一种基于深度学习的信道状态信息特征提取方法及系统

1.本发明涉及无线信号处理领域，特别是涉及一种基于深度学习的信道状态信息特征提取方法及系统。


背景技术：

2.无线终端的普及和移动计算技术的发展，使得基于wi
‑
fi技术的无线局域网深入到了人类活动的各个空间。wi
‑
fi信号传输过程中会受到物理空间变化的影响，引起信号、链路的相关参数发生实时变化，因而其在传输数据的同时还可用来感知经由路径的情景信息。作为wi
‑
fi链路的物理层参数，信道状态信息(channel state information，csi)的数据表征兼具了mimo
‑
ofdm技术的频率与空间分集，更细粒度地刻画了信号的经由变化。利用特定手段对接收csi进行分析处理，来获取传输空间中兴趣目标的情景信息，无疑可使wi
‑
fi感知技术在智慧家居、医疗及人机交互等领域获到更为深入的应用。
3.在复杂的室内环境下，csi会遭受严重的多径效应，数据具有鲜明的非平稳随机统计特性。尽管感知目标的实时态势会明确地映入csi中，但目标小幅度变化形成的特征差异，往往易淹没于多径效应的总体数据波动中。传统的方法，如主成分分析、聚类算法及浅层神经网络等，很难准确地捕捉到这种对数据模式贡献较小的信息，因而造成感知性能提升遭遇瓶颈。近年来，作为人工智能领域的前沿分支，深度学习已在多个技术领域成功应用。深度学习通过多层次的网络结构，自发地从样本数据中提取内在规律和高级特征，拥有更好的特征学习与非线性映射能力。鉴于此，一些成功的深度模型也不断被用来实现感知目标的态势标注。然而，空间环境的复杂性、目标的动态性及多径衰落等因素，使得csi中蕴含的表征性十分敏感，而现有基于深度学习的方案虽在感知精度上有所突破，但其稳定性和泛化性仍需加强。在此背景下，可靠的csi数据特征提取方法显得尤为重要。
4.西安电子科技大学申请的专利“基于信道状态信息的活动人员数量估计方法”(申请号:201710195058x，授权公告号:cn107154088b，公告日:2019.03.26)针对移动目标数量估算问题，基于原始csi数据的均值和方差去除异值，并利用csi所有子载波的数据方差形成关联人员数量的特征向量；哈尔滨工程大学在其申请的专利“基于子载波动态选择的速度自适应室内人体检测方法”(申请号:2018110868979，申请公布号:cn109409216a，公布日:2019.03.01)中沿采集时间轴分割csi数据为指定长度，将长度内各子载波的期望、标准差、平均能量及最大振幅差值融合为检测特征，用以实现动、静态目标检测。上述基于传统线性统计策略的特征提取方法，由于对csi频率、空间分集信息挖掘不够，提取特征与目标态势的映射精确度较差。
5.minh tu hoang等(a cnn
‑
lstm quantifier for single access point csi indoor localization，arxiv:200506394，2020)针对目标位置感知问题，提出了一种组合深度学习方法来学习csi中的关联位置特征。该方法利用2d cnn搜索csi的空间信息，级联的长短期记忆网络lstm来标定空间特征的时间属性。但该方法由于未对原始csi数据进行有效处理，提取特征与目标位置缺乏稳定的匹配度，从而影响了模型的鲁棒性及整体方案
的执行效果。
6.因此，亟需一种新的提取方法以解决上述问题。


技术实现要素：

7.本发明的目的是提供一种基于深度学习的信道状态信息特征提取方法及系统，能够精确提取特征与目标态势的映射关系，进而提高情景感知技术的整体性能。
8.为实现上述目的，本发明提供了如下方案：
9.一种基于深度学习的信道状态信息特征提取方法，包括：
10.获取感知场景中的信道状态信息，并对所述信道状态信息进行滤波处理；
11.将滤波处理后的信道状态信息按时序转换为各个空间流的幅度矩阵，并将各个空间流的幅度矩阵合并为三阶张量；
12.将三阶张量中的幅度矩阵进行低秩矩阵分解，得到结构化信息矩阵和波动数据矩阵；
13.根据三阶张量中的幅度矩阵确定关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵；
14.根据所述结构化信息矩阵、所述波动数据矩阵、关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵确定四阶的模型驱动数据；
