景类型、天线配置参数、频率值；

步骤102、根据信道脉冲响应数据样本，采用信道参数估计算法获取至少一条多径波和各多径波的信道参数，根据各多径波的信道参数，采用分簇算法，对至少一条多径波进行聚簇，得到至少一个簇；

步骤103、根据测量环境的图片信息，获取测量环境中的至少一个散射体；

步骤104、对各簇和各散射体进行匹配，获取簇核，簇核为与散射体匹配的簇；

步骤105、根据所有簇核，建立预设条件下的基础无线信道模型。

其中，上述步骤102和步骤103没有严格的先后执行顺序，可同时执行。

具体的，在步骤101中，针对任一预设条件下的测量场景，首先获取信道探测设备在该测量场景下测量得到的信道脉冲响应数据样本和测量环境的图片。条件可以示例性的包括：场景类型、天线配置参数、频率值。例如，不同测量场景可采用不同的天线配置和频率设置，例如，测量场景的配置可以为：频点3.5GHz、带宽200MHz、天线6×32；不同测量场景也可为无线信道所在的环境不同，如可以为室内场景，以及高铁、路堑、高架桥、U型槽、隧道等室外场景，可由测量环境的图片表示。不同测量场景下所形成的无线信道不同，测量得到的信道脉冲响应数据样本也不同，因此对应的无线信道模型亦不同。可选的，信道脉冲响应数据样本和测量环境图片可存储在数据库中。然后，根据信道脉冲响应数据样本，采用信道参数估计算法获取当前预设条件下的至少一条多径波。示例性的，信道参数估计算法可以为广义空间交替期望最大化算法(Space-Alternating Generalized Expectation maximization，简称SAGE)、多信号分类算法(Multiple Signal Classification，简称MUSIC)、通过旋转不变技术进行信号参数估计算法(Estimating Signal Parameters via Rotational Invariance Techniques，简称ESPRIT)、主成分分析算法(Principle Component Analysis，简称PCA)或核费舍判别分析(Kernel Fisher Discriminant Analysis，简称Kernel FDA)等。对于预设条件下的测量场景，当信号源发出一条无线波时，在该测量场景中传播，当遇到测量场景中的散射体时，一条无线波在经过散射体时可能会发生反射、折射和绕射等，得到多条无线波，多条无线波经过测量场景中的其他散射体时，进一步得到更多条无线波，散射体可以为玻璃、墙面、桌子、柜子、树木等。每一条无线波从信号源出发如上所述需要经过多条路径才能到达接收端，这种现象称为多径波，本发明中将每条路径上的波均称为多径波。因此，一个测量场景下通常包括至少一条多径波，各测量场景下得到的信道脉冲响应数据样本即为该至少一条多径波的信道脉冲响应数据样本的集合。在测量得到某一测量场景下的信道脉冲响应数据样本时，可采用信道参数估计算法获取该测量场景下的至少一条多径波。具体的，每条多径波对应一个信道脉冲响应数据样本，各多径波采用多径波的信道参数描述。具体的，每个多径波的信道参数均包括如下中的至少一项：时延、幅度、水平离开角、水平到达角、俯仰离开角、俯仰到达角以及多普勒频率等。

具体的，在步骤102中，由于预设条件下的测量场景中的多个多径波中，大量多径波在经过散射体时，依据散射体的不同，产生不同的散射、折射特性，多径波会产生明显的分簇聚合现象。因此可采用分簇算法，对各测量场景下的至少一条多径波进行聚簇，得到各测量场景下的至少一个簇。对于不同的散射体，其对无线波所起的作用不同，经过该散射体的无线波具有该散射体的共性，例如，光滑的玻璃会把无线波反射到另一个方向，密集的树叶会把无线电波散射到各个方向，坚实的墙壁则会将大部分无线电波反射和阻挡住，不同的簇，便可对应不同的散射体。

