信道场景识别的方法、网络设备及存储介质与流程

1.本技术实施例涉及通信领域，特别涉及一种信道场景识别的方法、网络设备及存储介质。


背景技术：

2.在无线通信系统中，系统性能主要受到无线信道的影响。由于无线通信中信道环境复杂多变，导致不同信道场景下的信号在能量、功率和时延以及信道响应等方面具有明显的差异性，因此准确地识别出不同信道场景，进而针对不同信道场景采取与信道匹配的最优接收算法和配置参数，对提升整个通信系统的性能有很重要的意义。
3.然而，目前采用的识别方法对信道场景的识别不准确，或者识别步骤复杂，实现复杂度高。


技术实现要素：

4.本技术实施例的主要目的在于提出一种信道场景识别的方法、网络设备及存储介质，能够快速且准确地识别信道场景。
5.为实现上述目的，本技术实施例提供了一种信道场景识别的方法，包括：获取待识别信道场景下信道的信道特征，所述信道特征包括：用于表征所述待识别信道场景在频域上衰落变化的信道频域特征，用于表征所述待识别信道场景的多径时延扩展信息以及直射径信息的信道时域特征，以及用于表征所述待识别信道场景的多普勒扩展信息和频偏信息的信道时间相关性特征；将所述信道特征输入预设的信道场景识别模型中，获取所述待识别信道场景的识别结果，所述信道场景识别模型是基于特征数据训练集对预设的神经网络训练后得到，其中，所述特征数据训练集包括至少2个信道样本场景下信道的信道特征。
6.为实现上述目的，本技术实施例还提供了一种网络设备，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的信道场景识别的方法。
7.为实现上述目的，本技术实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的信道场景识别的方法。
8.本技术提出的信道场景识别的方法，信道特征包括信道频域特征、信道时域特征以及信道时间相关性特征，信道频域特征反映了信道场景在频域上的衰落变化，信道时域特征反映了信道场景的多径时延扩展信息以及直射径信息，而信道时间相关性特征反映了信道场景的多普勒扩展信息及频偏信息，该三个特征从不同的维度刻画出更全面的信道特征，提高了信道场景识别的准确度；特征数据训练集包括多个信道场景下信道的信道特征，使得基于该特征数据训练集对预设的神经网络训练得到信道场景识别模型也更为准确，提高了信道场景识别的准确性，同时，信道频域特征，信道时域特征以及信道时间相关性特征的获取方式简单，无需耗费过多的计算资源，提高信道场景识别的速度，且由于信道特征的
准确性，也使得该信道场景模型可以识别出更多的信道场景，增加了该识别方法的应用场景。
附图说明
9.图1是根据本发明第一实施例中提供的信道场景识别的方法的流程图；
10.图2是根据本发明第二实施例中提供的信道场景识别的方法的流程图；
11.图3是根据本发明第二实施例中提供的2个导频符号的情况下信道特征的结构示意图；
12.图4是根据本发明第二实施例中提供的单个导频符号情况下的信道特征的结构示意图；
13.图5是根据本发明第二实施例中提供的2个导频符号情况下的另一种信道特征的结构示意图；
14.图6是根据本发明第二实施例中提供的卷积神经网络的示意图；
15.图7是根据本发明第二实施例中提供的全链接神经网络结构的示意图；
16.图8是根据本发明第三实施例中提供的信道场景识别的方法的流程图；
17.图9是根据本发明第四实施例中提供的网络设备的结构框图。
具体实施方式
18.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本技术各实施例中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本技术所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
