一种基于核功率密度的无线信道多径分簇方法与流程

本发明涉及一种基于核功率密度的无线信道多径分簇方法，用于无线通信系统中面向传播信道建模，属于无线移动通信领域。

背景技术：

信道建模是无线通信中一个重要的研究方向，因为准确的信道模型是开展任意无线通信系统设计与性能分析的前提。信道建模的主要目的在于准确刻画不同环境中的多径信号的统计分布规律。在描述无线信道多径统计分布规律的模型中，抽头延迟线(Tapped Delay Line,TDL)模型颇具代表性，该模型在时延域将信道描述为由大量多径叠加而形成，并且包含了小尺度衰落特性。TDL模型在较长时间内被广泛使用，并且在早期的无线通信系统，如COST 207模型中被采纳为标准化信道模型。

然而，3G、4G以及下一代通信系统需要更高的带宽以及更大维度的多天线(multiple-input-multiple-output,MIMO)阵列。基于此，信道多径分量在时延域与角度域具有更高的分辨率，从而使得可以更详细地刻画多径分量的统计分布特征。然而，这同时也意味着在对大量多径分量进行统计建模过程更复杂。

大量的MIMO信道测量数据显示，在实际环境中多径分量是成簇分布的。多径成簇这一特性可以在信道建模过程中加以利用，从而在保持建模准确性的前提下降低模型复杂度。最早出现的涵盖多径簇结构的信道模型是SV(Saleh-Valenzuela)模型，在该模型中，多径分量基于实测数据在时延域被分成了不同的簇。此外，有学者提出了一种更适合MIMO信道的几何的随机信道模型(GSCM)，将SV模型中多径时延簇延伸到了时延与角度两个维度中。在过去20年中，多径成簇的现象在许多环境中被广泛观测到，同时基于簇结构的信道模型也被广泛地应用于标准化信道模型中，例如COST 259、COST 2100、3GPP空间分布信道模型(SCM)以及WINNER模型中。

虽然多径成簇的概念在信道建模中被广泛认可，但是建立合适的多径分簇算法依旧是一个热门的课题。在过去，通过人体肉眼鉴别开展多径分簇的方法使用了很长一段时间。然而，即便人体视觉可以有效地从噪声中鉴别多径的结构与模式，但是，这一方法面对海量测量数据则显得过于繁琐。因此，基于簇结果的信道建模需要一种通过精密设计的自动分簇算法。

虽然分簇算法(在机器学习领域多称为“聚类算法”)在机器学习领域一直以来都是一个热门研究课题，但在无线通信领域中信道多径分簇问题仍属于新兴学科。由于描述实际传播信道中多径分量的参数有很多，包括功率、时延、角度等，并且这些参数都具有真实的物理含义以及不同的统计特性，因此，多径分簇最大的挑战就在于如何将这些参数的影响考虑在分簇算法内。当只考虑功率和时延信息的情况下，存在一些多径分簇算法，然而，此类算法仅在多径分量的时延域范围内适用，无法用于MIMO信道(涵盖多径角度域分布特征)多径分簇。

当前，考虑了所有多径参数(功率、时延、角度)、适用于MIMO信道多径分簇的算法主要归纳如下：在一文献中，见N.Czink,P.Cera,J.Salo,E.Bonek,J.-P.Nuutinen,and J.Ylitalo,“A framework for automatic clustering of parametric MIMO channel data including path powers,”in Proc.IEEE VTC’06,2006,pp.1–5，K-Power-Means(KPM)算法被提出，该算法将多径功率的影响在计算簇中心的过程中考虑了进来，并且使用了多径距离来定义不同多径分量之间的相似性。在另外一文献中，见C.Schneider,M.Bauer,M.Narandzic,W.Kotterman,and R.S.Thoma,“Clustering of MIMO channel parameters-performance comparison,”in Proc.IEEE VTC’09,2009,pp.1–5，Fuzzy c-means算法被改进并用于多径分簇，研究表明，该算法在随机初始化的条件下性能优于KPM算法。

虽然过去十年对于无线信道多径自动分簇算法的研究取得了一些进展，但是现有工作依旧具有以下局限性：

●多径分量的许多参数的统计特征并未考虑在分簇算法中。不同于机器学习中人为生成的数据，实际场景中的多径信号是由物理环境所产生，并且具有确定的内在物理特征。这些多径分量的物理规律应该在分簇算法中考虑进来。例如，许多测量显示多径簇的角度分布通常服从拉普拉斯分布，然而，该特性并未在现有的分簇算法设计中被考虑进来。

