本发明公开了一种基于UKFNN的无线信道场景识别方法，包括以下步骤：采集连续路段的信道数据作为训练样本；确定分段数目并得到连续信道数据分段模型；利用AP算法对每一段数据进行区域划分；将训练样本进行标记，建立连续信道数据分区模型；将待测数据带入分段模型，判断出属于哪一路段；将待测数据带入分区模型，判断出属于哪一区域。有益效果：模型建立复杂性低和计算量少，提高模型的精度；采用AP算法进行聚类，无需指定聚类数目，使信道识别方法更加简单，构建模型更加容易，能准确的识别出采集自该连续路段测试数据属于哪一路段、哪一区域。
1.一种基于UKFNN的无线信道场景识别方法，其特征在于包括以下步骤：S1：采集连续路段的信道数据作为训练样本；
S2：将所得的训练样本平均分为l段，l＝2,3,4,5,…，分别利用无迹卡尔曼滤波神经网络进行建模，根据建模效果确定分段数目并得到连续信道数据分段模型；
S21：利用霍特林变换将复数形式的信道数据转换为实数域数据；
S22：利用主成份分析法对步骤S21转换后的信道数据进行降维处理；
S221：特征中心化，即将矩阵B的每一维数据都减去该维的均值，得到矩阵BB，其中，矩阵BB的均值为0；
S223：按照特征值大小，选取对应的特征向量，使得矩阵B转换为主元矩阵t；
S23：对步骤S21和S22处理后的数据进行归一化处理，得到新数据Xm×N，其中，m为变量个数，N为样本数目；
S24：利用无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道模型；
S25：定义归类准则，并以无迹卡尔曼滤波神经网络的输出变量对输入样本进行归类，对信道分段场景进行识别；
S4：将所得的训练样本按照步骤S3所划分出的区域进行标记，并利用无迹卡尔曼滤波神经网络进行区域特征建模，得到连续信道数据分区模型；
S5：将待测数据带入步骤S2所训练出的连续信道数据分段模型，判断出属于哪一路段；
S6：将待测数据带入步骤S4所训练出的连续信道数据分区模型，从而判断出属于哪一区域。
2.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S21中霍特林变换为：矩阵A为复数形式的信道数据，寻求正交矩阵Q，使得QφAQT＝diag(λ1,λ2,…λn)，从而得到经霍特林变换后的实数矩阵B＝QA，其中，λiA为矩阵A的特征值，1≤i≤n，φA为矩阵A的协方差矩阵，φA＝E{(A-E(A))(A-E(A))T}，E(A)为矩阵A的期望值矩阵。
3.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S224中采用累积贡献率CPV来确定主元个数k，即：第i个主元的贡献率为：
前k个主元的累积贡献率为： 式中，λiC为协方差矩阵C中第i个特征值，
若CPV(i)大于设定值CL，则前k个主元可替代原始数据。
4.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S23中归一化处理的具体方法为：式中，xi'为归一化处理之前的输入变量，xi”为归一化处理之后的变量，x'min为归一化处理前输入变量xi'的最小值，x'max为归一化处理前输入变量xi'的最大值。
5.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S25中定义的归类准则为：式中，l为场景数目，y为模型输出值，Cla为所属的路段。
6.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S3中AP算法具体步骤为：S31：算法初始化，设置一个最大迭代次数K，计算点与点之间的相似度，构成矩阵s，对参考度P赋初始值；
S32：计算样本点间的吸引度值R(u,v)、归属度值A(u,v)其中R(u,v)表示节点v对于节点u的吸引度值；s(u,v)节点u和节点v之间的聚类中心的合适度；a(u,v')表示v'对于u的归属度值；s(u,v')节点u和节点v'之间的聚类中心的合适度；R(v,v)表示节点v对于节点v的吸引度值；R(u',v)表示节点v对于节点u'的吸引度值；其中，v＝！v'，u＝！u'；S33：吸引度和归属度进行加权更新；
