[發(fā)明專利]一種利用寬帶大規(guī)模天線陣列空間特性的信道預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110294794.7
• 申請(qǐng)日: 2021-03-19
• 公開（公告）號(hào): CN113067652B
• 公開（公告）日: 2023-02-14
• 發(fā)明（設(shè)計(jì)）人: 王聞今;吳馳;朱一鳴;鄭奕飛;張帥;尤力
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): H04B17/373
• 分類號(hào): H04B17/373;H04B7/0413
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 徐激波

1.一種利用寬帶大規(guī)模天線陣列空間特性的信道預(yù)測(cè)方法，其特征在于，包括以下步驟：

(1)篩選信道矩陣的主要元素：

首先將接收到的天線頻率域信道處理為矩陣形式，通過反傅里葉變換將其變換為角度時(shí)延域信道響應(yīng)矩陣；

然后基于角度時(shí)延域信道響應(yīng)矩陣的稀疏性，根據(jù)接收的信噪比自適應(yīng)選擇能量最大的多個(gè)信道元素作為信道的主要元素，其余的元素作為信道的非主要元素；

(2)對(duì)主要信道元素進(jìn)行預(yù)測(cè)包括以下兩種方法：

方法一、構(gòu)建空時(shí)自回歸信道預(yù)測(cè)器，所述空時(shí)自回歸信道預(yù)測(cè)模型是一個(gè)線性模型，輸入為角度時(shí)延域主要信道元素以及其在角度域或時(shí)延域上相鄰的信道元素的歷史時(shí)刻的信道序列，通過模型參數(shù)的線性加權(quán)求和，輸出為角度時(shí)延域主要信道元素的當(dāng)前時(shí)刻的值；

利用最近的歷史時(shí)刻信道值計(jì)算空時(shí)自回歸信道預(yù)測(cè)器的模型參數(shù)，并對(duì)信道的主要元素進(jìn)行預(yù)測(cè)；

方法二、構(gòu)建神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器，所述神經(jīng)網(wǎng)絡(luò)的基于為復(fù)數(shù)的全連接層，由輸入層、發(fā)生器模塊、壓縮器模塊以及輸出層級(jí)聯(lián)組成；網(wǎng)絡(luò)的輸入為角度時(shí)延域主要信道元素的歷史時(shí)刻的信道值，輸出為主要信道元素在當(dāng)前時(shí)刻以及未來的值；

訓(xùn)練神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器，具體為構(gòu)建網(wǎng)絡(luò)的訓(xùn)練集，其由多個(gè)不同信道樣本的主要元素的歷史時(shí)刻值作為數(shù)據(jù)集，對(duì)應(yīng)的主要元素的當(dāng)前或者未來時(shí)刻值作為標(biāo)簽集組成，接著在訓(xùn)練集上訓(xùn)練神經(jīng)網(wǎng)絡(luò)直至收斂；

(3)使用信道預(yù)測(cè)器預(yù)測(cè)信道，具體為僅使用信道預(yù)測(cè)器對(duì)角度時(shí)延域信道響應(yīng)矩陣中的主要信道元素進(jìn)行逐個(gè)元素的信道預(yù)測(cè)，而非主要的信道元素的預(yù)測(cè)值直接設(shè)置為0；

對(duì)于方法一中所述空時(shí)自回歸信道預(yù)測(cè)器，輸入為歷史時(shí)刻的信道值，輸出為下一時(shí)刻的信道預(yù)測(cè)值，接著使用信道的預(yù)測(cè)值以及歷史時(shí)刻的值，對(duì)信道進(jìn)行連續(xù)的預(yù)測(cè)；

對(duì)于方法二中所述神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器，輸入為歷史時(shí)刻信道值，直接輸出下一時(shí)刻或者未來多個(gè)時(shí)刻的信道值；