可选的，在聚簇过程中，根据各多径波的信道参数中的多径波的时延参数、幅度参数或角度域参数，采用分簇算法，对至少一条多径波进行聚簇，得到至少一个簇。

即可在多径波的时延、幅度或角度域等方面对多个多径波进行聚簇。具体的，可以采用k均值聚类算法或k邻近算法等。

具体的，在步骤103中，测量环境的图片示例性的，可以为扫描图、卫星图等。根据测量环境的图片，对预设条件下的测量环境进行3维场景的重构，在重构出的3维场景中，识别各个散射体。示例性的，还可直接对测量环境图片进行纹理识别或图像识别，确定散射体。

具体的，在步骤104中，由于每个簇代表了预设条件下的测量场景中的散射体的特性，因此，簇与预设条件下的测量场景中的散射体具有一一对应的关系。可选的，在确定簇与散射体的映射关系时，采用匹配算法，为各簇在所有散射体中确定匹配的散射体，具体的匹配算法可以为Boosting算法、神经网络算法、分类决策树算法等机器学习算法，得到预设条件下的测量场景中的各簇与各散射体的映射关系。可选的，还可根据历史映射表获取各簇与各散射体的映射关系。历史映射表可存储在数据库中，历史映射表中存储中各散射体在不同测量场景下的簇的信道参数。

在确定了簇与散射体的映射关系后，即可确定簇核，簇核为具有对应的散射体的簇。

具体的，通过在得到多个簇之后，根据测量环境的图像信息，在所有簇中筛选出簇核，从而用少量的簇核来表示无线信道模型。示例性的，簇核是：具有一定形状，和实际传播环境的散射体有映射关系，由大量波按一定规律聚合而成的簇；能够主导各种场景、各种配置下无线信道的生成。

具体的，在步骤105中，无线信道模型表示的是无线波经过该模型中的所有散射体时的特性，即各散射体的特性的累加，而各散射体的特性，可用该散射体对应的簇核表示，故无线信道模型即可根据簇核获得。由于各簇核所包含的多径波所对应的信道脉冲响应数据样本，即可表示该无线波经过该簇核所对应的散射体时的特性，故可根据预设条件下的测量场景中的所有簇核所包含的多径波所对应的信道脉冲响应数据样本，获取该测量场景下的无线信道模型。示例性的，在根据各簇核获取无线信道模型时，各簇核对无线信道模型的影响不同，具有不同权重，该权重与主散射体对测量环境的影响权重相同。故为获得准确的无线信道模型，可根据簇核与散射体的映射关系和各簇核，获取无线信道模型。

可选的，还可通过有监督的机器学习或者贝叶斯学习等机器学习方法，根据簇核得到预设条件下的基于簇核的基础无线信道模型。具体的，可利用神经网络对各簇核进行线性叠加或采用多层神经网络的迭代算法获取测量场景下的基础无线信道模型。

示例性的，还可以针对预设条件下的测量场景，根据测量场景中的所有簇核采用公式获取基础无线信道模型H；

其中，表示第k个簇核，k的取值为1至K的正整数，K表示测量场景中的簇核的总个数，表示簇核的信道脉冲响应数据样本，s_k表示第k个簇核的权重。

本发明提供的基于大数据挖掘的无线信道建模方法，通过将多径波进行聚簇，确定各簇对应的散射体，得到簇核，根据簇核确定无线信道模型，降低了无线信道建模方法的复杂度，减少了计算量，提高了无线信道建模的准确度，通过引出簇核的定义，采用有限个簇核对无线信道进行描述，可以解决未来第5代移动通信和未来信道模型在空-时-频各个维度扩张带来的数据和无线信道的复杂度增长。

进一步的，在上述实施例的基础上，在根据测量环境的图片，获取散射体时，可通过机器学习等方法获得。具体的，结合图1，图2为本发明提供的基于大数据挖掘的无线信道建模方法实施例二的流程示意图。如图2所示，该方法包括：