每一次迭代，吸引度和归属度都要与上一次迭代的吸引度和归属度进行加权更新，公式为：Ru+1(u,v)第u+1次迭代后节点v对于节点u的吸引度值；Ru(u,v)第u次迭代后节点v对于节点u的吸引度值； 表示上一更新中，第u+1次迭代后节点v对于节点u的吸引度值；
Au+1(u,v)表示第u+1次迭代后节点v对于节点u的归属度值；Au(u,v)表示第u次迭代后节点v对于节点u的归属度值； 表示上一更新中，第u+1次迭代后节点v对于节点u的归属度值；λ表示收敛系数，主要作用是用来调节算法的收敛速度以及迭代过程的稳定性；S34：当R(v,v)+R(v,v)＞0时，为一个聚类中心，如果迭代次数超过设定值K或聚类中心在一定迭代次数中不再改变，则终止计算，以确定类中心和各类的样本点；否则，返回S32。
7.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S2和步骤S4中无迹卡尔曼滤波神经网络为三层神经网络，其中，隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络的函数表达式为：式中，F1为输入层与隐含层之间的连接函数，F2为隐含层与输出层之间的连接函数，bn为输入层和隐含层之间的阈值，b1i为隐含层和输出层间的阈值，xk为输入样本，wij为从神经元j到神经元i的连接权值， 为输入层与隐含层之间的连接权值， 为隐含层与输出层之间的连接权值，m为输入神经元个数，n为隐含层神经元数目， k为0-10之间的常数； 隐含层与神经元i的连接权值。
8.根据权利要求1所述的基于UKFNN的无线信道场景识别方法，其特征在于，步骤S2和步骤S4中建模的具体方法为：通过无迹卡尔曼滤波对神经网络的权值、阈值进行估计，将神经网络的权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到分区模型或者分段模型；
分别计算训练样本平分成l(l＝2,3,4,5,…)段对应的无线信道模型预测准确率ER，比较模型预测准确率ER，确定分段数目以及分段模型，其中预测准确率ER计算公式如下：其中Me表示预测准确的数据量，M表示指定数据总量。
基于UKFNN的无线信道场景识别方法
技术领域
[0001] 本发明涉及无线信道中模式识别领域，具体的说是一种基于UKFNN(unscented Kalman filter artificial neural network，无迹卡尔曼滤波神经网络)的无线信道场景识别方法。
背景技术
[0002] 移动通信产业一直以惊人的速度迅猛发展，已成为带动全球经济发展的主要高科技产业之一，并对人类生活及社会发展产生了巨大的影响。在移动通信中，发送端和接收端之间通过电磁波来传输信号，我们可以想象两者之间有一些看不见的电磁通路，并把这些电磁通路称为无线信道。无线信道与周围的环境密切相关，不同环境下的无线信道具有一些差异化的特征。如何发现并提取这些特征并将其应用于优化无线网络，是当前的一个研究热点。
[0003] 无线通信数据信息主要是以无线电波为载体通过无线信道来传输的。由于无线信道所在环境复杂多变，容易出现波的多径传播，例如出现直射、反射、散射等现象；同时，电磁波也会在各路径相互作用下发生多径衰落现象。为更好的反映实际环境中信号的传输规律，为无线网络的规划优化、无线系统的设计、测试和定型等提供重要的参考依据，提出建设无线信道模型。
[0004] 但是目前无线信道建模方法可以分为统计性建模、确定性建模以及半确定性建模三种方法，但其模型复杂度高、参数获取难度大，难以满足模型精度。
[0005] 人工神经网络(ANN)以其强大的非线性逼近能力，具有不依赖精确建模过程以及任意逼近非线性映射的特点。ANN在处理复杂系统的建模问题上显示出独特的优越性，被广泛用于模式识别领域。然而目前，很少有人应用ANN来对无线信道特征进行建模，且ANN只对输入输出变量进行简单的静态映射，是一种静态建模方法，对无线信道特征建模效果有限。
发明内容
[0006] 针对上述问题，本发明提供了一种基于UKFNN的无线信道场景识别方法，采用无迹卡尔曼滤波神经网络方法，即：UKFNN，对无线信道状态参数估计建立动态实时滤波效果的分段模型和分区模型，使其能够反映信道的实际分布情况，从而实现对无线信道的路段、区域的识别，来解决无线信道建模复杂度高、难度大、精度低等问题，将真实信道数据进行智能分段和分区。
