本发明涉及无线通信,尤其是涉及基于改进支持向量机与灰建模的海面信道参数估计方法。
背景技术:
随着科技水平的发展,人类在海上的活动日益频繁,例如油田开采,海上渔业,邮轮旅游等等,随之而来的是海上通信产业需求的迅速增长,然而目前对于海上复杂的通信电磁环境的研究还比较少。
由于受到海洋表面及其上空环境因素的影响,海上无线通信信道与陆地无线通信信道相比具有自己独特的特点([1]杨雪莲.基于射线跟踪的海洋表面无线信道建模研究[d].厦门大学,2014.)。在海上无线通信中,海面反射造成的多径衰落会对通信质量造成严重影响,由于地球表面是一个球面的缘故,当海上通信距离较大时,如果按照直线传播模型计算反射时延将会产生比较大的误差,再加上海面波浪的起伏,海面上空大气温度分布差异大等复杂环境的影响,通过具体的数学模型计算反射时延是非常复杂的,因此如果能够快速而精确地估计出海上无线信道的多径时延,那么将有助于提高海上无线通信的质量。另外,由于受到海洋表面及其上空的温湿度和盐度等因素的影响,电磁波在传播过程中的损耗情况也比陆地更加复杂和多变,因此海上通信中无线信号的路径损耗也是海上无线通信中重要的信道参数之一。除了多径时延、路径损耗以外,海上无线信道还具有许多重要的信道参数,例如冲激响应、信噪比、到达角、离开角等等。灰色建模具有预测速度快的优点,但是预测精度往往不够高。
技术实现要素:
本发明的目的在于针对现有的海上无线信道的信道参数中灰色建模存在的不足,提供一种高精度、高效率和高可用性的基于改进支持向量机与灰建模的海面信道参数估计方法。
本发明包括以下步骤:
1)利用第一获取单元获取原始信道参数数据并利用第二预处理单元对原始信道参数数据进行预处理;
2)将信道参数估计样本输入第三估计单元进行信道参数估计;
3)以ls-svm算法预测结果作为灰色模型gm(1,1)的输入,对输入数据首先进行一次累加和均值化处理,得到一次累加序列和白化背景序列根据灰色模型建立灰微分方程,求解预测函数,之后将灰分方程离散化得到灰差分方程,利用最小二乘法求解预测参数
4)利用寻优算法,根据步骤2)得到的关于调节因子γ的预测方程,建立寻优模型,寻找出能够使预测误差值最小的调节因子γ值;
5)将步骤4)得到的γ值回代到步骤2)和步骤3)中得到确切的信道参数预测值。
在步骤1)中,所述利用第一获取单元获取原始信道参数数据并利用第二预处理单元对原始信道参数数据进行预处理的具体方法可为:通过搭载射频的海上升空平台发射不同频段的射频信号,使用测量船只上的频谱仪或usrp等设备接收射频信号,获取原始信道参数数据,将数据输入第二预处理单元处理器中对原始数据进行预处理,获得信道参数估计样本。
在步骤2)中,所述将信道参数估计样本输入第三估计单元进行信道参数估计的具体方法可为:根据ls-svm算法,利用非线性函数
在步骤4)中,所述利用寻优算法包括遗传算法、退火算法等。
本发明提出一种基于ls-svm(leastsquaressupportvectormachine最小二乘支持向量机)与灰色建模(简称灰建模)的海洋表面无线信道参数估计方法。
本发明的技术原理为:
灰色系统理论是中国著名学者邓聚龙教授在1982年创立的一门新兴横断学科,它以“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象,主要通过对部分已知信息的生成、开发,提取有价值的信息,实现对系统运行规律的正确认识和确切描述,并据以进行科学预测。灰色系统指的是一部分信息已知,另一部分信息未知的系统,系统内各因素间有不确定的关系。灰色预测法是一种对含有不确定因素的系统进行预测的方法,灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析。灰色建模就是通过少量的、不完全的信息,建立灰色微分预测模型,对事物发展规律作出模糊性的长期描述。在灰色系统理论中,利用较少的或不确切的表示灰色系统行为特征的原始数据序列作生成变换后建立的,用以描述灰色系统内部事物连续变化过程的模型,称为灰色模型,简称gm模型,gm(1,1)模型表示1阶的、1个变量的微分方程模型,g表示grey(灰色),m表示model(模型),本发明正是基于这种模型提出的。
