本发明提供一种无线信道的衰落特征提取方法及提取装置，能够提高信道估计的实时性和精确度，并降低信道估计的计算复杂度。所述方法包括：接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道衰落特征的数据；基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计。本发明涉及无线通信技术领域。
1.一种无线信道的衰落特征提取方法，其特征在于，包括：接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道衰落特征的数据；
基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；
根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计；
所述接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图包括：在接收端，将含有无线信道衰落特征的数据构成样本集合 ，在欧氏空间中样本集合表示为 ，其中，n表示样本的数目；
判断欧氏空间中样本 和 是否满足，若满足 ，则样本 和 是近邻，通过边连接样本 和 ，其中， 表示阈值；
其中， 为权重值，表示样本点 、 之间的相似度距离；t表示热核参数；
所述根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵包括：
根据得到的权重矩阵，构建求解含有无线信道衰落特征的数据的最优低维特征映射矩阵V的目标函数： ，其中， 、 分别表示 、 在低维空间中的低维流形表征；
当原始含有信道衰落特征的数据与低维空间数据之间有投影关系，令 ，将目标函数转换为接收到的含有无线信道衰落特征的数据形式： ；
当 和 是近邻时，对转换后的目标函数进行推导，得到： ，其中， 为矩阵 每一列之和组成的对角线矩阵， 中的元素 ；
利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解，得到含有无线信道衰落特征的数据的最优低维特征映射矩阵；
所述利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解，得到含有无线信道衰落特征的数据最优的低维特征映射矩阵包括：求解目标函数时，加入约束 ，利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解： ；其中， 表示目标函数对应的拉格朗日函数， 表示拉格朗日乘子；
根据 ，得到前 个最小特征向量，构成最优低维特征映射矩阵 ， 表示 的维数；
含有无线信道衰落特征的数据在低维空间中的低维流形表征表示为： 。
2.一种无线信道的衰落特征提取装置，其特征在于，包括：构建模块，用于接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道衰落特征的数据；
第一确定模块，用于基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；
第二确定模块，用于根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
投影模块，用于将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计;所述接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图包括：在接收端，将含有无线信道衰落特征的数据构成样本集合 ，在欧氏空间中样本集合表示为 ，其中，n表示样本的数目；
判断欧氏空间中样本 和 是否满足，若满足 ，则样本 和 是近邻，通过边连接样本 和 ，其中， 表示阈值；
其中， 为权重值，表示样本点 、 之间的相似度距离；t表示热核参数；
所述根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵包括：
根据得到的权重矩阵，构建求解含有无线信道衰落特征的数据的最优低维特征映射矩阵V的目标函数： ，其中， 、 分别表示 、 在低维空间中的低维流形表征；
当原始含有信道衰落特征的数据与低维空间数据之间有投影关系，令 ，将目标函数转换为接收到的含有无线信道衰落特征的数据形式： ；
当 和 是近邻时，对转换后的目标函数进行推导，得到： ，其中， 为矩阵 每一列之和组成的对角线矩阵， 中的元素 ；
利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解，得到含有无线信道衰落特征的数据的最优低维特征映射矩阵；
所述利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解，得到含有无线信道衰落特征的数据最优的低维特征映射矩阵包括：求解目标函数时，加入约束 ，利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解： ；其中， 表示目标函数对应的拉格朗日函数， 表示拉格朗日乘子；
根据 ，得到前 个最小特征向量，构成最优低维特征映射矩阵 ， 表示 的维数；
含有无线信道衰落特征的数据在低维空间中的低维流形表征表示为： 。
一种无线信道的衰落特征提取方法及提取装置
技术领域
[0001] 本发明涉及无线通信技术领域，特别是指一种无线信道的衰落特征提取方法及提取装置。
背景技术
[0002] 通信作为人类生活的三大支柱之一，越来越多地应用到生活及生产的各个领域，用户量及数据量都呈指数型增长，而新一代移动通信技术在大数据的背景下要求高的传输