大規(guī)模MIMO上行傳輸系統(tǒng)，基站側(cè)配置均勻面陣，天線之間的間隔為半波長(zhǎng)，行天線數(shù)量為N，列天線數(shù)量為M，基站側(cè)天線總數(shù)記為N_a＝MN；用戶終端側(cè)配置單根的全向天線；給定三維空間中到達(dá)角，其被分解為俯仰角0≤θ≤π以及方位角相應(yīng)的三維陣列響應(yīng)矢量表示為：

其中，表示克羅內(nèi)克積；

其中，表示虛數(shù)單位，[·]^T表示矢量或者矩陣轉(zhuǎn)置，e是自然常數(shù)；

在傳輸之前，信號(hào)經(jīng)過子載波個(gè)數(shù)為N_c，循環(huán)前綴長(zhǎng)度為N_g的正交頻復(fù)用技術(shù)調(diào)制，并且N_g＜N_c；OFDM系統(tǒng)的采樣間隔為T_s，信號(hào)帶寬為B＝1/T_s；OFDM的符號(hào)持續(xù)時(shí)間記為T_c＝N_cT_s，循環(huán)前綴持續(xù)時(shí)間記為T_g＝N_gT_s；給定時(shí)延0＜τ≤τ_max，相應(yīng)的時(shí)延響應(yīng)矢量表示為

當(dāng)用戶終端相對(duì)基站移動(dòng)時(shí)，時(shí)變的空間頻率域信道表示為全空間上路徑的疊加

其中，以及分別角度-時(shí)延元組對(duì)應(yīng)的路徑的復(fù)數(shù)增益、多普勒頻率以及初始相位；

一種利用寬帶大規(guī)模天線陣列空間特性的信道預(yù)測(cè)方法，具體包括以下步驟：

S1基站側(cè)配置大規(guī)模天線陣列，在上行鏈路中通過導(dǎo)頻發(fā)射、信道估計(jì)、信號(hào)處理獲得角度時(shí)延域信道響應(yīng)矩陣，并根據(jù)信噪比選擇信道矩陣的主要元素；

S2構(gòu)建空時(shí)自回歸信道預(yù)測(cè)器，其輸入為角度時(shí)延域主要信道元素以及其在角度域或時(shí)延域上相鄰的信道元素的歷史時(shí)刻的信道序列，通過模型參數(shù)的線性加權(quán)求和，輸出為角度時(shí)延域主要信道元素的當(dāng)前時(shí)刻的信道值；

S3利用最近的歷史時(shí)刻信道值計(jì)算空時(shí)自回歸信道預(yù)測(cè)器的模型參數(shù)，并對(duì)信道的主要元素進(jìn)行預(yù)測(cè)；

S4構(gòu)建神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器，所用神經(jīng)網(wǎng)絡(luò)的基于為復(fù)數(shù)的全連接層，由輸入層、發(fā)生器模塊、壓縮器模塊以及輸出層級(jí)聯(lián)組成；

S5訓(xùn)練神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器，具體為構(gòu)建網(wǎng)絡(luò)的訓(xùn)練集，其由多個(gè)不同信道樣本的主要元素的歷史時(shí)刻值作為數(shù)據(jù)集，對(duì)應(yīng)的主要元素的當(dāng)前或者未來時(shí)刻值作為標(biāo)簽集組成，接著在訓(xùn)練集上訓(xùn)練神經(jīng)網(wǎng)絡(luò)直至收斂；

S6利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器對(duì)信道的主要元素進(jìn)行預(yù)測(cè)；

步驟S1包含以下步驟：

S1.1定義以及為相移的離散傅里葉變換矩陣，其第(m,n)個(gè)元素分別為以及定義為DFT矩陣的前N_g列，其第(m,n)個(gè)元素為通過離散傅里葉反變換，將時(shí)變空間頻率域信道響應(yīng)矩陣G_k(t)變換為角度時(shí)延域信道響應(yīng)矩陣：

