[發(fā)明專(zhuān)利]一種無(wú)線信道狀態(tài)信息獲取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910817115.2
• 申請(qǐng)日: 2019-08-30
• 公開(kāi)（公告）號(hào): CN110708129B
• 公開(kāi)（公告）日: 2023-01-31
• 發(fā)明（設(shè)計(jì)）人: 高暉;張洪星;粟欣
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京郵電大學(xué)
• 主分類(lèi)號(hào): H04B17/373
• 分類(lèi)號(hào): H04B17/373;H04L25/02;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

一種無(wú)線信道狀態(tài)信息獲取方法，屬于無(wú)線與移動(dòng)通信技術(shù)領(lǐng)域，其特征之一在于，包括以下步驟：對(duì)信道估計(jì)得到的大量信道信息數(shù)據(jù)樣本進(jìn)行統(tǒng)一格式處理，形成訓(xùn)練樣本；將上述樣本數(shù)據(jù)輸入到預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中，得到針對(duì)此數(shù)據(jù)集的一組最優(yōu)的參數(shù)；再輔助以預(yù)測(cè)效果判斷得到當(dāng)前預(yù)測(cè)精度的實(shí)際狀態(tài)，如若預(yù)測(cè)精度不滿(mǎn)足需求，則訓(xùn)練進(jìn)一步優(yōu)化參數(shù)；預(yù)測(cè)網(wǎng)絡(luò)所得的信道狀態(tài)信息將應(yīng)用于發(fā)端。其特征之二在于，所提出的自適應(yīng)結(jié)構(gòu)超限學(xué)習(xí)機(jī)(Adaptive Structure Extreme Learning Machine,ASELM)算法，該算法可以自適應(yīng)的調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)匹配信道數(shù)據(jù)的變化特點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種無(wú)線信道狀態(tài)信息獲取方法，屬于無(wú)線與移動(dòng)通信技術(shù)領(lǐng)域。

背景技術(shù)

以無(wú)人機(jī)通信場(chǎng)景為例，近年來(lái)，無(wú)人機(jī)被廣泛應(yīng)用于社會(huì)生產(chǎn)生活的諸多領(lǐng)域。在一些聯(lián)合探測(cè)任務(wù)中，為了是無(wú)人機(jī)群更加有效的協(xié)同配合，無(wú)人機(jī)之間需要共享一些數(shù)據(jù)，因此，無(wú)人機(jī)之間有較多的通信需求。信道狀態(tài)信息是無(wú)人機(jī)之間進(jìn)行通信傳輸?shù)囊粋€(gè)關(guān)鍵參數(shù)。但是移動(dòng)狀態(tài)下信道狀態(tài)變化很快，由于信道估計(jì)過(guò)程中的反饋時(shí)延，所得的信道狀態(tài)信息存在過(guò)期的問(wèn)題，這個(gè)問(wèn)題會(huì)導(dǎo)致通信的中斷。因此，高動(dòng)態(tài)性給信道估計(jì)帶來(lái)了巨大挑戰(zhàn)，而信道預(yù)測(cè)為解決這類(lèi)問(wèn)題提供了潛在的可能性。為了解決以上問(wèn)題，研究者在信道預(yù)測(cè)中投入了大量的精力。在傳統(tǒng)的傳輸方案中，基于信道估計(jì)得到的歷史信道狀態(tài)信息的信道預(yù)測(cè)起到了提升系統(tǒng)性能的效果。

研究人員設(shè)計(jì)了一些信道預(yù)測(cè)算法，經(jīng)典的自回歸(Autoregressive,AR)算法中信道沖激響應(yīng)是用歷史信道狀態(tài)信息的線性組合來(lái)表示的，但是AR算法不能適應(yīng)無(wú)人機(jī)通信過(guò)程中高多普勒頻偏對(duì)信道預(yù)測(cè)效果明顯有所下降。另外回聲狀態(tài)網(wǎng)絡(luò)(Echo StateNetworks,ESN)也被用于預(yù)測(cè)瑞利信道的狀態(tài)變化。然而從仿真效果上來(lái)看，ESN算法在無(wú)人機(jī)通信場(chǎng)景中的表現(xiàn)依然難以保證通信的可靠性。不同于AR和ESN算法，ASELM算法能夠在預(yù)測(cè)過(guò)程中自適應(yīng)的調(diào)整自身的預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)應(yīng)對(duì)無(wú)人機(jī)通信過(guò)程中信道狀態(tài)快速多變的問(wèn)題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明考慮了自適應(yīng)調(diào)整預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并基于ELM算法提出了ASELM信道預(yù)測(cè)算法。其特征在于，所述算法含有以下過(guò)程，改進(jìn)的ELM算法進(jìn)行信道信息獲取主要包括如下兩個(gè)步驟：