灰色建模可以根据比较少的样本数进行快速预测。结合海上环境复杂,样本获取难度大的特点,为了在海洋复杂环境中快速估计信道参数,本发明采用灰色建模中的gm(1,1)模型作为基础,提出了一种该模型的新的改进方法,并首次将其应用于海上无线通信信道参数估计中。根据灰色系统理论,gm(1,1)模型的建模过程如下:
步骤一,对原始数据
步骤二,定义x(1)的灰导数为d(k)=x(0)(k)=x(1)(k)-x(1)(k-1),建立灰色微分方程d(k)+az(1)(k)=b,式中a称为发展系数,b称为灰作用量,将灰微分方程离散化为x(0)(k)=-az(1)(k)+b;
步骤三,利用最小二乘法可以求得模型的预测参数
步骤四,将
对于灰色gm(1,1)模型的改进主要分为两方面,一是从灰色模型的输入数据着手,对输入数据进行处理;二是优选预测参数的求解过程,本发明属于第一种。灰色模型应用广泛,西安电子科技大学的李勇朝等人利用灰色模型对ofdm(orthogonalfrequencydivisionmultiplexing)窄带慢衰落慢时变信道进行估计,但采用的是未经改进的gm(1,1)模型,预测精度有一定局限性,特别是难以满足复杂的海上信道参数估计要求;周德强等人也提出了对灰色模型参数求解改进的方法,但是由于灰色预测模型的线性关系,在算法中的核函数相应地选取具了有线性关系的线性核函数,这样有可能会限制预测结果的精确度提升。结合大量灰色模型改进的方案,本发明提出了利用ls-svm算法优化的灰色建模方法,并提出了一套从数据采集到数据处理的完整方案,首次将改进的灰色建模方法应用于复杂的海上无线通信信道参数估计上。
gm(1,1)建模过程中,数据的光滑程度往往会影响预测的准确性,因此为改进算法,提高预测精度,本发明引入ls-svm算法对gm(1,1)模型的参数估计进行优化,它建立在结构风险最小化原则(srm)基础上,对总体的分布不需做特殊要求。具体优化算法为,利用ls-svm算法对原始信道数据进行预处理,将随机波动比较大的信道数据处理成较为光滑的一步预测数据,将处理后的数据作为灰色预测的输入数据,通过灰色建模过程完成二步预测。
本发明的优点在于合理地应用多种模型相结合的预测方法,克服单一模型的局限性,同时由于ls-svm算法中引入了可控的调节因子,在对预测结构的误差控制上可以做到更加精确,本发明通过对调节因子的寻优处理,最大程度降低预测误差。
在拥有一定统计数据的基础上,利用ls-svm算法改进的灰色建模方法实现对信道信息的快速估计。
考虑到灰色建模的这一不足,本发明引入最小支持向量机对灰色建模方法加以改进,提高预测的可控性以及精度。支持向量机(svm)以统计学理论为基础,遵循结构风险最小化原则,综合考虑经验风险和置信风险,适用于小样本、非线性、高纬数、局部极小等问题(0耿立艳,张天伟,赵鹏.基于灰色关联分析的ls-svm铁路货运量预测[j].铁道学报,2012,03:1-6),以往的一些方法利用灰色建模筛选关联性大的原始数据,这种做法会丢弃一些数据,这样就有可能使预测结果忽略一些隐含在数据之间的细节,为了避免这种情况,并且能够精确快速地估计出海上无线通信的这些信道参数,促进海上无线通信链路的建立和海洋空间信息网络的发展,本发明提出一种以灰色建模为基础,利用ls-svm算法改进的海上信道参数估计方法。该方法利用ls-svm算法对数据进行预处理,提高原始数据的拟合程度,并且能够提高预测结果的可控性。