15.根据所述四阶的模型驱动数据，基于3d卷积神经网络和门控循环单元网络框架，确定训练后的信道状态信息特征提取深度模型；所述信道状态信息特征提取深度模型以所述四阶的模型驱动数据为输入，以感知目标态势的信道状态信息特征为输出。
16.可选地，所述将滤波处理后的信道状态信息按时序转换为各个空间流的幅度矩阵，并将各个空间流的幅度矩阵合并为三阶张量，具体包括：
17.利用公式确定任一空间流n个幅度向量按时序确定的相应空间流的幅度矩阵；
18.利用公式确定九个空间流的幅度矩阵合并的三阶张量；
19.其中，为各空间流幅度向量，h
t,r
为滤波处理后的信道状态信息中第t个发天线到第r个收天线空间流的复向量，为点积，为复向量h
t,r
的共轭，h
i
为第i个空间流的幅度矩阵，k为空间流的载波总数，k为子信道的标号。
20.可选地，所述将三阶张量中的幅度矩阵进行低秩矩阵分解，得到结构化信息矩阵和波动数据矩阵，具体包括：
21.以为目标函数，以s.t.ι+f＝h；ι,f,为约束条件，确定lagrangian函数；
22.所述lagrangian函数包括：
23.利用交替方向乘子法对所述lagrangian函数进行求解，确定结构化信息矩阵和波动数据矩阵；
24.其中，i为结构化信息，f为波动数据，h为三阶张量中的幅度矩阵，||||
*
为核范数，||||
f
为frobenius范数，为范数，目的是稀疏列向量，v为乘子矩阵，ρ为罚因子，λ为调节波动比的超参。
25.可选地，所述根据三阶张量中的幅度矩阵确定关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵，具体包括:
26.利用公式确定关于时间分集的梯度矩阵；
27.利用公式确定关于频率分集的梯度矩阵；
28.其中，h
n
为关于时间分集的梯度矩阵，h
k
为关于频率分集的梯度矩阵。
29.可选地，所述根据所述结构化信息矩阵、所述波动数据矩阵、关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵确定四阶的模型驱动数据，具体包括：
30.利用公式确定四阶的模型驱动数据；
31.其中，[h
n
；[0]1×
k
]为h
n
底端增补k维全0行向量，[h
k
,[0]
n
×1]为h
k
右端增补n维全0列向量。
[0032]
一种基于深度学习的信道状态信息特征提取系统，包括：
[0033]
信息处理模块，用于获取感知场景中的信道状态信息，并对所述信道状态信息进行滤波处理；
[0034]
三阶张量确定模块，用于将滤波处理后的信道状态信息按时序转换为各个空间流的幅度矩阵，并将各个空间流的幅度矩阵合并为三阶张量；
[0035]
低秩矩阵分解模块，用于将三阶张量中的幅度矩阵进行低秩矩阵分解，得到结构化信息矩阵和波动数据矩阵；
[0036]
梯度矩阵确定模块，用于根据三阶张量中的幅度矩阵确定关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵；
[0037]
四阶的模型驱动数据确定模块，用于根据所述结构化信息矩阵、所述波动数据矩阵、关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵确定四阶的模型驱动数据；
[0038]
训练后的信道状态信息特征提取深度模型确定模块，用于根据所述四阶的模型驱
动数据，基于3d卷积神经网络和门控循环单元网络框架，确定训练后的信道状态信息特征提取深度模型；所述信道状态信息特征提取深度模型以所述四阶的模型驱动数据为输入，以感知目标态势的信道状态信息特征为输出。
[0039]
可选地，所述三阶张量确定模块具体包括：
[0040]
幅度矩阵确定单元，用于利用公式确定任一空间流n个幅度向量按时序确定的相应空间流的幅度矩阵；
[0041]
三阶张量确定单元，用于利用公式确定九个空间流的幅度矩阵合并的三阶张量；
[0042]
其中，为各空间流幅度向量，h
t,r
为滤波处理后的信道状态信息中第t个发天线到第r个收天线空间流的复向量，为点积，为复向量h
t,r
的共轭，h
i
为第i个空间流的幅度矩阵，k为空间流的载波总数，k为子信道的标号。