速率和丰富的频谱资源，同时保证通信质量。
[0003] 无线通信的通信质量在很大程度上依赖于信道估计的精度。信道估计是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。但新一代移动通信中，接收端数
据中含有着无线信道衰落特征，且接收数据维度的大量增加导致了信道估计计算复杂度的
显著提高。
发明内容
[0004] 本发明要解决的技术问题是提供一种无线信道的衰落特征提取方法及提取装置，以解决现有技术所存在的含有无线信道衰落特征的数据维度大，导致信道估计计算复杂度
显著提高的问题。
[0005] 为解决上述技术问题，本发明实施例提供一种无线信道的衰落特征提取方法，包括：
[0006] 接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道衰落特征的数据；
[0007] 基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；
[0008] 根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
[0009] 将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计。
[0010] 进一步地，所述接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图包括：
[0011] 在接收端，将含有无线信道衰落特征的数据构成样本集合Ybt，在欧氏空间中样本集合表示为Ybt＝{Yt1,Yt2,…Ytn}，其中，n表示样本的数目；
[0012] 判断欧氏空间中样本Yti和Ytj是否满足||Yti‑Ytj||2<ε，若满足，则样本Yti和Ytj是近邻，通过边连接样本Yti和Ytj，其中，ε表示阈值。
[0013] 进一步地，权重矩阵中的元素表示为：
[0014]
[0015] 其中，wij为权重值，表示样本点Yti、Ytj之间的相似度距离；t表示热核参数。
[0016] 进一步地，所述根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵包括：
[0017] 根据得到的权重矩阵，构建求解含有无线信道衰落特征的数据的最优低维特征映射矩阵V的目标函数： 其中，Zti、Ztj分别表示Yti、Ytj在低维空间中的低
维流形表征；
[0018] 将目标函数转换为接收到的含有无线信道衰落特征的数据形式：
[0019] 当Yti 和Ytj是近邻时 ，对转换后的目标函 数进行推导 ，得到 ：其中，D为矩阵W每一列之和组成的对角线矩阵，D
中的元素
[0020] 将推导得到的目标函数的求和形式转化为矩阵形式；
[0021] 利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解，得到含有无线信道衰落特征的数据的最优低维特征映射矩阵。
[0022] 进一步地，目标函数的矩阵形式为：
[0023] min(VTYtLYtTV)
[0024] 其中，L＝D‑W，L为拉普拉斯矩阵，W表示权重矩阵；Yt＝[Yt1 Yt2…Ytn]。
[0025] 进一步地，所述利用拉格朗日乘子法，对得到的目标函数的矩阵形式进行求解，得到含有无线信道衰落特征的数据最优的低维特征映射矩阵包括：
[0026] 求解目标函数时，加入约束VTYtDYtTV＝1，利用拉格朗日乘子法，对得到的目标函T T T T
数的矩阵形式进行求解：L(V,λ)＝VYtLYtV‑λ(V YtDYtV‑1)；其中，L(V,λ)表示目标函数对
应的拉格朗日函数，λ表示拉格朗日乘子；
[0027] 对V求一阶偏导得：
[0028]
[0029] 则
[0030] YtLYtTV＝λYtDYtTV
[0031] (YtDYtT)‑1·YtLYtTV＝λV
[0032] 根据(YtDYtT)‑1·YtLYtTV＝λV，得到前d个最小特征向量，构成最优低维特征映射矩阵V，d表示V的维数。
[0033] 进一步地，含有无线信道衰落特征的数据在低维空间中的低维流形表征表示为：T
Zti＝VYti。
[0034] 本发明实施例还提供一种无线信道的衰落特征提取装置，包括：
[0035] 构建模块，用于接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道衰
落特征的数据；
[0036] 第一确定模块，用于基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；
[0037] 第二确定模块，用于根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
[0038] 投影模块，用于将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计。
[0039] 本发明的上述技术方案的有益效果如下：
[0040] 上述方案中，接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图；基于构建的邻接图，确定含有无线信道衰
落特征的数据在低维空间中的权重矩阵，以保证低维空间中无线信道衰落特征的局部信息
不变；根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有
无线信道衰落特征的低维流形数据，以进行信道估计；这样，利用流形学习算法，实现信道
衰落特征的维数约简，以便从接收到的含有无线信道衰落特征的数据中寻找无线信道衰落
特征的本质，找到无信道衰落特征数据的内部规律，从而提高信道估计的实时性和精确度，
