本發(fā)明屬于無(wú)線通信，尤其涉及一種無(wú)線信道場(chǎng)景識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、無(wú)線信道所處的環(huán)境對(duì)于信道會(huì)產(chǎn)生顯著的影響。在城市環(huán)境中，也會(huì)因?yàn)樯⑸潴w的尺寸、密度，收發(fā)端的相對(duì)移動(dòng)速度等因素劃分為多種多樣的無(wú)線通信環(huán)境，如空-地環(huán)境中，散射體可能是樓宇等大體積的建筑，密度較??；巷道環(huán)境中，散射體可能是汽車、樹木等體積較小的物體，密度較大；室內(nèi)環(huán)境中，散射體可能是桌椅、書柜等體積更小、分布密度更大的物品。散射體的大小和分布會(huì)對(duì)無(wú)線信道的狀態(tài)產(chǎn)生巨大影響，因此，為了提高無(wú)線通信的通信質(zhì)量，需要引入一種無(wú)線信道的場(chǎng)景識(shí)別技術(shù)，來(lái)對(duì)無(wú)線信道所處的通信環(huán)境進(jìn)行精確的識(shí)別。

2、公開號(hào)為cn117278145a的中國(guó)發(fā)明專利申請(qǐng)?zhí)岢隽艘环N無(wú)線信道場(chǎng)景識(shí)別、模型訓(xùn)練方法及裝置，獲取表示目標(biāo)無(wú)線信道的通信情況的信道沖擊響應(yīng)(channel?impulseresponse,cir)數(shù)據(jù)；基于cir數(shù)據(jù)，計(jì)算目標(biāo)無(wú)線信道的信道特征參數(shù)，其中，信道特征參數(shù)包含以下信息中的至少一種：路徑損耗、陰影衰落、功率時(shí)延譜、均方根時(shí)延擴(kuò)展、as、dps、k因子；將信道特征參數(shù)輸入預(yù)先訓(xùn)練好的信道場(chǎng)景識(shí)別模型中，獲得輸出結(jié)果；基于輸出結(jié)果，確定目標(biāo)無(wú)線信道所屬的無(wú)線信道場(chǎng)景。應(yīng)用該發(fā)明實(shí)施例提供的方案能夠?qū)o(wú)線信道所屬的無(wú)線信道場(chǎng)景進(jìn)行識(shí)別。但是該方法僅對(duì)時(shí)延域參數(shù)進(jìn)行分析，場(chǎng)景識(shí)別誤差較大，且該方法中采用反向傳播神經(jīng)網(wǎng)絡(luò)模型成本較高，耗時(shí)較長(zhǎng)。

技術(shù)實(shí)現(xiàn)思路

1、為了克服上述現(xiàn)有技術(shù)中的缺點(diǎn)，本發(fā)明的目的在于提供一種無(wú)線信道場(chǎng)景識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)，通過(guò)對(duì)n個(gè)已知場(chǎng)景的仿真信道cir數(shù)據(jù)和未知場(chǎng)景的實(shí)測(cè)信道cir數(shù)據(jù)進(jìn)行多域特征提取，基于dbscan聚類算法確定n個(gè)已知場(chǎng)景的聚類簇心，根據(jù)未知場(chǎng)景的五維多域特征參數(shù)與n個(gè)已知場(chǎng)景的聚類簇心之間的歐氏距離，識(shí)別出未知場(chǎng)景；本發(fā)明的場(chǎng)景識(shí)別方法解決了現(xiàn)有技術(shù)中時(shí)域信道cir獲取不準(zhǔn)確，仿真信道cir數(shù)據(jù)和實(shí)測(cè)信道cir數(shù)據(jù)擬合度不高，信道特征參數(shù)提取不全面，場(chǎng)景辨識(shí)準(zhǔn)確度低的技術(shù)問(wèn)題，具有場(chǎng)景識(shí)別準(zhǔn)確率高，計(jì)算復(fù)雜度低，耗時(shí)較短以及成本較低的特點(diǎn)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案如下：