訓(xùn)練過(guò)程：設(shè)定需求預(yù)測(cè)精度，設(shè)定預(yù)測(cè)窗口的長(zhǎng)度，算法通過(guò)設(shè)定一定長(zhǎng)度的預(yù)測(cè)窗口和預(yù)測(cè)窗口的滑動(dòng)步長(zhǎng)來(lái)取得良好的預(yù)測(cè)效果，經(jīng)過(guò)訓(xùn)練，算法可以根據(jù)預(yù)測(cè)的精度需求自適應(yīng)的調(diào)節(jié)其內(nèi)部的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而實(shí)現(xiàn)預(yù)測(cè)精度和預(yù)測(cè)時(shí)間聯(lián)合優(yōu)化，由于滿(mǎn)足需求的隱藏神經(jīng)元個(gè)數(shù)在一定區(qū)間內(nèi)預(yù)測(cè)誤差相近；因此，可以認(rèn)為在一定隱藏神經(jīng)元數(shù)量區(qū)間內(nèi)，任意隱藏神經(jīng)元數(shù)量值處的預(yù)測(cè)結(jié)果可以近似認(rèn)為是整個(gè)組所有隱藏神經(jīng)元數(shù)量值的對(duì)應(yīng)的預(yù)測(cè)效果；故而可以采取分組搜索的方式(此處設(shè)置一定區(qū)間內(nèi)相鄰隱藏神經(jīng)元數(shù)量值為一組，每一組內(nèi)任取隱藏神經(jīng)元數(shù)量值為典型值)進(jìn)行最佳隱藏神經(jīng)元個(gè)數(shù)的快速搜索，通過(guò)對(duì)比不同隱藏神經(jīng)元數(shù)量典型值所對(duì)應(yīng)的測(cè)試集的NMSE值，來(lái)判定是否該典型值的預(yù)測(cè)效果達(dá)到了需求預(yù)測(cè)精度；如果達(dá)到需求預(yù)測(cè)精度則立即停止搜索新的參數(shù)，即找到滿(mǎn)足精度需求的最小的典型值，實(shí)驗(yàn)證明，該訓(xùn)練過(guò)程所需時(shí)間小于1秒。

預(yù)測(cè)過(guò)程：將算法的參數(shù)數(shù)設(shè)置為上面訓(xùn)練過(guò)程中得到的典型值，輸出無(wú)人機(jī)平臺(tái)間通信場(chǎng)景的信道預(yù)測(cè)結(jié)果；經(jīng)驗(yàn)證，每一個(gè)節(jié)點(diǎn)的預(yù)測(cè)時(shí)間一般小于0.1秒。

根據(jù)本發(fā)明的方法，通過(guò)對(duì)信道插入導(dǎo)頻進(jìn)行信道估計(jì)來(lái)獲取信道狀態(tài)信息數(shù)據(jù)作為所提算法的訓(xùn)練集，提取出信道狀態(tài)數(shù)據(jù)的有關(guān)特征。在實(shí)際通信過(guò)程中，結(jié)合發(fā)送導(dǎo)頻的方式，就可以使得信道預(yù)測(cè)與信道估計(jì)有效結(jié)合在一起，從而在數(shù)據(jù)發(fā)送過(guò)程中保證發(fā)端對(duì)信道狀態(tài)的掌握。同時(shí)由于充分利用了信道狀態(tài)信息的歷史數(shù)據(jù)，所以可以避免信道狀態(tài)過(guò)期帶來(lái)的問(wèn)題，有效克服了通信環(huán)境變化帶來(lái)的信道狀態(tài)快速多變的困難。

附圖說(shuō)明

圖1是所提無(wú)線信道狀態(tài)信息獲取方法的算法流程圖