●既有算法中多径簇的数目通常需要作为已知信息以输入分簇算法。虽然存在许多验证指标可以对簇的数目开展估计，但是任何指标都无法保证总能正确预测多径簇数目。大多数的研究依旧运用视觉识别的方式在环境中得到最佳的簇数目，这大大降低了自动分簇算法的效率。

●大多数的分簇算法依旧需要许多人工输入的预设参数。例如，在KPM算法中，簇的初始信息(时延和角度)需要被定义，并且时延与角度的权重参数也需要反复调整从而获得合理的输出结果，这些参数的定义往往非常主观。此外，在实际的测量数据中找出合理的初始化参数本身也具有很高的难度。因此，有必要建立一种人为预设参数更少、更易于调整的多径分簇算法。

技术实现要素：

本发明的目的是提供一种基于核功率密度的无线信道多径分簇方法，其是一种全新的MIMO信道多径分簇方法.

为此，本发明的目的是提供一种基于核功率密度的无线信道多径分簇方法，信号由发射机历经多径到达接收机，MIMO信道被建模为双方向性信道，并且双方向性脉冲响应包括多径的功率α、时延τ、离开角Ω_T以及达到角Ω_R，信道中的多径信号呈现成簇现象，在同一个簇中的多径信号拥有相似的功率、时延以及角度参数，其特征在于，所有的多径参数都利用高分辨率算法(例如，MUSIC、CLEAN、SAGE、RiMAX)从实际测试数据中进行估计，考虑在一个时间时刻内M个簇中的T条多径分量，而这些多径分量由功率α、时延τ、DODΩ_T以及DOAΩ_R进行表示。

根据本发明，核密度考虑了多径分量的统计特性，并且也考虑了多径功率；

根据本发明，在密度估计过程中仅考虑了K个最近的多径分量，从而能够更好地识别多径分量的本地密度变化，该方法可以有效服务于MIMO信道的多径分簇，并且不需要簇的先验信息(例如簇的数目以及初始位置等)；

根据本发明，具有相对较低的计算复杂度，能够满足未来无线通信领域面向簇结构的信道建模需求。

现有技术中，从来没有人考虑过“多径分量的统计分布特性”，这并非是因为以往受到计算手段(例如曾经的计算尺、算盘、采用穿孔带进行数据输入的单板机、计算器、电子管计算机、以及IBM工作站等)的能力限制，而是因为“本领域的技术人员”一直没有找到合适的方法去考虑它，不清楚如何在聚类问题中对它进行描述，也不清楚如果将它与聚类问题相结合。本发明创造性地提出了“核函数”这个解决技术问题的手段，才把“多径分量的统计分布特性”成功地考虑了进来，即巧妙、又有效地解决了实时通讯领域的技术问题。

现有技术中，“多径分量功率”的考虑方法方式与本发明截然不同，是在描述多径信号空间间距的过程中把功率因子加权进来的，而本发明是在核函数里面引入了功率变量，变成了核功率密度。

因此，本发明同时考虑“多径分量的统计分布特性”和“多径分量功率”解决技术问题的两个必要手段；而现有技术中没有、也无法这样做。

现有技术中，多径分量的许多参数的统计特征并未考虑在分簇算法中，不是计算机技术没有现在发达，以往数值计算能力有限(例如打算盘、穿孔纸带计算机、单板机、计算器、386等)，数学模型中考虑的参数多了无法得到数值解，必须对数学模型进行简化，而是因为“本领域的技术人员”一直没有认识到多径信号参数的统计特征和物理规律，因此，现有技术的方法、体系有缺陷，无法想到本发明的技术方案。

