摘要
5G通信场景下,超大规模MIMO信道状态信息呈现出极高的维度特性。传统处理方法通常直接对这种高维数据进行采样和处理,但由于未能有效识别并剔除其中的冗余信息,导致难以准确提取出真正反映信道状态主要特征的关键信息,进而影响了分类识别的准确性。为此,文章提出一种高效的信道状态特征识别方法。该方法利用基于压缩感知的信道估计技术,从压缩测量结果中恢复出信道状态信息,以此来降低采样和处理的复杂度。针对压缩感知后依然可能存在的较高维度问题,引入主成分分析(PCA)技术对其进行特征降维。PCA通过正交变换将信道状态信息映射至新的特征空间,并选取贡献度最大的特征值对应的特征向量作为主成分,构建出降维后的信道状态特征向量。这一过程有效去除了冗余信息,保留了信道状态的主要特征。将经过PCA降维处理后的信道状态特征向量样本集作为SVM的训练数据。SVM通过寻找一个最优超平面来最大化不同类别样本之间的间隔,从而实现对超大规模MIMO信道状态特征的准确分类识别。实验结果表明,该方法在提升超大规模MIMO信道状态特征识别准确性与全面性的同时,也确保了识别的时效性,为5G通信系统的优化提供了有力支持。
出处
《信息技术与信息化》
2025年第1期48-51,共4页
Information Technology and Informatization
