一种联合深度学习与基扩展模型的信道预测方法技术

本发明专利技术公开了无线通信技术领域内的一种联合深度学习与基扩展模型的信道预测方法,包括以下步骤：步骤1，根据历史时刻的信道信息获取信道的相关矩阵；步骤2，对相关矩阵进行特征值分解，获得最优基函数；步骤3，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与最优基函数，获取基系数估计值；步骤5，根据基系数估计值构建训练样本集；步骤6，利用训练样本集训练BP神经网络；步骤7，获得具有最优权重和阈值的信道预测模型；步骤8，基于信道预测模型进行线上预测；步骤9，将基系数预测值转换成频域信道矩阵。本发明专利技术具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。

【技术实现步骤摘要】
一种联合深度学习与基扩展模型的信道预测方法
本专利技术涉及一种信道预测方法。
技术介绍
近年来，随着高速铁路、高速公路的大规模部署和运行，高速移动环境下的无线通信在全球引起了越来越多的关注。并且，在未来的高速移动场景(B5G)中，车载速度将会越来越高，更高的车载速度将会引起更大的多普勒频移，这将导致无线信道发生快速时变，从而使得该场景下信道信息的获取更具挑战性。传统的时变信道估计技术由于处理时延的存在，导致估计的信道出现严重的过时，而信道预测技术由于可以根据历史信道信息来提前预测未来时刻的信道，因此被广泛地用于高速移动场景中信道信息的高效获取。传统的信道预测通常采用线性预测方法或者向支持量机(SupportVectorMachine，SVM)方法，其中TANGQ等人(TANGQ,LONGH,YANGHJ等人，“AnenhancedLMMSEchannelestimationunderhighspeedrailwayscenarios”)给出了一种基于线性最小均方误差(LinearMinimumMeanSquareError，LMMSE)的信道预测方法，该方法通过估计每条路径的多普勒频移来更精确地生成频率和时间的信道相关性，实现了高铁场景中的信道预测。SHARMAP等人(SHARMAP,CHANDRAK等人，“PredictionofstatetransitionsinRayleighfadingchannels”)给出了一种自回归(AutoRegressive，AR)模型信道预测方法。这些传统的线性预测方法由于采用的模型比较僵化，使得模型和真实信道之间存在较大差距(尤其当信道快速变化时)，因此线性预测方法的性能不够理想。DONGZ等人(DONGZ,ZHAOY,CHENZ等人，“Supportvectormachineforchannelpredictioninhigh-speedrailwaycommunicationsystems”)给出了一种基于SVM的信道预测方法，该方法通过使用遗传算法来优化SVM模型的惩罚系数和高斯核宽度，与传统的AR模型相比，具有较低的预测误差，但是由于该方法需要从低维空间映射到高维空间，因此计算复杂度较高。近年来，随着深度学习的广泛应用，神经网络作为人工智能的一种经典技术也被发掘出来。由于神经网络具有强大的处理时间序列的能力，所以目前国内外许多研究人员提出了一些基于神经网络的信道预测方法。其中，LIAORunFa等人(LIAORunFa,WENHong,WUJinSong等人，“TheRayleighFadingChannelPredictionviaDeepLearning”)给出了一种基于BP神经网络的信道预测方法。ZHAOY等人(ZHAOY,GAOH,BEAULIEUNC,CHENZ等人，“Echostatenetworkforfastchannelpredictioninriceoffadingscenarios”)给出了一种基于回声状态网络的信道预测方法，但由于该方法在训练过程中不更新权重矩阵，因此预测精度不高。DINGT等人(DINGT,HIROSEA.等人，“Fadingchannelpredictionbasedoncombinationofcomplex-valuedneuralnetworksandchirpZ-transform”)提出了一种基于复值神经网络的信道预测方法，该方法利用由线性调频Z变换获得的信道估计对复值神经网络进行训练，但由于复值网络的计算量比实值网络要高得多，因此该方法的计算复杂度较高。W.Jiang等人，(W.Jiang,H.D.Schotten等人，“DeepLearningforFadingChannelPrediction“)针对无线通信系统中的多径衰落信道，构建了两种新型的基于长短期记忆(LongShort-TermMemory，LSTM)网络和门控循环单元(GatedRecurrentUnit，GRU)网络的信道预测模型，这两种模型将连续采样获得的信道响应送入神经网络中，实现时变信道的预测，但由于网络层数和神经元数目较多，导致计算复杂度太大。与传统的预测方法相比，基于神经网络的预测方法更适用于高速移动场景，然而这些现有的基于深度学习的信道预测方法均是在时域对时变信道进行逐径直接预测的，由于多径时变信道时域直接预测需要预测大量的信道抽头样值，这将大大的增加预测的复杂度，从而引起信道过时。因此，需要研究一种实用预测精度更高、复杂度更低的适用于高速移动场景的时变信道预测方法。
技术实现思路
为实现上述目的，本专利技术提供了一种联合深度学习与基扩展模型的信道预测方法，包括以下步骤：步骤1，根据历史时刻的信道信息来获取信道的相关矩阵；步骤2，对信道相关矩阵进行特征值分解，获得最优基函数；步骤3，基于最优基函数，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；步骤5，根据历史基系数估计值构建训练样本集；步骤6，基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；步骤7，获得具有最优权重和阈值参数的信道预测模型；步骤8，基于步骤7获得的信道预测网络模型进行线上预测；步骤9，根据推导的基系数与频域信道的转换公式，获得频域信道矩阵。作为本专利技术的进一步改进，所述步骤1的具体内容如下：根据历史时刻的信道信息来获取信道的相关矩阵为式中,Hm＝[H1,m,...Hk,m,...,HK,m]，其中Hk,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数，N是OFDM符号的长度。作为本专利技术的进一步改进，所述步骤2的具体内容如下：对信道相关矩阵进行特征值分解，获得最优基函数Bm＝Um(:,1:Q)式中，Um为从大到小顺序排列的特征值对应的特征向量矩阵，Um(:,1:Q)是Um的前Q列组成的向量，Q是基函数的个数。作为本专利技术的进一步改进，所述步骤5的具体内容如下：根据历史基系数估计值构建训练样本集，即式中，J表示训练样本数，表示D维实数集，表示A维实数集，表示由第m个时刻的基系数估计构造的第j个输入样本，表示第(m+1)个时刻理想基系数构造的第j个输出样本，其可以表示为式中，为将复数转换为实数的操作，即其中Re(·)和Im(·)分别为取实部和虚部操作，是第(m+1)个时刻理想基系数组成的第j个样本，是第m个时刻的基系数估计组成的第j个样本，即式中，表示l径第m个时刻上第q个基函数所对应的基系数。作为本专利技术的进一步改进，所述步骤8的具体内容如下：基于步骤7获得的信道预测网络模型进行线上预测，将第m个时刻的基系数估计值xm送入网络，然后利用网络的非线性函数Ψ(·)，可得到第(m+1)个时刻的基系数预测值具体表示为式中，为将实数转化为复数本文档来自技高网...