现有技术中，多径簇的数目通常需要作为已知信息输入分簇算法；而本发明是基于密度的聚类算法，不需要知道簇的数目的初始值，不需要输入簇的数目作为先验信息。

采用“核功率密度”作为解决技术问题的手段是本发明首次提出的，实现本发明的技术构思的难点至少包括：

1)核函数的引入：解决了多径聚类中多径统计特征无法涵盖进来的问题；

2)核功率的加权：通过在核函数中引入功率密度，实现了核功率密度这一概念的建立；

3)基于核功率密度的分簇方法设计：包括相对密度的计算，多径核心点的搜索、基于高密度近邻的分簇、基于连接图的簇合并等。

总之，提出本发明的技术方案，需要付出创造性的劳动，克服一系列技术难关；而且，本发明的技术方案确实产生了预料不到的技术效果。

附图说明

图1a-1d是基于仿真生成的信道下KPD多径分簇算法实施过程示意图。

图2a-2d是基于仿真生成的信道下KPD多径分簇算法实施过程示意图。

图3a-3d是基于仿真生成的信道下多径分簇算法验证示意图。

图4示出了多径簇数目对F-测度的影响分析。

图5示出了多径簇内角度扩展对F-测度的影响分析。

图6a-6b示出了KPD算法参数对F-测度的影响分析。

图7示出了本发明在信道探测仪中的实施流程。

具体实施方式

图1a示出了原始仿真信道中的多径信号，内含5个多径簇，分别标注为不同形状；

图1b是多径密度ρ的示意图，样本点的亮度表示ρ值大小；

图1c是多径相对密度ρ^*的示意图，样本点的亮度表示ρ^*值大小，其中，5个实心正方形表示多径核心点，即满足ρ^*＝1的样本点；

图1d示出了基于KPD算法的多径分簇结果，其中不同簇用不同形状表示。

图2a示出了原始仿真信道中的多径信号，内含7个多径簇，分别标注为不同形状；

图2b是多径密度ρ的示意图，样本点的亮度表示ρ值大小；

图2c是多径相对密度ρ^*的示意图，样本点的亮度表示ρ^*值大小，其中，7个实心正方形表示多径核心点，即满足ρ^*＝1的样本点；

图2d示出了基于KPD算法的多径分簇结果，其中不同簇用不同形状表示。

图3a示出了原始仿真信道生成的多径簇，不同簇分别标注为不同形状；

图3b是基于KPD算法的多径分簇结果；

图3c是基于KPM算法的多径分簇结果；

图3d是基于DBSCAN算法的多径分簇结果。

(1)无线信道描述

首先，对无线信道及信道多径参数进行描述。在任何无线信道中，信号通常由发射机历经多径到达接收机。MIMO信道可以被建模为双方向性信道，并且可以由双方向性脉冲响应进行描述，该脉冲响应包括了多径的功率α、时延τ、离开角(Direction of Departure,DOD)Ω_T以及达到角(Direction of Arrival,DOA)Ω_R。如技术背景中所述，信道中的多径信号呈现成簇现象，在同一个簇中的多径信号拥有相似的功率、时延以及角度参数。对于任意时刻，涵盖簇结构的双方向性MIMO信道脉冲响应h可以表示为：

其中，M为簇的数目，N_m为第m个簇中多径的数目，a_m，n与φ_m，n分别是第m个簇中第n条多径的幅度和相位，τ_m、Ω_T，m、Ω_R，m分别是第m个簇的时延、DOD与DOA，而τ_m，n、Ω_T，m，n与Ω_R，m，n则分别是第m个簇中第n条多径的附加时延、附加DOD与附加DOA。δ(·)是脉冲函数，t是时间。

在公式(1)中，所有的多径参数都可以利用高分辨率算法(例如，MUSIC、CLEAN、SAGE、RiMAX)从实际测试数据中进行估计。如公式(1)所示，考虑的是在一个时间时刻内M个簇中的T条多径分量，而这些多径分量则可以由功率α、时延τ、DODΩ_T以及DOAΩ_R进行表示。一个时间时刻内所有多径分量的集合表示为Φ，每一个多径分量则用x来代替。

(2)基于核功率密度(Kernel-Power-Density，KPD)的信道多径分簇算法

为了克服现有多径分簇算法的不足，本发明提出了基于核功率密度(Kernel-Power-Density,KPD)的多径分簇算法。KPD算法的具体内容如下所示。

a)针对每一个多径样本x，利用距离它最近的K个多径分量计算其密度ρ：

其中，y是任意的一个多径分量并且y≠x。K_x是距离多径x的K个最近的多径的集合。σ_(·)，y∈K_x表示在(·)域中K个最近的多径分量的标准差。在(2)中，在时延域采用了高斯核密度，因为物理信道中的时延并未呈现某种特定的分布；在角度域采用了拉普拉斯核密度，因为大量实际测试表明多径信号在角度域呈现拉普拉斯分布。(2)中的项exp(α)表明多径分量的功率越强，密度越大，这也符合信道的物理特征。exp(α)项可以将不同多径分量之间的功率差放大到一个合理的水平，并且，在核密度中考虑了功率后，分簇结果中的多径簇心也更加靠近功率较强的点。

