智能AI自适应学习系统丨个性化精准提分平台

基于机器学习的毫米波信道分簇与时变信道回放技术研究

随着第五代移动通信(The5thGeneration,5G)的发展和普及,现代社会中人们的生活方式已发生了深刻改变,传统人与人之间的通信需求已经全面转向万物的互联互通需求,其带来的海量通信设备和巨大数据流量对5G通信网络的服务质量提出了更高的要求.作为5G的关键技术之一,毫米波可在具备高用户密度,超大数据流量的热点场景下实现高速率传输.无线信道建模是人们对无线传播环境及传播特性的抽象描述,是构建无线通信系统要解决的首要性问题.因此,毫米波信道建模研究对5G系统的设计,仿真和相关先进技术评估至关重要. 本文将基于电力配用电场景高铁站实测信道数据,以5G背景下毫米波信道建模为研究重点,面向未来无线信道中的大数据属性,探索基于机器学习的毫米波信道分簇算法,并针对传统基于统计的信道仿真技术无法与环境匹配,只适用于链路级仿真等问题,研究基于机器学习的毫米波时变信道回放技术,提高毫米波信道建模精度,为5G和新一代移动通信网络精细化设计和优化服务.本文的主要工作及创新点如下: (1)基于支持向量机的自适应核功率密度毫米波信道分簇算法研究 针对传统毫米波信道分簇算法依赖簇的先验信息问题,本文提出了基于自适应核功率密度(AdaptiveKernelPowerDensity,AKPD)和基于支持向量机(SupportVectorMachine,SVM)的AKPD(SVM-AKPD)毫米波信道分簇算法.首先,提出一种基于距离的方法计算多径(MultipathComponent,MPC)的自适应K值,以更加准确地描述MPC密度的局部变化规律;其次,利用AKPD计算簇心,并视为带标签数据用于训练SVM;最后,借助SVM寻找特征空间(信道参数空间)最优超平面,从而实现MPC的多维度,高密度非线性分簇.基于28GHz电力配用电场景高铁站候车厅实测信道数据和仿真信道数据验证了所提AKPD和SVM-AKPD算法的分簇性能,仿真结果表明,所提分簇算法在不同信道环境下分簇性能优于传统信道分簇算法,具有良好的鲁棒性,且不需要信道先验信息. (2)基于具有时变结构的自组织映射网络的毫米波信道分簇算法研究 针对传统毫米波信道分簇算法性能依赖于参数的初始化,且算法复杂度过高,不适用于未来具有大数据属性的信道建模等问题.本文提出了基于具有时变结构的自组织映射网络(Self-OrganizingMapswithTime-VaryingTopologicalStructures,SOM-TVS)的毫米波信道分簇算法.首先,根据MPC分布特征,结合竞争层神经元的位置和权重参数初始化SOM;然后,利用功率加权的Guassian-Sinc邻域核函数,优化SOM的竞争对抗性.基于28GHz电力配用电场景高铁站候车厅实测信道数据和仿真信道数据验证了所提SOM-TVS算法的分簇性能,仿真结果表明,所提SOM-TVS算法性能优于传统信道分簇算法,且在较低的算法复杂度下实现了毫米波信道的精确分簇. (3)基于多径轨迹的毫米波时变信道分簇算法研究 针对非平稳时变信道,本文提出了基于多径轨迹的毫米波时变信道分簇算法.首先,同时考虑不同快照间MPC的距离相似度和速度相似度,利用模糊理论和全局匹配方法实现多径轨迹的精确追踪;其次,提出了模糊多径轨迹分簇算法,基于模糊理论将不同多径轨迹根据隶属度分配到不同多径轨迹簇中,实现多径轨迹的精确分簇.基于毫米波28GHz仿真信道数据验证了所提算法的多径追踪和分簇性能,仿真结果表明,所提算法可准确识别多径轨迹簇,实现毫米波时变信道中MPC时间演进特性的精确建模. (4)基于机器学习的毫米波时变信道回放技术研究 针对传统基于统计的信道仿真无法与环境匹配问题,本文提出了基于机器学习的毫米波时变信道回放技术.利用机器学习具有可充分逼近复杂的非线性关系特性,建立路损+阴影衰落模型回放信道路径损耗,以及联合小尺度参数模型生成信道小尺度参数,并代替传统基于统计模型的信道仿真中由信道参数统计规律产生的随机数,从而将基于统计规律的传统信道建模转变为随时间变化的真实信道建模.基于28GHz电力配用电场景高铁站候车厅实测信道数据和仿真数据验证了所提基于机器学习的毫米波信道回放技术性能,仿真结果表明,所提仿真技术克服了传统仿真平台的缺陷,可真实再现时变信道传播特性.