19.目前的信道场景识别方式有多种，例如，方式一：利用无线信道传输过的包含到达角和路径损耗的特征矩阵对当前场景进行处理分析从而能够实时地得到场景分类结果；分类过程分成上下链路两部分，在下行链路的特征矩阵中，移动台根据路径损耗模型进行开阔地，高架桥，山地，城市四种场景的判断；在上行的链路的特征矩阵中，发射台根据每次测量得到的到达角计算出对应的角度参考值，将前后测量的到达角的差值与角度参考值进行比较，从而进行移动台处于移动或静止场景的判断。该方式是通过比较角度参考值的方式进行分类，该方式易受到角度参考值的影响，识别不准确。方式二：通过机器学习模型进行信道场景的识别，输入参数需要莱斯因子和均方根特性，该方式中的莱斯因子在实际产品中很难获取，均方根特性计算的复杂度高，实现的成本高，同时若获取的莱斯因子和均方根特性不准确，也将导致模型的不准确。
20.本发明的第一实施方式涉及一种信道场景识别的方法，其流程如图1所示。
21.步骤101：获取待识别信道场景下信道的信道特征，信道特征包括：用于表征待识别信道场景在频域上衰落变化的信道频域特征，用于表征待识别信道场景的多径时延扩展信息以及直射径信息的信道时域特征，以及用于表征待识别信道场景的多普勒扩展信息和频偏信息的信道时间相关性特征。
22.步骤102：将信道特征输入预设的信道场景识别模型中，获取待识别信道场景的识别结果，信道场景识别模型是基于特征数据训练集对预设的神经网络训练后得到，其中，特征数据训练集包括至少2个信道样本场景下信道的信道特征。
23.本技术提出的信道场景识别的方法，信道特征包括信道频域特征、信道时域特征以及信道时间相关性特征，信道频域特征反映了信道场景在频域上的衰落变化，信道时域特征反映了信道场景的多径时延扩展信息以及直射径信息，而信道时间相关性特征反映了信道场景的多普勒扩展信息及频偏信息，该三个特征从不同的维度刻画出更全面的信道特征，提高了信道场景识别的准确度；特征数据训练集包括多个信道场景下信道的信道特征，使得基于该特征数据训练集对预设的神经网络训练得到信道场景识别模型也更为准确，提高了信道场景识别的准确性，同时，信道频域特征，信道时域特征以及信道时间相关性特征的获取方式简单，无需耗费过多的计算资源，提高信道场景识别的速度，且由于信道特征的准确性，也使得该信道场景模型可以识别出更多的信道场景，增加了该识别方法的应用场景。
24.本发明的第二实施方式涉及一种信道场景识别的方法，第二实施方式是对第一实施方式的详细说明，其流程如图2所示。
25.步骤201：获取待识别信道场景中指定信道的导频符号以及导频符号上的信道估计。
26.具体地，该信道场景识别的方法应用于网络设备，例如，基站。该信道场景识别的方法可以应用于无线通信系统，例如，lte和5g nr无线系统中。指定信道可以是物理上行共享信道(physical uplink shared channel，简称“pusch”)。指定信道可以配置多个导频符号，如，1个、2个及以上。为了便于理解，下面以5g nr的无线系统，指定信道可以为nr上行pusch为例进行介绍。
27.例如，以nr上行pusch配置2个导频符号，nr上行pusch占用50个资源块(resource block，简称“rb”)，占用14个导频符号，2个导频采用dmrs type1，位于导频符号2和11。可以从基站侧获取当前移动台nr上行pusch上的2个导频符号，以及每个导频符号上的信道估计；也可以是根据获取的信道数据中，根据信道估计算法获取每个导频符号上的信道估计，信道估计算法此处不进行赘述。
28.又如：以nr上行pusch配置1个导频符号，nr上行pusch占用50个资源块(resource block，简称“rb”)，占用14个导频符号，1个导频采用dmrs type1，位于导频符号2。可以从基站侧获取当前移动台nr上行pusch上的单个导频符号，以及该导频符号上的信道估计；也可以是根据获取的信道数据，根据信道估计算法获取单个导频符号上的信道估计，信道估计算法此处不进行赘述。
29.步骤202：根据导频符号上的信道估计，获取信道频域特征和信道时域特征。
30.具体地，信道频域特征包括：移动台上不同接收天线上频域信道响应的归一化功率，可以用于表征移动台所处信道环境在频域上的衰落变化。该信道时域特征可以包括：不同接收天线上时域信道响应归一化功率，用于表征移动台所处信道环境的多径时延扩展信息及直射径信息，该直射径信息为指示直射径是否占优势的信息。
31.在一个例子中，信道频域特征的获取过程可以如下：根据导频符号上的信道估计，获取导频符号上的频域信道估计值；根据导频符号上的频域信道估计值，获取各接收天线
