[发明专利]基于PCA的信道增益矩阵的特征提取方法

说明书

本发明属于无线通信技术领域，具体来说是涉及一种基于PCA的信道增益矩阵的特征提取方法。本发明的提取特征方法基于PCA原理，并结合传统的提取特征方法，全面地考虑了信道增益矩阵所蕴含的信息。另外，为了使提取的特征能够更好的应用于机器学习模型的训练，对提取的到的特征采用了取模和归一化的操作。本发明可以帮助机器学习模型更好地捕获信道矩阵的信息，提高模型的训练效果。对于机器学习与通信领域相结合的先进技术，本发明都能有所应用。

技术领域

本发明属于无线通信技术领域，具体来说是涉及一种基于PCA的信道增益矩阵的特征提取方法。

背景技术

机器学习是一种非常流行的人工智能技术，因为机器学习具有很强的函数拟合能力，他可以将一些复杂的问题转化为简单的函数映射关系。具体地说，它可以提取特征和训练历史数据，得到特征和标签之间的映射关系，并利用这种关系预测未来数据的标签。机器学习在通信领域得到了广泛的应用，因为它可以有效的降低通信所面临的高复杂度和高延迟问题。甚至机器学习的学习能力往往使它表现出优于传统算法的性能。

发射端天线选择(TAS)是目前人们将机器学习应用到通信的一个领域，因为TAS问题可以很容易被转化为分类问题，如K-近邻(KNN),支持向量机(SVM)以及深度神经网络(DNN)等应用于发射端天线选择的算法已经被证明了有效性。TAS的本质是对信道做出选择，因此信道增益矩阵必然要参与到模型的训练中。然而，训练样本是一个实值向量，这要求需要对信道增益矩阵做预处理，将它映射为一个实值向量。这个预处理过程称为特征提取。从信道增益矩阵中提取特征有两个原因:其一正如上文所述，因为现实的信道增益矩阵中的元素一般为复数，并不能作为训练样本。此外，信道矩阵中含有一定的冗余，会影响训练效果。已经有研究表明，对信道矩阵提取特征可以有效提高KNN,SVM以及DNN的训练效果。

主成分分析(PCA)是利用正交变换将一组相关变量转化为一组线性不相关变量的统计过程。PCA将信息的大小用方差来衡量，是全面分析数据的重要方法。PCA的原理是将高维度原始数据映射到低维空间内。具体地说，PCA首先求出原始矩阵的协方差矩阵；然后求出该协方差矩阵的特征向量；最后，选取一些特征值最大的特征向量作为原始矩阵的主成分，用于分析原始数据。PCA提取信息的能力是所需要的，因为对信道矩阵提取特征就是希望将其信息尽量提取出来。

发明内容

本发明基于PCA原理，提出了两种新的对信道增益矩阵的特征提取方法，使机器学习方法在通信领域的应用可以获得更好的训练效果。以全双工空间调制(FD-SM)系统的TAS问题为例，相比于传统的特征提取方法，本发明能够在相同神经网络的结构下选出更优的天线子集，能够保证在通信质量降低的恶劣条件下提升用户的相关性能。同时，由于机器学习算法具有低复杂度的特点，本发明可以显著降低系统负载，表现出较高的自适应特性。

具体的，考虑一个常见的FD-SM系统，该系统包括A,B两个无线电收发两用机，每个收发机包括N_t根发射天线和N_r根接收天线。不使用收发共享天线是为了尽可能降低两端的自干扰(SI)。和分别表示从A到B的信道增益矩阵和从B到A的信道增益矩阵。以对任意一个信道增益矩阵H提取特征为例，本发明提出的第一种特征提取方法EFVG的步骤为：

S1、计算Q＝H^HH。一些信道矩阵的提取方法仅考虑矩阵中元素的模值或相位，没有考虑到信道矩阵列向量之间的相关性，不能够完整的将信道矩阵中蕴含的信息提取出来。因此首先计算Q,因为Q的对角元表示信道矩阵的列向量的模值，而非对角元表示不同列向量之间的相关性，这就将信道矩阵看成了一个整体。

S2、对Q进行特征值分解，即Q＝P^-1ΛP。一种被称为JFVG的方法是目前最好的提取特征的方法，它考虑了信道矩阵的列向量之间的相关性，但却忽略了Q的方向特性。对Q特征分解相当于将Q中的元素投影到N_t个相互正交的方向上，进一步整合了Q中的信息。