基于ukfnn的无线信道场景识别方法
【技术领域】
[0001 ]本发明涉及无线信道中模式识别领域，具体的说是一种基于UKFNN(unscented Kalman filter artificial neural network，无迹卡尔曼滤波神经网络）的无线信道场景 识别方法。
【背景技术】
[0002]移动通信产业一直以惊人的速度迅猛发展，已成为带动全球经济发展的主要高科 技产业之一，并对人类生活及社会发展产生了巨大的影响。在移动通信中，发送端和接收端 之间通过电磁波来传输信号，我们可以想象两者之间有一些看不见的电磁通路，并把这些 电磁通路称为无线信道。无线信道与周围的环境密切相关，不同环境下的无线信道具有一 些差异化的特征。如何发现并提取这些特征并将其应用于优化无线网络，是当前的一个研 究热点。
[0003]无线通信数据信息主要是以无线电波为载体通过无线信道来传输的。由于无线信 道所在环境复杂多变，容易出现波的多径传播，例如出现直射、反射、散射等现象；同时，电 磁波也会在各路径相互作用下发生多径衰落现象。为更好的反映实际环境中信号的传输规 律，为无线网络的规划优化、无线系统的设计、测试和定型等提供重要的参考依据，提出建 设无线信道模型。
[0004] 但是目前无线信道建模方法可以分为统计性建模、确定性建模以及半确定性建模 三种方法，但其模型复杂度高、参数获取难度大，难以满足模型精度。
[0005] 人工神经网络(ANN)以其强大的非线性逼近能力，具有不依赖精确建模过程以及 任意逼近非线性映射的特点。ANN在处理复杂系统的建模问题上显示出独特的优越性，被广 泛用于模式识别领域。然而目前，很少有人应用ANN来对无线信道特征进行建模，且ANN只对 输入输出变量进行简单的静态映射，是一种静态建模方法，对无线信道特征建模效果有限。
【发明内容】
[0006] 针对上述问题，本发明提供了一种基于UKFNN的无线信道场景识别方法，采用无迹 卡尔曼滤波神经网络方法，即：UKFNN，对无线信道状态参数估计建立动态实时滤波效果的 分段模型和分区模型，使其能够反映信道的实际分布情况，从而实现对无线信道的路段、区 域的识别，来解决无线信道建模复杂度高、难度大、精度低等问题，将真实信道数据进行智 能分段和分区。
[0007] 为达到上述目的，本发明采用的具体技术方案如下：
[0008] -种基于UKFNN的无线信道场景识别方法，包括以下步骤：
[0009] S1:采集连续路段的信道数据作为训练样本；
[0010] S2:将所得的训练样本平均分为1段，1 = 2,3,4,5,…，分别利用无迹卡尔曼滤波神 经网络进行建模，根据建模效果确定分段数目并得到连续信道数据分段模型；
[0011] S3:利用AP算法对每一段数据进行区域划分；
[0012] S4:将所得的训练样本按照步骤S3所划分出的区域进行标记，并利用UKFNN无迹 卡尔曼滤波神经网络进行区域特征建模，得到连续信道数据分区模型；
[0013] S5:将待测数据带入步骤S2所训练出的连续信道数据分段模型，判断出属于哪一 路段；
[0014] S6:将待测数据带入步骤S4所训练出的连续信道数据分区模型，从而判断出属于 哪一区域。
[0015] 进一步描述，步骤S2中得到连续信道数据分段模型的具体步骤如下：
[0016] S21:利用霍特林变换将复数形式的信道数据转换为实数域数据；
[0017] S22:利用主成份分析法对步骤S21转换后的信道数据进行降维处理；
[0018] S23:对步骤S21和S22处理后的数据进行归一化处理，得到新数据XmXN，其中，m为变 量个数，N为样本数目；
[0019] S24:利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道模 型；
[0020] S25:定义归类准则，并以无迹卡尔曼滤波神经网络的输出变量对输入样本进行归 类，对信道分段场景进行识别。
[0021] 再进一步描述，步骤S21中霍特林变换为：