上每个子载波在导频符号上的频域信道估计值功率；对获取的频域信道估计值功率进行归一化处理，生成频域归一化功率；将频域归一化功率标记为信道频域特征。
32.具体地，可以获取每个导频符号上的频域信道估计值，根据该频域信道估计值即可计算出在每个导频符号上的频域信道估计值功率其中，a表示接收天线的标号，a＝0,1,
……
n，n为大于1的整数，isc表示子载波的标号，isc＝0,1
……
299，sym表示导频符号的标号，sym＝0,1。
33.当前基站包括n个天线，可以通过每个天线上每个导频符号进行频域信道估计值功率值的归一化处理，得到频域归一化功率可以如公式(1)所示。
[0034][0035]
其中，为频域归一化功率，isc表示子载波的标号，a表示接收天线的标号。
[0036]
本示例中，将分别得到每个天线在导频符号2信道上的频域归一化功率，以及每个天线在导频符号11上的频域归一化功率。将得到的每个频域归一化功率作为该信道特征中在频域维度上的特征。
[0037]
在一个例子中，根据导频符号上的信道估计，提取导频符号上的频域信道估计值；将导频符号上的频域信道估计值进行反向傅里叶变换，转换为时域信道估计值；根据时域信道估计值，获取至少一个接收天线上每个子载波在导频符号上的时域信道估计值功率；对获取的时域信道估计值功率进行归一化处理，生成时域归一化功率；将时域归一化功率标记为信道时域特征。
[0038]
具体地，在获取每个导频符号上的频域信道估计值之后，通过反向傅里叶变换ifft，将频域估计值转换为时域估计值，根据时域估计值即可确定每个导频符号上的时域信道估计值功率。例如，若ifft点数为1024，得到每个子载波在导频符号上的时域信道估计值功率表示为其中，a表示接收天线的标号，a＝0,1,
……
n，n为大于1的整数，isc表示子载波的标号，isc＝0,1
……
299，sym表示导频符号的标号，sym＝0,1。本示例中，取时域理论峰值前后两个cp长度的时域信道估计值功率。若时域理论峰值点位置为i＝511,cp长度为144，那么取i＝223,224,...,799时的时域信道估计功率为目标信道特征，对天线a上导频符号sym上的目标时域信道估计功率进行归一化处理，如公式(2)所示：
[0039][0040]
其中，表示时域归一化功率，isc表示子载波的标号，a表示接收天线的标号。本示例中，将分别得到每个天线在导频符号2信道上的时域归一化功率，以及每个天线在导频符号11上的时域归一化功率。将得到的每个时域归一化功率作为该信道特征中在时域维度上的特征。
[0041]
值得一提的是，导频符号可以只有一个，若只有一个导频符号时，上述公式sym取0。得到每个接收天线在该导频符号上的频域归一化功率值和时域归一化功率值。
[0042]
步骤203：判断获取的导频符号的个数是否为1，若获取的导频符号的个数为1，则执行步骤204，若不是，则执行步骤205。
[0043]
步骤204：获取信道均衡后各数据符号的星座图旋转角度作为信道时间相关性特征。
[0044]
具体地，获取各数据符号的星座图旋转角度有多种方式，下面介绍一种获取各数据符号的星座图旋转角度的方式。
[0045]
具体地，利用信道均衡后的软信息和调制方式，计算每个数据符号上星座图簇的中心，每个数据符号有各自对应的星座图，针对每个数据符号进行如下处理：计算该数据符号上星座图中四个簇的中心位置，根据该中心位置与理想星座图位置的角度差，即可得到该数据符号上星座图旋转角度。例如，目标用户数据符号有13个，输入神经神经网络的数据结构如下：其中，sym表示数据符号的标号，rot表征旋转的角度，est表示估计，即表示数据符号sym上估计的旋转角度。
[0046]
对于单个导频符号来说，不能使用时域相关的方法来估计频偏，本示例中获取信道均衡后各数据符号的星座图旋转角度，通过数据符号的星座图旋转角度可以反映出频偏信息，可以将各数据符号的星座图旋转角度实时地反馈给物理层进行频偏补偿，以提升单导频符号时的接收性能。
[0047]
步骤205：根据至少两个导频符号上的信道估计，获取信道响应在时间上的归一化相关值以及相位值作为信道时间相关性特征。
[0048]
