一种毫米波亚毫米波频段非对称信道参数预测方法技术

本发公开的一种毫米波亚毫米波频段非对称信道参数预测方法，属于无线通信领域。本发明专利技术实现方法为：根据上行信道参数和环境特征预测下行信道参数，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；结合实例迁移算法预测新传播条件下的下行信道参数，解决新传播环境下训练样本不足的问题；本发明专利技术能够减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响，降低下行信道参数预测模型的复杂度。本发明专利技术应用于无线通信领域，能够支撑非对称毫米波亚毫米波通信系统设计、部署、优化，提高非对称信道下无线通信的效率和精度。线通信的效率和精度。线通信的效率和精度。

【技术实现步骤摘要】
一种毫米波亚毫米波频段非对称信道参数预测方法


[0001]本专利技术属于无线通信领域，具体涉及一种毫米波亚毫米波频段非对称信道参数预测方法。

技术介绍

[0002]为了满足高频谱利用率和高能源利用率的要求，大规模多输入多输出(MIMO)天线阵列被广泛应用于第五代(5G)移动网络中。然而，为满足第六代(6G)移动网络的更多需求，天线元素的数量不断增加，导致数据处理负担和硬件成本变得越来越高。为了解决这个问题，非对称全数字波束成形大规模MIMO系统已经被提出。与传统的对称大规模波束成形天线阵列不同，非对称大规模MIMO系统采用的接收射频链路的数量比发射射频链路的数量少，使得硬件成本和能源消耗减少，在未来的无线通信系统中有很高的应用潜力。
[0003]然而，在非对称大规模MIMO系统中出现的一个问题是，上行和下行信道之间互易性不再满足。这意味着，即使在TDD系统中，也不能直接使用上行信道的测量估计结果来预测下行信道。因此，基站(BS)和终端(UE)都需要导频信号，这就占用了更多的传输和计算资源。这个问题在下行链路中更为严重，因为基站侧的发送射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种毫米波亚毫米波频段非对称信道参数预测方法,其特征在于：包括如下步骤：步骤一、采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，根据所述重要性程度排序，通过MDL算法决定用于下行信道参数预测的最佳的特征，从上行信道参数和环境特征中选择与下行信道参数相关性强的特征，即采用基于SHAP和MDL的特征选择算法，减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响，有效降低下行信道参数预测模型的复杂度；将所述最佳的特征构建训练集，并将所述基于最佳特征构建的训练集输入到下行信道参数预测模型中；所述信道参数包括路径损耗、多径数、时延扩展，所述环境特征包括终端位置、传播距离、方位角、建筑物数目；步骤二、充分考虑信道分布环境呈现出非对称性的特点，在步骤一选择最佳的上行信道参数和环境特征后，根据选择的上行信道参数和环境特征预测下行信道参数，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，进而实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；此外，弱学习器使用选择的最佳的上行信道参数和环境特征和预测目标下行信道参数进行训练，得到每个弱学习器预测结果及相应权重，通过合并弱学习器构建基于集成学习的下行信道参数预测模型，基于集成学习的预测模型，预测相同传播条件下的下行信道参数，提高下行信道参数预测模型的性能。2.如权利要求1所述的一种毫米波亚毫米波频段非对称信道参数预测方法，其特征在于：还包括步骤三，建立基于实例迁移的下行信道参数预测模型预测新传播条件下的下行信道参数，建立基于实例迁移的下行信道参数预测模型预测新传播条件下的下行信道参数，是总训练集，初始化源域和目标域的权重分布W1，采用两阶段TrAdaBoost.R2算法，将源域实例和目标域实例的权重调整分为两个阶段，在第一个阶段，计算仅在目标域上的平均误差e
t
，调整目标域的权重，源域的权重保持不变，第二个阶段为计算仅在源域上的平均误差ε
t
，调整源域的权重，目标域的权重保持不变，得到基于实例迁移的下行信道参数预测模型，在新传播环境下迅速预测下行信道参数。3.如权利要求1或2所述的一种毫米波亚毫米波频段非对称信道参数预测方法，其特征在于：还包括步骤四，根据步骤二或步骤三预测的下行信道参数，应用于无线通信领域，支撑非对称毫米波亚毫米波通信系统设计、部署、优化，提高非对称信道下无线通信的效率和精度。4.如权利要求1、2或3所述的一种毫米波亚毫米波频段非对称信道参数预测方法，其特征在于：步骤一实现方法为，步骤1.1：采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，根据所述重要性程度排序；采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，中位数SHAP值用于反映上行信道参数和环境特征对下行信道参数预测的相关性，并被用于衡量特征的重要性；考虑第i个训练样本，把用于计算SHAP值的基本预测模型表示为G，G表示为：
其中是第i个训练样本的上行信道参数，是第i个训练样本的环境特征，为第i个训练样本的第k个特征的SHAP值；K是特征总数；是样本集合；表示样本集中存在第k个特征，表示它不存在；φ0是训练样本的平均预测值，通过下式计算：第i个训练样本的第k个特征的SHAP值表示为：其中，意味着从移除是第k个特征，S是的所有子集，为了计算第k个特征对预测结果的重要性，模型由和S进行训练；G
S
是仅用S训练的模型；训练集中的每个样本都有自己的SHAP值；为了消除少数极端样本对结果的影响，选择样本SHAP值的中值来表示特征的总体重要性；归一化后特征的中值SHAP值如s1,s2,
…
,s
K
，表示模型...

【专利技术属性】
技术研发人员：张焱，袁萌，何遵文，李悦，张万成，宋九鹏，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：