基于PCA的信道增益矩阵的特征提取方法

技术领域

本发明属于无线通信技术领域，具体来说是涉及一种基于PCA的信道增益矩阵的特征提取方法。

背景技术

机器学习是一种非常流行的人工智能技术，因为机器学习具有很强的函数拟合能力，他可以将一些复杂的问题转化为简单的函数映射关系。具体地说，它可以提取特征和训练历史数据，得到特征和标签之间的映射关系，并利用这种关系预测未来数据的标签。机器学习在通信领域得到了广泛的应用，因为它可以有效的降低通信所面临的高复杂度和高延迟问题。甚至机器学习的学习能力往往使它表现出优于传统算法的性能。

发射端天线选择(TAS)是目前人们将机器学习应用到通信的一个领域，因为TAS问题可以很容易被转化为分类问题，如K-近邻(KNN),支持向量机(SVM)以及深度神经网络(DNN)等应用于发射端天线选择的算法已经被证明了有效性。TAS的本质是对信道做出选择，因此信道增益矩阵必然要参与到模型的训练中。然而，训练样本是一个实值向量，这要求需要对信道增益矩阵做预处理，将它映射为一个实值向量。这个预处理过程称为特征提取。从信道增益矩阵中提取特征有两个原因:其一正如上文所述，因为现实的信道增益矩阵中的元素一般为复数，并不能作为训练样本。此外，信道矩阵中含有一定的冗余，会影响训练效果。已经有研究表明，对信道矩阵提取特征可以有效提高KNN,SVM以及DNN的训练效果。

主成分分析(PCA)是利用正交变换将一组相关变量转化为一组线性不相关变量的统计过程。PCA将信息的大小用方差来衡量，是全面分析数据的重要方法。PCA的原理是将高维度原始数据映射到低维空间内。具体地说，PCA首先求出原始矩阵的协方差矩阵；然后求出该协方差矩阵的特征向量；最后，选取一些特征值最大的特征向量作为原始矩阵的主成分，用于分析原始数据。PCA提取信息的能力是所需要的，因为对信道矩阵提取特征就是希望将其信息尽量提取出来。

发明内容

本发明基于PCA原理，提出了两种新的对信道增益矩阵的特征提取方法，使机器学习方法在通信领域的应用可以获得更好的训练效果。以全双工空间调制(FD-SM)系统的TAS问题为例，相比于传统的特征提取方法，本发明能够在相同神经网络的结构下选出更优的天线子集，能够保证在通信质量降低的恶劣条件下提升用户的相关性能。同时，由于机器学习算法具有低复杂度的特点，本发明可以显著降低系统负载，表现出较高的自适应特性。

具体的，考虑一个常见的FD-SM系统，该系统包括A,B两个无线电收发两用机，每个收发机包括N

S1、计算Q＝H

S2、对Q进行特征值分解，即Q＝P

S3、将P展开成一个一维向量，即

S4、对

S5、对提取到的特征归一化，即

本发明提出的第二种特征提取方法WEFVG是基于EFVG做出一些改变得到的。具体地说，WEFVG的前两步与EFVG相同，第三步不再将P展开成一个一维向量，而是将ΛP展开成一个一维向量。PΛ是对P的列向量按特征值加权后的矩阵。根据PCA原理，特征向量对应的特征值的大小代表着此特征向量的重要性，按特征值对特征向量加权可以强调重要的特征向量。第四步取模操作和第五步归一化操作对WEFVG也是必要的，它们的作用和在EFVG中的作用相同。

本发明的提取特征方法基于PCA原理，并结合传统的提取特征方法，全面地考虑了信道增益矩阵所蕴含的信息。另外，为了使提取的特征能够更好的应用于机器学习模型的训练，对提取的到的特征采用了取模和归一化的操作。本发明可以帮助机器学习模型更好地捕获信道矩阵的信息，提高模型的训练效果。对于机器学习与通信领域相结合的先进技术，本发明都能有所应用。

附图说明

图1是采用不同特征提取方法作为基于SVM的天线选择算法的输入，FD-SM系统的误码率对比仿真图；

图2是采用不同特征提取方法作为基于DNN的天线选择算法的输入，FD-SM系统的误码率对比仿真图

其中FD-SM系统两端的自干扰能力为-15dB，被选择的天线数为2，JFVG被用作对比方案。

具体实施方式

下面结合附图和实例，详细描述本发明的技术方案：

在本例中，一个拥有两个收发机的FD-SM系统被考虑。每个收发机存在自干扰，在传播域、模拟电路域和数字域上分别利用自干扰消除技术。假设经过以上三种技术后自干扰消除的能力为-15dB。在FD-SM系统中，发射天线在一个时隙只会被激活一根，这根发射天线的下标可以用来额外传输信息。在FD-SM系统上考虑天线选择后，两个收发机仅有一部分天线被用于激活，这部分天线被称为天线子集。本例中天线子集的大小为2，接收天线数为2。信道增益矩阵被假设为瑞利高斯信道。在本发明中，使用基于SVM和DNN的天线选择算法，比较了在不同配置下这几种提取特征方法的效果。

图1比较了分别使用三种提取特征方法作为SVM算法的输入后，SVM选出的天线子集使系统达到的误码率性能。从图中可以看出随着发射天线总数N

图2比较了分别使用几种提取特征方法作为DNN算法的输入后，DNN选出的天线子集使系统达到的误码率性能。与SVM类似的结论可以在DNN中同样得到。尽管在N

总体的说，本发明能够适用于将机器学习算法应用于通信的部分领域，本发明提供了一种对原始的信道矩阵的预处理过程，能够使机器学习方案取得更优的训练效果和相关性能。实际上，不止信道矩阵，对于一些训练集是矩阵的机器学习方案，本发明都能将其信息尽可能地提取，以提高机器学习方案地训练效果。