[0007] 为达到上述目的，本发明采用的具体技术方案如下：
[0008] 一种基于UKFNN的无线信道场景识别方法，包括以下步骤：
[0009] S1：采集连续路段的信道数据作为训练样本；
[0010] S2：将所得的训练样本平均分为l段，l＝2,3,4,5,…，分别利用无迹卡尔曼滤波神经网络进行建模，根据建模效果确定分段数目并得到连续信道数据分段模型；
[0011] S3：利用AP算法对每一段数据进行区域划分；
[0012] S4：将所得的训练样本按照步骤S3所划分出的区域进行标记，并利用UKFNN无迹卡尔曼滤波神经网络进行区域特征建模，得到连续信道数据分区模型；
[0013] S5：将待测数据带入步骤S2所训练出的连续信道数据分段模型，判断出属于哪一路段；
[0014] S6：将待测数据带入步骤S4所训练出的连续信道数据分区模型，从而判断出属于哪一区域。
[0015] 进一步描述，步骤S2中得到连续信道数据分段模型的具体步骤如下：
[0016] S21：利用霍特林变换将复数形式的信道数据转换为实数域数据；
[0017] S22：利用主成份分析法对步骤S21转换后的信道数据进行降维处理；
[0018] S23：对步骤S21和S22处理后的数据进行归一化处理，得到新数据Xm×N，其中，m为变量个数，N为样本数目；
[0019] S24：利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道模型；
[0020] S25：定义归类准则，并以无迹卡尔曼滤波神经网络的输出变量对输入样本进行归类，对信道分段场景进行识别。
[0021] 再进一步描述，步骤S21中霍特林变换为：
[0022] 矩阵A为复数形式的信道数据，寻求正交矩阵Q，使得QφAQT＝diag(λ1,λ2,…λn)，从而得到经霍特林变换后的实数矩阵B＝QA，其中，λiA为矩阵A的特征值，1≤i≤n，φA为矩阵A的协方差矩阵，φA＝E{(A-E(A))(A-E(A))T}，E(A)为矩阵A的期望值矩阵。
[0023] 再进一步描述，步骤S22中降维的具体方法为：
[0024] S221：特征中心化，即将矩阵B的每一维数据都减去该维的均值，得到矩阵BB，其中，矩阵BB的均值为0；
[0025] S222：计算矩阵BB的协方差矩阵C；
[0026] S223：按照特征值大小，选取对应的特征向量，使得矩阵B转换为主元矩阵t；
[0027] S224：确定主元个数k，从而得到新的数据集；
[0028] 如何确定主元个数是降维的关键，步骤S224中采用累积贡献率CPV来确定主元个数k，即：
[0029] 第i个主元的贡献率为：
[0030] 前k个主元的累积贡献率为： 式中，λiC为协方差矩阵C中第i个特征值，
[0031] 若CPV(i)大于设定值CL，则前k个主元可替代原始数据。
[0032] 优选地，设定值CL＝85％。
[0033] 再进一步地：步骤S23中归一化处理的具体方法为：
[0034] 式中，x′i为归一化处理之前的输入变量，x″i为归一化处理之后的变量，x'min为归一化处理前输入变量x′i的最小值，x'max为归一化处理前输入变量x′i的最大值。
[0035] 再进一步描述，步骤S25中定义的归类准则为：
[0036]
[0037] 式中，l为场景数目，y为模型输出值，Cla为所属的路段。
[0038] 再进一步描述，步骤S3中AP算法具体步骤为：
[0039] S31：：算法初始化，设置一个最大迭代次数K，计算点与点之间的相似度，构成矩阵s，对参考度P赋初始值；
[0040] S32：计算样本点间的吸引度值R(u,v)、归属度值A(u,v)
[0041]
[0042]
[0043] 其中R(u,v)表示节点v对于节点u的吸引度值；s(u,v)节点u和节点v之间的聚类中心的合适度；a(u,v')表示v'对于u的归属度值；s(u,v')节点u和节点v'之间的聚类中心的合适度；R(v,v)表示节点v对于节点v的吸引度值；R(u',v)表示节点v对于节点u'的吸引度值；其中，v＝！v'，u＝！u'；S33：吸引度和归属度进行加权更新；
[0044] 每一系迭代，吸引度和归属度都要与上一次迭代的吸引度和归属度进行加权更新，公式为：
[0045]
[0046]