并降低信道估计的计算复杂度。
附图说明
[0041] 图1为本发明实施例提供的无线信道的衰落特征提取方法的流程示意图；
[0042] 图2为本发明实施例提供的无线信道的衰落特征提取方法的详细流程示意图；
[0043] 图3为本发明实施例提供的采用流形学习算法的无线信道衰落特征提取方法降低基于极限学习机信道估计算法的数据特征维度后的均方误差性能曲线示意图；
[0044] 图4为本发明实施例提供的采用流形学习算法的无线信道衰落特征提取方法降低基于极限学习机信道估计算法的数据特征维度后的误码率性能曲线示意图；
[0045] 图5为本发明实施例提供的无线信道的衰落特征提取装置的结构示意图。
具体实施方式
[0046] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0047] 本发明针对现有的含有无线信道衰落特征的数据维度大，导致信道估计计算复杂度显著提高的问题，提供一种无线信道的衰落特征提取方法及提取装置。
[0048] 实施例一
[0049] 如图1所示，本发明实施例提供的无线信道的衰落特征提取方法，包括：
[0050] S101，接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道衰落特征
的数据；
[0051] S102，基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；
[0052] S103，根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
[0053] S104，将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计。
[0054] 本发明实施例所述的无线信道的衰落特征提取方法，接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图；
基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵，以保证
低维空间中无线信道衰落特征的局部信息不变；根据得到的权重矩阵，确定含有无线信道
衰落特征的数据的最优低维特征映射矩阵；将含有无线信道衰落特征的数据通过最优低维
特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信
道估计；这样，利用流形学习算法，实现信道衰落特征的维数约简，以便从接收到的含有无
线信道衰落特征的数据中寻找无线信道衰落特征的本质，找到无信道衰落特征数据的内部
规律，从而提高信道估计的实时性和精确度，并降低信道估计的计算复杂度。
[0055] 需要说明的是：高维与低维度是一个相对概念，在本申请中，只要数据的维度降低，就算是低维。
[0056] 本实施例中，流形学习算法是在高维采样数据中求出低维流形结构，获得高维空间中的低维子流形，对含有信道衰落特征的数据进行无线信道衰落特征提取，从而对原始
含有信道衰落特征的数据进行降维，相对于传统的特征提取方法，能够更好地描述数据结
构。
[0057] 为了更好地理解本发明实施例所述的无线信道的衰落特征提取方法，对其进行详细说明，如图2所示，该方法可以包括以下步骤：
[0058] S11，接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，包括：
[0059] A1，在接收端，将含有无线信道衰落特征的数据构成样本集合Ybt，在欧氏空间中样本集合表示为Ybt＝{Yt1,Yt2,…Ytn}，其中，n表示样本的数目；由此可知，每个数据点都有
它的近邻表示；
[0060] A2，在构建邻接图时，判断欧氏空间中样本Yti和Ytj是否满足||Yti‑Ytj||2<ε，若满足，则样本Yti和Ytj是近邻，通过边连接样本Yti和Ytj，其中，ε表示阈值，ε的大小由实际应用
场景确定。
[0061] 需要说明的是：
[0062] 在邻接图中，一个样本作为一个节点，该邻接图中节点之间关系是对称的，但邻接图中只有很少的部分节点相连。
[0063] S12，基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵，以保证低维空间中无线信道衰落特征的局部信息不变。
[0064] 本实施例中，在邻接图中，附近的节点是通过边连接的，假定邻接图是联通的，为保证低维空间中无线信道衰落特征的局部信息，采用热核法，计算含有无线信道衰落特征
的数据在低维空间中的权重矩阵W，权重矩阵中的元素表示为：
[0065]
[0066] 其中，wij为权重值，表示样本点Yti、Ytj之间的相似度距离；t表示热核参数。
[0067] 本实施例中，根据权重矩阵的计算公式可知，当样本Yti和Ytj不是近邻时，权重值2
wij＝0，当样本Yti和Ytj是近邻时，权重值为exp(‑||Yti‑Ytj||/t)，当样本数目n过大时，热
核参数会影响到无线信道衰落特征低维映射的数据的局部流行结构，当n较小时，信道衰落
特征提取则不依赖于t的大小。
[0068] S13，根据得到的权重矩阵，构建求解含有无线信道衰落特征的数据的最优低维特征映射矩阵V的目标函数：
[0069]
[0070] 其中，Zti、Ztj分别表示Yti、Ytj在低维空间中的低维流形表征；
[0071] 本实施例中，在总样本中， 用于保证含有无线信道衰落特征的两数据点Yti、Ytj在地位空间中相邻且最小。
[0072] S14，假设含有无线信道衰落特征的数据的低维映射是原始含有信道衰落特征的T
数据与低维空间数据之间有投影关系，则令Zti＝V Yti，从而将目标函数转换为接收到的含
有无线信道衰落特征的数据形式：
[0073]
