基于CNN-LSTM网络的用户视距属性判断方法

本发明涉及无线通信，特别涉及一种基于cnn-lstm网络的用户视距属性判断方法。

背景技术：

1、在大规模多入多出(multiple-input multiple-output，mimo)下行链路中，实现高性能预编码的前提条件是获取准确的信道状态信息(channel state information，csi)。完整的csi通过三个维度描述：时(间)、频、空，分别对应着无线信道随时间、载频、空间分布不同所经历的变化。时域上，无线信道的多径传输会导致每条路径的传输时间不同，因而多径信道之间出现了传输时延扩展，带来符号间干扰(intersymbol interference)等问题，从而影响系统整体性能。对于处于nlos环境的用户来说，多径效应是不可避免的，信道变化也会更快。然而，当用户处于los状态，即信号发射端与接收端之间不存在遮挡物时，也就不存在多径效应，信道变化相对较平稳。用户视距属性是导频分配和分组调度准则中重要的先验条件，因此如何实时感知判定用户视距状态便成为重要问题。

2、目前主流的感知用户视距状态的方案依据的参数多数采用定位信号测量，如果基于定位信号测量来辅助资源分配的视距信息获取，就可能会出现测量时刻与调度时刻不匹配的情况，而且导频开销也会增大；此外，对于5g大规模mimo这种参数复杂的信道场景，很多参数无法先验获得，此时算法的性能会急剧恶化。同时，现有的los/nlos识别方法较多面向wifi与室内场景，本方法主要应用在室外基站与用户间。具体而言，利用卷积神经网络判断用户视距属性，具有实时性。在卷积神经网络的基础上增加长短期记忆神经网络，在提取输入用户信道脉冲响应的空间频域特性的同时提取其时间特性，增加预测算法的鲁棒性。

技术实现思路

1、本发明提供一种基于cnn-lstm网络的用户视距属性判断方法，利用卷积神经网络判断用户视距属性，具有实时性。在卷积神经网络的基础上增加长短期记忆神经网络，在提取输入用户信道脉冲响应的空间频域特性的同时提取其时间特性，增加预测算法的鲁棒性。

2、本发明第一方面实施例提供一种基于cnn-lstm网络的用户视距属性判断方法，包括以下步骤：步骤s1，获取基站端各天线接收到的用户发送的导频序列，对所述导频序列进行最小二乘信道估计，并利用c-dft滤波对信道估计结果进行滤波，得到各用户的等效时域信道，选择lex个能量最大的等效时域信道组成输入特征图；步骤s2，将所述输入特征图送入训练好的cnn网络提取出空间及频域特征，得到高等级特征图，其中，所述cnn网络为通过输入特征图训练集进行训练得到；步骤s3，将所述高等级特征图送入堆叠式lstm层提取时间特征，得到lstm层输出，将所述lstm层输出送入全连接层，将分布式特征表示映射到样本标记空间，并使用softmax函数进行分类，将模型的预测结果转化到指数函数上，得到用户视距属性结果。

3、可选地，在本发明的一个实施例中，记用户数为ke，每个用户配备单根天线，载波长度为m,基站天线数为nt，基站端每个天线的接收信号为其中噪声向量为噪声的方差为为第k个用户的导频信号对角阵，用户的信道为所述步骤s1包括：

4、在基站端的每个天线上利用最小二乘信道估计对用户j进行信道估计得到信道脉冲响应结果：

5、

6、通过窗函数对信道估计结果加窗去噪并进行能量归一化，在每个天线上取能量最大的lex条路径组成所述输入特征图。

7、可选地，在本发明的一个实施例中，所述cnn网络包括依次连接的数据输入层、卷积层、非线性激活层、批量归一化、池化层，所述数据输入层用于利用数据标准化和数据增强对所述输入特征图进行预处理，所述卷积层用于对输入的图像进行扫描，通过多次卷积计算输出图像特征图，所述非线性激活层用于将卷积层的结果进行非线性映射，所述批量归一化用于将特征进行标准化处理，所述池化层用于通过下采样降低所述卷积层输出的特征维度。

8、可选地，在本发明的一个实施例中，将所述高等级特征图送入堆叠式lstm层提取时间特征，包括：

9、所述高等级特征图经过输入门经非线性变换后，与遗忘门处理过的记忆单元状态叠加，形成新的记忆单元状态，记忆单元状态经非线性函数处理后与经非线性函数处理的当前信息状态相点乘得到隐含层的输出。

10、可选地，在本发明的一个实施例中，将分布式特征表示映射到样本标记空间，并使用softmax函数进行分类，将模型的预测结果转化到指数函数上，得到用户视距属性结果，包括：

11、所述全连接层利用卷积操作将分布式特征表示映射到样本标记空间，利用softmax函数进行二分类，公式为：

12、

13、其中，xi为全连接层第i个节点的输出，n为全连接层输出节点个数；

14、利用预设概率值为界限对y(xi)值进行视距状态判决，得到各用户的视距属性。

15、本发明实施例的基于cnn-lstm网络的用户视距属性判断方法，用最小二乘(ls)信道估计算法估计出基站各天线接收到的各个用户的信道脉冲响应，取能量最大的诸条径组成输入特征图(input feature map，ifmap)送入已经训练好的cnn网络中，cnn网络从中提取出空间及频域特征，判断用户视距属性。为了增强算法的鲁棒性，在cnn网络的基础上增加了lstm网络层，充分提取了输入的时间特征。本发明提出的方法能够快速判断基站与各用户间的视距属性，同时考虑了用户视距属性在时间上的特性，具有较好的鲁棒性，拥有实际应用价值。

16、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于cnn-lstm网络的用户视距属性判断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，记用户数为ke，每个用户配备单根天线，载波长度为m,基站天线数为nt，基站端每个天线的接收信号为其中噪声向量为噪声的方差为为第k个用户的导频信号对角阵，用户的信道为所述步骤s1包括：

3.根据权利要求1所述的方法，其特征在于，所述cnn网络包括依次连接的数据输入层、卷积层、非线性激活层、批量归一化、池化层，所述数据输入层用于利用数据标准化和数据增强对所述输入特征图进行预处理，所述卷积层用于对输入的图像进行扫描，通过多次卷积计算输出图像特征图，所述非线性激活层用于将卷积层的结果进行非线性映射，所述批量归一化用于将特征进行标准化处理，所述池化层用于通过下采样降低所述卷积层输出的特征维度。

4.根据权利要求3所述的方法，其特征在于，将所述高等级特征图送入堆叠式lstm层提取时间特征，包括：

5.根据权利要求4所述的方法，其特征在于，将分布式特征表示映射到样本标记空间，并使用softmax函数进行分类，将模型的预测结果转化到指数函数上，得到用户视距属性结果，包括：

技术总结
本发明公开了一种基于CNN‑LSTM网络的用户视距属性判断方法，属于无线通信领域，利用最小二乘信道估计算法估计出基站各天线接收到的各个用户的信道脉冲响应，取能量最大的诸条径组成输入特征图送入已经训练好的CNN网络中，CNN网络从中提取出空间及频域特征，判断用户视距属性。为了增强算法的鲁棒性，在CNN网络的基础上增加了LSTM网络层，充分提取了输入的时间特征。本发明提出的方法能够快速判断基站与各用户间的视距属性，同时考虑了用户视距属性在时间上的特性，具有较好的鲁棒性，拥有实际应用价值。

技术研发人员：孙旸,杨园,梁竣,韩新宇,王闻今,唐万恺,杨杰
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/1/15