在一个例子中，根据至少两个导频符号上的信道估计，获取每个导频符号上的信道估计值；根据每个导频符号上的信道估计值，获取至少一个接收天线上每两个导频符号上的信道之间的信道相关值；对信道相关值进行归一化处理，生成归一化信道相关值；获取信道相关值的相位值，将信道相关值的相位值以及归一化信道相关值作为信道时间相关性特征。
[0049]
具体地，获取每个天线在每个导频符号上信道估计值其中，a表示接收天线的标号，a＝0,1,
……
n，n为大于1的整数，isc表示子载波的标号，isc＝0,1
……
299，sym表示导频符号的标号，sym＝0,1。计算2个导频符号上的信道估计值和的信道相关值γ
corr
，并对不同天线上的信道相关值进行归一化处理，得到归一化信道相关值
[0050]
计算两个导频符号上信道相关值的相位值：θ
corr
＝angle(γ
corr
)。将该归一化信道相关值和信道相关值的相位值作为信道时间相关性特征。
[0051]
步骤206：根据信道频域特征、信道时域特征以及信道时间相关性特征，获得信道特征。
[0052]
可以将获取的信道频域特征、信道时域特征以及信道时间相关性特征组合成向量，作为信道特征。图3为2个导频符号的情况下信道特征的结构示意图；图4为单个导频符号情况下的信道特征的结构示意图。
[0053]
需要说明的是，信道特征还包括：用于表征移动台空闲信息的空间特征，空间特征包括波束到达角的变化信息和/或信道空间相关性信息。可以将获取的信道频域特征、信道时域特征以及、信道时间相关性特征和空间特征组成向量，该向量作为信道特征。图5为2个导频符号情况下的信道特征的结构示意图，其中，本示例中空间特征包括波束到达角的变化信息。
[0054]
可以采用如下过程获取信道空间相关性信息：获取待识别信道场景中指定信道的导频符号以及导频符号上的信道估计；根据至少两个接收天线上相同导频符号上的信道估计，获取至少一个导频符号下每两个接收天线上的信道之间的信道空间相关值；对信道空
间相关值进行归一化处理，生成归一化信道空间相关值；将归一化信道空间相关值作为信道空间相关性信息。
[0055]
具体地，获取每个接收天线在相同导频符号上的空间信道估计值，根据每个接收天线在相同导频符号上的空间信道估计值，计算每两个接收天线在相同导频符号上的信道之间的信道空间相关值，信道空间相关值的计算方式与步骤205中信道相关值的计算方式大致相同，此处不再赘述。获取在不同导频符号下的信道空间相关值进行归一化处理，得到归一化信道空间相关值，将该归一化信道空间相关值作为信道空间相关性信息。
[0056]
步骤207：将信道特征输入预设的信道场景识别模型中，获取待识别信道场景的识别结果。
[0057]
具体地，可以预先训练信道场景识别模型，采集特征数据训练集，该特征数据训练集包括不同信道样本场景下信道的信道特征。获取的方式如下：可以通过仿真建立不同的信道样本场景模型获得信道数据，或在不同的真实信道环境中采集信道数据，可以将采集的信道数据划分为训练集和测试集，对信道数据进行处理；获取信道特征；对信道数据进行处理的过程与识别阶段中对信道数据的处理过程大致相同，即与步骤201～步骤206的过程大致相同，此处不再赘述。对测试集中的信道特征添加信道场景类别的标签，将训练集中的各信道特征输入到预设的神经网络中进行训练，得到合适的模型参数，然后测试集的信道特征，进行模型的测试，得到测试结果；不断调整和优化模型参数，直至模型收敛或识别结果的准确率达到阈值，保存训练好的模型参数。
[0058]
预设的神经网络可以采用如图6所示的卷积神经网络，将不同接收天线上频域信道归一化功率经过一层卷积层进行特征提取；不同接收天线上时域信道归一化功率经过两层卷积层进行特征提取，然后和信道时间相关值和相位值一起输入到全链接神经网络中，一起训练，得到该信道场景识别模型。
[0059]
或者也可以采用如图7所示的全链接神经网络结构。不同接收天线上频域信道归一化功率、不同接收天线上时域信道归一化功率和不同数据符号上星座图旋转角度组成一个一维向量，输入到神经网络中进行训练和识别。本示例中采用神经网络模型为全链接四层神经网络，包括：一个输入层，两个隐层，一个输出层，采用的优化器是sgd，激活函数是logistic。可以理解的是，也还可以采用其它结构的神经网络。
[0060]