[0043]
可选地，所述低秩矩阵分解模块具体包括：
[0044]
lagrangian函数确定单元，用于以为目标函数，以s.t.ι+f＝h；ι,f,为约束条件，确定lagrangian函数；
[0045]
所述lagrangian函数包括：
[0046]
结构化信息矩阵和波动数据矩阵确定单元，用于利用交替方向乘子法对所述lagrangian函数进行求解，确定结构化信息矩阵和波动数据矩阵；
[0047]
其中，i为结构化信息，f为波动数据，h为三阶张量中的幅度矩阵，||||
*
为核范数，||||
f
为frobenius范数，为范数，目的是稀疏列向量，v为乘子矩阵，ρ为罚因子，λ为调节波动比的超参。
[0048]
可选地，所述梯度矩阵确定模块具体包括:
[0049]
关于时间分集的梯度矩阵确定单元，用于利用公式确定关于时间分集的梯度矩阵；
[0050]
关于频率分集的梯度矩阵确定单元，用于利用公式
确定关于频率分集的梯度矩阵；
[0051]
其中，h
n
为关于时间分集的梯度矩阵，h
k
为关于频率分集的梯度矩阵。
[0052]
可选地，所述四阶的模型驱动数据确定模块具体包括：
[0053]
四阶的模型驱动数据确定单元，用于利用公式确定四阶的模型驱动数据；
[0054]
其中，[h
n
；[0]1×
k
]为h
n
底端增补k维全0行向量，[h
k
,[0]
n
×1]为h
k
右端增补n维全0列向量。
[0055]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0056]
本发明所提供的一种基于深度学习的信道状态信息特征提取方法及系统，基于信道状态信息(channel state information，csi)数据的时空相关性，提出了模型多维驱动数据方法。该方法充分利用wi
‑
fi标准的mimo
‑
ofdm技术，有效分离了csi中稳定的结构化信息与情景波动，同时考虑了实时信息的时、频变化，提高了深度模型输入数据素材的丰富度和靶向性。采用的深度学习模型由3d cnn执行多维信息提炼，较少网络参数的gru执行非线性特征回归。3d cnn能从时、空、频三个维度提取价值数据，提高了表征学习的层次和精度；擅长处理时间序列的gru能有效映射感知目标的时变特点，增强了输出特征的稳定性和泛化性。
附图说明
[0057]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0058]
图1为本发明所提供的一种基于深度学习的信道状态信息特征提取方法流程示意图；
[0059]
图2为本发明所提供的一种基于深度学习的信道状态信息特征提取方法总体流程示意图；
[0060]
图3为不同情景下实采csi幅度阵低秩分析图；
[0061]
图4为单空间流csi幅度矩阵生成示意图；
[0062]
图5为csi幅度阵分布式分解算法流程图；
[0063]
图6为信道状态信息特征提取深度模型结构示意图；
[0064]
图7为实验环境布局示意图；
[0065]
图8为仿真实验测试结果的绝对误差累积分布示意图；
[0066]
图9为本发明所提供的一种基于深度学习的信道状态信息特征提取系统结构示意图。
具体实施方式
[0067]
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他实施例，都属于本发明保护的范围。
[0068]
本发明的目的是提供一种基于深度学习的信道状态信息特征提取方法及系统，能够精确提取特征与目标态势的映射关系，进而提高情景感知技术的整体性能。
[0069]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0070]
csi属于空间传播的时序数据，其相近时间、相邻空间的参数分布具有很强的时空相关性。深度模型执行学习之前，借助针对性分解算法来有效分离csi中稳定的结构化信息与目标态势引发的波动数据，将更有利于深度模型的特征提取。本发明将csi数据按载波、时序扩展为二维数组，而csi的时空相关性将反映为矩阵的低秩属性。通过对不同情景实采csi幅度矩阵的奇异值分解，证明了矩阵低秩，见附图1。基于此，本发明首先构建了基于csi幅度矩阵的模型高阶驱动数据，然后设计了深度特征学习模型，实现面向典型情景感知问题的csi特征提取。
