一种无线信道测量中基于神经网络的伪径消除方法
阅读说明：本技术 一种无线信道测量中基于神经网络的伪径消除方法 (Pseudo path eliminating method based on neural network in wireless channel measurement ) 是由 张若南 徐浩晨 蒋毅 唐晓 王大伟 于 2019-09-13 设计创作，主要内容包括：本发明属于信道测量技术领域,公开了一种无线信道测量中基于神经网络的伪径消除方法,利用信道测量采集的时延功率谱构建测量数据矩阵；寻找存在伪径的可疑时延窗,剔除这些时延窗的数据；利用不存在伪径的时延窗的数据构建神经网络；向神经网络输入全部时延窗标号,训练得到新的时延功率谱数据矩阵；判断新的数据矩阵是否已经消除伪径,若消除完成则输出重构的时延功率谱,否则继续寻找伪径并消除；对所述基于神经网络的伪径消除技术进行验证测试。本发明提供的信道测量中基于神经网络的伪径消除方法可以有效消除时延功率谱中的伪径,还原出真实的时延功率谱,从而既减轻了信道测量过程中的工作量,又同时保证了测量结果的可靠性。(The invention belongs to the technical field of channel measurement, and discloses a pseudo path eliminating method based on a neural network in wireless channel measurement, which constructs a measurement data matrix by using a time delay power spectrum acquired by channel measurement; searching suspicious time delay windows with pseudo paths, and rejecting data of the time delay windows; constructing a neural network by using data of a delay window without a pseudo path; inputting all time delay window labels to a neural network, and training to obtain a new time delay power spectrum data matrix; judging whether the pseudo path of the new data matrix is eliminated, if the elimination is completed, outputting a reconstructed time delay power spectrum, and if not, continuously searching for the pseudo path and eliminating the pseudo path; and carrying out verification test on the pseudo path elimination technology based on the neural network. The pseudo path eliminating method based on the neural network in the channel measurement can effectively eliminate the pseudo path in the time delay power spectrum and restore the real time delay power spectrum, thereby reducing the workload in the channel measurement process and simultaneously ensuring the reliability of the measurement result.)
技术领域