【技术保护点】
1.一种联合深度学习与基扩展模型的信道预测方法，其特征在于，包括以下步骤：/n步骤1，根据历史时刻的信道信息来获取信道的相关矩阵；/n步骤2，对信道相关矩阵进行特征值分解，获得最优基函数；/n步骤3，基于最优基函数，利用基扩展模型对信道进行建模；/n步骤4，基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；/n步骤5，根据历史基系数估计值构建训练样本集；/n步骤6，基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；/n步骤7，获得具有最优权重和阈值参数的信道预测模型；/n步骤8，基于步骤7获得的信道预测网络模型进行线上预测；/n步骤9，根据推导的基系数与频域信道的转换公式，获得频域信道矩阵。/n

【技术特征摘要】
1.一种联合深度学习与基扩展模型的信道预测方法，其特征在于，包括以下步骤：
步骤1，根据历史时刻的信道信息来获取信道的相关矩阵；
步骤2，对信道相关矩阵进行特征值分解，获得最优基函数；
步骤3，基于最优基函数，利用基扩展模型对信道进行建模；
步骤4，基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；
步骤5，根据历史基系数估计值构建训练样本集；
步骤6，基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；
步骤7，获得具有最优权重和阈值参数的信道预测模型；
步骤8，基于步骤7获得的信道预测网络模型进行线上预测；
步骤9，根据推导的基系数与频域信道的转换公式，获得频域信道矩阵。


2.根据权利要求1所述的一种联合深度学习与基扩展模型的信道预测方法，其特征在于，所述步骤1的具体内容如下：
根据历史时刻的信道信息来获取信道的相关矩阵为



式中,Hm＝[H1,m,...Hk,m,...,HK,m]，其中Hk,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数，N是OFDM符号的长度。


3.根据权利要求2所述的一种联合深度学习与基扩展模型的信道预测方法，其特征在于，所述步骤2的具体内容如下：
对信道相关矩阵进行特征值分解，获得最优基函数
Bm＝Um(:,1:Q)
式中，Um为从大到小顺序排列的特征值对应的特征向量矩阵，Um(:,...

【专利技术属性】
技术研发人员：杨丽花，聂倩，呼博，任露露，杨钦，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32