高速铁路专用无线通信频带内干扰建模研究

摘要

高速铁路系统在当今运输系统中扮演着极其重要的角色。对于铁路系统而言，无线通信承担了列车与地面控制台以及列车内部各个设备之间的信息交换的工作。两者在列车的控制和调度方面起到了决定性的作用，直接影响高速铁路系统的安全性，所以高速铁路环境下无线信道的质量对列车的安全行驶和乘客的出行体验都起到了重要作用。数据挖掘能够从海量的、有缺失的、有噪声的、随机的、真实的非结构化数据和半结构化数据中提取处有用的知识。本文针对影响高速铁路无线通信性能的两个主要因素，通过数据挖掘手段分析高速铁路无线信道以及无线通信频带内干扰的数据特征，将高速铁路无线信道建模与数据挖掘技术结合在一起，通过数据挖掘手段来分析高速铁路无线信道的数据，并从中提取出有用的信息，使高速铁路无线通信系统模型更加完整。
　　本文的主要工作包括以下内容:首先介绍了数据挖掘和高速铁路无线通信的研究背景和意义，以及两者之间的联系。然后从基本理论方面介绍了移动无线信道的传播特性，数据挖掘技术，还有在数据挖掘技术与信道模型和带内干扰分析的关系。接着对多径衰落信道模型仿真来探索无线信道测量方案并验证方案的可行性，分析了不同信道参数对多径衰落信道的时域响应的影响。之后用无线信道的测量系统测量了高速铁路无线信道数据以及无线通信频带内干扰数据。并且基于高铁无线信道的测量数据，对测量数据进行了数据挖掘。最后分析了无线通信频带内干扰的数据特征，对接收信号的时域数据进行了时间序列分析。
　　本文主要贡献主要体现在以下方面:基于传统理论方法无线信道建模方法难以找到各环境因素的关联性，也难以得到信道特性的趋势预测，而且通过统计采样构建的模型也难以反应完整的信道模型。为了克服传统理论方法的局限性引出了数据挖掘技术，基于高速铁路无线信道多径分量数据、频域数据、工况——频偏数据进行数据挖掘。分别使用分类回归决策树(Classification And Regression Tree，CART)、反向传播(Back Propagation，BP)神经网络以径向基函数(Radial Basis Function，RBF)神经网络对不同类型数据进行分类处理，构造出能够通过数据预测工况的模型，并比较了它们之间的性能差异。采用聚类对频域数据和多径数据进行离群点分析，多径数据的离群点标记为多径分量，实现了信道时域响应多径分量的提取。

目录

声明

致谢

摘要

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 高速铁路无线通信的国内外研究现状

1．2．2 数据挖掘的国内外研究现状

1．2．3 数据挖掘在高速铁路无线信道中的应用

1．3 本文研究内容

2 无线信道传播特性与数据挖掘

2．1 高速铁路无线信道传播特性

2．1．1 大尺度衰落

2．2．2 小尺度衰落

2．3．1 无线衰落信道统计模型

2．2 数据挖掘

2．2．1 数据挖掘概念

2．2．2 数据挖掘对象

2．2．3 数据挖掘模式

2．2．4 数据挖掘步骤

2．3 数据挖掘与信道模型和无线信道频带内干扰的关系

2．4 本章小结

3 多径衰落信道仿真及测量

3．1 多径衰落信道物理模型

3．2 多径衰落仿真方案

3．2．1 多普勒滤波器

3．2．2 信道仿真器

3．3 相关信道参数调整及结果分析

3．3．1 发射信号类型

3．3．2 多径时延

3．3．3 多径数量

3．3．4 结果分析

3．4 常见无线信道测量方法

3．4．1 直接射频脉冲系统

3．4．2 扩频滑动相关器信道检测

3．4．3 频域信道探测

3．5 无线信道测量方案

3．4．1 无线信道测量原理

3．4．2 无线信道测量系统

3．6 无线信道测量数据

3．7 本章小结

4 高速铁路无线信道数据分析

4．1 原始数据

4．2 数据预处理

4．2．1 数据统计特性分析

4．2．2 数据清理

4．2．3 数据集成

4．2．3 数据变换

4．2．3 数据规约

4．3 数据挖掘模式

4．3．1 决策树

4．3．2 神经网络

4．3．3 聚类

4．4 时域数据的时间序列分析

4．4．1 时域数据的预处理

4．4．2 时域数据的时间序列分析

4．5 本章小结

5 结论

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集