步骤201、对测量环境的图片信息进行纹理识别，得到至少一个纹理标识；

步骤202、根据各纹理标识，确定各纹理标识对应的散射体，得到测量环境中的至少一个散射体。

具体的，在步骤201中，通过采用计算机视觉算法，如图像识别算法等机器学习方法等，自动识别不同测量环境图片中的纹理信息，得到纹理标识，每个纹理标识代表测量环境中的一个散射体。

具体的，在步骤202中，根据纹理标识确定出各自对应的散射体，然后得到测量环境中的多个散射体。示例性的，还可采用尺度不变特征变换算法(Scale-invariant feature transform，简称SIFT)对纹理标识信息进行过滤，降低信息维度，在多个纹理标识中过滤不清晰的纹理标识。

示例性的，可先对已有的散射体提取纹理标识，建立纹理库，进而方便根据纹理标识识别散射体。

可选的，在上述任一实施例的基础上，在采用分簇算法，对至少一条多径波进行聚簇，得到至少一个簇，还包括：

采用主成分分析算法或核费舍判别分析(Kernel Fisher discriminant analysis，简称KFDA)算法对至少一条多径波进行预处理，得到预处理后的至少一条多径波。

通过采用上述算法，对采集得到的测量数据进行过滤和化简，可得到更为准确的测量数据，然后，采用k均值聚类算法或k邻近算法对预处理后的至少一条多径波进行聚簇。

进一步的，在上述任一实施例进行了多次预设条件下的信道建模后，本发明还对上述多次信道建模采用机器学习算法进行学习，以期建立任意条件下的无线信道建模。

具体的，图3为本发明提供的基于大数据挖掘的无线信道建模方法实施例三的流程示意图。如图3所示，该方法包括：

步骤301、根据至少两个不同预设条件下的信道脉冲响应数据样本，采用数据挖掘方法，获取无线信道模型的信道特性随预设条件变化的变化规律；

步骤302、根据任意条件、变化规律和基础无线信道模型，建立任意条件下的扩展无线信道模型。

其中，信道特性随预设条件变化的变化规律包括如下中的至少一种：信道特性在多天线阵元的变化规律、信道特性随频率变化的变化规律、信道特性随运动变化的不平稳特性。

具体的，在多次执行如上述任一实施例所述的基于大数据挖掘的无线信道建模方法后，为了根据已有的预设条件下的无线信道模型，推测出任意条件下的无线信道模型，即任意配置任意场景任意频率下的无线信道模型，可根据多个不同预设条件下的信道脉冲响应数据样本，采用主特征搜索算法或字典学习算法等数据挖掘方法进行数据深度挖掘，建立获取无线信道模型的信道特性随预设条件变化的变化规律。

具体的，信道特性在多天线阵元的变化规律表示当天线的配置的不同，位于不同位置的同一信道在空间上具有不同的特性；信道特性随频率变化的变化规律，即为频率依赖性，表示当前测量场景下的各数据样本是否在特定频率下，如2GHz、6GHz或100GHz；信道特性随运动变化的不平稳特性表示当前测量场景是否为运动状态，例如当前测量场景为移动的列车车厢。通过分析上述三个特性，即可获得当前测量场景为运动场景或静止场景、室内场景或室外场景、特定频率场景或任一频率场景。

考虑到，根据预设条件下的信道脉冲响应数据样本获得的基础无线信道模型的信道特性，与该预设条件相关，当想要得到任意条件下的无线信道模型时，可根据任意条件、步骤301中获取的变化规律和基础无线信道模型，建立任一条件下的扩展无线信道模型。

通过执行本实施例中的深度特性挖掘，得到无线信道模型的信道特性随预设条件变化的变化规律，进而可得到任意场景、任意配置、任意频率下的无线信道模型，简化了信道模型的建立过程，降低了计算量，提高了建模的准确度。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。