[发明专利]一种基于机器学习的功率分配方法

说明书

本发明属于通信抗干扰技术领域，具体的说是一种基于机器学习的功率分配方法。本发明主要为了降低功率分配算法的复杂度，具体方法如下：需要将信道样本处理为一个N维的实值特征向量，设计出预设的功率分配矩阵，贴上标签，重复此步骤，直至每个样本都有一个对应标签。利用样本特征集合和对应的标签集合，采用SVM算法对新输入的样本进行分类，输出的标签对应的功率分配矩阵即为此样本对应的最优功率分配矩阵。本发明的有益效果为，传统的功率分配方式的整个计算过程是具有重复性的，且为减轻这一问题，采用SVM算法对新输入样本分类且能有效的降低算法复杂度。

技术领域

本发明属于通信抗干扰技术领域，涉及空间调制(Spatial Modulation，SM)技术，多输入多输出(Multiple Input Multiple Output，MIMO)技术，以及支持向量机(SupportVector Machines，SVM)算法。

背景技术

空间调制系统作为一种新的MIMO技术近来受到关注。空间调制的基本思想为：在空间调制中，每个时隙仅激活一根发送天线传送数据，发送天线不仅仅是形成无线射频链路的媒介，而且承载着信息比特本身。由于每个传输时隙只有一个发送天线工作，从而可以完全消除子天线信道间的干扰，且不需要发送天线精确的同步定时，并且在接收端，即使接收天线数小于发送天线数时也可以进行检测。

在传统的功率分配算法里，采用最大化最小欧式距离的思想，计算出最佳的功率分配矩阵。传统的功率分配算法需要进行重复计算，虽然后续也陆续有研究者提出更低复杂度的算法，避免了在给定某次信道矩阵下的重复运算，但整个过程仍然是具有重复性的，例如某两次的信道矩阵相同或相近，传统的功率分配算法仍需进行两次相应的运算。

发明内容

本发明的目的，就是针对上述问题，提出一种基于SVM算法的空间调制系统功率分配方法。

本发明的技术方案如下：

a.训练集合的构造

(1)生成训练集合：训练样本作为已知的变量被输入到学习系统中，假设有M个N_r×N_t维的信道矩阵作为训练样本。因为训练样本需要是一个实值的向量，所以需要将信道样本H_m处理为一个N维的实值特征向量。

步骤1：从信道矩阵H_m生成成实值特征向量d_m；

步骤2：重复步骤1，直至为所有的H_m(m＝1，2，…，M)生成特征向量；

步骤3：生成训练数据矩阵

步骤4：归一化矩阵D，并生成归一化特征矩阵T，其中T里面元素

(2)KPI设计：把利用最大化最小欧氏距离的思想求得的欧氏距离d_min作为KPI。X_SM为所有可能的发送信号集合，P为功率分配矩阵。

(3)标签的设计：在功率分配中，标签则是对应着功率分配矩阵，因此，首先需要设计出预设的功率分配矩阵，根据(P_T为系统总能量)，随机生成若干个功率分配矩阵。

步骤5：对于第m个样本H_m，计算每一种预设的功率分配矩阵的KPI；

步骤6：从预设的功率分配矩阵中找出能使KPI最好的，并将其标签l与样本对应上，令l作为标签向量的第C个元素c_m，重复此步骤，直至每个样本都有一个对应标签。

b.建立学习系统

多级SVM分类器：SVM采用一对其它的二元分类策略，主要过程如下：