基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构方法与流程

本发明涉及通信领域和机器学习领域，具体涉及基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构方法。

背景技术：

准确的传输信息一直是无线通信所追求的首要目标，在复杂的干扰和噪声环境中，如何更好地消除通信中的干扰和噪声影响，实现更加准确的通信是一个亟待解决的关键问题。近年来，机器学习相关理论，特别是机器学习技术的发展和成熟，使得创新应用机器学习理论相关方法解决复杂干扰和噪声背景下的无线通信系统信息准确传输问题成为可能。

将机器学习相关理论和无线通信系统有机结合起来，形成更加有效、智能和适应复杂环境的无线通信系统是未来通信系统发展的必然趋势。对于无线系统中不可避免的噪声问题，目前应用的无线通信理论绝大部分都是建立在理想化的白噪声基础上，然而这种假设在现实的通信环境中几乎不可能存在。这就造成了以白噪声假设为前提的大部分算法在现实中无法应用，例如信号源检测算法aic和mdl，其在真实通信环境中差错率极高以致无法应用。又例如，目前在接收端应用最小二乘来实现对发射信号的重构。在白噪声假设下，最小二乘是最优算法，但是有色噪声下，最小二乘法得到的却是非最优解。对于通信系统中的同频干扰问题，目前只能通过复杂的编码或者简单的提高发射功率来减少干扰对系统的影响。然而，通过利用机器学习的相关方法和理论，却可以极好的排除干扰和噪声的影响，进而准确对通信信道状态信息进行描述，提高通信系统的智能化和性能。

另外，无线通信系统中的基站每天要处理大量的信息，但是目前却没有充分地加以利用，使大量有价值的信息浪费流失。如何更好地利用基站的信息，挖掘基站的潜力，是未来通信领域中关注的另一个焦点。

技术实现要素：

本发明的目的在于提供一种基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构方法。既利用基站获取的用户定位信息和储存的通信环境信息，减少基于机器学习的面向无线通信系统信道及通信环境自适应估计算法对于通信系统的时延影响，进而在相同或更短的时间内实现对无线通信信道的稳健、准确估计。

为达到上述目的，本发明采用的技术方案是：

本发明的核心要素包括：将基站作为无线通信网络物理层的存储与处理节点，利用其存储的通信环境和导频信息，辅助自适应信道状态估计及其确定最优恢复度量，进而利用最优恢复度量重构信号。具体步骤包括：

1)利用基站存储设备，保存时空临近的导频信号、信道状态信息和最优恢复度量信息；

2)接收端接收发射端发送的导频信号后，结合基站存储信息，利用机器学习方法实现环境自适应感知的信道状态估计和最优恢复度量估计；

3)利用信道状态信息及最优恢复度量实现抗干扰、去噪声的传输信号重构，从而提高信息传送准确度。

所述步骤1)中基站利用自身存储设备保存其服务区内一定时间的导频信号、信道状态信息和最优恢复度量信息，基站将根据其服务区的通信场景，将其服务区作为一个整体储存服务区内一定时间的导频信号、信道状态信息和最优恢复度量信息，或根据服务区内场景将其服务区分为若干子服务区分别储存服务区内一定时间的导频信号、信道状态信息和最优恢复度量信息。

所述步骤2)包括以下子步骤：

a).当新用户发送服务要求后，基站接收端接收用户发送的导频信号x¹，y¹，并同时根据用户的时间、位置信息，调取该用户时空临近的相关已储存的导频信号x⁰和y⁰；信道状态信息h⁰和最优恢复度量信息α⁰；记y＝{y⁰,y¹}，x＝{x⁰,x¹}预设恢复度量基为：如令p1＝1/2，p2＝1，p3＝2，并令t＝1这里：

x是nt×s矩阵，nt为发射端天线数，s为所用导频信号总数；

y是nr×s矩阵，nr为接收端天线数；

x¹是nt×s¹矩阵，s¹为当前用户发射导频信号数；

y¹是nr×s¹矩阵；

x⁰是nt×s⁰矩阵，s⁰为当前接收端储存导频信号数；

y⁰是nr×s⁰矩阵；

h⁰是nr×nt信道状态信息矩阵；

α⁰是k×1向量，表示最优恢复度量信息，k表示恢复度量基个数；

bi表示矩阵b的第i列，bi表示向量b的第i个分量；

b).根据机器学习极大熵原理，以前步最优恢复度量参数α^t-1为初值，确定当前最优恢复度量为：

其中是下述标准极大熵优化模型的解：

minαg^(t)(α)(2)

这里

c)利用当前最优恢复度量，以h^t-1为初值，通过迭代求解下述模型

来获得更新的信道估计h^t，其中由(1)式给出。

d)令t:＝t+1，重新进入b)步，迭代直至收敛以产生最优信道估计h^*。迭代收敛规则为相邻两步更新差异‖h^t-1-h^t‖2小于预设阈值，所述阈值的设定是根据现实应用中的不同通信场景和系统对延时的要求，在满足估计精度和系统延时要求之间达到最优平衡；

e)获得最优信道估计h^*后，最优恢复度量取为

所述步骤3)包括：

a)利用自适应获得的最优信道估计h^*和最优恢复度量在接收端通过求解如下优化问题实现y对发射信号x的重构：

b)在基站中保存相关信息，以备新用户通信使用；

所保存的信息包括：通信位置所用的最优信道估计h^*和最优恢复度量参数α^*，实现时空相关邻域的最优信道估计和最优恢复度量参数的更新；保存本次部分或全部导频信息，用于之后用户机器学习数据拓展。

