[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

本發明公開了一種基于Koopman算子和機器學習的信道預測方法、系統、終端及介質，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。本發明基于利用通信基站儲存的有效信息、Koopman算子理論及機器學習原理，提高了機器學習方法預測的準確性。

技術領域

本發明屬于卷積神經網絡預測領域，涉及一種基于Koopman算子和機器學習的信道預測方法、系統、終端及介質。

背景技術

現階段的無線通信系統，主要借助于準確的信道狀態信息(Channel StateInformation)，通過自適應調整傳輸參數，可以獲得較大的性能提升。對低速移動通信設備來說，基站與設備的信道狀態主要通過信道估計來獲得。但對于以較高速移動的設備來說，通過信道估計得到的信道狀態信息，很有可能因為移動設備的快速運動而失效。如何更好地獲得高速移動的通信設備的信道狀態信息，實現高速移動設備通信性能提升，是一個亟待解決的關鍵問題。解決該問題的一個重要思路，就是利用歷史信道狀態信息，實現對信道的預測。但由于非線性性和非平穩性，信道預測的問題一直充滿很大挑戰。

近年來，Koopman算子在處理非線性系統序列問題的理論和方法的成熟，使其解決非線性預測問題成為可能。機器學習相關理論，特別是機器學習技術的發展和成熟，為Koopman算子的有限維估計提供了更高的精度。基于Koopman算子理論設計的機器學習方法，除了對非線性系統性質的精準描述外，也能實現系統的預測功能。同時，與滑窗方法的結合，使有限維Koopman算子能夠更加準確實現對非平穩序列的建模和預測。

將數學領域相關理論、機器學習和無線通信系統有機結合起來，形成理論性強、智能化高、適應能力強的無線通信系統，是未來發展中的必然趨勢。對于無線系統中信道預測問題，目前應用的方法絕大部分都是建立在信道狀態變化的線性的基礎上，然而這種假設在現實的通信環境中幾乎不可能存在。這就造成了以該假設為基礎的如自回歸算法等大部分算法在信道預測中誤差較大，難以提升通信系統的性能。

另外，高速移動設備的信道狀態信息變化往往呈現出比較明顯的非平穩性。以平穩性假設的方法，也難以在實際中進行應用。以Koopman理論為基礎的滑窗算法，假設在窗寬內呈現平穩性，這一假設更容易成立，因此也可以獲得更好的性能。

發明內容

本發明的目的在于解決現有技術中的問題，提供一種基于Koopman算子和機器學習的信道預測方法、系統、終端及介質，利用基站儲存的歷史信道狀態信息，通過Koopman理論和卷積神經網絡，利用完善的線性方法理論，實現對信道狀態信息非線性變化的準確預測。

為達到上述目的，本發明采用以下技術方案予以實現：

基于Koopman算子和機器學習的信道預測方法，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。