一种无线信道小尺度参数预测方法及装置

技术领域

本发明涉及无线信道建模技术领域，具体涉及一种无线信道小尺度参数预测方法及装置。

背景技术

在变电站中，差异化的电力业务对无线传感网络的通信性能有着较高的需求，然而，复杂多变的变电站信道环境对无线信号传播的影响较大，信号在传播的过程中会发生反射、绕射和散射，从而呈现出不同的信道特性。而信道建模是对信号传播的描述，能够通过对无线信道特性的采集和分析，优化信号传播环境，是变电站无线传感网部署和规划的基础。目前主流的信道建模方法为基于几何统计的随机信道模型(Geometry-basedStochastic Channel Models,GSCM)，该模型具有复杂度折中、适用载频大、能反映信道的长期统计特性等特点，其建模核心思想是利用具有一定参数的簇的叠加来生成最终的信道矩阵。但是目前的传统GSCM信道模拟方法存在诸多不足，如无法与变电站实测环境准确匹配、不适用于变电站链路级仿真计算等。

在变电站无线信道数据中，为了提高时变信道建模的可靠性以保证高质量通信，小尺度参数起着至关重要的作用，然而目前差异化变电场景下基于实测数据的信道建模和信道特征分析工作仅限于大尺度参数。并且，变电站信道具有随机、快时变特性，信号传输路径复杂多变，受各种衰落影响明显。因此，需要寻找一种基于神经网络的小尺度参数预测方法。神经网络可用于数据预测，其预测精度较高，常用的神经网络为前馈神经网络，其信号传播是单向固定的，属于静态网络；而反馈神经网络具有动力学特征，属于动态网络，如Elman神经网络。在变电站时变信道中，小尺度参数处于不断变化的状态，神经网络(BackPropagation，BP)作为典型的前馈神经网络，为静态网络模型，若用于变电站小尺度参数预测，则无法准确反映信道参数的动态特性，存在变电站信道建模的准确低、效率低的缺陷。

发明内容

有鉴于此，本发明提供了一种无线信道小尺度参数预测方法及装置，以解决变电站信道建模的准确低、效率低的问题。

第一方面，本发明提供了一种无线信道小尺度参数预测方法，所述方法包括：

基于预设算法提取每个快照中的小尺度参数；

获取每个快照中的多径数量，对多径数量不足的快照进行分簇，选取多径数最多的簇，根据簇心和簇内多径，通过第一神经网络模型获取非真实多径，对所选的簇进行簇内插值，所得到的插值结果用于使所有快照的多径数量相同；基于相同多径数量的快照，建立与快照对应的小尺度参数的第二神经网络模型；

采用第二神经网络模型预测目标时刻无线信道的小尺度参数。

本发明提供的方法提高了变电站无线信道建模的准确度，有助于变电站无线传感网勘察设计和覆盖优化。

在一种可选的实施方式中，小尺度参数为7维向量，通过以下公式表示：

ρ＝[τ,θ

其中，τ为多径时延、θ

本发明提供的方法实现了多径分量的7维参数联合估计，减小了运算量并加快了收敛速度，从而使得参数估计更加精确。

在一种可选的实施方式中，第一神经网络模型为：RBF神经网络模型。

在一种可选的实施方式中，簇内插值包括：

采用预设算法对第t个快照内的多径进行分簇，得到D

在第t个快照内选一个多径数最大的簇，插入m-m

本发明提供的方法通过对簇内多径进行插值，从而使所有快照多径数量一致，其分簇插值方法更符合宽带系统中径以簇存在的传播机理，能够提高运算效率，填补了目前变电环境下基于实测小尺度参数数据的信道建模和信道特征分析方面的空白，对于电力场景下的无线时变信道链路级和系统级性能仿真评估与网络设计有着重要的应用价值。

在一种可选的实施方式中，通过RBF神经网络的输出生成插值补齐的m-m

在一种可选的实施方式中，RBF神经网络的输出为：

其中，

在一种可选的实施方式中，第二神经网络模型为Elman神经网络模型。

在一种可选的实施方式中，Elman神经网络模型通过以下公式表示：

其中，α(0<α<1)为自连接反馈增益因子；P为3m×7维输入节点矩阵，表示3个历史快照；F为m×7维输出节点矩阵，表示预测得到的1个目标快照；U为中间层节点矩阵；U

