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