b)针对每一个多径样本点，利用它的K个最近的多径分量计算其相对密度ρ^*：

利用相对密度，可以在不同区域对多径密度进行归一化，从而确保不同的簇具有相似的密度值，因而可以更好地识别出功率相对较弱的簇。由(3)可知ρ^*∈[0，1]。

c)对于每一个多径样本x，如果ρ^*＝1，则把它标记为多径核心点因此可以得到多径核心点的集合如下：

多径核心点可以被设定为初始的多径簇心。

d)对每一个多径样本x，定义其高密度最近邻为：

其中，d代表欧式距离。与DBSCAN算法中的密度可达概念相似，将每一个多径分量与其高密度最近邻相互连接，并建立如下映射路径：

因此，可进一步得到如下连接图ξ₁：

ξ₁：＝{p_x|x∈Φ} (7)

需要指出两个多径分量可以通过多条映射路径相互连接。不同的多径分量如果在连接图ξ₁中与同一个多径核心点相连通，则它们被分到同一个多径簇中。

e)对于任意一个多径分量，将其与它的K个最近的多径分量相互连接，则可建立如下映射路径：

q_x：＝{x→y，y∈K_x} (8)

因此，可进一步得到如下连接图ξ₂：

ξ₂：＝{q_x|x∈Φ} (9)

如果：i)两个多径核心点在连接图ξ₂中相互可达；ii)在这两个多径核心点相互连通的任意路径上，存在某条路径上的样本点始终满足ρ^*＞χ(其中χ为密度门限)，就将这两个多径核心点所对应的簇合并为一个簇。

在KPD算法中，需要定义两个参数：K和χ。其中，参数K决定了在计算密度的过程中要使用多少本地多径信号从而获得连接图ξ₂。K越小，则本地多径密度的波动对于分簇结果的敏感性就越大，这等效于缩小了本地区间的范围。本算法使用并给出了一种启发式的解释：总体来讲，每一个簇内有个样本点，然而，本发明算法要求在每个簇中的任意两个多径分量在ξ₂上可达，从而使得簇具有一定的紧凑度。然而，通常很难达到这一效果(即每个簇中的任意两个多径分量在ξ₂无法保证可达)，因此，使用了来减小本地区域从而确保簇具有一定的紧凑度。

参数χ决定了两个簇是否可以被合并。χ越大，簇的数目就越多。简单来讲，建议将χ设定为0.8，从而在验证过程中具有最合理的分簇性能，这是因为较大的x可以确保簇与簇之间的分离度较高。

(3)KPD算法原理分析及讨论

(3.1)为什么使用核密度

对聚类分析中的目标样本点，每一个数据点的变化规律可以用波动函数进行建模，因此，基于波动函数的累加所建立起的密度函数可以使得所产出的分簇结果具有与波动函数相似的数学规律。在无线信道多径分簇中，可以利用核函数将多径在某个维度的分布规律融入分簇过程中，所产出的多径分簇结果在相应空间内的分布规律也会趋近于核函数的表现形式。值得指出的是，(2)中所定义的多径核密度具有非常灵活性的表现形式：在3D MIMO测量的条件下，可以再在(2)中加入俯仰角所对应的核密度因子；如果多径的角度信息无法从信道数据中获得，也可以将相应的核密度因子从(2)中删除。

(3.2)为什么在多径密度计算中仅考虑K个最近的多径分量

原因在于，要保证估计的多径密度对于局部区域数据密度的变化具有足够的敏感度，换言之，距离目标样本越近的多径信号对其密度估计的贡献越大。

(3.3)为什么在多径密度计算中使用“相对密度”

原因与使用K个最近的多径分量相类似：相对密度有助于更清晰的反映本地区域多径密度的变化情况，从而使得每个多径簇更易于辨识。

(3.4)为什么需要进行簇的合并

真实环境中的多径簇都存在小尺度衰落，每个簇内多径信号的功率存在一定范围的动态变化。基于多径核心点所确立的初始多径簇往往数量过多。因此，需要将彼此距离相对较近的簇进行合并，以克服由于多径簇能量衰落所造成分簇数量过多的情况。