本发明属于信道测量技术领域，尤其涉及一种无线信道测量中基于神经网 络的伪径消除方法。
背景技术
目前，最接近的现有技术：在信道测量中，获取时延功率谱(Power DelayProfile,PDP)是一个重要环节，通过时延功率谱可以获得无线电信号在无线信 道中经过散射、反射、绕射形成的多径分量到达接收端的时间与强度，进而可 以获得时延扩展(Delay Spread,DS)和相干带宽(Coherent Bandwidth,CB)等 重要的信道时域参数。目前，PDP使用包含发射端和接收端的信道测量系统 (Channel Sounder)获取。在信号通过信道测量系统的过程中难以避免的会受到 系统性能的影响。一个值得关注的影响是由于发射端功率放大器以及接收端低 噪声放大器(Low Noise Amplifier,LNA)的放大倍数过大所导致的信号的非线 性失真。这种非线性失真反应在PDP中便是时域中会在特定时延窗产生“毛刺”， 即伪径。这些伪径的存在干扰了DS和CB的计算值，从而导致信道的时域特性 被错误估计。
目前，通常在信道测量中能够采取的方案是调整收发端系统配置，使测试 信号与系统的线性工作区相匹配，进而消除毛刺。但这种方法操作繁琐，因为 在实际测量中，接收端需要现场采集信号，存储数据，为了验证测试数据的合 理性，则需要现场处理数据，获取PDP，若存在伪径，则需要接收端调整LNA 的放大倍数或更换LNA，甚至根据实际情况去除LNA，有时需要发射端降低发 射功率值，而每次对系统的改动都需要重新进行采集信号、存储数据、现场处 理步骤，且在实际测试中，收发端距离往往较远，双方沟通协商等环节也会耗 费一定时间。目前，由于信道测量活动成本高昂，设备各异，且尚未普及，测 量过程中遇到的工程问题往往依靠经验解决，若系统得当，伪径问题并非每次 都会产生，因而该问题尚未被列为该领域需要深入研究的问题，结果是目前没 有从数据处理层面解决此问题的方案。鉴于此，亟需一种伪径消除技术，以有 效消除PDP中的伪径，还原出真实的PDP。
综上所述，现有技术存在的问题是：现有信道测量中采取的调整系统配置 的方法操作繁琐，需要发射端和接收端配合，在测试现场经过不断尝试进而确 定合适的发射功率从而消除伪径，降低了测试效率。
解决上述技术问题的难度：
从数据处理层面消除存在于PDP中的伪径，难点之一是如何准确识别伪径， 难点之二是如何在消除伪径的同时保留真正的多径分量，从而最大程度还原真 正的PDP。
解决上述技术问题的意义：
从数据处理层面解决伪径问题可以减轻信道测量过程中的工作量，使得在 实际测试时不需要反复调整收发端的系统配置，提升了测试效率。
发明内容
针对PDP中存在的伪径问题，本发明提供了一种无线信道测量中基于神经 网络的伪径消除方法。
本发明是这样实现的，一种信道测量中基于神经网络的伪径消除方法，包 括以下步骤：
步骤一，利用信道测量采集的时延功率谱构建测量数据矩阵。
步骤二，找到存在伪径的可疑的时延窗，剔除这些时延窗的数据。使得这 些时延窗中的信号功率强度值不会参与神经网络的构建，确保了所构建的神经 网络的可靠性。
步骤三，利用不存在伪径的时延窗的数据构建神经网络。该网络的参数集 在不断优化的过程中逐渐完善，最终可输出消除伪径的正确PDP。
步骤四，向神经网络输入全部时延窗标号，训练得到新的PDP数据矩阵。 该矩阵的数据被用于判断是否已经消除伪径，若判断结果是已经消除伪径，则 该数据矩阵则为最终输出的重构后的PDP矩阵。
步骤五，判断新的数据矩阵是否已经消除伪径。
步骤六，结束并输出数据。
进一步，所述步骤一中数据测量矩阵的构建方法如下：
1)定义在测量场景下一共得到N组测量数据，即获得N组时延功率谱； 每组数据有M个时延窗，表示时延从1到M。
2)在信道测量技术中，收发端约定一组特定长度的伪随机(Pseudo Noise， PN)序列，发射端发射该序列经过调制后的电信号，接收端在接收到信号后利 用接收信号与存于本地的该PN序列相关运算来获取信道冲激响应(Channel Impulse Response，CIR)，并依此计算PDP。
3)若PN序列长度为M，则PDP有M个时延窗，时延窗以码片为单位。 构建矩阵MP0为M×N的矩阵；矩阵的每一列代表一组测量数据中M个时延窗 的归一化功率值(单位为dB)，矩阵的N行则代表在该场景下得到N组测量数 据，下标0代表该矩阵为初始数据矩阵，每经过一次剔除伪径操作，获得新的 数据矩阵，下标增加1；
