一种针对复杂无线网络环境变化的信道预测方法技术

本发明专利技术公开了一种针对复杂无线网络环境变化的信道预测方法，涉及信道预测技术领域。本发明专利技术S1：获取无线网络环境变化情况：开启NetFlow来获取RMONll流量，使用源和目的端点的IP地址和传输层端口号、协议类型、服务类型以及输入接口来标记网络流，从而获取无线网络环境下的流量变化情况；S2：根据流量变化情况形成构成受干扰环境信道信息、起始时信道信息和衰落时信道信息。本发明专利技术通过方法的设计，从而便于对复杂的无线网络的使用环境进行分析从而确认不同信道实时的状况，并对分析后的无线网络的使用环境同时采用多种基于不同算法进行同步预测估计，并将估计数值进行统计，从而更加精准的获取预测值。而更加精准的获取预测值。

【技术实现步骤摘要】
一种针对复杂无线网络环境变化的信道预测方法


[0001]本专利技术涉及信道预测
，具体为一种针对复杂无线网络环境变化的信道预测方法。

技术介绍

[0002]信息是抽象的，但传送信息必须通过具体的媒质，而信道是信号传输的媒介，所有信道都有一个输入集A，一个输出集B以及两者之间的联系，如条件概率P(y
│
x)，x∈A，y∈B，这些参量可用来规定一条信道，为了对信道的效果进行预测会采用到对应的方法；
[0003]但是当随着社会的快速发展，现有的无线网路环境进一步的复杂，大大的提高了对信道进行预测的难度，现有技术下的方法存在以下技术不足：往往不便于应用在对复杂的无线网络环境变化进行获取，从而使得信道预测的精度受限；
[0004]因此需要对以上问题提出一种新的解决方案。

