[发明专利]一种基于支持向量机的信道环境检测方法

说明书

技术领域

本发明涉及一种使用支持向量机(Support vector machines)的信道环境检测方法。

背景技术

1、无线信道环境检测背景技术

无线通信系统中，由于无线电磁波的多径传播和收发两端运动形成的多普勒频移，无线信道具有了频率选择性和和时间选择性的双选特性，使得信号经历了较为复杂的衰落。而要在接收端正确的解调出发送信息，则须进行准确的信道估计。

已有的信道估计方法可以大致分类为：借助于参考信号(训练序列、导频)的估计，盲信道估计，半盲信道估计方法。根据信道的特性，借助于参考信号的基扩展模型被广泛应用于双选信道估计的建模。根据使用的基函数不同，其性能在不同的环境下则会出现较大的差异，例如，离散K-L基扩展模型(Karhuen-Loève BEM，K-L-BEM)虽然是均方误差最优的，但其性能却对信道统计特性的不匹配情况非常敏感；复指数基扩展模型(complex exponential BEM，CE-BEM)独立于信道统计特性，但是具有一定的建模误差；多项式基扩展模型(polynomial BEM，P-BEM)则对多普勒频移较为敏感，通常在低多普勒频移情况下具有较好性能。

而对于复杂多变的实际无线通信环境，使用上述单一模型进行信道估计，则无法获得长时间、高质量的估计性能；而对于多模型进行信道估计，虽然考虑到了多种无线通信环境，但还需要及时、准确的判断出当前信道环境是否发生了变化，并合理的进行信道模型切换，这样才能够获得高质量的估计性能。

已有的信道环境变化检测主要是通过信号包络幅值进行判断，若接收信号包络幅值发生突变则检测出信道环境发生了变化。采用的主要方法有：在包络幅值变化时刻和跳变采样点前后幅度值已知情况下，可用NP(Neyman-Pearson)方法假设检验，对于变化时刻已知但幅度值未知或变化时刻未知但幅度值已知以及两者均未知的情况，则采用GLRT(Generalized Likelihood Ratio Test)方法假设检验。

2、支持向量机背景技术

支持向量机(SVM，Support Vector Machine)是由Vapnik首先提出的，可用于模式分类和非线性回归。支持向量机的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。支持向量机的理论基础是统计学习理论，是结构风险最小化的近似实现。这个原理基于：学习机器在测试数据上的误差率(即泛化误差率)以训练误差率和一个依赖于VC维数(Vapnik-Chervonenkis dimension)的项的和为界，在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。因此，尽管它不利用问题的领域内部问题，但在模式分类问题上支持向量机能提供好的泛化性能，这个属性是支持向量机特有的。

发明内容

本发明针对无线衰落信道中信道环境检测问题的复杂性，在信道环境未知的情况下，提出一种新的训练方法，利用数据块内的导频序列的分布和信道模型算法的特点，以及对信道环境的描述，选取其中有效的特征描述值，作为支持向量机的属性值，建立相应的支持向量机模型，由于支持向量机模型自身的可预测性，完成对信道的估计。经过对算法的不断优化和改进，能够保证检测信道环境变化的准确性，便于实际的使用。

由于支持向量机的使用特性，是需要先对已知样本数据集进行训练，并建立出支持向量机模型，实际数据集才能根据所建立的模型，完成实际数据的分类、判断工作。

在进行信道估计时，需要明确所使用的训练集，将惩罚参数c和函数参数g进行合理的配置，最后完成模型训练工作，在使用实际数据进行信道环境检测时，只需将相关数据通过支持向量机模型，即可得到信道环境检测结果。本发明通过新设计的训练集可以准确的判断出信道环境是否已发生了变化，多模型的切换提供了有效的依据。

本发明的基本原理流程图见图1。

一种使用支持向量机SVM的信道环境检测方法，依次按以下步骤实现，

步骤(1)，按以下步骤对训练集数据进行处理，确定支持向量机模型及适当的惩罚参数c和函数参数g：

步骤(1.1)，将发送信息转化为数据块步骤如下：