【技术实现步骤摘要】
基于多任务学习的时间相关MIMO系统信道预测方法
本专利技术属于通信
,特别涉及一种信道预测方法,可用于时间相关的MIMO系统中。
技术介绍
在无线通信中,反射,绕射和散射普遍存在于各种环境中,不可避免的存在多径传播现象;发射端和接收端的相对移动又不可避免的产生多普勒扩展,使无线信道呈现频率选择性和时变特性。频率选择性和时变特性导致的衰落被视为两种不同的失真。前者取决于多径扩展,由相干带宽表征;后者取决于信道的时间变化,由相干时间进行表征。为了降低系统误码率,通常利用估计得到的信道状态信息均衡接收到的信号。但是对于快变信道,传统的基于判决反馈的信道估计得到的信道状态信息是过时的信息。为解决由于信道时变特性导致的信道状态信息过时的问题,近年来在MIMO系统中使用信道预测技术得到广泛的关注。基站端利用以往时刻的信道状态信息估计得到的上行链路信道状态信息来预测当前时刻或之后更长时间内下行链路信道状态信息,以期利用预测得到的信道状态信息进行自适应处理,进一步提高系统性能。目前,时变衰落信道预测的研究主要集中在线性预测算法中,如线性动态AR模型等。但由于时变衰落信道具有非常复杂的非线性特性,非线性预测算法的引入也越来越受到研究者的关注,其中支持向量机和神经网络就是目前广泛应用的两种非线性算法。支持向量机,是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的,它是基于结构风险最小化准则的一种新的机器学习技术,其通过非线性变换将输入样本空间变换到一个高维特征空间,然后在这个新空间中求取最优超平面,较好地解决了学习方法的小样本、非线性、高维数、局部极小点等实 ...
【技术保护点】
1.一种基于多任务学习的时间相关MIMO系统信道预测方法,其特征在于,包括:(1)在正式通信前通过对信道进行测量,得到Nt×Nr的MIMO系统的信道状态信息历史观测值h(1),h(2)…h(r)…h(M),Nt表示MIMO系统发送天线的数目,Nr表示MIMO系统接收天线的数目,r为1到M的整数,M为样本序列总个数;(2)初始化多任务学习算法的模型参数:设置样本维度q;(3)根据(1)中得到的信道状态信息观测值,按照训练数据比例Q将信道状态信息观测值分为训练数据x1(n)和测试数据x2(n),n为大于1的正整数;(4)根据(2)中的样本维度q,对训练数据x1(n)和测试数据x2(n)进行划分,分别得到训练数据的训练样本集xt(n),期望输出集dt(n)和测试数据的测试样本集xs(n),期望输出集ds(n);(5)将训练数据的训练样本集xt(n)作为多任务学习算法的输入,将训练数据的期望输出集dt(n)作为多任务学习算法的输出,把训练数据x1(n)输入到多任务学习算法中进行训练,获得多任务学习算法模型参数拉格朗日乘数α和系数b;(6)将(4)中测试数据x2(n)的测试样本集xs(n)和(5 ...
【技术特征摘要】
1.一种基于多任务学习的时间相关MIMO系统信道预测方法,其特征在于,包括:(1)在正式通信前通过对信道进行测量,得到Nt×Nr的MIMO系统的信道状态信息历史观测值h(1),h(2)…h(r)…h(M),Nt表示MIMO系统发送天线的数目,Nr表示MIMO系统接收天线的数目,r为1到M的整数,M为样本序列总个数;(2)初始化多任务学习算法的模型参数:设置样本维度q;(3)根据(1)中得到的信道状态信息观测值,按照训练数据比例Q将信道状态信息观测值分为训练数据x1(n)和测试数据x2(n),n为大于1的正整数;(4)根据(2)中的样本维度q,对训练数据x1(n)和测试数据x2(n)进行划分,分别得到训练数据的训练样本集xt(n),期望输出集dt(n)和测试数据的测试样本集xs(n),期望输出集ds(n);(5)将训练数据的训练样本集xt(n)作为多任务学习算法的输入,将训练数据的期望输出集dt(n)作为多任务学习算法的输出,把训练数据x1(n)输入到多任务学习算法中进行训练,获得多任务学习算法模型参数拉格朗日乘数α和系数b;(6)将(4)中测试数据x2(n)的测试样本集xs(n)和(5)中得到的多任务学习算法模型参数拉格朗日乘数α和系数b,输入到多任务学习算法中,预测得到第M个时刻的信道状态信息的预测值。2.根据权利要求1所述的方法,其中(1)中得到的Nt×Nr的MIMO系统的信道状态信息历史观测值h(1),h(2)…h(r)…h(M),Nt×Nr表示MIMO系统中有个Nt×Nr发送接收天线对,其中h(r)是Nt×Nr个发送接收天线对第r时刻的信道状态信息观测值所组成的信道状态信息矢量,具体形式如下:hi(r)表示MIMO系统中第i个发送接收天线对上第r个时刻的信道状态信息,Nt表示MIMO系统发送天线的数目,Nr表示MIMO系统接收天线的数目,Nt和Nr都为大于1的整数,i为1到Nt×Nr的正整数,r为1到M的整数,M为样本序列总个数,[]T中T表示转置运算。3.根据权利要求1所述的方法,其中(4)中根据样本维度q得到训练数据的训练样本集xt(n)和期望输出集dt(n),表示如下:xt(n)=[xrt_t(n)xit_t(n)]dt(n)=[drt_t(n)dit_t(n)]其中xrt_t(n)表示实部数据中训练数据的训练样本集,xi...
【专利技术属性】
技术研发人员:孙德春,李婧,刘祖军,李玉,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。