[发明专利]面向信道冲激响应的分簇方法和装置

说明书

本发明提供了一种面向信道冲激响应的分簇方法和装置。所述面向信道冲激响应的分簇方法，包括：步骤一，基于稀疏优化理论对原始信道的信道冲激响应CIR进行重构；步骤二，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；步骤三，根据模型拟合度，对所述分簇结果进行修正。本发明能够提高CIR多径分簇的准确度。

技术领域

本发明涉及属于信号处理领域，尤其涉及一种面向信道冲激响应的分簇方法和装置。

背景技术

准确的信道模型是开展无线通信系统设计与性能分析的前提。而在宽带通信系统中，对信道冲激响应(CIR)的建模至关重要，因为CIR决定了码间干扰、频率复用等重要特性。在所有CIR模型中，Saleh-Valenzuela(SV)模型是最为著名的一个。该模型引入了多径簇的概念，即多径分量在时延域成簇的现象，并且每个多径簇的第一个多径分量以及每个多径簇内的多径分量幅度都服从指数衰减。现有科学研究发现SV模型在宽带信道、超宽带信道以及毫米波波段与测量数据都有着较好的一致性。因此基于测量对SV模型进行参数化对于建立一个可靠的CIR模型具有重要意义。

在对SV模型进行参数化的过程中，首先，需要在CIR中对多径分量进行分簇。当前大部分学者采用视觉鉴别的方法实现CIR的多径分簇，因为人体视觉可以有效地从噪声中鉴别多径的结构与模式。但是这个方法面对海量的测量数据显得过于繁琐，实用性较差，并且易受主观判决差异的影响。

CIR自动分簇算法可以克服视觉鉴别法的诸多不足，在近几年逐渐成为研究热点。CIR自动分簇算法的难点主要在于：(i)簇的物理概念缺乏明确的定义；(ii)簇的数目通常未知；(iii)多径分量相似性的测度难以建立；(iv)CIR统计特性的物理规律难以融入分簇算法。

当前较为著名的分簇算法为KMeans，这种算法是一种硬判决算法，采用欧式距离来计算样本点与簇心之间的距离，因此更容易在数据中发现球形簇。然而，标准的KMeans算法并未广泛应用于CIR的分簇研究，这一领域使用最为广泛的分簇算法是KPowerMeans，其核心是将多径分量的功率引入标准的KMeans算法中。在KPowerMeans算法中，簇个数的上下界需要预先设定，而分簇是通过最小化簇内点与簇心的距离以及最大化簇与簇之间的距离来实现的。然而这种算法适合于在同时拥有多径时延和角度信息的条件下，因而更加适合于针对空-时两域的信道测量数据进行分簇。

除了KPowerMeans算法，还有一些其他分簇算法被应用于CIR的分簇中。如通过一系列的对数曲线来拟合测量得到的CIR从而达到最小的均方根误差(RMSE)。然而，这种方法对于RMSE的门限值非常敏感，并且复杂度较大；再如通过一些统计性的手段将数据分为多个维度的分析区域；还有算法利用隐藏Markov模型来学习多径参数的分布并对CIR中的多径分量进行划分；另外一些算法通过区域竞争的策略对CIR进行分簇。

然而，上述当前已有的算法均没有考虑CIR中多径分量的物理变化特性，即多径分量的能量随着时延指数递减这一电波传播的物理特征。忽略CIR的物理传播特性会极大的降低多径分簇的准确度。除此之外，现有分簇算法还需要预设大量初始参数，如簇的数目、簇的初始位置以及多径相似度的测度，因此算法的性能将极大的受到这些配置参数的影响。

发明内容

本发明的实施例提供了一种面向信道冲激响应的分簇方法和装置，提升了CIR多径分簇的准确度。

为了实现上述目的，本发明采取了如下技术方案：

一种面向信道冲激响应的分簇方法，包括：

步骤一，基于稀疏优化理论对原始信道的信道冲激响应CIR信号进行重构；

步骤二，基于重构的所述CIR信号进行CIR多径簇的检测，生成分簇结果；

步骤三，根据模型拟合度，对所述分簇结果进行修正。