[0047] 其中，λ表示收敛系数，主要作用是用来调节算法的收敛速度以及迭代过程的稳定性；Ru+1(u,v)第u+1次迭代后节点v对于节点u的吸引度值；Ru(u,v)第u次迭代后节点v对于节点u的吸引度值； 表示上一更新中，第u+1次迭代后节点v对于节点u的吸引度值；Au+1(u,v)表示第u+1次迭代后节点v对于节点u的归属度值；Au(u,v)表示第u次迭代后节点v对于节点u的归属度值； 表示上一更新中，第u+1次迭代后节点v对于节点u的归属度值；
[0048] S34：当R(v,v)+R(v,v)＞0时，为一个聚类中心，如果迭代次数超过设定值K或聚类中心在一定迭代次数中不再改变，则终止计算，以确定类中心和各类的样本点；否则，返回S32。
[0049] 再进一步描述，步骤S2和步骤S4中无迹卡尔曼滤波神经网络为三层神经网络，其中，隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络的函数表达式为：
[0050]
[0051] 式中，F1为输入层与隐含层之间的连接函数，F2为隐含层与输出层之间的连接函数，bn为输入层和隐含层之间的阈值，b1i为隐含层和输出层间的阈值，xk为输入样本，wij为从神经元j到神经元i的连接权值， 为输入层与隐含层之间的连接权值， 为隐含层与输出层之间的连接权值，m为输入神经元个数，n为隐含层神经元数目， k为0-10之间的常数。 隐含层与神经元i的连接权值。
[0052] 步骤S2和步骤S4中建模的具体方法为：通过无迹卡尔曼滤波对神经网络的权值、阈值进行估计，将神经网络的权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得模型；
[0053] 步骤S2中确定分段数的方法为：
[0054] 分别计算训练样本平分成l(l＝2,3,4,5,…)段对应的无线信道模型预测准确率ER，比较模型预测准确率ER，确定分段数目以及对应的分段模型，其中预测准确率ER计算公式如下：
[0055]
[0056] 其中Me表示预测准确的数据量，M表示指定数据总量。
[0057] 本发明的有益效果：采用霍特林变换(K-L)变换、主成份分析法(PCA)进行降维等数据预处理，降低了无线信道建立模型结构的复杂性和计算量，提高模型的精度；采用UKFNN对连续路段的无线信道特征进行分段建模，实现对真实数据的自动分段，在此基础上，结合AP算法和UKFNN对连续路段的无线信道特征建立的分区模型，对各段自动进行区域划分，克服了人工神经网络的静态建模方法的缺陷，且AP算法，无需指定聚类数目，使方法更加简单，构建模型更加容易，当输入真实数据时，能准确的识别出采集自该连续路段测试数据属于哪一路段、哪一区域。
附图说明
[0058] 图1是本发明的方法流程图；
[0059] 图2是本发明AP聚类算法流程图；
[0060] 图3是连续路段自动分区图；
[0061] 图4是真实信道测试数据分段识别统计图；
[0062] 图5是第一组测试数据区域识别统计图；
[0063] 图6是第二组测试数据区域识别统计图。
具体实施方式
[0064] 下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
[0065] 实施例：
[0066] 从图1可以看出，一种基于UKFNN的无线信道场景识别方法，包括以下步骤：
[0067] S1：采集连续路段的信道数据作为训练样本，；
[0068] S2：将所得的训练样本平均分为l段，l＝2,3,4,5,…，分别利用无迹卡尔曼滤波神经网络进行建模，根据建模效果确定分段数目并得到连续信道数据分段模型；
[0069] 步骤S2中得到连续信道数据分段模型的具体步骤如下：
[0070] S21：利用霍特林变换将复数形式的信道数据转换为实数域数据；
[0071] 霍特林变换(K-L)为：
[0072] 将每个信道数据看作一个二元有序实数对，利用K-L变换将其转化为一维实数。
[0073] 设A＝(a,b)T为复数形式的信道数据，其中，a为复数的实部，b为复数的虚部。
[0074] A的协方差矩阵 其中，E(A)为矩阵A的期望值矩阵，
[0075] φA为一个正定矩阵，因此，存在正交矩阵Q＝(q1,q2,qn…)T，使得QφAQT＝diag(λ1,λ2,…λn)，假设λ1≥λ2≥…≥λn≥0，则：φAqi＝λiqi，可知qi与λiA是协方差矩阵φA的特征向量与特征值，且满足qiTqi＝1。