(4)算法验证

本发明利用基于实测数据所建立的SCME MIMO信道仿真模型生成原始信道数据，对KPD算法进行验证。SCME信道模型被用于生成涵盖功率、时延、角度信息的多径分量。出于简化考虑，在信道仿真中忽略掉多径俯仰角维度的信息。

图1a-1d和图2a-2d显示了基于仿真生成的信道下KPD多径分簇算法实施的过程和处理细节。在图1a-1d中，基于SCME MIMO信道模型仿真生成了5个多径簇，其中簇3和簇4离的较近。如图1b所示，密度ρ的动态范围较大，很难基于ρ的变化识别出簇1和簇3。然而，通过对本地多径密度的归一化(即相对密度ρ^*的计算)，可以很容易地借助多径核心点识别出不同的簇(如图1c所示)。最终的分簇结果如图1d所示，其准确度达到100％。

在图2a-2d中，基于SCME MIMO信道模型仿真生成了7个多径簇，其中簇4、簇5、簇6、簇7彼此离的较近。如图2b和图2c所示，局部区域多径密度的变化特征可以从相对密度值ρ^*中较好地提取出来。借助KPD算法，图2a-2d中所有的7个多径簇均被成功找出。

图3a-3d显示了基于SCME MIMO原始仿真信道生成的多径簇以及采用不同算法的分簇结果，生成了10个拥有不同时延与角度特征的多径簇。从图3a-3d中可以看到，在KPM算法中DOD为-150至-100度以及DOA为0至180度的多径信号分簇结果不正确；而在DBSCAN算法中多径簇的数目判定错误；如图3b所示，本发明中的KPD算法分簇准确率达到100％。

此外，还在不同的多径簇分布特征下测试了分簇算法的性能。考虑了以下两个条件：多径簇的数目、簇的角度扩展。直观来看，簇的数目以及簇的角度扩展越大，分簇算法的性能则会降低。本发明使用鲁棒性较好的分簇结果评价指标“F-测度”来评估分簇算法的性能。这里，定义“簇”来代表原始信号中真实存在的簇，定义“类”来代表分簇算法输出的分簇结果。因此，F-测度可定义为：

其中，l_i为类i里元素的数目，并且：

P(i，j)＝l_ij/l_j (11)

这里，R(i，j)和P(i，j)代表簇i和簇j的召回率和精确率，l_ij代表簇j中类i内元素的数目，l_j代表簇j中元素的数目。F-测度的值介于0和1之间，该值越大代表分簇性能越好。

首先，检验了簇的个数对于分簇算法准确性的影响。依然使用SCME MIMO信道模型来生成多径信号，并且在仿真中使用了不同的簇的数目。对于每一个簇的数目，仿真了300个随机的多径信道以获得更具普适性的结果。图4给出了三种分簇算法的性能对比。从图4中可以看出，本发明提出的KPD算法F-测度数值最高，因此具有最好的分簇性能，同时，在簇的数目逐渐增大的情况下，F-测度的值仅有轻微的降低。KPM和DBSCAN算法仅在原始簇的数目较小的情况下具有较好的性能，当簇的数目增大，它们的F-测度值显著减小。

其次，测试了多径簇的角度扩展对分簇准确性的影响。在仿真中，将信道内多径簇的数目固定为6个，通过在多径的DOA和DOD中加入方差为{1°，2°，...，30°}的高斯噪声，得到了具有不同角度扩展的多径簇。对于每一种情况同样仿真了300个随机信道以获得更具普适性的结果。图5给出了簇的角度扩展对于F-测度的影响。从图5中可以发现，随着簇角度扩展的增大，F-测度值逐渐减小。而KPD算法对不同大小的簇均具有较好的分簇性能，这是因为，在KPD算法中使用了拉普拉斯核密度以反映多径在角度域的分布规律，而SCME标准模型同样也假设多径在角度维度服从拉普拉斯分布。

接下来，讨论KPD算法中参数K和参数χ的选取对于分簇性能的影响。图6a显示了选取不同的K值对分簇结果F-测度的影响(SCME MIMO仿真基于300个随机生成的信道，且簇的数目固定为6)。从图6a中可以看出，F-测度随着K值的增加先增大、后减小。这是因为，较小的K无法正确反应局部区域的多径密度，而较大的K则会过度平均掉本地区域内多径密度的变化特征。在图6a的仿真中，的情况对应着较大的F-测度值，因此，在KPD算法中建议采用作为参数预设值。图6b给出了不同χ值对于分簇结果F-测度的影响(SCME MIMO仿真基于300个随机生成的信道，且簇的数目固定为12)。从图6b中可以看出，F-测度随着χ的增加基本呈现递增的趋势。这是因为，较大的χ值减少了不同簇之间错误的合并。大量仿真验证表明，当χ＞0.8时F-测度的值比较稳定。因此，建议在KPD算法中使用x＝0.8。

