《基于压缩感知和稀疏表示理论的无线环境.doc》由会员分享,可在线阅读,更多相关《基于压缩感知和稀疏表示理论的无线环境.doc(7页珍藏版)》请在三一文库上搜索。
1、精品论文基于压缩感知和稀疏表示理论的无线环境分类方法张平,刘宝玲5(北京邮电大学信息与通信工程学院,北京 100876) 摘要:在对无线环境准确分类的基础上,可以根据无线环境的类型,有针对性地配置网络或 者网元的参数,以最小化的资源实现最大化的性能提升。在本文中,稀疏表示理论被首次应 用于无线环境分配的研究中,通过对无线环境的用户行为、传播环境、网络运行的统计,反10映无线环境的特征矢量被提取出来,然后使用压缩感知的模型,可以将相同无线环境的特征 矢量聚类在一起,提升分类的精度。关键词:稀疏表示;无线电环境分类;模式识别中图分类号:TN929.515Wireless Environment C
2、lassification Based on CompressedSensing and Sparse RepresentationZHANG Ping, LIU Baoling(Information and Communication School, Beijing University of Posts and Telecommunications, Beijing 100876)20Abstract: In radio resource management, self-configuration, self-optimization operations in wireless ne
3、tworks, the classification of wireless environment is crucial. Based on accurate classification of wireless environment, the network can reconfigure itself more efficiently to adapt the environment. In this paper, the theory of sparse representation is firstly applied to theclassification of wireles
4、s environment. By analyze the user behavior, propagation environment and25network statistics, the vector that characterizes the wireless environment is adopted. Then use the compressed sensing model, the character vector of the same wireless environment is gathered and the precision of the classific
5、ation is improved.Key words: Sparse Representation; Wireless Environment Classification; Pattern Recognition300引言网络自配置和自优化能力是未来通信网络自主性管理中的关键技术12。随着网络的结 构更加复杂,用户对服务的需求快速增长并多样化,以及 2G 向 4G 技术的发展。价格低, 接入速率高,易配置的网络设备在未来网络数量急剧增加,得到大量部署,用户对服务的需 求快速增长并更加多样化,未来网络的管理对网络的自配置和自优化性管理能力提出了更高35和更为迫切的要求。 网络自配置技术是研究
6、新加入网络的节点在预运行阶段自动配置初始运行参数的技术。预运行阶段指射频端尚未完全激活的时期。在初始配置以后节点应该获得与网络的基本连 接,以进行通信或是进一步的配置优化。网络自优化是指网元在运行阶段,根据信道、用户、 网络等环境的变化等因素自动调节运行参数的过程。网络中元素加入网络时由自配置机制配40置参数后,然后进入循环的运行过程并进行周而复始的自优化过程,如图 1 所示。作者简介:张平(1987-),男,硕士,无线通信技术通信联系人:刘宝玲(1964),女,教授,宽带移动通信系统. E-mail: - 7 -自优化网元运作循环自配置图 1自配置和自优化关系图 网络自配置和自优化的前提就是
7、对无线电环境能够自动识别,比如基站可以自动地对业务场景的室内/室外类型作出判决,那么就可以有的放矢地进行室内覆盖。先对场景进行分45类,然后再根据各类场景有针对性地配置网元的参数,这对于网络的自配置自优化能力的提 升非常有意义。文献34介绍了压缩感知理论的原理及其应用,文献567介绍了稀疏表示理论,并且提出 了实用的信号稀疏表示的算法。稀疏表示理论在图像识别中应用广泛,文献89研究了稀疏 表示理论用于图像识别和分类。文献10用压缩感知实现了图像识别人脸识别,使用训练样50本作为过完备集,因为如果每类样本足够充分的话,那么测试样本可表示为同类样本的线性 组合,这对于整个样本集来说,其表示自然是非
8、常稀疏的,那么分类问题即可通过压缩传感 的方法来实现。本文利用此思想提出了一种新的简单的场景分类方法,使用稀疏性识别相关 的特征。首先对要识别的场景寻求其稀疏表示,然后基于压缩传感理论求解其最稀疏的解,根据55所得的解直接进行分类。因为该方法选择最能紧致表示的基,所以得到的最稀疏解具有显著 的类别信息,可直接进行分类。该分类器可认为是最近邻(Nearest Neighbor,NN)和K最近邻 (K-NN)分类器的推广,最近邻法基于单个训练样本的最好表示来进行分类,本文的方法则 考虑所有可能的样本,在每类或多类中自适应地选择能最好表示测试样本的最少训练样本。1数学模型601.1稀疏表示理论模式识
