一种无线信道状态信息获取方法技术

一种无线信道状态信息获取方法，属于无线与移动通信技术领域，其特征之一在于，包括以下步骤：对信道估计得到的大量信道信息数据样本进行统一格式处理，形成训练样本；将上述样本数据输入到预测神经网络中，得到针对此数据集的一组最优的参数；再辅助以预测效果判断得到当前预测精度的实际状态，如若预测精度不满足需求，则训练进一步优化参数；预测网络所得的信道状态信息将应用于发端。其特征之二在于，所提出的自适应结构超限学习机(Adaptive Structure Extreme Learning Machine,ASELM)算法，该算法可以自适应的调整网络的结构匹配信道数据的变化特点。

A method of acquiring wireless channel state information

【技术实现步骤摘要】
一种无线信道状态信息获取方法
本专利技术涉及一种无线信道状态信息获取方法，属于无线与移动通信

技术介绍
以无人机通信场景为例，近年来，无人机被广泛应用于社会生产生活的诸多领域。在一些联合探测任务中，为了是无人机群更加有效的协同配合，无人机之间需要共享一些数据，因此，无人机之间有较多的通信需求。信道状态信息是无人机之间进行通信传输的一个关键参数。但是移动状态下信道状态变化很快，由于信道估计过程中的反馈时延，所得的信道状态信息存在过期的问题，这个问题会导致通信的中断。因此，高动态性给信道估计带来了巨大挑战，而信道预测为解决这类问题提供了潜在的可能性。为了解决以上问题，研究者在信道预测中投入了大量的精力。在传统的传输方案中，基于信道估计得到的历史信道状态信息的信道预测起到了提升系统性能的效果。研究人员设计了一些信道预测算法，经典的自回归(Autoregressive,AR)算法中信道冲激响应是用历史信道状态信息的线性组合来表示的，但是AR算法不能适应无人机通信过程中高多普勒频偏对信道预测效果明显有所下降。另外回声状态网络(EchoStateNetworks,ESN)也被用于预测瑞利信道的状态变化。然而从仿真效果上来看，ESN算法在无人机通信场景中的表现依然难以保证通信的可靠性。不同于AR和ESN算法，ASELM算法能够在预测过程中自适应的调整自身的预测网络结构来应对无人机通信过程中信道状态快速多变的问题。
技术实现思路
有鉴于此，本专利技术考虑了自适应调整预测神经网络的结构，并基于ELM算法提出了ASELM信道预测算法。其特征在于，所述算法含有以下过程，改进的ELM算法进行信道信息获取主要包括如下两个步骤：训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足需求的隐藏神经元个数在一定区间内预测误差相近；因此，可以认为在一定隐藏神经元数量区间内，任意隐藏神经元数量值处的预测结果可以近似认为是整个组所有隐藏神经元数量值的对应的预测效果；故而可以采取分组搜索的方式(此处设置一定区间内相邻隐藏神经元数量值为一组，每一组内任取隐藏神经元数量值为典型值)进行最佳隐藏神经元个数的快速搜索，通过对比不同隐藏神经元数量典型值所对应的测试集的NMSE值，来判定是否该典型值的预测效果达到了需求预测精度；如果达到需求预测精度则立即停止搜索新的参数，即找到满足精度需求的最小的典型值，实验证明，该训练过程所需时间小于1秒。预测过程：将算法的参数数设置为上面训练过程中得到的典型值，输出无人机平台间通信场景的信道预测结果；经验证，每一个节点的预测时间一般小于0.1秒。根据本专利技术的方法，通过对信道插入导频进行信道估计来获取信道状态信息数据作为所提算法的训练集，提取出信道状态数据的有关特征。在实际通信过程中，结合发送导频的方式，就可以使得信道预测与信道估计有效结合在一起，从而在数据发送过程中保证发端对信道状态的掌握。同时由于充分利用了信道状态信息的历史数据，所以可以避免信道状态过期带来的问题，有效克服了通信环境变化带来的信道状态快速多变的困难。附图说明图1是所提无线信道状态信息获取方法的算法流程图图2是无人机通信的一种场景模型图，示出了无人机平台之间通信的信道随着无人机运动不断变化的情况。图3是ELM算法的基本算法框图。图4是信道预测的帧结构图。示出了信道预测与信道估计在数据传输过程中的联系。导频插入的方式进行信道估计，获取历史信道状态信息，这些数据被用作预测神经网络的训练，训练好之后的信道预测网络，在数据传输过程中提供信道状态信息的预测值，从而保证发端在发送数据时对信道状态的了解，有效减少数据传输过程中因信道状态变化而引起的丢包误码乃至通信中断问题。图5是ASELM算法与AR和ESN算法预测精度MATLAB仿真对比图。图6是通信过程中，所提无线信道状态信息获取方法的完整工作过程的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术作进一步的详细描述。理论上，无线电波的传播路径和时间决定了信道状态信息，如果发射端和接收端都处于移动状态下，则会产生相当大的多普勒频偏，信道状态变化较快，信道状态信息的变化产生的数据量较大，这些数据的预测本质上是一个数学上的回归问题，ELM在处理回归问题时，具有泛化能力强和学习快速的特点，预测网络通过对这些信道状态数据的学习可以提取其中的数据特征，进而对数据变化趋势进行快速有效的预测。基于这些先验知识，我们对ELM算法进行了针对性的优化，提出了一种无线信道状态信息获取方法。下面举例说明本专利技术在无人机平台通信的信道预测中的应用，使用复正弦信道模型来等效宽带无线信道模型，收发端的无人机处于3D的相对运动当中，其信道状态信息可以表示为其中，t为时间，α表示复信道增益，fd表示多普勒频偏，多普勒频偏的变化取决于发射端和接收端的变化，aR是归一化接收矩阵导航矢量，aT是归一化发送矩阵导航矢量。(θR,φR)是到达角，(θT,φT)表示发射角，(θ,φ)表示波束指向，导航矢量a(θ,φ)可以表示为其中Ωy＝kdysin(θ)sin(φ)，Ωx＝kdxsin(θ)cos(φ)，波数k＝2π/λ，表示的是克罗内克积。Ny和Nx分别表示的是2×2的MIMO平面阵列上的y方向和x方向上的天线阵元的数量。dx＝dy＝λ/2，分别表示y方向和x方向上天线阵元的间隔，此处间隔设置为半波长。Gant(·)表示的是辐射方向图，其中θ和φ可以表示成通过对插入导频的方式，我们可以获得上述信道状态信息h(t)。通过对信道状态信息数据格式进行整理，从而获得算法训练和测试所需的训练集和测试集。ASELM算法基于ELM算法的一种改进型算法，其中ELM算法是一种单层前馈神经网络(single-hiddenlayerfeedforwardneuralnetworks，SLFNs)，该算法的结构清晰，层次分明，基本ELM算法过程如下：假设给定一个训练集激励函数g(x)，隐藏神经元个数N,步骤1：任意输入权重wi和偏差bi，步骤2：计算隐藏层输出矩阵H。步骤3：计算输出权重β：其中，隐藏层神经网络输出矩阵为输出权重为输出矩阵为基于以上ELM算法，提出了ASELM算法。其特征在于，所述算法含有以下过程，改进的ELM算法进行信道信息获取主要包括如下两个步骤：训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足本文档来自技高网...

