信道参数算法总结

1、摘自宽带多维MIMO信道分簇算法研究(北邮硕士论文)2.1.1空时信道参数估计算法概述目前，用于MIMO宽带测量数据的空时信道参数估计算法主要有以下三种： 第一种是传统的波束成形(Beamforming)方法。常用的方法包括：巴特莱特(Bartlett)波束成形法capon最小方差法第二种是子空间方法,常用的算法包括多重信号分类算法(Multiple SignalClassification, MUSIC)和近年来被广泛研究的信号参数子空间旋转估 计(Estimating Signal Parameters via Rational Invariance Technique, ESPRIT)系

2、列算法15-27。 第三种是由最大似然估计(Maximum Likelihood Estimation, MLE )准则衍生 出来的算法：期望最大化(Expectation Maximization, EM)算法(2.1.2)空间交替广义期望最大化算法(SAGE)(2.1.3)2.1.4基本分簇算法介绍聚类(clustering)就是将数据对象分组成为多个类或簇(cluster),在同一 个簇中的对象之间具有较高的相似度,而不同簇中的对象差别较大41，相异度 是根据描述对象的属性值来计算的“距离是经常采用的度量方式”。常用的距离和相似度有明考斯基距离(Minkowski distance) 欧

3、氏距离 (Euclidean distance)、绝对值距离(city-block distance)、切比雪夫距离(Sup distance)、马氏距离(Mahalanobis distance) 帕松相关系数(Pearson correlation)、夹角余旋(cosine similarity)等。聚类分析的方法可分为：划分的方法(partitioning method)给定一个对n个对象或元素的数据，一个划分方法构建数据的k个划分，每 个划分表示一个聚簇，并且nk它将数据划分为k个组，同时满足a.每组至少 包含一个对象;b.每个对象必须属于且只属于一个组(模糊聚类除外)思想： 给定要构

4、建的划分数目k,划分方法首先创建一个初始划分然后采用一种迭代 的重定位技术，尝试通过对象在划分间移动来改进划分。具体方法:k-means, k-median, EM(Expectation Maximization), CLARA(Clustering LAge Applications )等5457。层次方法 (hierarchical method)层次的方法对给定数据对象集合进行层次的分解，根据层次的方法可以分为 凝聚的和分裂的。凝聚的方法，一开始将每个对象作为单独得一组，然后相继地 合并相近的对象或组，直到所有的组合并称为一类。具体方法：系统聚类法42,CURE(Clustering

5、Using Representatives),变 色龙(Chameleon)等。基于密度的方法 (density-based method)大部分划分方法基于对象之间的距离进行聚类,这样的方法只能发现球状的 簇，而不能发现任意形状的簇随之提出了基于密度的聚类方法，其主要思想是， 只要邻近区域的密度(对象或数据点的数目)超过某个阀值就继续聚类。或者说只 要两点之间是密度可达的就把这两点归为一类。(密度可达:给定一个对象集合 D,如果p是在q的e邻域内，q属于D,则称p和q是密度可达的)。具体方法:DBSCAN(Density-Based spatial Clustering of Applica

6、tions with Noise), OPTICS(ordering Points to Identify the Clustering Structure), DENCLUE(DENsity-based CLUSTERing)等4144。基于网格的方法(grid-based method)基于网格的方法把对象空间量化为有限数目的单元，形成了一个网格的结构。 所有的聚类操作都在这个网格结构上进行。这种方法的主要有点就是他的处理速 度很快，其处理时间独立于数据对象的数目，只与量化空间中的每一维的单元数 目有关。也就是说，网格划分的越细计算量越大，网格划分的越粗聚类的误差越大。具体方法:STING

7、(Statistical Information Grid),WaveCluster, CLIQUE(clustering In QUEst)等。基于模型的方法 (model-based method)基于模型的方法为每个簇假定了一个模型，寻找数据对给定模型的最佳拟合。一个基于模型的算法可能通过构建反映数据点空间分布的密度函数来定 位聚类。具体方法:基于模型的方法主要有两种，统计学方法和神经网络方法。现在有的许多聚类算法对中小规模(200个数据以下)的数据集合效果比较好, 但是一个数据集合可能包含几百万个数据对象，在对这样的大数据集合上进行聚 类可能会导致偏差的结果，或者计算复杂性太高，以致无

8、法在接受的时间内得到 聚类结果。所以现在,研究工作都集中在为大型数据集合的有效和实际聚类分析 寻找适当的方法。目前用于信道的主要分簇算法有：观测法根据信道参数提取算法得到的径的时延和到达角，选择具有相似时延和到达 角的径构成簇。改进观测法首先利用Bartlett算法得到测量数据的双边角度功率谱，根据参数估计算法 选择具有相似功率的径形成簇，表现在功率谱上就是具有相似的到达角和离开角, 及功率谱上在同一个椭圆内的径的集合，这样分簇的结果比仅考虑时延和到达角 的分簇结果具有更高的精度。Kmeans 算法首先随机确定K个簇心，将每条径化分到MCD距离最近的簇心，然后迭代计算 每组的中心作为下一次的簇

9、心并重新划分，直到下一次的簇心和上次重合或在限 定范围内停止计算，典型应用是KPowerMeans算法。本文从建模的原理出发，给出一个更为合理!清晰的分类方法，如上图。统计型细分如下：1）基于几何结构建立的信道模型，有Lee的圆环分布模型45-46,离散均匀 分布模型65,基于圆环的宏小区和基于椭圆的微小区几何模 型47-48, Oestges和Paulraj的三环模型49等。2）参数型（或物理）信道模型，侧重于信道传播的物理特性如均匀到达角 （Angle of Arrival, AoA）分布模型，高斯广义平稳非相关模型 50,Saleh-Valenzuela 统计信道模型51-52,高斯到达

10、角模型53, Oestges 和paulraj的多维信道模型54，时变矢量信道模型55, Lu,Lo和Litva的空 时分布模型56。3）非参数型（或随机）信道模型，基于向量（矩阵）模型，侧重信道对系统的影 响。如广泛使用的窄带克罗内克（Kronecker）模型57-58,在此基础上，又提出引 入散射体相关性的分布式散射信道模型59，以及扩展得到的宽带系统中的模型 60。此类模型的劣势在于暗含了这样的假设:发送端、散射体和接收端产生的 相关性是独立的，己证明这一前提条件在某些传播环境下是不成立的61,如 LOS 和 NLOS。确定型细分如下：1）直接利用实际测量得到的信道冲激响应（Channel Impulse Response, CIR）, 其优点在于实测数据中考虑到了测量场景中所有可能发生的传播因素，包括己知 的和未知的。不过，一般来讲，实测信道数据的存储量都很大，在后续仿真应用时 并不方便读取。2）基于无线电磁波传播机理的分析方法,对具体的现场环境直接应用电磁理 论进行计算。目前应用最广泛的方法是基于几何光学和一致性几何绕射理论的射 线跟踪