9、别的基本问题就是根据 K 类训练样本确定测试样本属于哪一类。假设手写字符 训练样本种类为 K 类,同一类训练样本位于一个线性子空间中,那么新测试样本可看成是 同类样本的线性组合。设每一类的样本数分别为: N1 , N2 ,., Nk ,每个样本有 p 类数据:u1 , u2 , ., u p ,不失一般性,设 u i 是 ni 1 的向量,将样本里所有的数据排成 m1 的向量T65V = u1, u2 ,., u p pm, V R ( m = ni )。第 i 类场景所有的样本作为矩阵 A i 的列,得到描述第 i 类场景的一个过完备集 Ai =1= V , V,., V RmNi ,则给定
10、第 i 类场景的新ii,1i,1i,1样本 y R m ,它可以近似表示为该类训练样本的线性组合,即:y = a ,1V ,1 + L + a , V , a , R, j = 1,., N(1)iii Nii Nii j i由于不知道 y 的类别,因此首先将 y 表示成所有样本的线性组合,即:70y = Ax R m(2)其中 x 为系数向量, x = 0,., 0, ai,1, ai,2,., ai, N, 0,., 0T ,即:对于第 i 类场景的新样iK本,除了与第 i 类有关的系数,其它系数都为0。共有 N = Ni 个样本,组成的过完备集i =1的系数向量 x 具有稀疏的特点!为了
11、用向量 x 表示样本 y ,需要解式(2),因为 m =N ,式(2)是欠定的,因此它75只存在最小二乘意义上的解。传统的求解方法是采用最小 l2 范数进行求解:x = arg maxx , s.t. Ax = y (3)2但此时求解出来的 x 中非零项元素非常密集,几乎没有零。而根据 x 的稀疏性条件,应通过最小 l0 范数(即向量中非零元素的个数)来求解,这是NP难问题。压缩传感理论证明: 如果信号足够稀疏,那么 l0 最小化问题的解等同于 l1 最小化问题的解,通过 l1 范数最小可求80出唯一的最稀疏解。最优化问题表述如下:x = arg maxx , s.t. Ax = y (4)1
12、实际样本会含有一些噪声,也就是: y = Ax + e ,其中噪声满足: e以通过解下面稳定的 l1 优化问题得到: e 。那么 x 可2x = arg max x, s.t.Ax - y e(5)1 285引入罚函数,式(5)可以转化为无约束优化问题:x = arg max ( x+ d y - Ax )(6)1 2其中d 是一个正实数。1.2无线环境分类给定新样本 y ,通过式4或5计算其稀疏表示 x 。理想情况下得到的 x 中非零项应该都是90与第 i 类有关的项,但是由于噪声或模型误差等原因,导致其它类也小的非零项,所以需要 通过一些简单方式来对其进行分类。对于每一类 i ,利用一个函
13、数Ti (x ) 令系数 x 中除了与第 i 类有关的元素外其它元素都为 零;重新生成一个近似的 y i , y i = ATi (x ) ,然后残差最小的类别即是新样本所属的类别:i = arg miniy - y i 2(7)95此外,可以简单地根据每类别的原子的系数的能量判决,即:i = arg maxxk i - ki(8)i =1,2,.K( 1):2其中 xk ( i -1):ki 是第i类样本的原子的系数向量。类别1类别3a3a1 类别2a2100105图 2稀疏表示用于模式分类的示意图 压缩感知用于模式识别的原理可以用图2说明,假设有三个类别,每个类别的样本经过单位化后,都落在
14、一个圆(或球面,超球面)上, ai (i = 1, 2, 3) 是类别 i 新的样本,则只有 类别 i 的样本构成的基对 a i 来说是过完备集,可以稀疏表示;而其他类别的样本构成的基对 a i 来说不是过完备的。此外,使用MP算法求解 x 有很大优势,因为MP算法总是优先找与新样本投影值最大的原子(基),从图2易知,a i 和类别 i 的样本的投影最大。故新样本是 a i 时, 使用MP算法得到的系数向量中的非零值更集中于类别 i 的样本构成的基。2样本参数提取表 1 样本可选参数(用户行为分析)参数物理意义用户移动速度 业务时间曲线 切换密度和频率用户在室内环境下的移动速度一般较小 不同室
15、内场景下用户的业务时间曲线有明显特征 用户在室外环境相较室内场景切换次数较多表 2 样本可选参数(无线环境状况)参数物理意义路径损耗信号由室外宏蜂窝微蜂窝传到室内时会经历较大的损耗 表 3 样本可选参数(网络运行统计)参数物理意义TCH 话务量分布、无线接通率 占用次数和拥塞次数、掉话率 话务掉话比、忙闲状态 话务密度、载频密度反映网络在不同时段在同一场景下的运行状态 反映网络在不同时段在同一场景下的运行状态 反映网络在不同时段在同一场景下的运行状态针对某一场景的话务和载频密度确定是否按室内场景进行覆盖110将表1、表2、表3中样本可选参数样本里所有的数据排成 m1 的向量 V ,输入数学模型
16、中,得出判决结果。另外也可以选取表1的一部分参数进行无线环境分类,选取那些参数 作为特征参量组成部分,即要考虑到参数获取的难易程度,也要考虑到参数的相关性,比如两个参数相似度比较大,则只需要选取一个参数即可。3仿真结果与分析1151201253.1 使用 OMP 算法进行基本判决因为表1的很多数据较难获取,这里场景分类样本参数仅仅取“业务时间曲线”,且场 景类别只分为三类:办公场所,家庭和街道。归一化的业务时间曲线如图3所示:在10:00和16:00附近,办公室的业务量达到最大值;在12:00和20:00附近,家庭的业务量达到最大值; 在10:00和18:00附近,街道的业务量达到最大值。将业