本发明提供的方法针对变电站时变环境下高精度的小尺度参数预测需求，在提取小尺度参数后，采用高效低复杂度的信道分簇算法对需要插值补齐的快照中的多径进行分簇，选取多径数最多的簇，利用其中的小尺度参数训练RBF神经网络，并且通过RBF网络生成非真实多径插入该簇，能够有效实现每个快照内参数维度保持一致。本发明提供的方法不同于变电环境传统信道建模中根据信道统计特性随机生成参数，选择Elman动态反馈神经网络，利用历史快照预测目标时刻快照的数据，提高了变电站无线信道小尺度参数的预测准确度。同时通过优化Elman网络的初始权重和阈值，使其适应变电站无线信道的小尺度参数的时变特征，从而解决了使用BP静态前馈神经网络预测中出现的无法准确反映信道参数动态特性的问题，有助于变电站无线传感网勘察设计和覆盖优化。

第二方面，本发明提供了一种无线信道小尺度参数预测装置，所述装置包括：

参数提取模块，用于基于预设算法提取每个快照中的小尺度参数；

分簇插值模块，用于获取每个快照中的多径数量，对多径数量不足的快照进行分簇，选取多径数最多的簇，根据簇心和簇内多径，通过第一神经网络模型获取非真实多径，对所选的簇进行簇内插值，所得到的插值结果用于使所有快照的多径数量相同；

模型建立模块，用于基于相同多径数量的快照，建立与快照对应的小尺度参数的第二神经网络模型；

预测模块，用于采用第二神经网络模型预测目标时刻无线信道的小尺度参数。

第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的无线信道小尺度参数预测方法。

第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的无线信道小尺度参数预测方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的无线信道小尺度参数预测方法的流程图；

图2是根据本发明实施例的RBF神经网络的结构图；

图3是根据本发明实施例的Elman神经网络结构图；

图4是根据本发明实施例的无线信道小尺度参数预测装置的结构框图；

图5是本发明实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的方法适用于利用神经网路对变电站的时变信道参数进行预测的场景，通过本发明提供的方法实现了对变电站时变网络的全面部署与优化。

根据本发明实施例，提供了一种无线信道小尺度参数预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种无线信道小尺度参数预测方法，可用于上述的移动终端，如手机、平板电脑等，图1是根据本发明实施例的无线信道小尺度参数预测方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，基于预设算法提取每个快照中的小尺度参数。

在一具体实施例中，采用高分辨率信道参数提取算法提取每个快照中的小尺度参数，例如：基于实测数据，采用SAGE算法提取信道小尺度参数，SAGE算法是EM算法的扩展性迭代算法，通过依次更新参数子集降低维数，实现多径分量的7维参数联合估计，减小了运算量并加快收敛速度，从而使得参数估计更加精确。仅以此举例，不以此为限，在实际应用中根据实际情况选取相应的方法提取每个快照中的小尺度参数。

在本发明实施例中，提取出的小尺度参数包括：多径时延τ、复振幅β、水平到达角θ

步骤S102，获取每个快照中的多径数量，对多径数量不足的快照进行分簇，选取多径数最多的簇，根据簇心和簇内多径，通过第一神经网络模型获取非真实多径，对所选的簇进行簇内插值，所得到的插值结果用于使所有快照的多径数量相同；

在一具体实施例中，预设快照在此不作限制，根据实际情况进行相应的选取，对部分快照内的多径进行分簇后，通过RBF神经网络进行插值，此处对簇内多径进行插值，从而使所有快照多径数量一致，以进行步骤S103的第二神经网络模型的建立。

需要注意的是，簇内插值可以保证新增多径仍属于已有簇，从而不会改变信道特征，例如：假定第1个快照中的多径数为m

首先，采用高效低复杂度的信道分簇算法对第t个快照内的多径进行分簇，得到D

如图2所示，RBF神经网络的结构可得到网络的输出为：

其中，

设d是样本的期望输出值，基函数的方差可表示为：

训练RBF神经网络时，令n＝1，P＝l

(1)基于K-均值聚类方法求取基函数中心c。

①网络初始化：随机选取h个训练样本作为聚类中心c

②将输入的训练样本集合按最近邻规则分组；按照与中心c

③重新调整聚类中心：计算各个聚类集合

(2)求解方差σ

该RBF神经网络的基函数为高斯函数，方差σ

其中，c

(3)计算隐含层和输出层之间的权值。

隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下：

训练完成后，将该RBF神经网络用于插值。任意输入包含簇心的l

其中，p'