3、一種無(wú)線信道場(chǎng)景識(shí)別方法，包括以下步驟：

4、步驟1：獲取n個(gè)已知場(chǎng)景的仿真信道cir數(shù)據(jù)；

5、步驟2：獲取未知場(chǎng)景的實(shí)測(cè)信道cir數(shù)據(jù)；

6、步驟3：對(duì)cir數(shù)據(jù)進(jìn)行多域特征提取，所述cir數(shù)據(jù)包括n個(gè)已知場(chǎng)景的仿真信道cir數(shù)據(jù)和未知場(chǎng)景的實(shí)測(cè)信道cir數(shù)據(jù)；所述多域特征包括時(shí)延域特征和功率域特征，所述時(shí)延域特征包括平均時(shí)延擴(kuò)展、均方根時(shí)延擴(kuò)展和最大附加時(shí)延；所述功率域特征包括多徑數(shù)目和非視距路徑nlos占比；

7、步驟4：基于dbscan聚類算法對(duì)n個(gè)已知場(chǎng)景中提取出的五維多域特征進(jìn)行聚類分析，得到n個(gè)已知場(chǎng)景的聚類簇心；

8、步驟5：將提取到的未知場(chǎng)景的五維多域特征參數(shù)與n個(gè)已知場(chǎng)景的聚類簇心依次進(jìn)行歐氏距離計(jì)算，得到n個(gè)歐式距離；根據(jù)最短的歐式距離確定對(duì)應(yīng)的聚類簇心，進(jìn)而識(shí)別出未知場(chǎng)景。

9、所述步驟1中，使用3d建模軟件sketchup建立n個(gè)已知場(chǎng)景模型圖，確定信道場(chǎng)景參數(shù)信息，所述信道場(chǎng)景參數(shù)信息包括場(chǎng)景模型數(shù)據(jù)、場(chǎng)景中散射體參數(shù)、采樣頻率和采樣帶寬；將確定的信道場(chǎng)景參數(shù)信息輸入cloudrt在線信道仿真平臺(tái)進(jìn)行信道仿真估計(jì)，得到n個(gè)已知場(chǎng)景中通信節(jié)點(diǎn)的時(shí)域仿真信道cir數(shù)據(jù)。

10、所述步驟2中，通過(guò)硬件平臺(tái)采集未知場(chǎng)景的時(shí)域?qū)崪y(cè)信道cir數(shù)據(jù)，首先發(fā)送端發(fā)送導(dǎo)頻信號(hào)x(n)，接收端接收到的信號(hào)為y(n)；對(duì)接收信號(hào)y(n)進(jìn)行離散傅里葉變換fft，變換為頻域接收信號(hào)y(k)：

11、

12、式中，i表示虛數(shù)單位，t表示離散序列y(n)的長(zhǎng)度；

13、將發(fā)送的導(dǎo)頻信號(hào)x(n)通過(guò)fft變換為頻域信號(hào)x(k)，則接收端接收到的信號(hào)頻域表示為：

14、y(k)＝h(k)x(k)+s(k)

15、式中，h(k)表示信道矩陣，s(k)表示噪聲信號(hào)；

16、對(duì)上式同乘信道矩陣的共軛轉(zhuǎn)置h*，即：

17、

18、對(duì)等式兩邊同時(shí)除以可得：

19、

20、對(duì)上式變換后可得：

21、因此，估計(jì)出的頻域?qū)崪y(cè)信道cir為：

22、

23、對(duì)估計(jì)出的頻域?qū)崪y(cè)信道cir進(jìn)行逆傅里葉變換，得到時(shí)域?qū)崪y(cè)信道cir，即：

24、

25、式中，n′表示逆傅里葉變換的采樣點(diǎn)數(shù)。

26、所述步驟3中，對(duì)cir數(shù)據(jù)進(jìn)行時(shí)延域特征提取，具體如下：

27、首先，根據(jù)cir數(shù)據(jù)，計(jì)算功率時(shí)延譜pdp，公式如下：

28、

29、式中，表示時(shí)延τ下的cir數(shù)據(jù)；

30、然后，分別計(jì)算平均時(shí)延擴(kuò)展、均方根時(shí)延擴(kuò)展以及最大附加時(shí)延；

31、所述平均時(shí)延擴(kuò)展為pdp的一階矩，表達(dá)式為：

32、

33、式中，n表示接收端接收到的所有導(dǎo)頻信號(hào)數(shù)，τl表示第l個(gè)接收導(dǎo)頻信號(hào)的時(shí)延，p(τl)代表第l個(gè)接收導(dǎo)頻信號(hào)的pdp；

