基于改进卷积神经网络的移动通信系统智能预测方法技术方案

一种基于改进卷积神经网络的移动通信系统智能预测方法，首先建立移动协作通信系统模型，选取2‑Nakagami通信信道；针对发射天线选择方案，推导出所述通信系统OP性能的闭合表达式；选取CNN模型，并将该模型中的池化层去除，将影响通信系统OP性能的信道参数作为该模型输入，再通过训练样本进行训练，即得到基于改进卷积神经网络的移动通信系统智能预测模型。本发明专利技术提供的预测方法相较于现有算法性能更好，这验证了本发明专利技术的可行性与有效性。

【技术实现步骤摘要】
基于改进卷积神经网络的移动通信系统智能预测方法
本专利技术属于移动通信
，具体涉及一种基于改进卷积神经网络的移动通信系统智能预测方法。
技术介绍
近年来，随着用户数量的爆炸性增长，第五代移动通信技术受到了广泛的关注。随着5G移动技术的快速发展，不断涌现各类新的设备和应用场景，业务类型也日益多样化，导致了通信业务数据迅速膨胀、移动用户时空分布不均、多网异构共存的复杂通信环境。当前移动通信领域面临着智能化、宽带化、多元化、综合化等诸多技术挑战。因此，复杂多变的移动通信环境使得用户对移动通信提出了更高的通信质量要求，例如超大容量、高速移动接入以及超低时延等，这些都成为5G移动通信技术所面临的关键问题。为了提高5G移动通信的通信质量，协作分集和大规模多发多收(multipleinputmultipleoutput,MIMO)技术得到了广泛研究。南京大学王夕予等人在Rayleigh信道下，基于随机几何理论和次序统计理论，分析了非正交多址接入上行传输系统性能。针对集中式MIMO雷达多目标跟踪问题，空军工程大学的李正杰等人提出了一种基于后验克拉美罗下界的功率和带宽联合分配方案。在阴影莱斯和Nakagami-m信道下，孔槐聪等人分析了基于中继选择的星地协作传输系统的性能，推导了中断概率(outageprobability,OP)闭合表达式。在Nakagami信道下，阿尔及利亚的MokhtarBouteggui等人提出了联合天线和路径选择策略，研究了MIMO中继系统的中断概率性能问题，推导了闭合表达式。针对物理层安全问题，AnshulPandey等人在2-Rayleigh信道下，分析了系统安全中断概率性能，推导了闭合表达式。无线移动通信环境变得日益复杂多样和动态多变，给智能移动通信带来了巨大挑战。
技术实现思路
本专利技术的目的是提供一种基于改进卷积神经网络的移动通信系统智能预测方法，以弥补现有技术的不足。本专利技术首先在N-Nakagami信道下，利用译码转发(decode-and-forward，DF)协作通信技术，建立了移动协作通信系统模型，研究移动协作通信系统的OP性能；然后，针对发射天线选择(transmitantennaselection,TAS)方案，推导了系统OP性能的闭合表达式；最后，根据所提取数据特征维度与冗余度较低的特性，改进了现有卷积网络神经(CNN)模型，去除了网络中的池化层，避免因池化作用而损失有效特征。为达到上述目的，且基于上述思路，本专利技术采取的具体技术方案为：一种基于改进卷积神经网络的移动通信系统智能预测方法，该方法包括以下步骤：S1：建立移动协作通信系统模型，选取2-Nakagami通信信道；S2：针对发射天线选择(TAS)方案，推导出所述通信系统OP性能的闭合表达式；S3：选取CNN模型，并将该模型中的池化层去除，将影响通信系统OP性能的信道参数作为该模型输入，再通过训练样本进行训练，即得到基于改进卷积神经网络的移动通信系统智能预测模型。进一步的，所述S2中，最佳TAS方案是从Nt根发射天线中选择发射天线w，使目的端的接收信噪比最大，即γSDij,γRDqj分别表示MSi→MDj,MRq→MDj链路的信噪比，译码集合C表示为C＝{1≤i≤Nt|Ci}(13)|C|表示译码集合C的势，Ci表示译码集合，Nt表示发射端的天线数量；那么，最佳TAS方案的OP表示为：其中Rth是中断阈值,γSCij表示第i根发射天线到第j根接收天线的接收信噪比，Nr表示接收端的天线数量，其中，γSRjl表示MSj→MRl链路的信噪比，L为中继的数目，m为衰弱系数，K为功率分配系数，Ω＝E(|a|2),E()表示求均值运算；G[·]表示Meijer’sG函数；为平均信噪比，GSR,GSD,GRD分别表示MS→MR,MS→MD,MR→MD链路的位置增益，GSD＝1；V1表示为V2表示为进一步的，所述S3中，CNN模型构造过程主要分为三步—数据预处理、卷积层搭建、全连接层搭建。进一步的，所述S3中，选取8个信道参数：mSR,mRD,mSD,GSR,GRD,K,γth,其中mSR,mSD,mRD分别表示MS→MR,MS→MD,MR→MD链路的衰弱系数；X表示为X＝(x1,x2,...,x8)(22)然后利用X，通过公式(14)，就计算得到了输出y，即为OP性能。进一步的，所述S3中，使用贪心算法与迁移学习训练CNN模型，采用均方误差(MSE)作为损失函数，损失函数表示如下：其中,yz是第z个输入对应的实际输出,dz是其理想的输出，PP是测试集的数目。本专利技术的优点和技术效果：本专利技术基于改进CNN模型，提出了一种OP性能智能预测方法，首先采用TAS方案，推导了OP的闭合表达式；然后根据所提取数据特征维度与冗余度较低的特点，设计了一种改进CNN模型；最后，提出了基于改进CNN的OP性能智能预测方法。仿真结果表明，在复杂的通信环境下，和广义回归(generalizedregression,GR)、局部加权线性回归(locallyweightedlinearregression,LWLR)、小波神经网络(waveletneuralnetwork,WNN)等方法相比，本专利技术所提出的预测算法性能更好，验证了本专利技术的可行性与有效性。附图说明图1为移动协作通信系统模型。图2为改进CNN预测算法流程图。图3为改进CNN预处理流程图。图4为改进CNN池化层的工作过程图。图5为改进CNN卷积层的框架图。图6为改进CNN卷积核计算过程图。图7为ReLU激活函数。图8为改进CNN全连接层的结构图。图9为TAS方案的OP性能。图10为改进CNN的OP性能预测效果图。图11为GR的OP性能预测效果图。图12为WNN的OP性能预测效果图。图13为LWLR的OP性能预测效果图。具体实施方式以下通过具体实施例并结合附图对本专利技术进一步解释和说明。实施例1：一种基于改进卷积神经网络的移动通信系统智能预测方法，包括以下几个部分S1：建立移动协作通信系统模型，选取2-Nakagami通信信道；如图1所示，首先建立移动协作通信系统模型，一个移动信源(MS),多个移动中继(MR),和一个移动目的端(MD)，共同组成了移动协作通信系统，通信信道选取2-Nakagami信道；MS有Nt根发射天线，MD有Nr根接收天线，MR使用1根天线。为了表示MS→MR,MS→MD,MR→MD3个链路的信道增益,我们定义了变量h＝hg,g∈{SR,SD,RD}.我们用GSR,GSD,GRD分别表示MS→MR,MS→MD,MR→MD链路的位本文档来自技高网...

