数据驱动下基于人工智能的通信链路状态识别及预测技术
项目概况
- 题目：数据驱动下基于人工智能的通信链路状态识别及预测技术 5G 作为新一代移动通信系统，将在用户体验速率、连接数密度、 流量密度和用户峰值速率上得到显著的提升，同时降低端到端时延 并支持高速移动性。5G 通信有望借助无线大数据的发展，提供更 为精准的用户定位及信道状态预测技术。考虑到上层网络中资源分 配调度算法在直射径（LOS）与非直射径（NLOS）环境中常采用不 同的方案，如果能基于当前的信道参数识别出 LOS 信号与 NLOS 信 号将会对上层调度算法产生重要意义。移动终端的定位受到 LOS 和 NLOS 信号的影响，如果能在短时间内识别出当前信道中是否存在 LOS 信号，就可以极大的提高定位的速度与准确度。该技术可应用 于 5G 通信中新型定位机制及技术的实现，进而显著提升与定位相 关的各项 5G 通信技术的性能。 在传统方法中，基于单一属性 的 NLOS 信号识别性能已经达到瓶颈，但是随着移动通信技术的发 展，基站侧可以获得的信道参数也越来越多，因此，基于机器学习 的训练-学习-识别的 NLOS 识别算法研究成为解决这一问题的有效 方法。但是信道状态的准确判别与预测仍存在诸多挑战，尤其考虑 到传统定位技术（例如 GPS）的性能会极大的收到移动性、障碍物 遮挡及各种衰落的影响。在 5G 通信系统定位算法设计中，如何对 NLOS 信号进行识别至关重要。而机器学习算法由于其在识别与分 类上优越的性能，使得其成为 NLOS 信号识别技术中的重要突破点。 在 5G 通信场景中，LOS 与 NLOS 信号呈现了的显著不同的信道特征， 传统的使用固定信道特征门限来区分 LOS 和 NLOS 的方法由于其精 确度较低、门限值难以选取等问题而不再适用。 机器学习技术成为信道状态特征提取及解决 NLOS 识别问题的有效手段。申请人 团队从电波传播的角度出发，充分利用 MIMO 系统下的角度域特征 与时变系统多径生灭与演化的特征，采用机器学习算法（support vector machines, random forest, neural network 等）进行信 道状态训练并开展对比分析，最终建立高效而准确的 LOS/NLOS 场 景识别器。目前已基于现有的实测数据，建立了基于多种机器学习 的分类器。通过实测数据验证，基于深度学习建立的分类网络表现 出了较高精度的准确性和较强的鲁棒性。
团队介绍
Copyright @ 2019 新乡科技服务中心 豫ICP备19023816号