34、所述均方根時(shí)延擴(kuò)展為pdp的二階中心距，表達(dá)式為：

35、

36、式中，τmean表示平均時(shí)延擴(kuò)展；

37、所述最大附加時(shí)延的表達(dá)式為：

38、τmax＝τn-τ0

39、式中，τn表示最大時(shí)延，τ0表示最小時(shí)延。

40、所述步驟3中，對(duì)cir數(shù)據(jù)進(jìn)行功率域特征提取，具體如下：

41、首先，將cir數(shù)據(jù)的信道功率轉(zhuǎn)換為以分貝為單位的形式：

42、pdb＝10log10p

43、式中，p表示信道功率；

44、其次，設(shè)定判決條件，確定cir數(shù)據(jù)中的多徑數(shù)目，判決條件如下：

45、首先，第t個(gè)時(shí)延處信道功率應(yīng)不小于噪聲判決門限值，即

46、pt≥pmax-m

47、式中，pt表示第t個(gè)時(shí)延處信道功率，pmax表示所有信道功率中的最大值，m表示環(huán)境噪聲；

48、其次，當(dāng)信道功率為上升趨勢(shì)時(shí)，第t個(gè)時(shí)延處信道功率比第t-1個(gè)時(shí)延處的信道功率大6db，且比第t+1個(gè)時(shí)延處的信道功率大1db，即：

49、pt≥pt-1+6

50、pt≥pt+1+1

51、式中，pt-1和pt+1分別表示pt前一時(shí)延處和后一時(shí)延處的信道功率；

52、當(dāng)功率處于下降趨勢(shì)時(shí)，第t個(gè)時(shí)延處信道功率比第t-1個(gè)時(shí)延處的信道功率小6db，且比第t+1個(gè)時(shí)延處的信道功率大4db，即：

53、pt≥pt-1-6

54、pt≥pt+1+4

55、從確定的多徑數(shù)目中區(qū)分出nlos徑，并計(jì)算nlos占比；

56、在確定的cir數(shù)據(jù)中的多徑中，篩選出最大信道功率處的徑，將與該徑的信道功率差值大于等于12的信道功率所對(duì)應(yīng)的徑，確定為nlos徑，即：

57、pnlos≤plmax-12

58、式中，plmax表示cir數(shù)據(jù)中的多徑中的最大信道功率；

59、所述nlos占比的計(jì)算公式為：

60、

61、式中，nlos_num表示nlos徑的數(shù)目，path_num表示cir數(shù)據(jù)中多徑數(shù)。

62、所述步驟4中，設(shè)置dbscan聚類算法中的鄰域最大半徑ε以及簇心周圍所需的最小點(diǎn)數(shù)，得到n個(gè)已知場(chǎng)景的簇；再對(duì)n個(gè)已知場(chǎng)景的簇的三維坐標(biāo)求平均，得到n個(gè)已知場(chǎng)景的聚類簇心。

63、所述步驟5中，將未知場(chǎng)景的五維特征參數(shù)記為o＝(o1,o2,o3,o4,o5)，與n個(gè)已知場(chǎng)景的聚類簇心qi＝(q1,q2,q3,q4,q5)，i＝1,2,....n進(jìn)行歐氏距離計(jì)算，公式為：

64、

65、若該未知點(diǎn)與第n個(gè)已知場(chǎng)景的簇心坐標(biāo)的歐式距離最小，則該未知點(diǎn)的信道所處場(chǎng)景被識(shí)別為第n個(gè)已知場(chǎng)景。