[0076] 此时利用正交矩阵Q对样本进行K-L变换，从而得到变换后的实数矩阵B＝QA，B为实数矩阵。
[0077] S22：利用主成份分析法对步骤S21转换后的信道数据进行降维处理；
[0078] S221：特征中心化，即将矩阵B的每一维数据都减去该维的均值，得到矩阵BB，其中，矩阵BB的均值为0；
[0079] S222：计算矩阵BB的协方差矩阵C；
[0080] S223：按照特征值大小，选取对应的特征向量，使得矩阵B转换为主元矩阵t，即：
[0081]
[0082] S224：确定主元个数k，从而得到新的数据集；
[0083] 如何确定主元个数k是降维的关键，本发明采用累积贡献率CPV来确定主元个数k，即：
[0084] 第i个主元的贡献率为：
[0085] 前k个主元的累积贡献率为： 式中，λi为协方差矩阵C中第i个特征值，
[0086] 若CPV(i)大于设定值CL，则前k个主元可替代原始数据。
[0087] 作为一种优选的技术方案，本实施例中设定值CL＝85％。
[0088] 降维处理能够降低模型结构的复杂性和计算量，提高模型的精度。
[0089] S23：对步骤S21和S22处理后的数据进行归一化处理，得到新数据Xm×N，其中，m为变量个数，N为样本数目；
[0090] 归一化处理的具体方法为：
[0091] 式中，x′i为归一化处理之前的输入变量，x″i为归一化处理之后的变量，x'min为归一化处理前输入变量x′i的最小值，x'max为归一化处理前输入变量x′i的最大值。
[0092] S24：利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道模型；
[0093] 无迹卡尔曼滤波神经网络为三层神经网络，其中，隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络的函数表达式为：
[0094]
[0095] 式中，F1为输入层与隐含层之间的连接函数，F2为隐含层与输出层之间的连接函数，bn为输入层和隐含层之间的阈值，b1i为隐含层和输出层间的阈值，xk为输入样本，wij为从神经元j到神经元i的连接权值， 为输入层与隐含层之间的连接权值， 为隐含层与输出层之间的连接权值，m为输入神经元个数，n为隐含层神经元数目， k为0-10之间的常数，在本实施例中，m＝26，n＝13即UKFNN的结构为26-13-1。 隐含层与神经元i的连接权值。
[0096] 进一步地，步骤S24中建模的具体方法为：通过无迹卡尔曼滤波对神经网络的权值、阈值进行估计，将神经网络的权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到分段数l(l＝2,3,4,5,…)的无线信道模型；
[0097] 采用无迹卡尔曼滤波神经网络建立无线信道模型时，无迹卡尔曼滤波的状态初始协方差、均值，以及无迹卡尔曼滤波中UT变换中扩展因子的取值范围均在0-1的范围内随机给定。其中UT变换的参数设定为k＝0；α＝0.06；β＝4。
[0098] 再计算训练样本平分成l(l＝2,3,4,5,…)段对应的无线信道模型预测准确率ER，比较模型预测准确率ER，确定分段数目以及分段模型，其中预测准确率ER计算公式如下：
[0099]
[0100] 其中Me表示预测准确的数据量，M表示指定数据总量。
[0101] 表1训练样本不同分段数的预测准确率
[0102]
[0103] 表1是训练样本不同分段数的模型预测准确率，根据分段模型准确率ER以及分段数目过多或过少都会对影响区域划分的原则，本实施例中，根据模型预测准确率，将150m连续路段无线信道数据平均分成了3段。
[0104] S25：定义归类准则，并以无迹卡尔曼滤波神经网络的输出变量对输入样本进行归类，对信道分段场景进行识别。
[0105] 定义的归类准则为：
[0106]
[0107] 式中，l为场景数目，y为模型输出值，Cla为所属的路段。
[0108] 由步骤S24得，场景数目l＝3，则归类准则为：
[0109] S3：利用AP算法对每一段数据进行区域划分；AP算法是一种兴起的聚类算法，它根据各个数据点之间的相似度进行聚类，且对相似度的对称性没有明确要求，同时也不需要事先指定聚类数量，而是将已知数据点都作为潜在的聚类中心处理。
[0110] 步骤S3中AP算法具体步骤为：