同现有技术相比，本发明的有益效果体现在：

1)本发明相比较现有信道状态估计方法，能充分利用基站来保存有价值的信息，包括导频信息、自适应估计信道状态信息及其最优恢复度量等，快速有效地排除复杂噪声和干扰对通信的影响，进而在相同或更短的时间内实现对无线通信信道的稳健、准确估计。

2)本发明考虑了机器学习方法，运用此方法无需预先了解任何无线通信环境信息，并能对无线通信系统中的复杂噪声和干扰环境进行有效刻画，从而极大地提升了在复杂环境下对无线通信信道的估计准确性与自适应性，从本质上提升了系统性能，具有广阔的应用前景。

附图说明

图1为基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构算法流程图；

图2为实施例中现有无线通信系统示意图；

图3a、b分别是在不同干扰和噪声环境下，采用最小二乘法和基于机器学习方法诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构算法的比特差错率对比图。

具体实施方式

下面将结合附图和具体实施例对本发明做进一步说明。

实施例：如图1所示，基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构算法。该方法的核心要素包括：将基站作为无线通信网络物理层的存储与处理节点，利用其存储的通信环境和导频信息，辅助自适应信道状态估计及其确定最优恢复度量，进而利用最优恢复度量重构信号。具体步骤包括：

1)利用基站存储设备，保存时空临近的导频信号、信道状态信息和最优恢复度量信息；

2)接收端接收发射端发送的导频信号后，结合基站存储信息，利用机器学习方法实现环境自适应感知的信道状态估计和最优恢复度量估计；

3)利用信道状态信息及最优恢复度量实现抗干扰、去噪声的传输信号重构，从而提高信息传送准确度。

步骤1)中基站利用自身存储设备保存其服务区内一定时间的导频信号、信道状态信息和最优恢复度量信息。基站将根据其服务区的具体通信场景，可将其服务区作为一个整体储存相关信息，或根据其服务区内不同场景将其服务区分为若干子服务区分别储存相关信息。

步骤2)包括以下子步骤：

a).当新用户发送服务要求后，基站接收用户发送的导频信号x¹，y¹，并同时根据用户的时间、位置信息，调取该用户时空临近的相关已储存的导频信号x⁰和y⁰；信道状态信息h⁰和最优恢复度量信息α⁰；记y＝{y⁰,y¹}，x＝{x⁰,x¹}。预设恢复度量基为：如令p1＝1/2，p2＝1，p3＝2等，并令t＝1。这里：

x是nt×s矩阵，nt为发射端天线数，s为所用导频信号总数；

y是nr×s矩阵，nr为接收端天线数；

x¹是nt×s¹矩阵，s¹为当前用户发射导频信号数；

y¹是nr×s¹矩阵；

x⁰是nt×s⁰矩阵，s⁰为当前接收端储存导频信号数；

y⁰是nr×s⁰矩阵；

h⁰是nr×nt信道状态信息矩阵；

α⁰是k×1向量，表示最优恢复度量信息，k表示恢复度量基个数；

bi表示矩阵b的第i列，bi表示向量b的第i个分量；

b).根据机器学习极大熵原理，以前步最优恢复度量参数α^t-1为初值，确定当前最优恢复度量为：

其中是下述标准极大熵优化模型的解：

minαg^(t)(α)(2)

这里

c)利用当前最优恢复度量，以h^t-1为初值，通过迭代求解下述模型

来获得更新的信道估计h^t，其中由(1)式给出。

d)令t:＝t+1，重新进入b)步，迭代直至收敛以产生最优信道估计h^*。迭代收敛规则为相邻两步更新差异‖h^t-1-h^t‖2小于预设阈值，所述阈值的设定是根据现实应用中的不同通信场景和系统对延时的要求，在满足估计精度和系统延时要求之间达到最优平衡；

e)获得最优信道估计h^*后，最优恢复度量取为

步骤3)包括：

a)利用自适应获得的最优信道估计h^*和最优恢复度量在接收端通过求解如下优化问题实现y对发射信号x的重构：

b)在基站中保存相关信息，以备新用户通信使用。所保存的信息包括：通信位置所用的最优信道估计h^*和最优恢复度量参数α^*，实现时空相关邻域的最优信道估计和最优恢复度量参数的更新；保存本次部分或全部导频信息，用于之后用户机器学习数据拓展。

如图2所示，在一般化的无线通信系统中，基站为其服务小区内的用户提供通信服务，但是却受到来自其它小区或信号源的同频干扰和噪声的影响。图中，一般信号传输由实线表示；干扰由点实线表示；噪声由点线表示。

本专利实施过程中，利用基站存储设备，保存时空临近的导频信号、信道状态信息和恢复度量信息；接收端接收获取发射端发送的导频信号，并利用机器学习方法，实现环境自适应感知的信道状态信息及最优恢复度量估计；利用信道状态信息及最优恢复度量实现抗干扰、去噪声和传输信号重构，提高信息传输准确度。基站根据之前保存的信息为用户a提供通信服务。之后，基站根据所在通信环境，在一定时间内更新保存相关估计结果。在预定时间区间内，如果新用户b要求基站提供服务，基站将利用所保存数据作为其信道状态等信息估计的初始化条件。

图3为复杂干扰和噪声环境下，采用最小二乘法和基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构算法的比特差错率(biterrorrate)的仿真对比图。本仿真中本发明采用二进制相移键控(bpsk)，复杂干扰及噪声由混合高斯法产生。图a和图b是分别在不同的干扰和噪声环境下的仿真实现。从中可以看到在低信噪比时，基于机器学习方法诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构算法给出了更好的结果。应该注意到，如果采用其它相移键控，如正交相移键控(qpsk)、8相移键控(8psk)或16相移键控(16psk)等，在相同条件下，本发明基于机器学习诱导最优恢复度量的环境自适应感知无线通信信道估计与信号重构算法的优势将更加明显。