[0071]
图1为本发明所提供的一种基于深度学习的信道状态信息特征提取方法流程示意图，图2为本发明所提供的一种基于深度学习的信道状态信息特征提取方法总体流程示意图，如图1和图2所示，本发明所提供的一种基于深度学习的信道状态信息特征提取方法，包括：
[0072]
s101，获取感知场景中的信道状态信息，并对所述信道状态信息进行滤波处理；
[0073]
如图7所示，配置感知场景csi采集设施，本发明布置一个3天线无线信号发射端tx，一个linux操作系统下、配有3天线无线网卡的信号接收端rx，无线网卡需利用开源软件包atheros csi工具修改固件。
[0074]
利用开源软件包atheros csi工具对无线网卡进行固件修改，针对具体感知问题进行csi数据包实地采集，设置数据包ping速为100/秒。
[0075]
提取采集数据包中的csi，每个包中包含一个3
×3×
56的原始csi数值矩阵；对提取数据进行滤波处理，包括异常值剔除和数据中突发噪声滤除。
[0076]
每个有效接收包中csi的原始数据可表示为：
[0077][0078]
c代表了9个空间流(3
×
3个tx/rx天线对)所有子载波的csi，其中表示第t个发天线到第r个收天线空间流复向量，为中心频率f
k
的第k条子载波(子信道)的csi，k为该空间流载波总数。本发明采用无线网卡atheors 9k作为rx端，在2.4g/20mhz模式下解析了全部子载波csi，即k＝56。
[0079]
原始数据c滤波。利用hampel辨识法将经由噪声、传输协议标准等引起的异常采集值剔除，并利用低通滤波法抑制原始csi中的突发噪声。
[0080]
s102，将滤波处理后的信道状态信息按时序转换为各个空间流的幅度矩阵，并将各个空间流的幅度矩阵合并为三阶张量；
[0081]
s102具体包括：
[0082]
利用公式确定任一空间流n个幅度向量按时序确定的相应空间流的幅度矩阵；
[0083]
利用公式确定九个空间流的幅度矩阵合并的三阶张量；
[0084]
其中，为各空间流幅度向量，h
t,r
为滤波处理后的信道状态信息中第t个发天线到第r个收天线空间流的复向量，为点积，为复向量h
t,r
的共轭，h
i
为第i个空间流的幅度矩阵，k为空间流的载波总数，k为子信道的标号。
[0085]
相邻幅度阵表示为：考虑到提取特征的信息覆盖度与感知任务的实时性，设置的数据包ping速，本发明设定每个csi幅度阵的时序长度为0.5秒，即，n＝50；相邻幅度阵时间跨度为0.1秒，即，δn＝10。任一空间流幅度阵的生成如图4所示。
[0086]
s103，将三阶张量中的幅度矩阵进行低秩矩阵分解，得到结构化信息矩阵和波动数据矩阵；
[0087]
s103具体包括：
[0088]
以为目标函数，以s.t.ι+f＝h；ι,f,为约束条件，确定lagrangian函数；
[0089]
所述lagrangian函数包括：
[0090]
利用交替方向乘子法对所述lagrangian函数进行求解，确定结构化信息矩阵和波动数据矩阵；
[0091]
其中，i为结构化信息，f为波动数据，h为三阶张量中的幅度矩阵，||||
*
为核范数，||||
f
为frobenius范数，为范数，目的是稀疏列向量，v为乘子矩阵，ρ为罚因子，λ为调节波动比的超参。针对具体情境感知任务本发明设置λ范围为[0.2，0.3]。
[0092]
如图3和图5所示，参数更新的具体方法如下：
[0093]
1)固定其他参数，更新f:f
i
←
s
λ/ρ
(h
‑
ι
i
‑1‑
ρ
‑1v
i
‑1)。为收缩
因子，算子[x]
+
＝max(x,0)。
[0094]
2)固定其他参数，更新i:为奇异阈值函数。
[0095]
3)固定其他参数，更新乘子矩阵:v
i
←
v
i
‑1‑
ρ(h
‑
f
i
‑
i
i
‑1)。
[0096]
4)更新惩罚系数:ρ
i
←
[αρ
i
‑1,ρ
max
]
‑
。α＞1为放大因子，算子[x,y]
‑
＝min(x,y)。
[0097]
s104，根据三阶张量中的幅度矩阵确定关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵；
[0098]
s104具体包括:
