[发明专利]一种多径分簇方法、装置、电子设备及可读存储介质

说明书

本发明实施例提供了一种多径分簇方法、装置、电子设备及可读存储介质，应用于无线通信技术领域，所述方法包括：获取无线信道多径的参数，根据预设的分簇个数，通过高斯混合模型对无线信道多径的参数进行拟合，高斯混合模型根据无线信道多径的参数的均值和方差确定；通过期望最大算法估计高斯混合模型的参数值，根据高斯混合模型的参数值得到无线信道多径的分簇结果。本发明实施例可以根据无线信道多径的参数的均值及方差，深度挖掘无线信道多径的参数的信息，使得分簇结果更全面地反映无线信道的特征，从而得到更加准确的分簇结果。

技术领域

本发明涉及无线通信技术领域，特别是涉及一种多径分簇方法、装置、电子设备及可读存储介质。

背景技术

在第五代(5G)移动通信中，随着天线数量和应用场景的增加，信道模型复杂度也大幅度增加。GBSM(Geometry Based Stochastic Model，基于几何的统计信道建模)模型是一种基于簇的信道建模方式，通过簇可以更便捷地描述信道传播特性。

在实际的电磁传播环境中，由于散射体(例如树木以及建筑物等)的存在，电磁波在与散射体发生接触后，其传播方向和幅度会发生一定的改变，通常通过多径传播来表征电磁波的传播。多径传播过程中产生的参数为多径参数，包括：功率、时延、到达角以及离开角等，每一个参数表征了多径传播在不同维度上的特性。相邻的散射体或表面不光滑的反射体所产生的多径参数相近，因此，可将相近的参数归为一个集合来进行研究，该集合称为簇，将不同的参数归为簇的过程称为分簇。

传统的分簇方法为K-means算法，K-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较低。然而该算法应用多径参数之间的欧式距离进行分簇，与多径参数在空间的真实分布特性的相关性较低，因此，得到的分簇结果准确性较低。

发明内容

本发明实施例的目的在于提供一种多径分簇方法、装置、电子设备及可读存储介质，以提高分簇结果的准确性。具体技术方案如下：

本发明实施例提供了一种多径分簇方法，所述方法包括：

获取无线信道多径的参数，根据预设的分簇个数，通过高斯混合模型对所述无线信道多径的参数进行拟合，所述高斯混合模型根据所述无线信道多径的参数的均值和方差确定；

通过期望最大算法估计所述高斯混合模型的参数值，根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果。

可选的，在所述根据所述高斯混合模型的参数值得到所述无线信道多径的分簇结果之后，所述方法还包括：

若所述预设的分簇个数为M，所述无线信道多径的条数为N，

根据公式：计算所述分簇结果的紧凑性评价指标值CI；

其中，L_k为第k个簇的内径个数，c_k为第k个簇心，x_i为第i条多径参数，x_j为第k个簇内的第j条多径参数，为第k个簇的方差；

若任意两条多径参数x_i和x_j之间的多径距离

θ_Rxi为第i条多径的接收垂直角,θ_Rxj为第j条多径的接收垂直角,

为第i条多径的接收水平角,为第j条多径的接收水平角,

θ_Txi为第i条多径的发射垂直角,θ_Txj为第j条多径的发射垂直角,

为第i条多径的发射水平角,为第j条多径的发射水平角,