【技术保护点】
1.一种无线信道状态信息获取方法：自适应结构超限学习机(ASELM)算法；其特征在于，通过对超限学习机(Extreme Learning Machine,ELM)算法中隐藏神经元数量进行优化从而使得ELM的网络结构能够有效适应信道状态数据的变化特点，进而取得更优的预测效果；/n改进的ELM算法训练和预测过程如下：/n训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足需求的隐藏神经元个数在一定区间内预测误差相近；因此，可以认为在一定隐藏神经元数量区间内，任意隐藏神经元数量值处的预测结果可以近似认为是整个组所有隐藏神经元数量值的对应的预测效果；故而可以采取分组搜索的方式(此处设置一定区间内相邻隐藏神经元数量值为一组，每一组内任取隐藏神经元数量值为典型值)进行最佳隐藏神经元个数的快速搜索，通过对比不同隐藏神经元数量典型值所对应的测试集的归一化均方误差(Normal-Mean-Square Error,NMSE)值，来判定是否该典型值的预测效果达到了需求预测精度。如果达到需求预测精度则立即停止搜索新的参数，即找到满足精度需求的最小的典型值，实验证明，该训练过程所需时间小于1秒；/n预测过程：将算法的参数数设置为上面训练过程中得到的典型值，输出信道预测结果；经验证，每一个节点的预测时间一般小于0.1秒。/n...

【技术特征摘要】
1.一种无线信道状态信息获取方法：自适应结构超限学习机(ASELM)算法；其特征在于，通过对超限学习机(ExtremeLearningMachine,ELM)算法中隐藏神经元数量进行优化从而使得ELM的网络结构能够有效适应信道状态数据的变化特点，进而取得更优的预测效果；
改进的ELM算法训练和预测过程如下：
训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足需求的隐藏神经元个数在一定区间内预测误差相近；因此，可以认为在一定隐藏神经元数量区间内，任意隐藏神经元数量值处的预测结果可以近似认为是整个组所有隐藏神经元数量值的对应的预测效果；故而可以采取分组搜索的方式(此处设置一定区间内相邻隐藏神经元数量值为一组，每一组内任取隐藏神经元数量值为典型值)进行最佳隐藏神经元个数的快速搜索，通过对比不同隐藏神经元数量典型值所对应的测试集的归一化均方误差(Normal-Mean-SquareError,NMSE)值，来判定是否该典型值的预测效果达到了需求预测精度。如果达到需求预测精度则立即停止搜索...

【专利技术属性】
技术研发人员：高晖，张洪星，粟欣，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11