[0099]
利用公式确定关于时间分集的梯度矩阵；
[0100]
利用公式确定关于频率分集的梯度矩阵；
[0101]
其中，h
n
为关于时间分集的梯度矩阵，h
k
为关于频率分集的梯度矩阵。
[0102]
计算幅度阵h关于时间、频率分集的梯度的过程如下：
[0103][0104][0105]
s105，根据所述结构化信息矩阵、所述波动数据矩阵、关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵确定四阶的模型驱动数据；
[0106]
s105具体包括：
[0107]
利用公式确定四阶的模型驱动数据；
[0108]
其中，[h
n
；[0]1×
k
]为h
n
底端增补k维全0行向量，[h
k
,[0]
n
×1]为h
k
右端增补n维全0列向量。
[0109]
s106，根据所述四阶的模型驱动数据，基于3d卷积神经网络和门控循环单元网络框架，确定训练后的信道状态信息特征提取深度模型；所述信道状态信息特征提取深度模型以所述四阶的模型驱动数据为输入，以感知目标态势的信道状态信息特征为输出。
[0110]
利用开源tensorflow 2.1，搭建基于3d cnn框架的信道状态信息特征提取深度模
型，结构如附图6所示。具体设置上，四组3d卷积核的帧方向(第1维方向)卷积步长(strides)均设为1，高、宽两个方向(第2、3维方向)的卷积步长均设为2；边界填充“padding”设置为“same”。卷积完成进行数组降维，2、3、4维三方向合并为1维。模块最后为全连接层，该层训练时执行概率0.5的随机失活，以防止过拟合。该模块每层均使用relu线性函数激活。
[0111]
特征回归模块结构见附图6。模块输入端为一个全连接层，对3d cnn的输出进行数据约简。gru单元个数与输入的csi幅度矩阵批容量一致，每个单元内部设置为128个隐层，首单元初始输入数组设置为0。输出层为全连接网络，激活采用softmax函数，网络规模“m”可依据具体的感知问题要求进行设置。
[0112]
本发明用于csi特征提取的深度模型执行监督学习。训练时采用交叉熵作为损失函数，表示为：其中标签数据y
label
依据具体问题制定，b表示一次输入矩阵批的总数。如针对目标数量检测问题，结合设计的特征回归模块输出层，利用m位独热编码one
‑
hot来制定训练标签，而one
‑
hot码中1的位置对应目标数量，如标签表示场景中目标真实数量为m
‑
1个。
[0113]
依据具体感知问题，将构建的驱动张量送入深度模型，训练模型直至损失函数收敛稳定；利用十折交叉法进行验证并根据结果调整卷积核等超参数，重复执行上述过程，最终建立目标态势与提取csi特征的可靠映射。
[0114]
本发明的执行效果可以通过下列仿真实验进行说明。
[0115]
1.仿真csi数据获取与实验设置。
[0116]
本仿真实验的实测场景布局见附图7；分布式低秩矩阵分解基于python 3.7下的cvxpy 1.1模块；深度模型搭建基于tensorflow 2.1深度学习框架，主要运算硬件为双nvidiartx2060 gpu。
[0117]
2.仿真实验内容与测试结果。
[0118]
实验1、人员数量检测，实验场景布局见附图7。在本发明的离线训练阶段，分别采集了环境内无人(0人)、1人到5人正常活动6种情景下的csi；训练过程参看附图1，对应标签为6位全历经one
‑
hot码，分别对应0到5人。在线评估分为两种模式：1)模式i的测试对象为数据采集参与人员。按1
‑
5人分为5组，每组活动时间为2分钟，均随机选取50次估计结果，见表1。2)模式ii以非训练者随机组成1
‑
5人规模的测试组，随机选取200次估计结果用于评测，采用估计值与实际值之间绝对误差的累积分布cdf作为评估标准，结果见附图8。两模式评估均采用非在线方式，即先采集测试情景的csi，然后再执行特征提取和结果比对。
[0119]
表1
[0120][0121]
表1评估结果表明，基于本发明提出的特征提取方法，检测结果呈现了较高的估计正确率，特别是相对较少人员情景下；对于较多人员的估计也达到了95％左右的识别率。同时，提出方法有助于提升系统的泛化性，如附图8所示，对于任意人员的检测也呈现了较高的识别率。
[0122]
