[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

本發明公開了無線通信技術領域內的一種聯合深度學習與基擴展模型的信道預測方法,包括以下步驟：步驟1，根據歷史時刻的信道信息獲取信道的相關矩陣；步驟2，對相關矩陣進行特征值分解，獲得最優基函數；步驟3，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最優基函數，獲取基系數估計值；步驟5，根據基系數估計值構建訓練樣本集；步驟6，利用訓練樣本集訓練BP神經網絡；步驟7，獲得具有最優權重和閾值的信道預測模型；步驟8，基于信道預測模型進行線上預測；步驟9，將基系數預測值轉換成頻域信道矩陣。本發明具有較低的計算復雜度，且具有較高的預測精度，適用于未來高速移動環境下時變信道信息的高效獲取。

技術領域

本發明涉及一種信道預測方法。

背景技術

近年來，隨著高速鐵路、高速公路的大規模部署和運行，高速移動環境下的無線通信在全球引起了越來越多的關注。并且，在未來的高速移動場景(B5G)中，車載速度將會越來越高，更高的車載速度將會引起更大的多普勒頻移，這將導致無線信道發生快速時變，從而使得該場景下信道信息的獲取更具挑戰性。傳統的時變信道估計技術由于處理時延的存在，導致估計的信道出現嚴重的過時，而信道預測技術由于可以根據歷史信道信息來提前預測未來時刻的信道，因此被廣泛地用于高速移動場景中信道信息的高效獲取。

傳統的信道預測通常采用線性預測方法或者向支持量機(Support VectorMachine，SVM)方法，其中TANG Q等人(TANG Q,LONG H,YANG H J等人，“An enhanced LMMSEchannel estimation under high speed railway scenarios”)給出了一種基于線性最小均方誤差(Linear Minimum Mean Square Error，LMMSE)的信道預測方法，該方法通過估計每條路徑的多普勒頻移來更精確地生成頻率和時間的信道相關性，實現了高鐵場景中的信道預測。SHARMA P等人(SHARMA P,CHANDRA K等人，“Prediction of state transitionsin Rayleigh fading channels”)給出了一種自回歸(AutoRegressive，AR)模型信道預測方法。這些傳統的線性預測方法由于采用的模型比較僵化，使得模型和真實信道之間存在較大差距(尤其當信道快速變化時)，因此線性預測方法的性能不夠理想。DONG Z等人(DONGZ,ZHAO Y,CHEN Z等人，“Support vector machine for channel prediction in high-speed railway communication systems”)給出了一種基于SVM的信道預測方法，該方法通過使用遺傳算法來優化SVM模型的懲罰系數和高斯核寬度，與傳統的AR模型相比，具有較低的預測誤差，但是由于該方法需要從低維空間映射到高維空間，因此計算復雜度較高。