[0111] S31：算法初始化，设置一个最大迭代次数K，计算点与点之间的相似度，构成矩阵s，对参考度P赋初始值；
[0112] S32：计算样本点间的吸引度值R(u,v)、归属度值A(u,v)
[0113]
[0114]
[0115] 其中R(u,v)表示节点v对于节点u的吸引度值；s(u,v)节点u和节点v之间的聚类中心的合适度；a(u,v')表示v'对于u的归属度值；s(u,v')节点u和节点v'之间的聚类中心的合适度；R(v,v)表示节点v对于节点v的吸引度值；R(u',v)表示节点v对于节点u'的吸引度值；其中，v＝！v'，u＝！u'；
[0116] S33：吸引度和归属度进行加权更新；
[0117] 每一系迭代，吸引度和归属度都要与上一次迭代的吸引度和归属度进行加权更新，公式为：
[0118]
[0119]
[0120] 其中，λ表示收敛系数，主要作用是用来调节算法的收敛速度以及迭代过程的稳定性；Ru+1(u,v)第u+1次迭代后节点v对于节点u的吸引度值；Ru(u,v)第u次迭代后节点v对于节点u的吸引度值； 表示上一更新中，第u+1次迭代后节点v对于节点u的吸引度值；Au+1(u,v)表示第u+1次迭代后节点v对于节点u的归属度值；Au(u,v)表示第u次迭代后节点v对于节点u的归属度值； 表示上一更新中，第u+1次迭代后节点v对于节点u的归属度值；
[0121] S34：当R(v,v)+R(v,v)＞0时，为一个聚类中心，如果迭代次数超过设定值K或聚类中心在一定迭代次数中不再改变，则终止计算，以确定类中心和各类的样本点；否则，返回S32。
[0122] 表2样本的路段、分区情况对照表
[0123] 路段1 路段2 路段3
区域1 (1,702) (5901,7154) (11801,12894)
区域2 (703，1394) (7155,8223) (12895,14771)
区域3 (1395,2056) (8224,9233) (14772,15926)
区域4 (2057,2545) (9234,11002) (15927,16937)
区域5 (2546,3168) (11002,11800) (16938,17700)
区域6 (3169,3819)
区域7 (3820,4624)
区域8 (4625,5135)
区域9 (5136,5900)
[0124] 从图3和表2可以看到路段1自动分为9个区域，路段2自动分为5个区域，路段3自动分为5个区域。
[0125] S4：从表3可以看出，将所得的3段数据训练样本按照步骤S3所划分出的区域进行标记，并通过无迹卡尔曼滤波对神经网络的权值、阈值进行估计，将神经网络的权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得分区模型；其中无迹卡尔曼滤波神经网络和步骤S24相同；
[0126] S5：将第一组测试数据和第二组测试数据带入步骤S2所训练出的连续信道数据分段模型，从图4可以看出，第一组测试数据所属第1路段的样本点最多，则第一组测试数据属于第1路段，第二组测试数据属于第1路段。
[0127] S6：将第一组测试数据和第二组测试数据带入步骤S4所训练出的连续信道数据分区模型，其中表3为连续路段信道数据按区域标记方式，通过图5可以看出，第一组测试数据属于第1路段的第3区域，从图6可以看出，第二组数据属于第1路段的第9区域。也就是说第一组测试数据是来自第1路段的第3区域，第二组数据采集自第1路段的第9区域。
[0128] 表3连续路段信道数据按区域标记表
[0129]
[0130] 通过上述方法，采用霍特林变换、（K-L）变换主成份分析法(PCA)进行降维等数据预处理，降低了无线信道建立模型结构的复杂性和计算量，提高模型的精度；采用UKFNN对连续路段的无线信道特征进行分段建模，实现对真实数据的自动分段，在此基础上，结合AP算法和UKFNN对连续路段的无线信道特征建立的分区模型，对各段自动进行区域划分，克服了人工神经网络的静态建模方法的缺陷，且AP算法，无需指定聚类数目，使方法更加简单，构建模型更加容易，当输入真实数据时，能准确的识别出采集自该连续路段测试数据属于哪一路段、哪一区域。
[0131] 应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。