[0022]矩阵A为复数形式的信道数据，寻求正交矩阵Q，使得QciuQTzdiagAJvDj 而得到经霍特林变换后的实数矩阵B = QA，其中，M为矩阵A的特征值，1 < i <n，<i>A为矩阵A 的协方差矩阵，巾a=E{(A-E(A))(A-E(A))t}，E(A)为矩阵A的期望值矩阵。
[0023]再进一步描述，步骤S22中降维的具体方法为：
[0024] S221:特征中心化，即将矩阵B的每一维数据都减去该维的均值，得到矩阵BB，其 中，矩阵BB的均值为0;
[0025] S222:计算矩阵BB的协方差矩阵C;
[0026] S223:按照特征值大小，选取对应的特征向量，使得矩阵B转换为主元矩阵t;
[0027] S224:确定主元个数k，从而得到新的数据集；
[0028]如何确定主元个数是降维的关键，步骤S224中采用累积贡献率CPV来确定主元个 数k，即：
[0029] 第i个主元的贡献率为：
[0030] 前k个主元的累积贡献率为
，式中Ai为协方差矩阵C中 第i个特征值，
[0031] 若CPV(i)大于设定值CL，则前k个主元可替代原始数据。
[0032] 优选地，设定值CL = 85%。
[0033]再进一步地:步骤S23中归一化处理的具体方法为：
[0034]
、，式中，x'i为归一化处理之前的输入变量，x〃i为归一化处理之后的 变量，X' min为归一化处理前输入变量V i的最小值，Y max为归一化处理前输入变量V i的最大 值。
[0035] 再进一步描述，步骤S25中定义的归类准则为：
[0037]式中，1为场景数目，y为模型输出值，Cla为所属的路段。
[0038]再进一步描述，步骤S3中AP算法具体步骤为：
[0039] S31::算法初始化，设置一个最大迭代次数K，计算点与点之间的相似度，构成矩阵 s，对参考度P赋初始值；
[0040] S32:计算样本点间的吸引度值R(u，v)、归属度值A(u，v)
[0043]其中A(u，v'）表示v'对于u的归属度值；
[0044] S33:吸引度和归属度进行加权更新；
[0045] 每一系迭代，吸引度和归属度都要与上一次迭代的吸引度和归属度进行加权更 新，公式为：
[0046] Ru lU/.v) = ^-/?,,(i/,v) + (1-/!.).C；(i/,v) ^e[0.5,l)
[0047] A： , /. Aj^u.v) + (\ -- /J)- A"；,\{u,v) Ae[0.5,l)
[0048] 其中，A表示收敛系数，主要作用是用来调节算法的收敛速度以及迭代过程的稳 定性；
[0049] 334:当4￥^)+&(￥，￥)>0时，为一个聚类中心，如果迭代次数超过设定值1(或聚类 中心在一定迭代次数中不再改变，则终止计算，以确定类中心和各类的样本点；否则，返回 S32〇
[0050] 再进一步描述，步骤S2和步骤S4中无迹卡尔曼滤波神经网络为三层神经网络，其 中，隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络的函数表 达式为：
[0052]式中，F1为输入层与隐含层之间的连接函数，F2为隐含层与输出层之间的连接函 数，bn为输入层和隐含层之间的阈值，bu为隐含层和输出层间的阈值，Xk为输入样本，为 从神经元j到神经元i的连接权值，g为输入层与隐含层之间的连接权值，^为隐含层与输 出层之间的连接权值，m为输入神经元个数，n为隐含层神经元数目，/2 = ^7TT + A- ,k为 0-10之间的常数。
[0053]步骤S2和步骤S4中建模的具体方法为：通过无迹卡尔曼滤波对神经网络的权值、 阈值进行估计，将神经网络的权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出 作为无迹卡尔曼滤波的测量变量，从而得模型；
[0054]步骤S2中确定分段数的方法为：
[0055]分别计算训练样本平分成1(1 = 2,3,4,5，一）段对应的无线信道模型预测准确率 ER，比较模型预测准确率ER，确定分段数目以及对应的分段模型，其中预测准确率ER计算 公式如下：<