66、本發(fā)明還提供了一種無(wú)線信道場(chǎng)景識(shí)別系統(tǒng)，包括：

67、第一獲取模塊：獲取n個(gè)已知場(chǎng)景的仿真信道cir數(shù)據(jù)；

68、第二獲取模塊：獲取未知場(chǎng)景的實(shí)測(cè)信道cir數(shù)據(jù)；

69、多域特征提取模塊：對(duì)cir數(shù)據(jù)進(jìn)行多域特征提取，所述cir數(shù)據(jù)包括n個(gè)已知場(chǎng)景的的仿真信道cir數(shù)據(jù)和未知場(chǎng)景的實(shí)測(cè)信道cir數(shù)據(jù)；所述多域特征包括時(shí)延域特征和功率域特征，所述時(shí)延域特征包括平均時(shí)延擴(kuò)展、均方根時(shí)延擴(kuò)展和最大附加時(shí)延；所述功率域特征包括多徑數(shù)目和非視距路徑nlos占比；

70、聚類分析模塊：基于dbscan聚類算法對(duì)n個(gè)已知場(chǎng)景中提取出的五維多域特征進(jìn)行聚類分析，得到n個(gè)已知場(chǎng)景的聚類簇心；

71、場(chǎng)景識(shí)別模塊：將提取到的未知場(chǎng)景的五維多域特征參數(shù)與n個(gè)已知場(chǎng)景的聚類簇心依次進(jìn)行歐氏距離計(jì)算，得到n個(gè)歐式距離；根據(jù)最短的歐式距離確定對(duì)應(yīng)的聚類簇心，進(jìn)而識(shí)別出未知場(chǎng)景。

72、本發(fā)明還提供了一種無(wú)線信道場(chǎng)景識(shí)別設(shè)備，包括：

73、存儲(chǔ)器：存儲(chǔ)上述的一種無(wú)線信道場(chǎng)景識(shí)別方法的計(jì)算機(jī)程序，為計(jì)算機(jī)可讀取的設(shè)備；

74、處理器：用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的一種無(wú)線信道場(chǎng)景識(shí)別方法。

75、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)上述的一種無(wú)線信道場(chǎng)景識(shí)別方法。

76、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

77、1.與從現(xiàn)有數(shù)據(jù)庫(kù)中獲取cir仿真數(shù)據(jù)相比，本發(fā)明提出了仿真信道cir數(shù)據(jù)和實(shí)測(cè)信道cir數(shù)據(jù)的獲取方法，通過(guò)對(duì)比仿真與實(shí)測(cè)信道cir，表明本發(fā)明獲取的仿真信道cir數(shù)據(jù)的準(zhǔn)確性高；同時(shí)本發(fā)明采用n個(gè)已知場(chǎng)景的仿真信道cir數(shù)據(jù)大大減小了獲取已知場(chǎng)景真實(shí)信道cir數(shù)據(jù)的成本，為后續(xù)無(wú)線信道場(chǎng)景的準(zhǔn)確識(shí)別提供條件。

78、2.本發(fā)明采用時(shí)延域與功率域特征進(jìn)行特征聚類分析，充分分析無(wú)線信道在五個(gè)維度的特征，使得通過(guò)聚類分析得到的簇心能夠更準(zhǔn)確地作為場(chǎng)景識(shí)別的依據(jù)，從而提高了信道場(chǎng)景識(shí)別的準(zhǔn)確率。

79、綜上所述，與現(xiàn)有技術(shù)中的神經(jīng)網(wǎng)絡(luò)模型相比，本發(fā)明通過(guò)對(duì)n個(gè)已知場(chǎng)景的仿真信道cir數(shù)據(jù)和未知場(chǎng)景的實(shí)測(cè)信道cir數(shù)據(jù)進(jìn)行多域特征提取，對(duì)n個(gè)已知場(chǎng)景中提取出的五維多域特征進(jìn)行聚類分析，確定聚類簇心，將提取到的未知場(chǎng)景的五維多域特征參數(shù)與n個(gè)已知場(chǎng)景的聚類簇心依次進(jìn)行歐氏距離計(jì)算，根據(jù)最短的歐式距離確定對(duì)應(yīng)的聚類簇心，進(jìn)而識(shí)別出未知場(chǎng)景；本發(fā)明的場(chǎng)景識(shí)別方法能夠提高仿真信道cir數(shù)據(jù)的準(zhǔn)確性，提取全面的信道特征參數(shù)，提高未知場(chǎng)景識(shí)別準(zhǔn)確率，且計(jì)算復(fù)雜度低，耗時(shí)較短，成本較低。