一种基于三层神经网络的列车通信信道预测方法技术

一种基于三层神经网络的列车通信信道预测方法，本发明专利技术采用基于神经网络的学习方法对信道变化情况进行学习，建立以前N个时刻的速度、多径衰落参数、多普勒频移参数的状态量为输入；以预测多径衰落参数、预测多普勒频移参数及信道平稳时长为输出的网络模型。该网络模型可应用于高速行进列车下一时刻的信道参数估计。鉴于列车运行路线的固定性及重复性，本发明专利技术充分利用列车信道变化的内在规律性，降低信道估计的使用频率，达到了提升信道总体利用率的效果。

【技术实现步骤摘要】
一种基于三层神经网络的列车通信信道预测方法
本专利技术涉及通信领域，具体涉及一种基于三层神经网络的列车通信信道预测方法。
技术介绍
近年来，我国高速铁路的快速发展对高速移动环境下的列车无线通信系统提出了新的挑战，要求通信系统能够适应高速变化的通信环境，为列车旅客和列车控制系统提供大容量、高质量的信息服务。列车的高速移动使得无线通信信道急剧变化，带来大多普勒频移、严重的多径衰落以及频繁的小区切换，这些问题给列车高速移动信道的信道参数估计造成极大困难，难以准确快速的补偿信道频偏和跟踪信道变化。传统的信道估计方法中，需要不断地探测信道以获得多径衰落参数、多普勒频移参数，信道估计开销较大。由于列车周而复始运行在同一路线上，相近的通信环境不断出现，因此不必在通信的每一刻进行信道估计。现有关于列车通信信道估计的专利中，如“车地通信中列车速度和位置的信道估计和分集方法”(CN201010542351.7)，公开了一种基于列车速度和位置来获得信道参数的方法，其通过事先构建信道状态经验信息库，根据列车当前运行速度和位置查询信息库中对应的信道状态作为初步的信道状态，然后再利用参考信号进行验证。该方法需要通过两步才能确定信道状态信息，且在验证中需要在数据帧中插入参考信号，降低了信道利用率，限制了信道容量。“一种针对有轨交通的无线信道预测方法”(CN200810112082.3)，提出了利用信道测量的手段，记录轨道沿线的信道状态信息和对应的位置，构建大数据量样本库，然后在实际中基于列车位置和速度进行信道估计，并采用发送导频的方式进行辅助。该方法需要时时刻刻进行基于导频的信道估计，降低通信效率且构建数据样本库时需要存储大数据量样本，查询耗时较长。
技术实现思路
本专利技术要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种信道利用率高的基于三层神经网络的列车通信信道预测方法。由于列车行进路线固定，列车周而复始地行进在此路线上，因此相近的通信环境不断出现。当列车以相近的速度经过相同的环境时，其多径衰落及多普勒频移情况相似。针对此，本专利技术提出一种基于三层神经网络的列车通信信道预测方法，对信道情况进行预测，并获得信道平稳时长。在信道平稳时长内，将不再进行信道估计，大大提高信道利用率。具体的方法如下：本方法采用基于神经网络的学习方法对信道变化情况进行学习，建立以前N个时刻的速度、多径衰落参数、多普勒频移参数的状态量为输入、以预测多径衰落参数、预测多普勒频移参数及信道平稳时长为输出的三层网络模型，并将该网络模型应用于列车通信时的信道估计。本专利技术解决其技术问题所采用的技术方案是：一种基于三层神经网络的列车通信信道预测方法，包括训练阶段及预测阶段：1)训练阶段:S11，对列车行进过程中的信道情况进行等时间间隔采样；S12，记录前N个采样时刻tx-N+1、tx-N+2、…、tx-1、tx的信道多径衰落参数αx-N+1、αx-N+2、…、αx-1、αx、多普勒频移参数fx-N+1、fx-N+2、…、fx-1、fx、速度vx-N+1、vx-N+2、…、vx-1、vx，以及第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1；S13，选定三层神经网络为初始网络，初始网络具有输入层、