[發明專利]基于貝葉斯神經網絡信道預測的頻分雙工下行傳輸方法

有效

• 申請號: 202011206599.6
• 申請日: 2020-11-03
• 公開（公告）號: CN112311706B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 王少尉;陶志毫
• 申請（專利權）人: 南京大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 江蘇法德東恒律師事務所 32305
• 代理人: 李媛媛

1.基于貝葉斯神經網絡信道預測的頻分雙工下行傳輸方法，其特征在于，該方法的具體步驟為：

步驟1，基站存儲若干個過去的信道狀態信息作為訓練數據，然后利用這些訓練數據來訓練參數初始化后的貝葉斯神經網絡，得到預測用的貝葉斯神經網絡；

步驟2，在下行傳輸過程中，基站先利用步驟1訓練好的貝葉斯神經網絡來預測下一個傳輸時隙的信道狀態信息；到下一傳輸時隙時，基站在上行反饋等待階段，將上述預測的信道狀態信息用于待發送數據的預編碼和傳輸；

步驟3，上行反饋等待階段結束后進入傳輸階段，基站通過反饋回來的信息進行信道估計獲得估計的信道狀態信息，利用該估計的信道狀態信息來傳輸下行數據；同時，基站繼續通過貝葉斯神經網絡預測后一個傳輸時隙的信道狀態信息。

2.根據權利要求1所述的基于貝葉斯神經網絡信道預測的頻分雙工下行傳輸方法，其特征在于，所述步驟2中，利用貝葉斯神經網絡預測時采用單步預測方法，即輸入若干個輸入樣本，貝葉斯神經網絡每次僅預測一個信道狀態信息。

3.根據權利要求1所述的基于貝葉斯神經網絡信道預測的頻分雙工下行傳輸方法，其特征在于，所述步驟1中，訓練貝葉斯神經網絡所需要最小化的目標函數F為：

F＝βE_D(D|θ，R)+αE_θ(θ|R)

其中，α和β分別是目標函數的超參數，E_D(D|θ,R)表示網絡輸出信道狀態信息誤差的平方和：

其中，D表示訓練數據集，u，v和θ分別表示神經網絡的輸入信道狀態信息樣本、輸出信道狀態信息樣本和權重參數；R表示神經網絡架構，N_D表示訓練數據集大小，即訓練樣本的數量，i表示下標索引，其范圍在1～N_D；

E_θ(θ|R)表示貝葉斯神經網絡權重參數的平方和，即正則項：

其中，θ表示神經網絡的權重參數，N_θ表示θ的數量，j表示下標索引，其范圍在1～N_θ。

4.根據權利要求3所述的基于貝葉斯神經網絡信道預測的頻分雙工下行傳輸方法，其特征在于，所述步驟1中，對超參數α和β的值進行多次迭代，得到最優值，超參數α和β最優值的迭代公式為：

其中，γ表示貝葉斯神經網絡經過訓練后的總的有效參數數量；表示正則項E_θ在最大后驗權重值θ_MAP處時的權重平方和，表示誤差平方和E_D在最大后驗權重值θ_MAP處時的網絡輸出誤差平方和。