最后，使用计算机处理时间讨论不同分簇算法的计算复杂度。对于图3中一个时间片段下多径信号分簇的处理，KPD、KPM、DBSCAN算法的处理时间分别为0.40秒、1.14秒、0.25秒(使用Matlab 2012，4 GB RAM电脑)。这表明KPD算法具有相对较低的复杂度。虽然DBSCAN算法拥有最低的计算复杂度，但其同样拥有最差的分簇准确度。

综上所述，本发明所提出的KPD分簇算法具有最高的分簇准确度以及相对较低的计算复杂度。

针对无线通信中信道内的多径信号，本发明公开了一种基于核功率密度的多径分簇算法，即KPD算法，服务于多径信号簇结构统计模型的开发。主要特征如下：

1)它使用核密度的方式将多径的统计分布特征与分簇过程相融合，具有较好的灵活性；

2)在对多径密度进行估计的过程中，KPD引入相对密度的定义，并且仅考虑K近邻内的多径信号，这使得算法可以更为有效地识别局部区域多径密度的变化特征；

3)KPD采用了多径簇合并机制，有效地改善了多径分簇性能；

4)KPD算法的预设参数较少并且鲁棒性较好，当环境中多径簇数目较多并且簇内的多径分布较为离散时，KPD算法性能依然保持在较高的水准；

5)算法的计算复杂度较低。

本发明算法的性能得到了基于实测数据所建立的仿真模型的验证。

本发明可以用于对信道数据分簇研究的开展以及4G、5G通信中基于簇结构信道模型的开发。

该发明可以应用于信道探测仪(channel sounder)，实现对信道探测仪设备所采集的信道数据的实时处理。信道探测仪可以用内部FPGA芯片，借助本发明实时地分析所采集多径数据的成簇效应，输出分簇结果，并依据分簇结果实现设备内对信道统计特征的计算、分析、显示等功能。

下面结合上述发明内容对该分簇算法在信道探测仪设备中的实施方式作详细说明。应该强调的是，下述说明和参数选取仅仅是示例性的，而不是为了限制本方法的范围及其应用。

以配置有多天线的信道探测仪为例，本发明具体实施步骤如下(实施流程如图7所示)：

步骤1：利用多天线信道探测仪设备对某一场景下的信道数据进行实时采集，通过数字下变频和模数转换操作，获得连续时刻下信道冲激响应数据，通过先入先出(FIFO)的方式实时地存放在“磁盘阵列A区”中。

步骤2：首先对“磁盘阵列A区”中的原始采样数据进行串-并转换，然后通过E个“参数估计”处理器同时对E路并行的基带原始数据进行参数估计，获得每一路并行数据(其对应步骤1中不同时刻的测试数据)所对应的多径样本信号，之后进行并-串转换，存放在“磁盘阵列B区”中。由于使用了多个“参数估计处理器”，使得有新数据进入“磁盘阵列A区”时，“参数估计1”处理器已经完成了对之前数据的估计处理，这样保证了系统处理的实时性。此外，经并-串转换后存放在“磁盘阵列B区”中的只是多径参数，它比原始信道数据占用空间更小，更易于实时处理。

若信道探测器配置有多天线射频单元，则所存储的多径样本包含多径的幅度、时延、角度3方面信息；若信道探测仪配置仅为单天线射频单元，则所存储的多径样本包含多径的幅度、时延2方面信息。本章节以配置有多天线射频单元的信道探测仪所存储的数据为例，对本发明的实施方法进行说明；本发明在单天线射频单元的信道探测仪上的实施方法可以以此类推。

步骤3：在信道探测仪内部的处理器中预先分配出8个处理单元，用于后续FPGA分簇计算处理。前后处理单元之间利用移位寄存器传递数据，各处理单元共享系统时钟且并行处理。

步骤4：将“磁盘阵列B区”中的多径信号读入信道探测仪内部“处理单元1”，以矩阵单元的形式依次存放。假设“处理单元1”里所存放的多径信号总数目为T，这些信号均独立地存放在“处理单元1”里的T个不同的矩阵单元中。将每一个矩阵单元中的多径信号映射到功率-时延-角度的三维逻辑空间中，并在“处理单元2”中存储每个多径数据的空间坐标。