隐层和输出层；隐层的层数为三层，分别为第一隐层、第二隐层和第三隐层；获得各隐层的初始参数；S14，将前N个时刻tx-N+1、tx-N+2、…、tx-1、tx的速度vx-N+1、vx-N+2、…、vx-1、vx、多径衰落参数αx-N+1、αx-N+2、…、αx-1、αx、多普勒频移参数fx-N+1、fx-N+2、…、fx-1、fx作为输入层的输入，第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1为输出层的输出，对通过步骤S13构建的具有三层隐层的初始网络进行微调，即利用有监督训练对步骤S13中所获得的初始参数进行调整，从第三隐层到第一隐层的顺序进行调整，进而获得预测网络模型。2)预测阶段：S21，对于行进中的列车，利用传统信道估计方法获得各个时刻的速度、多径衰落参数和多普勒频移参数，当列车运行至时刻T时，将包括时刻T在内的前N个连续时刻的速度、多径衰落参数和多普勒频移参数作为预测网络模型的输入，通过预测网络模型对行进中的列车即将迎来的下一时刻T+1的信道状态情况进行预测，预测网络模型的输出为下一时刻的多径衰落参数预测值多普勒频移参数预测值和信道平稳预测时长下一时刻的多径衰落参数预测值多普勒频移参数预测值和信道平稳预测时长共同构成下一时刻的信道状态预测值；当列车运行至时刻T+1，且经过信道平稳预测时长后；也就是说，当通过预测网络模型获得的下一时刻的信道平稳预测时长结束后，将T+1重新赋值给T，重复步骤S21，对列车实现新一轮信道状态预测。在每次使用预测网络模型进行预测后，对于获得的信道平稳预测时长在信道平稳预测时长所对应的时间段内信道视为状态平稳，在状态平稳时不需要进行额外的信道估计。进一步，步骤S13中，获得各隐层的初始参数的具体方法为：将前N个时刻tx-N+1、tx-N+2、…、tx-1、tx的速度vx-N+1、vx-N+2、…、vx-1、vx、多径衰落参数αx-N+1、αx-N+2、…、αx-1、αx、多普勒频移参数fx-N+1、fx-N+2、…、fx-1、fx作为输入层的输入，并经输入层传送至第一隐层，对初始网络的第一隐层进行无监督学习，获得第一隐层的输出，第一隐层的输出作为第一隐层的初始参数；以第一隐层的输出作为第二隐层的输入，对第二隐层进行无监督训练，获得第二隐层的输出，第二隐层的输出作为第二隐层的初始参数；以第二隐层的输出作为第三隐层的输入，对第三隐层进行无监督训练，获得第三隐层的输出，第三隐层的输出作为第二隐层的初始参数。本专利技术基于列车通信的规律特点，采用基于神经网络的方法与传统信道估计方法相结合，进行信道预测，它不需要建立大容量的数据库，能够根据列车运行速度的变化及时预测信道状态信息，预测到的信道状态信息包括多径衰落参数预测值和多普勒频移参数预测值，在信道平稳预测时长所对应的时间段内不需要进行额外的信道估计。鉴于列车运行路线的固定性及重复性，本专利技术充分利用列车信道变化的内在规律性，使用本专利技术，可获得精确的信道状态信息，以利于提高信道估计效率，降低对信道估计的使用频率，减少导频信道的插入，节约信道带宽，提升铁路通信系统的通信容量，达到提升信道总体利用率的效果。附图说明图1为本专利技术所采用的三层神经网络模型图。具体实施方式本专利技术采用基于神经网络的学习方法对信道变化情况进行学习，建立以前N个时刻的速度、多径衰落参数、多普勒频移参数的状态量为输入、以预测多径衰落参数、预测多普勒频移参数及信道平稳时长为输出的三层网络模型。因此，需要在前期训练阶段进行样本采集及学习。一种基于三层神经网络的列车通信信道预测方法，包括训练阶段及预测阶段：1)训练阶段:S11，对列车行进过程中的信道情况进行等时间间隔采样；S12，记录前N个采样时刻tx-N+1、tx-N+2、…、tx-1、tx的信道多径衰落参数αx-N+1、αx-N+2、…、αx-1、αx、多普勒频移参数fx-本文档来自技高网...

