[發明專利]基于Koopman算子和機器學習的信道預測方法、系統、終端及介質

在審

• 申請號: 202210269670.8
• 申請日: 2022-03-18
• 公開（公告）號: CN114626302A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 常曉東;薛江;孫建永
• 申請（專利權）人: 杭州勒貝格智能系統有限責任公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 張宇鴿

1.基于Koopman算子和機器學習的信道預測方法，其特征在于，包括：

基于基站存儲設備，對臨近歷史時刻的信道狀態信息X進行保存；

采集不同信噪比下的信道狀態的訓練數據集，并基于采集到的訓練數據集對卷積神經網絡進行訓練；

基于Koopman算子理論和經過訓練的卷積神經網絡，將歷史時刻信道狀態信息X映射至線性變化的不變子空間中，得到歷史時刻映射變量Υ；

基于所獲取的歷史時刻映射變量Υ推導出Koopman算子，基于Koopman算子得到目標時刻不變子空間的映射向量；

基于全連接網絡，將目標時刻不變子空間的映射向量轉變為目標時刻的信道狀態信息。

2.根據權利要求1所述的基于Koopman算子和機器學習的信道預測方法，其特征在于，所述訓練數據集包括仿真數據和現實數據；所述仿真數據為基于仿真軟件仿真出不同時刻的信道狀態信息的數據，所述現實數據為基站存儲設備存儲的歷史數據。

3.根據權利要求1所述的基于Koopman算子和機器學習的信道預測方法，其特征在于，所述基于采集到的數據集對卷積神經網絡進行訓練，具體為：

訓練數據集D，D＝{X⁽ⁱ⁾|i＝1,2,…,M}，其中，為t⁽ⁱ⁾-L+1到t⁽ⁱ⁾時刻信道狀態組成的張量，M為訓練樣本總數；

在訓練網絡時，使用隨機梯度類優化算法Adam優化網絡的參數θ；待優化的目標函數如公式(1)所示：

4.根據權利要求1所述的基于Koopman算子和機器學習的信道預測方法，其特征在于，所述基于Koopman算子理論和經過訓練的卷積神經網絡，將歷史時刻信道狀態信息X映射至線性變化的不變子空間中，得到歷史時刻映射變量Υ；具體為：

卷積神經網絡對歷史時刻信道狀態信息X進行卷積處理，使其映射至線性不變子空間中，得到映射變量Υ；

其中，歷史時刻信道狀態信息N為發射端天線數，T為歷史時間窗寬，C為輸出的通道數，此處為2，即信道狀態信息的實部和虛部；

卷積神經網絡中使用大小為2×3的卷積核，卷積神經網絡的padding設置為(1,0,1,1)；使用的激活函數為LeakyRelu如公式(2)所示：

其中，σ∈(0,1)實現對數據的非線性映射；

卷積神經網絡包含L層卷積操作Conv，卷積神經網絡的輸出為Z∈將每一個時間步的數據進行全連接操作FC，輸出映射變量Υ如公式(3)所示：

Υ＝Encoder(X)＝FC(Conv(X)) (3)

其中，是(T-L)×(C_out×N)的矩陣，C_out為輸出通道數，L為卷積神經網絡的層數，輸入的窗寬滿足T-LC_out×N+1；Υ是第L+1到T時刻的隱變量的集合；

在窗寬(T-L)中的所有時刻的隱變量近似滿足線性變化，如公式(4)所示：

y_t+1＝y_tK (4)

其中，K是(C_out×N)×(C_out×N)的矩陣。