[发明专利]一种基于机器学习的无线信道数据去噪方法

说明书

本发明提供了一种基于机器学习的无线信道数据去噪方法。该方法包括：获取信道测量场景中的信道冲激响应数据序列；构建双向循环神经网络，将所述信道测量场景中的信道数据序列输入到所述双向循环神经网络中进行训练，得到训练好的双向循环神经网络；将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据。本发明通过对双向循环神经网络进行训练，从而准确、快速地去除信道数据中的噪声，进而有效提高信道特性参数分析的准确性。

技术领域

本发明涉及数据去噪技术领域，尤其涉及一种基于机器学习的无线信道数据去噪方法。

背景技术

机器学习在处理通信网络产生的大量数据方面发挥着越来越重要的作用，因为它可以有效地解决非线性和非结构化数据的问题。因此，机器学习已广泛应用于无线信道数据的处理、预测和建模中。此外，随着通信新频段、场景的多样化和天线数量的增加，信道测量数据的规模增长迅速，传统的基于启发式的数据处理方法将难以胜任新形势下的信道数据处理。使用神经网络等机器学习的方法对信道数据进行准确快速的去噪将更加关键和迫切。

现有技术中公开了一种机器学习使能的动态环境多输入多输出系统的视距/非视距识别方案，该方案利用机器学习的方法对通信场景中的视距和非视距条件进行识别。

现有技术中还公开了一种利用大数据算法实现簇使能的无线信道建模方案，该方案利用了多种聚类的方法对无线信道进行建模。

现有技术中还公开了一种毫米波通信中使用机器学习技术预测无线信道模型的路径损耗方案，该方案通过使用机器学习技术来拟合与预测毫米波通信中各类蜂窝小区的路径损耗。

现有技术中还公开了一种从概要中学习参数的随机信道模型方案，该方案提出了一种基于概要统计的信道建模方法，其中使用了近似贝叶斯计算和神经网络来拟合和校准随机信道模型。

上述现有技术中的方案的缺点为：尽管这些方案利用了机器学习的方法对无线信道进行分析和建模，但并没有深入到信道数据层面进行处理。而原始的信道冲激响应数据中包含了大量的噪声信号。这部分噪声信号主要是测量设备的热噪声，并且很难在测量过程中消除。因此，直接使用原始的信道冲激响应数据可能会提高信道特性参数的萃取误差，进而影响到信道分析和建模的准确度。

现有的去噪方法通常是设置噪声门限，但一方面门限数值的设定通常需要启发式的方法来确定，这对于海量的信道数据很难实现，另一方面，一些功率与噪声信号相似的有用信号容易被噪声门限错误去除。在数据去噪领域已有多种去噪算法被提出，特别是在图像领域中的应用，但其仅针对图像数据，而无线通信中的信道数据描述了真实物理环境中的多径传播现象，包括直射、反射、散射和绕射等各类无线传播机制，这些传播机制都能在信道数据中体现，这使得信道数据与图像等数据的差别较大，其他领域中的去噪方法很难应用于无线信道数据中，因此有必要针对无线信道数据开发一种高效的去噪方法。

发明内容

本发明的实施例提供了一种基于机器学习的无线信道数据去噪方法，以实现准确、快速地去除信道数据中的噪声。

为了实现上述目的，本发明采取了如下技术方案。

一种基于机器学习的无线信道数据去噪方法，包括：

获取信道测量场景中的信道冲激响应数据序列；

构建双向循环神经网络，将所述信道测量场景中的信道数据序列输入到所述双向循环神经网络中进行训练，得到训练好的双向循环神经网络；

将待去噪的信道数据输入到所述训练好的双向循环神经网络，双向循环神经网络输出去噪后的信道冲激响应数据。

优选地，所述获取信道测量场景中的信道冲激响应数据序列，包括：

将信道测量设备的发射机与接收机的端口通过射频线缆相互连接，记录信道测量设备直连状态下的信道频率响应H_ref；