【技术保护点】
1.一种基于三层神经网络的列车通信信道预测方法，其特征在于，包括训练阶段及预测阶段：1)训练阶段:S11，对列车行进过程中的信道情况进行等时间间隔采样；S12，记录前N个采样时刻tx‑N+1、tx‑N+2、…、tx‑1、tx的信道多径衰落参数αx‑N+1、αx‑N+2、…、αx‑1、αx、多普勒频移参数fx‑N+1、fx‑N+2、…、fx‑1、fx、速度vx‑N+1、vx‑N+2、…、vx‑1、vx，以及第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1；S13，选定三层神经网络为初始网络，初始网络具有输入层、隐层和输出层；隐层的层数为三层，分别为第一隐层、第二隐层和第三隐层；获得各隐层的初始参数；S14，将前N个时刻tx‑N+1、tx‑N+2、…、tx‑1、tx的速度vx‑N+1、vx‑N+2、…、vx‑1、vx、多径衰落参数αx‑N+1、αx‑N+2、…、αx‑1、αx、多普勒频移参数fx‑N+1、fx‑N+2、…、fx‑1、fx作为输入层的输入，第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1为输出层的输出，对通过步骤S13构建的具有三层隐层的初始网络进行微调，即利用有监督训练对步骤S13中所获得的初始参数进行调整，从第三隐层到第一隐层的顺序进行调整，进而获得预测网络模型；2)预测阶段：S21，对于行进中的列车，利用传统信道估计方法获得各个时刻的速度、多径衰落参数和多普勒频移参数；当列车运行至时刻T时，将包括时刻T在内的前N个连续时刻的速度、多径衰落参数和多普勒频移参数作为预测网络模型的输入，通过预测网络模型对行进中的列车即将迎来的下一时刻T+1的信道状态情况进行预测，预测网络模型的输出为下一时刻的多径衰落参数预测值...

【技术特征摘要】
1.一种基于三层神经网络的列车通信信道预测方法，其特征在于，包括训练阶段及预测阶段：1)训练阶段:S11，对列车行进过程中的信道情况进行等时间间隔采样；S12，记录前N个采样时刻tx-N+1、tx-N+2、…、tx-1、tx的信道多径衰落参数αx-N+1、αx-N+2、…、αx-1、αx、多普勒频移参数fx-N+1、fx-N+2、…、fx-1、fx、速度vx-N+1、vx-N+2、…、vx-1、vx，以及第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1；S13，选定三层神经网络为初始网络，初始网络具有输入层、隐层和输出层；隐层的层数为三层，分别为第一隐层、第二隐层和第三隐层；获得各隐层的初始参数；S14，将前N个时刻tx-N+1、tx-N+2、…、tx-1、tx的速度vx-N+1、vx-N+2、…、vx-1、vx、多径衰落参数αx-N+1、αx-N+2、…、αx-1、αx、多普勒频移参数fx-N+1、fx-N+2、…、fx-1、fx作为输入层的输入，第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1为输出层的输出，对通过步骤S13构建的具有三层隐层的初始网络进行微调，即利用有监督训练对步骤S13中所获得的初始参数进行调整，从第三隐层到第一隐层的顺序进行调整，进而获得预测网络模型；2)预测阶段：S21，对于行进中的列车，利用传统信道估计方法获得各个时刻的速度、多径衰落参数和多普勒频移参数；当列车运行至时刻T时，将包括时刻T在内的前N个连续时刻的速度、多...

【专利技术属性】
技术研发人员：何怡刚，时国龙，李志刚，李晨晨，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34