《移动通信无线信道指纹建模及识别》由会员分享，可在线阅读，更多相关《移动通信无线信道指纹建模及识别（39页珍藏版）》请在金锄头文库上搜索。
1、题 目 移动通信无线信道指纹建模及识别摘 要：无线信道 中多径系数、多径时延、时延扩展、多普勒扩展等参数可作为“指纹”特征对场景进行识别，对 改善 无线 信号传输效率 具有重要意义 。 本文 主要 包含 五 部分内容：无线信道建模、“指纹”特征提取、 场景识别、时间序列分段、 分段序列 聚类 。 1） 无线信道建模中， 从直达径物理模型和双径物理模型出发，建立了多基复包络线性叠加信道模型， 体现 指纹特征。 2）“指纹”特征提取中， 提出基于 CLEAN 超分辨谱 估计的指纹特征提取算法，通过 Sinc 插值利用 CLEAN 算法逐步提取 “指纹”特征。 3） 场景识别 中， 首先 使用成像算
2、法获得接收信号距离图像 和 多普勒域图像 ，实现了 场景预识别； 利用超分辨信道路径数目及变化识别出不同场景； 采用 Kalman 滤波获得信道主径，并 提出 利用主径衰落特征区分不同场景的 “指纹椭圆” 方法 ，根据接收信号指纹椭圆位置 完成场景识别 。 采用上述方法 判断出问题 2 中 Test1 为场景 1 的概率接近 100%，Test2 有 91.9%的概率 为场景 2，有 8.1%的概率为场景 3。 4）时间序列分段中 提出变尺度分段法， 以 多普勒频 率为指纹特征， 首先根据等宽度窗口内噪声统计量进行大尺度分段；然后利用变宽度滑窗法增加噪声个数 至 噪声 数 阈值， 完成 强噪声
3、环境小尺度分段；利用时态边缘检测 Sobel 算子获取弱噪声环境下斜率变化较大的边缘点作为分段点，实现弱噪声环境下小尺度分段。 该方法 将 问题 3 中 时间序列分为 43 段，拟合误差仅为 0.32，压缩率高达 99.7%。 5） 分段序列聚类中，提出基于支持向量机 SVM 的邻段区域 融合聚类法，以相邻三个分段中两 分段为向量机， 获得另一分段分类 并与 该 段 融合， 以此类推 ，将 问题 3 的分段数据聚 为12 类 。 采用 SVM 作为评价函数对问题 4 中数据进行判断 ，并利用 Bayes 假设检验给出问题 4 中两组数据的分类结果及 Bayes 后验 概率。 其中 Test1
4、不属于问题3 中时间序列，Test 2 有 87%概率 属于问题 3 中时间序列的 75.4m77m 之间 。 I 目录 第一章 绪论 . 1 1.1 问题重述及问题分析 . 1 1.2 基本假设 . 2 1.3 文章结构脉络 . 2 第二章 信道建模与指纹特征提取 . 4 2.1 无线 信道物理建模 . 4 2.1.1 直达径传输模型 . 4 2.1.2 双径传输模型 . 4 2.2 多基复包络线性叠加信道模型 . 6 2.3 基于成像算法的信道特征预提取 . 6 2.3.1 信道距离像及距离像序列 . 6 2.3.2 距离像序列的走动和校正 . 7 2.3.3 距离多普勒域的联合成像 .
5、8 2.4 基于 CLEAN 的超分辨谱估计指纹特征提取 . 10 2.4.1 超分辨路径提取 . 10 2.4.2 路径滤波 -关联的主径获取 . 11 2.4.3 问题 2 测量信号的场景识别 . 12 2.5 信道指纹特征综合分析及深度挖掘 . 13 2.5.1 指纹特征深度挖掘 . 13 2.5.2 基于“指纹椭圆”的场景识别 . 14 第三章 基于时态边缘算子的时间序列分段方法 . 17 3.1 指纹特征初步分析 . 17 3.1.1 指纹特征种类随时间序号的变化 . 17 3.1.2 基于“指纹特征”的直观场景分析 . 19 3.1.3 指纹特征噪声分析 . 20 3.1.4 变宽度滑窗噪声统计 . 21 3.2 基于时态边缘算子的时间序列分段方法 . 22 3.2.1 时间序列的边缘点及 Sobel 算子 . 22 3.2.2 边缘幅度变化极值点 . 23 3.2.3 时间序列分段线性表示的拟合误差和压缩率 . 23 3.3 基于时态边缘算子的尺度收缩时间序列分段算法 . 24 第四章 基于支持向量机的邻段聚类方法 . 25 4.1 基于支持向量机的场景识别 . 25 4.1.1 基于“指纹特征”的场景匹配 . 25 4.1.2 基于 Bayes 假设检验的概率分析 . 25 4.2 基于 SVM 的邻段聚类区域划分 . 27 4.2.1 原理示意 .
