一种基于机器学习的无线信道数据去噪方法技术

本发明专利技术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。本发明专利技术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。提高信道特性参数分析的准确性。提高信道特性参数分析的准确性。

【技术实现步骤摘要】
一种基于机器学习的无线信道数据去噪方法


[0001]本专利技术涉及数据去噪
，尤其涉及一种基于机器学习的无线信道数据去噪方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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，该方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的无线信道数据去噪方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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
；将信道测量设备的发射和接收两端分别连接发射与接收天线，将信道测量设备放置在信道测量场景中，测量并记录信道测量场景中的信道频率响应H
raw
；获取信道测量场景中的信道频率响应H，计算公式如下：利用傅里叶逆变换获得信道测量场景中的信道冲激响应h，计算公式如下：h＝IFFT(H)获取信道测量场景中的功率时延谱P，计算公式如下：P＝20log
10
(|h|2)将获得的信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，并对多径信号和噪声进行标记；将标记了的多径信号和噪声的功率时延谱中的数据点进行归一化处理后，再进行重新整理排列，使每组信道数据序列由一个待分类数据点及其相邻数据点组成，生成双向循环神经网络输入所需的信道冲激响应数据序列。3.根据权利要求2所述的方法，其特征在于，所述的将信道测量场景中的功率时延谱P中的每个数据点划分为多径信号和噪声，包括：根据设定的判...

【专利技术属性】
技术研发人员：米航，艾渤，何睿斯，马张枫，杨汨，孙桂琪，刘昌柱，钟章队，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：