17、务量在一天内的分布存储成一个向量, 当做向量 V 。输入数学模型,且场景判决采用简单的“系数向量能量法”,进行仿真。图 3归一化的业务时间曲线在新样本是家庭场景场景2的情况下,求得原子系数分布如图4所示,可见,场景2的原子系数整体上最大,统计各类原子的系数能量,得到图5,从图中可以明显看出场景2 的原子系数能量最大,判决新样本为场景2,判决正确。同样,在新样本为场景1和场景3的 情况下也可以作出正确判决。图 4各类场景的原子系数分布130135140图 5各类场景的原子系数能量3.2 OMP 算法,L1 范数结果和 L2 范数的结果比较图 6相对最小能量差关于样本数的曲线 这里最小相对能量=(
18、最大类别系数能量-次大类别系数能量)/最大类别系数能量,能量差越大,判决的正确率越高。如图6所示,OMP算法的计算结果最好,而 l2 优化计算结果最 差。由此可知OMP算法是相对于 l1 优化和 l2 优化更好的方法。在样本类别数K较大的情况下 更是如此,因为样本数目多的时候线性规划方法的计算复杂度会迅速增长。4结论本文首次给出了基于稀疏表示理论的无线环境分类的方法,通过提取关键的无线环境关 键参数作为特征矢量,然后通过稀疏表示理论,可以将相同无线环境聚类在一起,提升了无 线环境聚类的精度。无线环境分类是网络自配置、自优化等网络配置依据,网络可以根据不 同的环境类型进行针对性的资源分配,所本文
19、的研究也有助于无线网络的资源分配和参数配置和优化。145150155160参考文献 (References)1 Shin S.-M., Future Plans and Progress of NGMC Forum for B3G Activities, In Proceedings of InternationalConference on Beyond 3G Mobile Communications(ICB3G)2004, Tokyo, 2004, pp. 5.2 3GPP TS 23.234 v6.1.0, 3GPP system to Wireless Local Area Netw
20、ork (WLAN) Interworking (Release 6), Sophia Antipolis, France, 3GPP, 2004.3 D L Donoho. Compressed sensing J. IEEE Trans. on Information Theory. 2006 ,52 (4) :1289-1306. 4 C La, M N Do. Signal reconstruction using sparse tree representation A. Proceedings of SPIE C .5 L. Chun-Guang, G. Jun and Z. Ho
21、ng-gang, Local Sparse Representation Based Classification, in Proc. 2010Pattern Recognition (ICPR), 2010 20th International Conference on, pp. 649-652.6 Y. Shuyuan, H. Yue and Z. Xiangrong, A sparse kernel representation method for image classification, inProc. 2012 Neural Networks (IJCNN), The 2012
22、 International Joint Conference on, pp. 1-7.7 Z. Yuanyuan and Z. Bo, General image classification based on sparse representation, in Proc. 2010 CognitiveInformatics (ICCI), 2010 9th IEEE International Conference on, pp. 223-229.8 Y. Chen, N. M. Nasrabadi and T. D. Tran, Hyperspectral Image Classific
23、ation via Kernel SparseRepresentation, Geoscience and Remote Sensing, IEEE Transactions on, vol.51, pp. 217-231, 2013.9 Y. Shuyuan, H. Yue and Z. Xiangrong, A sparse kernel representation method for image classification, inProc. 2012 Neural Networks (IJCNN), The 2012 International Joint Conference on, pp. 1-7.10 J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry and M. Yi, Robust Face Recognition via SparseRepresentation, Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol.31, pp. 210-227, 2009. 11 尹忠科利用 FFT 实现基于 MP 的信号稀疏分解 J,电子与信息学报2006,28(4):614-618
链接地址:https://www.31doc.com/p-3626040.html