【技术保护点】
1.一种基于改进卷积神经网络的移动通信系统智能预测方法，其特征在于，该方法包括以下步骤：/nS1：建立移动协作通信系统模型，选取2-Nakagami通信信道；/nS2：针对发射天线选择TAS方案，推导出所述通信系统OP性能的闭合表达式；/nS3：选取CNN模型，并将该模型中的池化层去除，将影响通信系统OP性能的信道参数作为该模型输入，再通过训练样本进行训练，即得到基于改进卷积神经网络的移动通信系统智能预测模型。/n

【技术特征摘要】
1.一种基于改进卷积神经网络的移动通信系统智能预测方法，其特征在于，该方法包括以下步骤：
S1：建立移动协作通信系统模型，选取2-Nakagami通信信道；
S2：针对发射天线选择TAS方案，推导出所述通信系统OP性能的闭合表达式；
S3：选取CNN模型，并将该模型中的池化层去除，将影响通信系统OP性能的信道参数作为该模型输入，再通过训练样本进行训练，即得到基于改进卷积神经网络的移动通信系统智能预测模型。


2.如权利要求1所述的移动通信系统智能预测方法，其特征在于，所述S2中，最佳TAS方案是从Nt根发射天线中选择发射天线w，使目的端的接收信噪比最大，即



γSDij,γRDqj分别表示MSi→MDj,MRq→MDj链路的信噪比，译码集合C表示为
C＝{1≤i≤Nt|Ci}(13)
|C|表示译码集合C的势，Ci表示译码集合，Nt表示发射端的天线数量；
那么，最佳TAS方案的OP表示为：



其中Rth是中断阈值,γSCij表示第i根发射天线到第j根接收天线的接收信噪比，Nr表示接收端的天线数量，









其中，γSRjl表示MSj→MRl链路的信噪比，L为中继的数目，m为衰弱...

【专利技术属性】
技术研发人员：徐凌伟，权天祺，张威龙，周新鹏，王涵，李辉，陶冶，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37