其中，表示克羅內(nèi)克積，(·)^H和(·)^*表示矩陣的共軛轉(zhuǎn)置；

S1.2定義帶有噪聲的估計(jì)信道：

其中，代表噪聲污染，其元素服從獨(dú)立同分布的均值為0方差為的高斯分布；此時(shí)估計(jì)信道的信噪比表示為：

其中i,j是累加運(yùn)算中被累加元素的下標(biāo)；

基于角度時(shí)延域信道稀疏性，真實(shí)信道的能量約等于主要信道元素的能量之和，而噪聲的總能量約等于非主要信道元素的能量之和；主要信道元素能量之和與噪聲信道總能量的比值λ近似為：

定義角度時(shí)延域信道響應(yīng)矩陣的主要元素的下標(biāo)的集合為其中N_s＝|Ω_s|表示主要元素的個(gè)數(shù)；接著根據(jù)以下準(zhǔn)則選擇能量最大的多個(gè)信道元素作為主要信道元素：

步驟S2包含以下步驟：

S2.1實(shí)際系統(tǒng)中，通過導(dǎo)頻獲取到的信道往往是離散的；設(shè)信道的探測(cè)周期為ΔT,那么第k個(gè)用戶在時(shí)刻t＝nΔT時(shí)的信道表示為：

當(dāng)基站測(cè)配置均勻面陣時(shí)，解耦得到的角度時(shí)延域包含三個(gè)實(shí)際的物理維度：俯仰角、方位角以及時(shí)延；為了確定在這三個(gè)維度上相鄰信道元素，將二維的角度時(shí)延與信道響應(yīng)矩陣H_k重塑為三維的角度時(shí)延域信道響應(yīng)張量

其中下標(biāo)(q,i,j)分別表示第q個(gè)俯仰角、第i個(gè)方位角以及第j個(gè)時(shí)延；相應(yīng)的，角度時(shí)延域信道響應(yīng)張量的主要元素的下標(biāo)的集合為其中并且(i_s,j_s)∈Ω_s，其中表示不大于x的最大整數(shù)，·_N表示模-N運(yùn)算；

S2.2構(gòu)建空時(shí)自回歸信道預(yù)測(cè)器；以時(shí)刻n的角度時(shí)延域信道響應(yīng)張量第(q,i,j)個(gè)元素[T_k[n]]_q,i,j的預(yù)測(cè)為例，使用V₁、V₂、H₁、H₂、D₁、D₂表示該元素的相鄰元素的下標(biāo)的范圍，階數(shù)為P的空時(shí)自回歸的信道預(yù)測(cè)器表示為

其中，表示空時(shí)自回歸信道預(yù)測(cè)器的參數(shù)，其數(shù)量表示為P′＝(V₂-V₁+1)(H₂-H₁+1)(D₂-D₁+1)P；

步驟S3包含以下步驟：

S3.1首先利用最小化均方誤差的準(zhǔn)則求解空時(shí)自回歸信道預(yù)測(cè)器模型參數(shù)最優(yōu)的閉式解；將表達(dá)式(13)改寫成矩陣的形式

其中，和分別定義為

其中p′是輔助表達(dá)的下標(biāo)，表示為

p′＝(v-V₁)(H₂-H₁+1)(D₂-D₁+1)P+(h-H₁)(D₂-D₁+1)P+(d-D₁)P+p-1 (17)

接著，使用最小均方誤差準(zhǔn)測(cè)計(jì)算空時(shí)自回歸信道預(yù)測(cè)器的參數(shù)矢量表示為

根據(jù)正交準(zhǔn)則，最優(yōu)的參數(shù)估計(jì)值滿足

求解上式，得到

其中

S3.2接著，利用最近的歷史信道數(shù)據(jù)估計(jì)式(20)中的R_q,i,j以及v_q,i,j；根據(jù)式(21)以及式(22)，R_q,i,j和v_q,i,j由第(q,i,j)個(gè)信道元素的自相關(guān)函數(shù)以及其與相鄰信道元素的互相關(guān)函數(shù)構(gòu)成；給定長(zhǎng)度為S的歷史時(shí)刻信道數(shù)據(jù)其中S＞P，通過取平均的方法，信道元素的自相關(guān)函數(shù)以及互相關(guān)函數(shù)用下式估計(jì)：