一般地，用MPi表示进行第i次剔除伪径操作前的数据矩阵，MPi+1表示第i 此剔除伪径操作后的数据矩阵，每次新得到的数据矩阵尺寸不会被改变。
进一步，所述步骤二中确定可能存在伪径的可疑的时延窗的方法如下：
1)对矩阵的每一列求前向差分，得到大小为(M-1)×N的新的矩阵MPdi， 其中，矩阵MPdi表示PDP中相邻时延窗之间变化的剧烈程度。
2)对矩阵MPdi的每一行数据进行K-means聚类，类数量为1；聚类后得到 由每一行数据所聚的类的簇心值所构成的长度为(M-1)的向量c；其中的每一 个元素cm，m∈(1，2，…M-1)代表每一个类的唯一簇心。
3)计算向量的L1范数，得到向量Li＝[L1，L2，…LM-1]T。 其中En表示尺寸为N×N的单位阵，cn表示向量c中的第n个元素。
4)对向量Li中的元素由小到大排序，得到新的向量 Lsi＝[La1，La2，…La(M-1)]T，其下标ak代表了时延窗的标号。
5)对Lsi求前项差分，得到向量Lsi′＝[Lb1，Lb2，…Lb(M-2)]T，其下标bk代 表了时延窗的标号。
6)找到向量Lsi′中的最大值Lbkmax，则可能存在伪径的时延窗为 [a1，a2，…bkTmax]，不存在伪径的时延窗为：
τi＝[(bkmax+1)，(bkmax+2)，…，a(M-1)]T (1-1)。
进一步，所述计算矩阵MPdi每一行的N个数据与簇心cm之差的绝对值并求 和，计算公式如公式(1-2)所示：
其中，LM为向量
进一步，所述步骤三中利用不存在伪径的时延窗的数据构建神经网络：
用于获得神经网络参数集的样本为时延窗向量τi与其所对应的测试数据的 功率强度值。从向量τi中随机选取70％作为训练集的输入，若时延窗数量为A， 相应的大小为A×N的时延窗的功率强度值矩阵MPti作为训练集的输出，另外 30％的时延窗标号及其相应功率强度值矩阵作为验证集数据，基于此得到构建的 神经网络。
进一步，所述步骤四中，利用已构建的神经网络作为重构时延功率谱的工 具，将全部M个时延窗标号作为网络输入送入该神经网络，网络输出的M×N的 矩阵即为一次伪径消除操作后的数据矩阵，记为MPi+1。
进一步，所述步骤五中的判断方法是：
设定一个阈值ε，当
综上所述，本发明的优点及积极效果为：本发明在针对某一测量场景下所 获得的PDP中，伪径总是存在于固定的时延窗中且强度值几乎相同，其不依据 收发端在测试场景中的相对位置变化而变化，进而提供了一种信道测量中基于 神经网络的伪径消除方法，用于消除在一次信道测量所得PDP中的全部伪径。
本发明可以有效消除PDP中的伪径，还原出真实的PDP，从而既减轻了信 道测量过程中的工作量，又同时保证了测量结果的可靠性。
附图说明
图1是本发明实施例提供的信道测量中基于神经网络的伪径消除方法流程 图。
图2是本发明实施例提供的信道测量中基于神经网络的伪径消除方法实现 流程图。
图3是本发明实施例提供的未去除伪径前的全部12组数据的PDP示意图。
图4是本发明实施例提供的具体的两组未去除伪径前的PDP示意图；
图中：(a)发射端位于位置1处；(b)发射端位于位置5处。
图5是本发明实施例提供的两组利用本发明技术流程去除伪径前后的PDP 对比示意图；
图中：(a)发射端位于位置3处；(b)发射端位于位置4处。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种信道测量中基于神经网络的 伪径消除方法，下面结合附图对本发明作详细的描述。
本发明的一种信道测量中基于神经网络的伪径消除方法依据伪径所具备的 下述特征实现：在针对某一测量场景下所获得的PDP的研究中发现，伪径总是 存在于固定的时延窗中且强度值几乎相同，其不依据收发端在测试场景中的相 对位置变化而变化。
如图1所示，本发明实施例提供对的信道测量中基于神经网络的伪径消除 方法包括以下步骤：
S101：利用信道测量采集的时延功率谱构建测量数据矩阵。
S102：找到可能存在伪径的可疑的时延窗，剔除这些时延窗的数据。
S103：利用不存在伪径的时延窗的数据构建神经网络。
S104：向神经网络输入全部时延窗标号，训练得到新的时延功率谱数据矩 阵。