步骤S103，基于相同多径数量的快照，建立与快照对应的小尺度参数的第二神经网络模型。

Elman神经网络数学模型的函数表示为

其中，α(0<α<1)为自连接反馈增益因子；P为3m×7维输入节点矩阵，表示3个历史快照；F为m×7维输出节点矩阵，表示预测得到的1个目标快照；U为中间层节点矩阵；U

f(x)＝(1+e

Elman神经网络的输出与k时刻的输入和k以前时刻的输入有关，因此需要采用动态学习规则，以适应变电站无线网络小尺度参数的时变特性。由于承接层的存在，系统可以通过前馈区域对连接权值进行多次修正。Elman神经网络也采用BP算法进行权值修正，指标函数采用误差平方和函数，用来判断算法是否结束。定义k时刻网络权值调整的误差函数为E，表达式为：

其中，

其中，η为学习速率。

Elman神经网络基本参数设定如下：

①建立四层网络结构。输入层、输出层、承接层函数为purelin函数、隐含层函数为tansig函数，训练函数为traingdx函数，学习函数为learndm函数，学习速率η为0.05，最大迭代次数2500，误差容限0.0001。

②输入层节点数。输入变量为历史快照数据，每4个快照的前3个作为训练样本，因此选取共3个输入节点。

③输出层节点数。输出变量为目标快照数据，每4个快照的最后一个作为目标样本，因此选取共1个输出节点。

④隐含层节点数。本发明先根据经验公式取得估计值，再由网络多次训练，选取误差最小的隐含层节点数，选取最终隐含层节点数为12。

因此，如图3所示，用于变电站时变信道小尺度参数预测的Elman神经网络模型的最终结构为3-12-1。

将所有训练快照对应的多径小尺度参数全部输入Elman神经网络开展训练。训练集的划分如下：快照矩阵大小为m×7，假设共有K个快照数据，利用前K-1个快照的数据作为网络的训练样本，每3个快照矩阵作为输入向量，第4个快照矩阵作为目标向量，这样可以得到K-4组训练样本。第K个快照的数据作为网络的测试样本，验证网络能否合理地预测出第K个快照对应时刻的小尺度参数。

步骤S104，采用第二神经网络模型预测目标时刻无线信道的小尺度参数。

在本发明实施例中，第二神经网络模型训练完成后，只需要输入历史快照的小尺度参数，便可以精确预测某一未来时刻的快照的小尺度参数。

本发明实施例提供的无线信道小尺度参数预测方法，针对变电站时变环境下传统信道建模方法中根据信道统计特性随机生成参数的可靠性不足的问题，提出一种无线信道小尺度参数预测方法，采用动态反馈神经网络训练，利用小尺度参数的历史数据，实现对未来的信道小尺度参数的准确预测，并对信道的多径进行有效性验证。与现有技术相比，本方法摒弃了BP网络等静态前馈神经网络的弊端，以适应变电站小尺度参数的时变特性，具有更强的应变能力、计算能力以及更高的整体稳定性，预测得到的小尺度参数具有更高的准确性，更适用于变电站差异化环境下的信道建模与仿真分析；同时，其分簇插值方法更符合宽带系统中径以簇存在的传播机理，能够提高运算效率，填补了目前变电环境下基于实测小尺度参数数据的信道建模和信道特征分析方面的空白，对于电力场景下的无线时变信道链路级和系统级性能仿真评估与网络设计有非常重要的应用价值。

在本实施例中还提供了一种无线信道小尺度参数预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种无线信道小尺度参数预测装置，如图4所示，包括：

参数提取模块401，用于基于预设算法提取每个快照中的小尺度参数；

分簇插值模块402，获取每个快照中的多径数量，对多径数量不足的快照进行分簇，选取多径数最多的簇，根据簇心和簇内多径，通过第一神经网络模型获取非真实多径，对所选的簇进行簇内插值，所得到的插值结果用于使所有快照的多径数量相同；

模型建立模块403，用于基于相同多径数量的快照，建立与快照对应的小尺度参数的第二神经网络模型；

预测模块404，用于采用第二神经网络模型预测目标时刻无线信道的小尺度参数。

本实施例中的无线信道小尺度参数预测装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

本发明实施例还提供一种计算机设备，具有上述图4所示的无线信道小尺度参数预测装置。

请参阅图5，图5是本发明可选实施例提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。