论文部分内容阅读
随着无线通信逐步步入第五代移动通信技术(Fifth Generation,5G)、即将进入第六代移动通信技术(Sixth Generation,6G)研究的新时代,信道建模研究中的数据在时域、频域、空域、场景等多个维度上的成倍增长,使得无线信道数据呈现出多样、海量等特征,标志着无线信道研究进入大数据时代。面对如此海量的信道数据,引入数据挖掘手段和方法日渐成为未来信道数据分析的迫切需求。数据挖掘就是从大量的数据中搜索隐藏于其中的信息,借助已有的数据预测未来。数据挖掘所具备的能力和信道数据分析与建模的目标恰恰吻合,即通过对信道数据的分析,发现电波传播特性的潜藏规律,重现和预测其在各种配置和场景下的信道变化。虽然信道数据已有明显的大数据属性,但目前进行信道数据统计分析时仍采用初级的数据挖掘手段,从而大大限制了对信道数据统计特性的挖掘深度和刻画精度。本文即立意于此,面对未来无线信道中的大数据属性,应用基于机器学习的信道多径分簇算法,对典型场景下信道测量数据进行统计分析,实现信道多径分簇,分析簇参数特征,并利用分析结果进行信道建模。通过实验验证,基于机器学习的信道多径分簇算法能够深度挖掘隐藏在信道数据中的统计规律,更全面、准确地了解电波传播特性,提高信道建模的精度。本文的具体内容如下:1)基于高斯混合模型(Gaussian Mixture Model,GMM)的信道多径分簇算法及新型簇验证指标。随着信道带宽的不断增加,信道时延分辨率的逐步提高,信道可分辨多径数目急剧增加而呈现出明显的统计分布特性。传统信道多径分簇方法多以距离为基准,并未考虑信道数据内部统计分布特征,导致分簇算法无法有效挖掘信道多径内在统计规律。为全面、精确挖掘信道多径统计特征,本文提出基于GMM的信道多径分簇方法。相比传统分簇方法,GMM可综合考虑信道多径参数的均值及方差信息,能够对信道数据统计信息进行全面、深度挖掘,最终实现分簇。同时,传统分簇验证指标大多是基于对簇内、簇间多径距离的衡量指标,并不是对分簇结果统计信息全面、完整的评估,因此对结果的判定可能存在偏差。基于此,本文提出紧凑性(Compact Index,CD簇验证指标,该指标综合考虑了分簇结果的均值及方差信息,是对分簇结果统计意义上更完整的衡量指标。GMM分簇机制与CI验证指标的联合分簇方法,有效地提升了信道多径分簇性能。2)GMM模型求解算法。本文首先应用两种基本算法对GMM模型参数进行求解:1)应用期望最大算法(Expectation Maximization,EM)对GMM模型簇参数进行求解。借助贝叶斯信息准则(Bayesian Information Criterion,BIC),通过遍历各个簇可得到最优簇数;2)为了进一步提高算法效率,本文引入变分贝叶斯(Variational Bayesian,VB)算法对模型簇参数进行估计。相比于EM算法,VB会自动进行模型复杂度与数据拟合精度之间的折中,主要有如下两方面优势:1)在迭代过程中,对于解释数据集贡献较小的分量的混合系数会逐渐趋于零,最终从模型中去除。因此,VB算法可有效避免过拟合;2)VB算法可以无需借助交叉验证方法而自动确定簇个数,有效降低了运算复杂度。3)基于混合差分进化期望最大算法(Differential Evolution Expectation Maximization,DE-EM)的GMM信道多径分簇方法。随着信道数据量的增加,信道数据维度不断提高,给GMM模型簇参数估计提出较大挑战。GMM常用参数估计方法较易于陷入局部最优解。为提升GMM模型参数估计精度,本文提出混合DE-EM算法。该算法首先应用差分进化算法(Differential Evolution,DE)对GMM参数进行初始化,再应用EM算法对GMM参数集进行寻优。具体原理为:DE算法是基于种群的搜索,具有较强的全局搜索能力,然而当参数维度较高时算法收敛较慢;EM算法为局部收敛算法,但其能够更准确、有效地收敛到参数估计值。DE-EM算法有效借助了两种算法的优势。通过人工生成数据集、信道实测数据等验证,DE-EM算法可有效提升信道簇参数的估计精度,得到更符合信道传播特征的簇。4)基于Gamma-vMF混合模型的信道多径分簇方法及验证。本文基于对信道多径数据特征的分析,提出Gamma-vMF(GVMM)混合模型信道多径分簇方法。具体来说,由于信道多径1维时延数据(分布在[0,+∞))与4维角度数据(分布在[-π,π]且具有周期相似性)分别与1维Gamma分布和5维vMF(von Mises-Fisher)分布的分布特性相一致。因此,本文应用1维Gamma分布和5维vMF分布分别对信道多径时延和角度数据进行拟合,提出GVMM混合模型。然后,本文应用EM算法结合牛顿-拉夫森(Newton-Raphson)算法推导了 GVMM模型的参数估计方法。为全面验证有限概率混合模型聚类方法应用于信道数据分析的优势,本文分别应用Kmeans、GMM、GVMM三种分簇框架进行信道簇建模,进而验证三种分簇算法对信道建模精度的影响。具体来说,分别应用三种分簇算法进行簇建模、重构信道矩阵,通过比较重构信道矩阵与实测信道矩阵的拟合精度,验证三种分簇算法对信道建模精度的影响。综合对比了信道容量和信道奇异值,发现GVMM对应重构信道矩阵与实测信道矩阵的拟合精度最高。这是由于,GVMM分簇算法更符合信道数据分布特征,能够更深入挖掘信道数据内在统计规律,因此,所得分簇结果更符合信道多径传播特性,能够有效提升信道建模精度。