[发明专利]一种基于机器学习的空间调制天线选择方法

说明书

本发明属于通信抗干扰技术领域，具体的说是涉及一种基于机器学习的空间调制天线选择方法。本发明主要利用机器学习的方法，首先产生信道样本进行训练，训练好之后，每当信道矩阵发生变化时，只需利用信道矩阵找到对应的分类即可，无需繁琐的计算，从而大幅度降低了复杂度。此外，在学习模型训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练。本发明的有益效果为，本发明提出的基于机器学习的天线选择算法，因为无需重复繁琐的计算，大幅度降低了计算复杂度。

技术领域

本发明属于通信抗干扰技术领域，涉及空间调制技术(Spatial Modulation,SM)，多输入多输出技术(Multiple-Input Multiple-Output，MIMO),天线选择技术(AntennaSelection)，机器学习(Machine Learning)，欧氏距离最优化天线选择(EuclideanDistance optimized Antenna Selection,EDAS)。

背景技术

在传统的空间调制技术中，如天线选择，每当信道矩阵发生变化时，都需要根据天线选择标准或者功率分配标准进行选择或分配，每一次选择或分配都有繁琐的计算和比较过程，从而使得整个过程变得重复繁琐。传统的天线选择算法以欧氏距离最优化天线选择(Euclidean Distance optimized Antenna Selection,EDAS)为主，其主要思想为最大化最小欧氏距离，并以EDAS算法为标准，进行复杂度优化，需要重复计算进行，使得最小欧氏距离最大化。虽然后续也陆续有研究者提出更低复杂度的算法，避免了在给定某次信道矩阵下的重复运算，但整个过程仍然是具有重复性的，例如某两次的信道矩阵相同或相近，传统的天线选择算法仍需进行两次相应的运算，不利于有效利用资源。

发明内容

传统的天线选择的算法，以EDAS为例，需要重复进行使得最小欧氏距离最大化的数学公式,如公式(1)

的重复计算，其中，是从原始完整信道矩阵中选取N_s列所组成的信道子矩阵，为所有可能的发送信号集合，这一系列计算将消耗大量资源，不利于系统系能的提升。

本发明的目的，就是针对空间调制系统中传统天线选择时的重复繁琐计算，提出一种基于机器学习的天线选择算法。利用机器学习的方法，首先产生信道样本进行训练，训练好之后，每当信道矩阵发生变化时，只需利用信道矩阵找到对应的分类即可，无需繁琐的计算，从而大幅度降低了复杂度。此外，在学习模型训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练。并且在选择样本特征时，相较于传统方法选用信道矩阵H的元素模值作为特征，本发明选用H^HH的元素模值作为特征，更接近接相关性矩阵的表达式，能够取得较好的效果。

本发明的技术方案如下：

假设一个有N_t根发送天线，N_r根接收天线的空间调制系统，并从N_t根发送天线中选取N_s根天线进行发送。假设为被选中天线索引向量的集合，其中是第n种天线组合的被选中天线索引构成的向量，NS为所有可能的天线组合数，即基于机器学习的天线选择主要包括如下内容：

A.训练集合的构造

训练集合的构造主要分为三个方面：(1)从信道矩阵中生成训练样本；(2)设计关键性能指标(Key Performance Indicator,KPI)；(3)基于KPI给出样本贴标签。