技术实现思路

[0005]本专利技术的目的在于提供一种针对复杂无线网络环境变化的信道预测方法，以解决
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种针对复杂无线网络环境变化的信道预测方法，至少包括以下步骤：
[0007]S1：获取无线网络环境变化情况：开启NetFlow来获取RMONll流量，使用源和目的端点的IP地址和传输层端口号、协议类型、服务类型以及输入接口来标记网络流，从而获取无线网络环境下的流量变化情况；
[0008]S2：根据流量变化情况形成构成受干扰环境信道信息、起始时信道信息和衰落时信道信息；
[0009]S3：将受干扰环境信道信息匹配至对应的预测设计，并获取对应的预测；
[0010]S4：将起始时信道信息匹配至对应的预测设计，并获取对应的预测；
[0011]S5：将衰落时信道信息匹配至对应的预测设计，并获取对应的预测；
[0012]S6：将S3、S4、S5获得预测进行统计，获得完整的预测。
[0013]优选的，所述S3中预测设计包括：
[0014]将信道信息分别为两个状态集合和3个概率矩阵，x＝(S，O，x，A，B)；
[0015]S为HMM中的隐含状态，S＝{Si，i＝1，2，3，
…
，N}；
[0016]O为观测状态，与隐含状态相关联，O＝{Oj，j＝1，2，3，
…
，M}；
[0017]A描述HMM模型中各个隐含状态之间的转移概率，为N阶方阵，即A＝{aij＝P(Sj|Si)，0<i，j<N)，表示在t时刻状态为Si的条件下，在t+1时刻状态是Sj的概率；
[0018]B为N
×
M混淆矩阵，表示状态为xj时观测值为ok的概率，即B＝{bij＝P(Oi|Sj，1≤isM，1≤j≤N}；
[0019]x为初始概率分布，x＝{xi，i＝1，2，
…
，N}；
[0020]在HMM的模型参数1＝(A，B，x)的情况下，根据对参数的评估与离散化，得到O＝{，i＝1，2，3，
…
，10}，利用时间段T内测量得到的信道状态si作为初始样本，为了得到A和B采用Baum
‑
Welch算法对HMM进行训练，初始概率x由初始样本直接计算所得，再按式
[0021][0022]算t时刻(t＝0，1，2，
…
，T)，状态转移为数学期望；
[0023]第二个变量定义为后验概率，在给定隐马尔科夫模型的观察状态序列，并且已知HMM的情况下，t时状态i的概率，即：
[0024][0025]需要不断更新HMM的参数，从而使得P(O|λ)最大。需要假设HMM的参数，假设初始值为λ＝{π，A，B}，首先需要计算前向变量α以及后向变量β；
[0026]π＝γ1(i),1≤i≤N；
[0027][0028][0029]再根据上述公式更新HMM参数；
[0030]反复进行上述迭代过程，并根据前后两次由Viterbi算法得到的max[δ
k
‑1，(i)]的差值是否小于阈值ω来终止此过；
[0031]在该算法结束后，可以获得经过HMM的确定的最后参数，即A、B、π，下一个时间段内的信道状态可由式行预测；
[0032][0033]则对应的观测值按照下式计算：
[0034][0035]对于下一时间段的F按照RSSL的值由下式获得；
[0036][0037]优选的，所述S4中预测设计采用LMMSE算法。
[0038]优选的，所述S5中预测设计采用时域插值算法。
[0039]与现有技术相比，本专利技术的有益效果是：
[0040]本专利技术通过方法的设计，从而便于对复杂的无线网络的使用环境进行分析从而确认不同信道实时的状况，并对分析后的无线网络的使用环境同时采用多种基于不同算法进行同步预测估计，并将估计数值进行统计，从而更加精准的获取预测值。
具体实施方式
[0041]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0042]一种针对复杂无线网络环境变化的信道预测方法，至少包括以下步骤：
[0043]S1：获取无线网络环境变化情况：开启NetFlow来获取RMONll流量，使用源和目的端点的IP地址和传输层端口号、协议类型、服务类型以及输入接口来标记网络流，从而获取无线网络环境下的流量变化情况；
[0044]S2：根据流量变化情况形成构成受干扰环境信道信息、起始时信道信息和衰落时信道信息；
[0045]S3：将受干扰环境信道信息匹配至对应的预测设计，并获取对应的预测；
[0046]S4：将起始时信道信息匹配至对应的预测设计，并获取对应的预测；
[0047]S5：将衰落时信道信息匹配至对应的预测设计，并获取对应的预测；
[0048]S6：将S3、S4、S5获得预测进行统计，获得完整的预测。
[0049]S3中预测设计包括：
[0050]将信道信息分别为两个状态集合和3个概率矩阵，x＝(S，O，x，A，B)；
[0051]S为HMM中的隐含状态，S＝{Si，i＝1，2，3，
…
，N}；
[0052]O为观测状态，与隐含状态相关联，O＝{Oj，j＝1，2，3，
…
，M}；
[0053]A描述HMM模型中各个隐含状态之间的转移概率，为N阶方阵，即A＝{aij＝P(Sj|Si)，0<i，j<N)，表示在t时刻状态为Si的条件下，在t+1时刻状态是Sj的概率；
[0054]B为N
×
M混淆矩阵，表示状态为xj时观测值为ok的概率，即B＝{bij＝P(Oi|Sj，1≤isM，1≤j≤N}；
[0055]x为初始概率分布，x＝{xi，i＝1，2，
…
，N}；
[0056]在HMM的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对复杂无线网络环境变化的信道预测方法，其特征在于：至少包括以下步骤：S1：获取无线网络环境变化情况：开启NetFlow来获取RMONll流量，使用源和目的端点的IP地址和传输层端口号、协议类型、服务类型以及输入接口来标记网络流，从而获取无线网络环境下的流量变化情况；S2：根据流量变化情况形成构成受干扰环境信道信息、起始时信道信息和衰落时信道信息；S3：将受干扰环境信道信息匹配至对应的预测设计，并获取对应的预测；S4：将起始时信道信息匹配至对应的预测设计，并获取对应的预测；S5：将衰落时信道信息匹配至对应的预测设计，并获取对应的预测；S6：将S3、S4、S5获得预测进行统计，获得完整的预测。2.根据权利要求1所述的一种针对复杂无线网络环境变化的信道预测方法，其特征在于：所述S3中预测设计包括：将信道信息分别为两个状态集合和3个概率矩阵，x＝(S，O，x，A，B)；S为HMM中的隐含状态，S＝{Si，i＝1，2，3，
…
，N}；O为观测状态，与隐含状态相关联，O＝{Oj，j＝1，2，3，
…
，M}；A描述HMM模型中各个隐含状态之间的转移概率，为N阶方阵，即A＝{aij＝P(Sj|Si)，0<i，j<N)，表示在t时刻状态为Si的条件下，在t+1时刻状态是Sj的概率；B为N
×
M混淆矩阵，表示状态为xj时观测值为ok的概率，即B＝{bij＝P(Oi|Sj，1≤isM，1≤j≤N}；x为初始概率分布，x＝{xi，i＝1，2，<...

【专利技术属性】
技术研发人员：杨毅，
申请(专利权)人：北京杰瑞创通科技有限公司，
类型：发明
国别省市：