一种基于并行深度学习网络的OFDM信道预测方法和系统技术方案

本发明专利技术公开了一种基于并行深度学习网络的OFDM无线通信系统信道预测方法和系统，属于无线通信自适应传输技术领域。通过并行深度学习网络对导频OFDM符号子载波的信道状态信息进行训练，实现导频OFDM符号信道状态信息的有效预测。为了提高对输入信道状态信息的泛化能力，提供一种包含数个平行的网络单元的并行深度学习网络的信道预测器，每个网络包含多个网络层。为了引入稀疏性，提供一种群组前向变量选择的输出权重估计方法。本发明专利技术公开的并行深度学习的信道预测器对导频子载波的信道状态信息具有良好的泛化能力，可以输出稀疏的输出权重矩阵，可以很好地实现OFDM信道预测，可以为自适应OFDM无线通信的自适应传输和自适应编码等提供保障。编码等提供保障。编码等提供保障。

【技术实现步骤摘要】
一种基于并行深度学习网络的OFDM信道预测方法和系统


[0001]本专利技术属于无线通信自适应传输
，更具体地，涉及一种基于并行深度学习网络的OFDM信道预测方法和系统。

技术介绍

[0002]随着科技的发展，无线通信的自适应传输是未来发展的趋势。在自适应正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)系统中，由于衰落信道的快速变化，从接收端反馈到发送端的信道信息容易过期。信道预测是支持OFDM系统自适应传输的必要技术。
[0003]深度学习是一种非常有效的机器学习方法。在无线通信领域，已将深度学习方法应用于信道预测，如公开号为CN112737987A的专利技术专利申请公开了一种基于深度学习的时域信道状态信息预测器。在该专利技术中，申请人利用单一的深度学习网络对无线通信系统的时域信道状态信息进行训练和预测，而单一的深度学习网络对时域信道状态信息的泛化能力是有限的。因此，如何对深度学习网络进行改进，提供一种更有效的OFDM信道预测器，对自适应OFDM的发展具有重要的意义。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于并行深度学习网络的OFDM信道预测方法，其特征在于，包括：通过信道估计，获取导频OFDM符号的信道状态信息；利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，获得训练良好的并行深度学习网络预测器；将训练良好的并行深度学习网络预测器对导频子载波下一个采样点的信道状态信息进行预测；将预测得到的各个导频子载波的下一个采样点的信道状态信息进行合并，获取导频OFDM符号的预测信道状态信息。2.根据权利要求1所述的方法，其特征在于，所述并行深度学习网络包含数个平行的网络单元，每个网络单元包含多个网络层。3.根据权利要求2所述的方法，其特征在于，所述利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，包括：通过得到第n个网络单元中第1个网络层的输出其中，Γ(
·
)为激活函数，X为输入的信道状态信息矩阵，为各个网络单元的输入权重矩阵，N为并行深度学习网络的网络单元数；通过得到第n个网络单元中第q个网络层的输出得到第n个网络单元中第q个网络层的输出为第n个网络单元中第q
‑
1个网络层的输出，为第n个网络单元中第q
‑
1个网络层与第q个网络层的连接权重，q＝1,2,3,...,Q
‑
1，Q为每个网络单元中包含的网络层个数；由第n个网络单元的各网络层的输出组成第n个网络单元的输出矩阵由得到各个网络单元的输出矩阵，然后通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵W
out
。4.根据权利要求3所述的方法，其特征在于，所述通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵W
out
，包括：由得到第l次迭代的变量相关性其中，为需要筛选出的变量数目，Y为训练数据集对应的并行深度学习网络的输出，(
·
)
T
代表矩阵的转置操作，为第l次迭代中估计的输出权重矩阵，和分别代表带有激活数据集和非激活数据集的数据矩阵，激活数据集非激活数据集且且为第n个网络单元中第Q个网络层的神经元数目；通过得到第l次迭代中估计的输出权重矩阵
λ为正则化系数，I为单位矩阵；在得到第l次迭代的变量相关性后，将从数据集中移除，并添加到数据集中；经过次迭代后，获取各个迭代的输出权重矩阵次迭代后，获取各个迭代的输出权重矩阵从中筛选最优的估计输出权重矩阵5.一种基于并行深度学习网络的OFDM信道预测系统，其特征在于，包括：信道估计模块，用于通过信道估计，获取导频OFD...

【专利技术属性】
技术研发人员：何怡刚，隋永波，王枭，黄源，何鎏璐，程彤彤，
申请(专利权)人：武汉大学，
类型：发明
国别省市：