其中，當(dāng)(q,i,j)＝(q′,i′,j′)表示自相關(guān)函數(shù)的估計(jì)值，當(dāng)(q,i,j)≠(q′,i′,j′)表示互相關(guān)函數(shù)的估計(jì)值；如此，R_q,i,j和v_q,i,j中的每個(gè)元素都通過估計(jì)對(duì)應(yīng)的自相關(guān)函數(shù)/互相關(guān)函數(shù)獲得；

S3.3在進(jìn)行信道預(yù)測(cè)時(shí)，首先根據(jù)式(10)篩選信道的主要元素；接著，針對(duì)主要信道元素，利用式(23)估算相應(yīng)的自相關(guān)/互相關(guān)函數(shù)，得到R_q,i,j和v_q,i,j；最后，利用式(20)計(jì)算空時(shí)自回歸信道預(yù)測(cè)器的模型參數(shù)，利用式(13)對(duì)下一時(shí)刻的信道進(jìn)行預(yù)測(cè)；對(duì)于連續(xù)的長(zhǎng)度為L(zhǎng)的信道預(yù)測(cè)，首先利用前P個(gè)探測(cè)周期的信道序列{T_k[n-P],T_k[n-P+1],…,T_k[n-1]}作為輸入預(yù)測(cè)第n個(gè)時(shí)刻的信道接著，使用前P-1個(gè)時(shí)刻信道和第n個(gè)時(shí)刻預(yù)測(cè)的信道作為輸入預(yù)測(cè)第n+1時(shí)刻的信道每次新的預(yù)測(cè)都使用到過去時(shí)刻的預(yù)測(cè)值，直到預(yù)測(cè)出

步驟S4包含以下步驟：

S4.1對(duì)于構(gòu)建神經(jīng)網(wǎng)絡(luò)信道預(yù)測(cè)器，首先描述神經(jīng)網(wǎng)絡(luò)的輸入輸出形式；以時(shí)刻n的角度時(shí)延域信道響應(yīng)矩陣第(i,j)個(gè)元素[H_k[n]]_i,j的預(yù)測(cè)為例，為了使復(fù)數(shù)的信道值符合神經(jīng)網(wǎng)絡(luò)的輸入輸出格式，首先將[H_k[n]]_i,j的實(shí)部和虛部拆開組合成二維的實(shí)向量：

其中，和分別表示對(duì)復(fù)數(shù)取實(shí)部和虛部；

隨后使用前P時(shí)刻的時(shí)間序列{b_k,i,j[n-P],b_k,i,j[n-P+1],…,b_k,i,j[n-1]}作為神經(jīng)網(wǎng)絡(luò)的輸入；所使用的神經(jīng)網(wǎng)絡(luò)采用復(fù)數(shù)值神經(jīng)網(wǎng)絡(luò)，其表示為非線性函數(shù)f_CVNN(·)，因此神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的預(yù)測(cè)過程表示為