在一个例子中，信道场景的类型包括以下类型的任意组合：视距类型、非视距类型、基于信道的时延扩展程度划分获得的时延扩展类型以及基于移动台移动速度划分获得的速度类型。
[0061]
时延扩展类型包括：时延扩展小和时延扩展大；速度类型包括：低速、中速和高速。信道场景类型可以是上述的任意组合，例如，可以是视距类型，时延扩展小且处于低速的场景类型。
[0062]
将获取的信道特征输入该信道场景识别模型中，输出各信道样本场景的匹配概率，根据匹配概率，即可确定当前待识别信道场景的类型。确定了该待识别信道场景的场景类型后，接收端可以采用与该类型匹配的调制方式，或，采用高匹配的滤波器，或进行合理的资源分配或调制系统参数配置等操作，以提升整个无线系统的性能和吞吐量。
[0063]
值得一提的是，由于在模型训练过程中，测试集中按照该信道场景类型进行标注，使得训练得到的信道场景模型还可以识别出时延扩展类型以及移动台移动的速度情况，进
一步提高了该信道场景识别模型识别结果包括待识别信道场景属于各信道样本场景的匹配概率的准确性以及适用性。
[0064]
本实施例中信道场景识别方法是可以实时地进行在线识别，不仅适用于nr系统一个时隙slot上多个导频符号存在的情况，也适用于一个slot上单个导频符号的情况，解决了单个导频时无法进行多普勒扩展和频偏估计的问题。
[0065]
本发明的第三实施方式涉及一种信道场景识别的方法，本实施方式是对上述实施方式的进一步改进，其流程如图8所示。
[0066]
步骤301:获取待识别信道场景下信道的信道特征。
[0067]
步骤302：将信道特征输入预设的信道场景识别模型中，获取待识别信道场景的识别结果，识别结果包括待识别信道场景属于各信道样本场景的匹配概率。
[0068]
步骤303：判断各匹配概率是否均小于预设阈值，若是均小于预设阈值，则执行步骤304，否则，执行步骤307。
[0069]
具体地，该预设阈值可以根据实际进行设置，例如，预设阈值为β＝0.2，若匹配概率均小于该预设阈值，表明当前待识别信道场景不属于特征数据训练集中的信道样本场景，可以执行步骤304，并输出未识别的提示信息。
[0070]
步骤304：判定待识别信道场景不属于特征数据训练集中的信道样本场景。该步骤执行后，执行步骤305。
[0071]
步骤305：保存待识别信道场景的信道数据。
[0072]
步骤306：在保存的信道数据达到存储阈值后，将存储的信道添加至特征数据训练集中，以用于重新对信道场景识别模型进行训练。
[0073]
具体地，可以设置存储阈值，在该存储库中的存储量达到存储阈值后，将保存的所有信道数据添加至该特征数据训练集中，用于重新对信道场景识别模型进行训练。
[0074]
步骤307：确定待识别信道场景属于匹配概率最大的信道样本场景。
[0075]
具体地，可以选取最大匹配概率对应的信道场景类型作为该待识别信道场景的类型。
[0076]
本实施方式中，在信道场景识别模型识别的过程中，保存新的信道场景的信道数据，并对该信道场景识别模型进行重新训练，以识别新的信道场景，通过保存的信道数据，不断扩充特征数据训练集中的样本，使得该信道场景识别模型不断优化，识别更多的信道场景。
[0077]
本发明第四实施方式涉及一种网络设备，其结构框图如图9所示，该网络设备包括：至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器701执行，以使至少一个处理器401能够执行上述的信道场景识别的方法。
[0078]
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，
天线还接收数据并将数据传送给处理器。
[0079]
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
[0080]
本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的信道场景识别的方法。
[0081]
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0082]
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。