[发明专利]一种基于支持向量机的无线信道场景识别方法

说明书

本发明提供了一种基于支持向量机的无线信道场景识别方法，包括：采集信道数据，将采集的信道数据分成两部分，一部分为待处理数据，另一部分为不处理数据；将待处理数据进行分类特征提取和数据转化，根据数据转化结果建立非线性的功率直方图，将功率直方图作为支持向量机输入的特征矩阵；将功率直方图作为支持向量机输入的特征矩阵进行训练，设计支持向量机分类器结构及参数，构造超平面函数，建立分类模型；对不处理数据进行分类，并采用超平面函数对分类器参数进行校准，对分类模型进行测试，该方法可以解决现有技术中已有信道建模技术对信道环境监测模糊，无法准确判断无线传输环境的问题。

技术领域

本发明涉及无线移动通信领域，尤其涉及一种基于支持向量机的无线信道场景识别方法。

背景技术

在对无线通信系统进行研究的过程中，需要在无线信道环境中对收发端信号的算法处理的功能进行分析和评价，但是由于无线信道的复杂性，在实际环境中系统的测试时间较长，并且难度较高，尤其当在不同技术指标或不同通信环境下进行测试时，实现的难度更高，风险也更大。在此种情况下，利用精确的信道场景识别对系统进行分析和评估可以大大提高工作的效率，并且通过调整信道场景分类器的参数或改动模型的结构可以满足有差别的实际信道特点。

适合的信道场景估计对建立无线通信系统有极大的帮助，并对设计传输参数和确定传输标准也起到很好的作用，也为信道建模提供了进一步的技术支持。信道建模的主要目的是在考虑模型的精度和复杂性的前提下，在不同的环境中MPCs(Multi-pathComponents,表征多径分量)。现有技术中，应用的表征多径分量的模型是抽头延迟线的模型，早期无线系统的许多标准信道模型均使用抽头延迟线模型，但是，由于3G，4G和其下一代系统有更大的带宽，MIMO(Multiple-Input Multiple-Output，多输入多输出)阵列也在增加，对多径分量的建模更加复杂。MIMO有可抑制信道衰落提高系统容量的特性，MIMO技术在各种各样的无线通信系统中的应用正变得越来越多，基于MIMO实际测量数据的信道模型也被国内外各个组织机构争相提出。大量MIMO测量结果表明多径分量在实际环境中以聚类分布。聚类就是将对象的集合按其相似度分成多个类或者簇的过程，同一个簇中的对象是类似的，而不同的簇中的对象是存在差异的。利用多径散射簇的特性来提高用户对移动通信系统的体验成为通信发展的热点之一。该现象可以降低信道建模的复杂性，基于信道多径分簇机制的模型成为近年来信道建模理论的发展趋势。基于簇的信道模型已经广泛应用于标准化信道模型，包括COST 259，COST 2100，3GPP空间信道模型和WINNER；基于地理特征的单环和双环信道模型；适用于不同的通信环境的专用信道模型，如V2V信道模型；通过实测数据或统计特性的分布得到的信道模型，如IEEE 802.11n的信道模型。

SVM(Support Vector Machine，支持向量机)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构风险最小化来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的，可以克服传统神经网络方面经验的成分过大的难题，可以解决小样本情况下的机器学习问题，提高泛化性能、解决高维问题、解决非线性问题和避免神经网络结构选择和局部极小点问题。

分类是数据挖掘领域中一项非常重要的任务，分类的目的是学会一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个，从而可以用于预测。而SVM本身便是一种监督式学习的方法，它广泛地应用于统计分类以及回归分析中。SVM是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

给定一组训练样例，每个训练样例标记为属于两个类别中的一个或另一个，SVM模型是将这些例子表示为空间中的点的映射，以便将各个类别的例子除以尽可能宽的明显差距。然后将新示例映射到同一空间中，并预测属于它们落在基于哪一侧的类别。

除了执行线性分类之外，SVM还可以使用内核技巧高效地执行非线性分类，并将其输入隐式映射到高维特征空间中。