S105：判断新的时延功率谱数据矩阵是否已经消除伪径。
S106：结束并输出数据。
下面结合具体实施例对本发明的技术方案作进一步的描述。
如图2所示，本发明实施例提供对的信道测量中基于神经网络的伪径消除 方法包括以下步骤：
第一步，构建测量数据矩阵。
在某场景下进行信道测量所得的测量数据假设有N组。例如，在进行上行 链路测量中，发射端是用户设备，而接收端是基站。基站固定在测量场景中的 某一位置。发射端位于场景中不同的N个位置，这样便可以得到N组测量数据， 这N组测量数据用于反映所测试环境中的信道特性。从每一组数据中可以获得 PDP。具体的一种操作方法是，首先在收发端约定一个相同的伪随机(Pseudo Noise,PN)序列，在发射端循环发送该PN序列。序列经过无线信道形成包含若 干多径分量的信号到达接收端，接收端将接收到的信号与该PN序列进行相关运 算。解出包含若干多径分量的信道冲激响应，依此计算出一个PDP，假设PN序 列的长度为M，即PN序列包含M个码片，那么PDP相应的包含M个时延窗， 时延窗的标号从1到M。由此，N组数据便可组织成一个大小为M×N的矩阵， 令其为MPi，初始数据矩阵的下标i＝0，每进行一次消除伪径的操作，下标i的 数值会加1，以此区分每一次操作的数据矩阵。
第二步，寻找可能存在伪径的时延窗。
(1)对MPi的每一列数据，即每一组PDP数据求前向差分得到功率强度值 在相邻时延窗间的变化程度，令求前项差分之后的矩阵为MPdi。
(2)对矩阵MPdi的每一行数据进行K-means聚类，类数量为1，聚类后得 到由每一行数据所聚的类的簇心值所构成的向量c，该向量长度为(M-1)。
(3)计算向量
(4)对向量Li中的元素由小到大排序，得到新的向量 Lsi＝[La1，La2，…La(M-1)]T。其下标ak代表了时延窗的标号。
(5)对Lsi求前项差分，得到向量Lsi′＝[Lb1，Lb2，…Lb(M-2)]T。其下标bk代 表了时延窗的标号。
(6)找到向量Lsi′中的最大值则可能存在伪径的时延窗为 [a1，a2，…bkTmax]，不存在伪径的时延窗为 τi＝[(bkmax+1)，(bkmax+2)，…，a(M-1)]T (1-1)。
进一步，所述计算矩阵MPdi每一行的N个数据与簇心cm之差的绝对值并求 和，计算公式如公式(1-2)所示：
其中，LM为向量
第三步，利用不存在伪径的时延窗的数据构建神经网络。
从向量τi中随机选取70％作为训练集的输入，假设其时延窗数量为A，相应 的大小为A×N的时延窗的功率强度值矩阵作为训练集的输出，另外30％的时延 窗标号及其相应功率强度值矩阵作为验证集数据，基于此得到构建的神经网络。
第四步，向神经网络输入全部时延窗标号并得到输出值。
利用第三步中构建的神经网络作为重构时延功率谱的工具，将全部M个时延 窗标号作为网络输入送入该神经网络，网络输出的M×N的矩阵即为一次伪径消 除操作后的数据矩阵，记为MPi+1。
第五步，判断数据是否已经消除伪径，是则进行S106，否则转回S102。判 断的方法是设定一个固定的阈值ε。当
第六步，输出数据。输出S104得到的MPi+1作为消除伪径后的PDP矩阵。
下面结合测试对本发明的技术效果作详细的描述。
图3给出了某次测试的结果。该测试开展于农村宏蜂窝环境。接收端放置 于一栋四层办公楼的楼顶，该楼高约20米，发射端位于距离接收端约200米远 的一条道路上，测试中发射端一共位于道路上12个不同的位置，每个位置采集 一组数据，一共采集12组数据，图3给出了12组PDP。从图中可以看出，在 12组数据的某些时延窗内，总是存在功率值大小近乎相同的伪径。进一步的， 从图4中可以清楚的观察到伪径的存在。将全部12组采集到的数据代入到算法 中，设置阈值参数ε值为10。通过本发明的技术流程后得到重构的PDP。图5展示了PDP重构的结果。从图中可以看到，明显的伪径已经被完全消除。其PDP 呈现出指数衰减走势，这与3GPP TR 36.873标准中对PDP的统计建模结果相一 致。同时从图5中可以看到，真实的独立多径分量并未被消除。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于功率比较的多频带频谱感知方法