[0074] 进一步展开为
[0075]
[0076] S15，对 进行简化、推导。
[0077] 本实施例中，当Yti和Ytj是近邻时，目标函数可简化为：
[0078]
[0079] 进一步的，可得：
[0080]
[0081] 等价于
[0082]
[0083] 其中，D为矩阵W每一列之和组成的对角线矩阵，D中的元素
[0084] S16，将目标函数 的求和形式转化为矩阵形式，以便求解：
[0085]
[0086]
[0087] 因此，目标函数的矩阵形式为：
[0088] min(VTYtDYtTV‑VTYtWYtTV)
[0089] ＝min{VTYt(D‑W)YtTV}
[0090] ＝min(VTYtLYtTV)
[0091] 其中，L＝D‑W，L为拉普拉斯矩阵，W表示权重矩阵；Yt＝[Yt1 Yt2…Ytn]。
[0092] S17，求解目标函数时，加入约束VTYtDYtTV＝1，以防止求解过程的零向量与过拟合，目标函数可写为：
[0093] min VTYtLYtTV
[0094] s.t. VTYtDYtTV＝1
[0095] S18，利用拉格朗日乘子法求解目标函数：
[0096] L(V,λ)＝VTYtLYtTV‑λ(VTYtDYtTV‑1)
[0097] 其中，其中，L(V,λ)表示目标函数对应的拉格朗日函数，λ表示拉格朗日乘子；
[0098] 对V求一阶偏导得：
[0099]
[0100] 则
[0101] YtLYtTV＝λYtDYtTV
[0102] (YtDYtT)‑1·YtLYtTV＝λV
[0103] 可知，V是(YtDYtT)‑1·YtLYtTV的特征向量，此时寻找对应的前d个最小特征向量，就可以构成最优低维特征映射矩阵V，d表示V的维数。
[0104] S19，将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据：
[0105] Zti＝VTYti
[0106] 本实施例中，图3为本发明实施例采用流形学习算法的无线信道衰落特征提取方法降低基于极限学习机信道估计算法的数据特征维度(CE‑ML‑ELM)后的均方误差性能曲线
示意图。如图3所示，在三种信道估计算法中，本实施例采用的CE‑ML‑ELM算法的均方误差性
能最好，在高信噪比情况下比MMSE、LS算法的估计性能都好，低信噪比情况下与MMSE算法估
计效果接近。
[0107] 本实施例中，图4为本发明实施例采用流形学习算法的无线信道衰落特征提取方法降低基于极限学习机信道估计算法的数据特征维度(CE‑ML‑ELM)后的误码率性能曲线示
意图。如图4所示，在三种信道估计算法中，本实施例采用的CE‑ML‑ELM算法的误码率性能较
好，在高信噪比情况下比MMSE、LS算法的估计性能都好。
[0108] 综上可知，本发明实施例采用流形学习算法的无线信道衰落特征提取方法，将得到的含有无线信道衰落特征的低维数据作为训练样本，对用于信道估计的极限学习机(一
种机器学习算法)进行训练，能够降低机器学习算法的训练时间，且训练好的极限学习机能
够实现精确度较高的信道估计，并在信道估计中获得良好的均方误差、误码率性能。本发明
实施例采用流形学习算法的无线信道衰落特征提取方法可应用于下一代移动通信技术，不
仅能够节约设计成本，简化设计流程，同时为无线信道衰落特征提取提供了新思路，适应场
景具有一般性。
[0109] 实施例二
[0110] 本发明还提供一种无线信道的衰落特征提取装置的具体实施方式，由于本发明提供的无线信道的衰落特征提取装置与前述无线信道的衰落特征提取方法的具体实施方式
相对应，该无线信道的衰落特征提取装置可以通过执行上述方法具体实施方式中的流程步
骤来实现本发明的目的，因此上述无线信道的衰落特征提取方法具体实施方式中的解释说
明，也适用于本发明提供的无线信道的衰落特征提取装置的具体实施方式，在本发明以下
的具体实施方式中将不再赘述。
[0111] 如图5所示，本发明实施例还提供一种无线信道的衰落特征提取装置，包括：
[0112] 构建模块11，用于接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图，其中，接收到的数据为含有无线信道
衰落特征的数据；
[0113] 第一确定模块12，用于基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵；
[0114] 第二确定模块13，用于根据得到的权重矩阵，确定含有无线信道衰落特征的数据的最优低维特征映射矩阵；
[0115] 投影模块14，用于将含有无线信道衰落特征的数据通过最优低维特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信道估计。
[0116] 本发明实施例所述的无线信道的衰落特征提取装置，接收端根据接收到的经过无线信道传输的数据在欧氏空间中是否近邻，对含有无线信道衰落特征的数据构建邻接图；
基于构建的邻接图，确定含有无线信道衰落特征的数据在低维空间中的权重矩阵，以保证
低维空间中无线信道衰落特征的局部信息不变；根据得到的权重矩阵，确定含有无线信道
衰落特征的数据的最优低维特征映射矩阵；将含有无线信道衰落特征的数据通过最优低维
特征映射矩阵投影到低维空间中，得到含有无线信道衰落特征的低维流形数据，以进行信
道估计；这样，利用流形学习算法，实现信道衰落特征的维数约简，以便从接收到的含有无
线信道衰落特征的数据中寻找无线信道衰落特征的本质，找到无信道衰落特征数据的内部
规律，从而提高信道估计的实时性和精确度，并降低信道估计的计算复杂度。
[0117] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也
应视为本发明的保护范围。