步骤5：在“处理单元2”中设置一个计数器，其初值为0。在“处理单元2”所存储的这个逻辑空间内，对任意一个多径信号x以欧氏距离的方式依次搜索距离它最近的多径信号，每搜到一个多径信号，则将其存入“处理单元3”中，同时令“处理单元2”中计数器加1。若“处理单元2”中计数器值等于则停止对“处理单元2”中数据的搜索。

步骤6：利用“处理单元3”中所存放的所有多径信号以及“处理单元2”中多径信号x数据，计算x的原始核功率密度，存储在信道探测仪内“处理单元4”中。

步骤7：基于“处理单元3”中的数据在内部处理器中计算x的相对核功率密度，删除掉“处理单元4”中原先存放的原始核功率密度数据，将新的相对核功率密度数据存放在“处理单元4”中。所存储的相对核功率密度代表了该多径信号在后处理中的重要程度，其值越大，表明该多径信号在后续信道探测仪的内部处理中所占的权重越大。

步骤8：将“处理单元2”中的计数器值归零，重复步骤5-7，直至完成对“处理单元2”中所有多径信号相对核功率密度的计算。将所获得的相对核功率密度数据全部存放在“处理单元4”中。

步骤9：在“处理单元4”中搜索相对核功率密度为1的多径信号。将所有这些相对核功率密度为1的多径信号的编号以及其在“处理单元2”中所对应的空间坐标存储在“处理单元5”里。这些多径信号是后续处理中建立多径成簇关系的初始中心点，称之为“初始多径核心点单元”。

步骤10：在信道探测仪的“处理单元2”里，借助空间坐标及“处理单元4”数据搜索任意多径信号x附近，距离它最近、相对核功率密度又比它大的多径信号，将这个多径信号称之为x的高密度最近邻信号，二者存在“逻辑连通关系”，并将其编号存放在“处理单元6”的高密度最近邻矩阵中。

步骤11：重复步骤10，直至完成对“处理单元2”里所有数据的计算，将所有获得的高密度最近邻信号编号及“逻辑连通关系”编号存放在“处理单元6”的高密度最近邻矩阵中。

步骤12：通过数据检索的方法，对每一个存放在存储器里的多径数据进行排查判决，建立存储器中所有存放的多径信号之间的初始成簇关系。设备处理器内部的判决依据如下：“处理单元2”中不同的多径信号如果可以依照“处理单元6”中的高密度最近邻逻辑连通关系找到一条通往“处理单元5”中同一个“初始多径核心点单元”的逻辑通路，那么，这些多径信号属于这个“初始多径核心点单元”的内部数据。这样，完成了对“处理单元2”中所有多径信号归属关系的初始分簇。将每一个多径信号的分簇编号存放在“处理单元7”中。

步骤13：继续通过数据检索的方法，对“处理单元7”中的每个多径信号的分簇编号进行更新。设备处理器内部的更新依据如下：如果“处理单元5”中的两个“初始多径核心点单元”在步骤5所描述的“逻辑邻域”中相互存在相连关系，且二者的相连关系中存在一条逻辑连接路径上每一个多径信号数据节点的相对核功率密度值均大于0.8，那么就将这两个“初始多径核心点单元”所对应的全部元素在“处理单元7”中的值更新为同一个新的编号值。

步骤14：找出“处理单元7”中所有出现的编号值，统计它们的总个数，并重新将它们按顺序序列编排，删除不连续的序号。将所得结果存入“处理单元8”中。

步骤15：分簇算法结束，将信道探测仪“处理单元8”中的结果存入“磁盘阵列C区”中，并在处理器中依据“磁盘阵列B区”和“磁盘阵列C区”中数据对多径信号的分簇结果进行图示化处理(类似于图1、图2)，实时地显示在信道探测仪的显示屏窗口中。

根据本发明，通过核密度函数将真实环境中多径分量的统计分布特性以及多径分量功率同时考虑进来，很好地解决了传统算法多径簇的先验信息未知的难题，进而服务于基于簇结构的无线通信信道建模以及通信系统的设计，具有很强的适用性及实用性。

以上所述，仅为本发明较佳的实施方式，但本发明的保护范围并不局限于此，本领域的技术人员在本发明描述的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以所附权利要求书的保护范围为准。