附图说明
图1为本发明信道估计装置结构示意图。
图2为本发明实施例的流程图。
具体实施方式
本发明所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例所提供环境场景为海洋通信环境场景,本发明场景不仅局限于海洋环境场景,还适用于其他复杂的陆地通信环境,此地仅起到示例作用。本发明实施例所提供的方法为基于ls-svm与灰色建模的海洋表面及其上空无线信道参数估计方法,其相应的改进的类似方法也适用,在此仅起到示例作用。
参见图1,本发明主要包括3个单元,分别是第一获取单元、第二预处理单元和第三估计单元。
第一获取单元,用于海上信道数据的采集,主要包括海面测量平台(例如海上船舶);海上升空平台(例如无人机或热气球等升空设备);射频发射装置,由单片机、天线和电池构成,装载于升空平台上;射频接收装置,包括频谱仪,usrp(通用软件无线电外设),装载于海面测量平台。
第二预处理单元,用于处理射频接收装置接收到的原始信道数据,获得第三单元所需的样本数据,主要装置为处理器(如,计算机)。
第三估计单元,利用ls-svm算法和灰色建模估计信道参数,通过输入第二预处理单元的样本数据得到输出信道参数预测数据。输出的信道参数可以包含多种信道参数,如冲激响应,路径损耗和多径时延等。
图2给出本发明实施例的流程图。
步骤一,通过收发装置获得信道原始数据。
步骤101,利用无人机携带射频发射单元(发射信号功率已知)分别采集与母船等间距的接收信号,控制无人机高度为恒定值,用频谱仪测量获得水平等间距的接收功率,其中水平等间距记为:x=(x1,x2,…,xn),(x1=s,x2=s+d,…,xn=s+(n-1)d),并在计算机上利用相应算法求得每一测量点所对应的路径损耗值(本实施例中以路径损耗为例),式中xk(k=1,2,…,n)为无人机与母船之间的水平距离,s为初始距离,d为相等间隔,采集n组数据,记录每个距离所对应的路径损耗值为y=(y1,y2,…,yn),将这组数据作为训练样本序列(xk,yk)=(x(k),y(k)),(k=1,2,…,n),式中xk∈rn为输入向量,yk∈rn为输出向量,且yk=f(xk)。
步骤二,根据ls-svm算法,确定核函数和参数解式。
步骤201,引入非线性映射
式中ξk为误差项,γ>0为调节因子。
步骤202,利用拉格朗日函数求解该问题,引入下式:
用矩阵表示为
式中i为nxn的单位矩阵
令
步骤三,以ls-svm算法预测结果作为灰色模型gm(1,1)的输入,进行下一步预测。
步骤301,将上一步预测值作为gm(1,1)模型的原始序列,
步骤302,对原始数据作累加运算
步骤303,利用得到的1次累加序列得到邻值生成序列,即白化背景
步骤304,由式
步骤四,采用寻优算法(本实施例以遗传算法为例)求解最优调节因子γ。
步骤401,将参数γ>0表示为一个n位二进制基因座,并设置迭代代数k。
步骤402,在(0,+∞)上随机生成m0(初代种群规模)个个体作为初始种群,将初始种群表示为p(0)={γ(1,0),γ(2,0),…,γ(m0,0)}。
步骤403,将γ值回代到步骤二、步骤三计算预测值,计算第k(k≤k)代个体i的适应度,
步骤404,计算第k代个体i的生存概率,
步骤405,判断是否停止迭代,停止条件为达到最大迭代代数或者寻得合适的γ值。否则返回步骤403继续迭代。
步骤五,将步骤四得到的γ值回代到步骤二和步骤三得到确切的预测值。
步骤501,将步骤四得到的最优γ值代入步骤二,步骤三中得到最终的路径损耗预测结果。