[發明專利]一種聯合深度學習與基擴展模型的信道預測方法有效
| 申請號： | 202110479456.0 | 申請日： | 2021-04-30 |
| 公開（公告）號： | CN113206809B | 公開（公告）日： | 2022-11-15 |
| 發明（設計）人： | 楊麗花;聶倩;呼博;任露露;楊欽 | 申請（專利權）人： | 南京郵電大學 |
| 主分類號： | H04L25/02 | 分類號： | H04L25/02;G06N3/04;G06N3/08 |
| 代理公司： | 南京蘇科專利代理有限責任公司 32102 | 代理人： | 陳棟智 |
| 地址： | 210000 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 聯合 深度 學習 擴展 模型 信道 預測 方法 | ||
1.一種聯合深度學習與基擴展模型的信道預測方法，其特征在于，包括以下步驟：
步驟1，根據歷史時刻的信道信息來獲取信道的相關矩陣；
根據歷史時刻的信道信息來獲取信道的相關矩陣為
式中,Hm＝[H1,m,...,Hk,m,...,HN,m]，其中Hk,m是對接收的導頻信號采用最小二乘估計和線性插值得到的第m個符號第k個子載波的頻域信道系數，N是OFDM符號的長度；
步驟2，對信道相關矩陣進行特征值分解，獲得最優基函數；
對信道相關矩陣進行特征值分解，獲得最優基函數
Bm＝Um(:,1:Q)
式中，Um為從大到小順序排列的特征值對應的特征向量矩陣，Um(:,1:Q)是Um的前Q列組成的向量，Q是基函數的個數；
步驟3，基于最優基函數，利用基擴展模型對信道進行建模；
步驟4，基于歷史接收的導頻信號與步驟2獲得的最優基函數，獲取歷史信道的基系數估計值；
步驟5，根據歷史基系數估計值構建訓練樣本集；
根據歷史基系數估計值構建訓練樣本集，即
式中，J表示訓練樣本數，表示D維實數集，表示A維實數集，表示由第m個時刻的基系數估計構造的第j個輸入樣本，表示第(m+1)個時刻理想基系數構造的第j個輸出樣本，其可以表示為
式中，為將復數轉換為實數的操作，即其中Re(·)和Im(·)分別為取實部和虛部操作，是第(m+1)個時刻理想基系數組成的第j個樣本，是第m個時刻的基系數估計組成的第j個樣本，即
式中，表示l徑第m個時刻上第q個基函數所對應的基系數，L為信道抽頭數；
步驟6，基于隨機初始化的網絡參數，利用訓練樣本集對BP神經網絡進行訓練；
步驟7，獲得具有最優權重和閾值參數的信道預測模型；
步驟8，基于步驟7獲得的信道預測網絡模型進行線上預測；
基于步驟7獲得的信道預測網絡模型進行線上預測，將第m個時刻的基系數估計值xm送入網絡，然后利用網絡的非線性函數Ψ(·)，可得到第(m+1)個時刻的基系數預測值具體表示為
式中，為將實數轉化為復數的操作；
步驟9，根據推導的基系數與頻域信道的轉換公式，獲得頻域信道矩陣；
根據推導的基系數與頻域信道的轉換公式，獲得頻域信道矩陣具體表示為
式中，F為傅里葉變換矩陣，Mq是基函數矩陣，
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京郵電大學，未經南京郵電大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110479456.0/1.html，轉載請聲明來源鉆瓜專利網。