实验2、目标态势识别，实验场景布局见附图7。离线阶段分别对3名测试者采集了4种态势csi，即，快速移动、慢移、静立以及静坐。对应标签为4位全历经one
‑
hot码，分别对应四种态势。在线测试对象为数据采集参与人员，评估采用非在线方式。每种态势每人均随机选取100次，估计结果为3人的平均，正确率见表2。
[0123]
表2
[0124][0125]
从表2可以看出，针对四类常见的目标态势，本发明提出的方法也提供了较高的识别率。对于较大显性度的目标动作，平均正确率接近98％；而对于较难判断的静止态势，基于提出的特征提取方法最终也获得了较高的识别率。
[0126]
图9为本发明所提供的一种基于深度学习的信道状态信息特征提取系统结构示意图，如图9所示，本发明所提供的一种基于深度学习的信道状态信息特征提取系统，包括：
[0127]
信息处理模块901，用于获取感知场景中的信道状态信息，并对所述信道状态信息进行滤波处理；
[0128]
三阶张量确定模块902，用于将滤波处理后的信道状态信息按时序转换为各个空间流的幅度矩阵，并将各个空间流的幅度矩阵合并为三阶张量；
[0129]
低秩矩阵分解模块903，用于将三阶张量中的幅度矩阵进行低秩矩阵分解，得到结
构化信息矩阵和波动数据矩阵；
[0130]
梯度矩阵确定模块904，用于根据三阶张量中的幅度矩阵确定关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵；
[0131]
四阶的模型驱动数据确定模块905，用于根据所述结构化信息矩阵、所述波动数据矩阵、关于时间分集的梯度矩阵以及关于频率分集的梯度矩阵确定四阶的模型驱动数据；
[0132]
训练后的信道状态信息特征提取深度模型确定模块906，用于根据所述四阶的模型驱动数据，基于3d卷积神经网络和门控循环单元网络框架，确定训练后的信道状态信息特征提取深度模型；所述信道状态信息特征提取深度模型以所述四阶的模型驱动数据为输入，以感知目标态势的信道状态信息特征为输出。
[0133]
所述三阶张量确定模块902具体包括：
[0134]
幅度矩阵确定单元，用于利用公式确定任一空间流n个幅度向量按时序确定的相应空间流的幅度矩阵；
[0135]
三阶张量确定单元，用于利用公式确定九个空间流的幅度矩阵合并的三阶张量；
[0136]
其中，为各空间流幅度向量，h
t,r
为滤波处理后的信道状态信息中第t个发天线到第r个收天线空间流的复向量，ο为点积，为复向量h
t,r
的共轭，h
i
为第i个空间流的幅度矩阵，k为空间流的载波总数，k为子信道的标号。
[0137]
所述低秩矩阵分解模块903具体包括：
[0138]
lagrangian函数确定单元，用于以为目标函数，以s.t.ι+f＝h；ι,f,为约束条件，确定lagrangian函数；
[0139]
所述lagrangian函数包括：
[0140]
结构化信息矩阵和波动数据矩阵确定单元，用于利用交替方向乘子法对所述lagrangian函数进行求解，确定结构化信息矩阵和波动数据矩阵；
[0141]
其中，i为结构化信息，f为波动数据，h为三阶张量中的幅度矩阵，||||
*
为核范数，||||
f
为frobenius范数，为范数，目的是稀疏列向量，v为乘子矩阵，ρ为罚因子，λ为调节波动比的超参。
[0142]
所述梯度矩阵确定模块904具体包括:
[0143]
关于时间分集的梯度矩阵确定单元，用于利用公式
确定关于时间分集的梯度矩阵；
[0144]
关于频率分集的梯度矩阵确定单元，用于利用公式确定关于频率分集的梯度矩阵；
[0145]
其中，h
n
为关于时间分集的梯度矩阵，h
k
为关于频率分集的梯度矩阵。
[0146]
所述四阶的模型驱动数据确定模块905具体包括：
[0147]
四阶的模型驱动数据确定单元，用于利用公式确定四阶的模型驱动数据；
[0148]
其中，[h
n
；[0]1×
k
]为h
n
底端增补k维全0行向量，[h
k
,[0]
n
×1]为h
k
右端增补n维全0列向量。
[0149]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0150]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。