S4.2 CVNN網(wǎng)絡(luò)f_CVNN(·)的整體結(jié)構(gòu)，包括以CVFL為基礎(chǔ)單元構(gòu)建輸入層、發(fā)生器模塊、壓縮器模塊以及輸出層；發(fā)生器模塊包括四層神經(jīng)元個(gè)數(shù)成倍遞增的CVFL層，用于將輸入層數(shù)據(jù)投影到高維空間中，解耦輸入數(shù)據(jù)之間的空間相關(guān)性；壓縮器模塊包括三層神經(jīng)元個(gè)數(shù)成倍遞減的CVFL層，用于將發(fā)生器模塊輸出的高維特征進(jìn)行壓縮，去除冗余的特征；輸入層和輸出層均為一層的CVFL。輸；層之前CVFL層之間采用復(fù)數(shù)全連接來連接底層的復(fù)數(shù)乘法和復(fù)數(shù)激活依次級(jí)聯(lián)而成；壓縮器模塊與輸出層之間的連接方式為不帶復(fù)數(shù)激活的CVFC；

S4.3 CVFC由復(fù)數(shù)的乘法以及復(fù)數(shù)的激活函數(shù)級(jí)聯(lián)而成；具體而言，給定復(fù)數(shù)的權(quán)重矩陣以及復(fù)數(shù)的輸入特征向量那么復(fù)數(shù)的乘法表示為

其中，W′和h′分別為W和h對(duì)應(yīng)的實(shí)數(shù)值的權(quán)重矩陣和向量；基于此，在構(gòu)建神經(jīng)網(wǎng)絡(luò)的時(shí)候，將權(quán)重矩陣以及特征向量的實(shí)部虛度拆開為實(shí)數(shù)矩陣/向量，在前向傳播以及反向傳播的時(shí)候以式(26)中的實(shí)數(shù)的乘法代替復(fù)數(shù)的乘法；在復(fù)數(shù)的矩陣乘法之后，接上復(fù)數(shù)的激活函數(shù)以引入非線性特性；采用復(fù)數(shù)值的CReLU作為復(fù)數(shù)的激活函數(shù)；具體而言，給定復(fù)數(shù)值z(mì)，CReLU對(duì)其實(shí)部以及虛部進(jìn)行分別的ReLU激活

步驟S5具體為：由于角度時(shí)延域信道響應(yīng)矩陣中的非主要元素幾乎不包含時(shí)間相關(guān)性的信息，因此使用主要元素構(gòu)建訓(xùn)練集使得網(wǎng)絡(luò)的訓(xùn)練更加有效；假設(shè)在訓(xùn)練階段使用到的角度時(shí)延域信道響應(yīng)矩陣序列的個(gè)數(shù)為K_train，每個(gè)信道序列中主要元素的個(gè)數(shù)為N_s；使用θ表示CVNN中可訓(xùn)練的參數(shù)，訓(xùn)練中的損失函數(shù)表示為

其中，||·||₁表示l₁-范數(shù)，計(jì)算為向量中各個(gè)元素絕對(duì)值之和，表示根據(jù)式(10)選擇的第k個(gè)信道矩陣的主要元素；

所述步驟S6具體為：在進(jìn)行信道預(yù)測(cè)時(shí)，首先根據(jù)式(10)篩選信道的主要元素；接著利用式(25)中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)當(dāng)前信道進(jìn)行預(yù)測(cè)；對(duì)于連續(xù)的長(zhǎng)度為L(zhǎng)的信道預(yù)測(cè)，由于網(wǎng)絡(luò)的輸出的長(zhǎng)度是可更改的，因此在網(wǎng)絡(luò)構(gòu)建時(shí)將網(wǎng)絡(luò)的輸出的長(zhǎng)度修改為L(zhǎng)，即

其中，f_CVNN-L(·)表示連續(xù)的長(zhǎng)度為L(zhǎng)的信道預(yù)測(cè)的CVNN的函數(shù)，其在輸出層之前的網(wǎng)絡(luò)結(jié)構(gòu)與f_CVNN(·)相同，不同的是f_CVNN-L(·)輸出層的長(zhǎng)度為L(zhǎng)＞1，而f_CVNN(·)的輸出層的長(zhǎng)度為1；接著，在訓(xùn)練完成后利用式(29)直接對(duì)長(zhǎng)度為L(zhǎng)的信道進(jìn)行預(yù)測(cè)。