【技术实现步骤摘要】
本专利技术涉及无线通信，尤其涉及一种基于神经网络的链路在线自适应速率控制方法。
技术介绍
1、无线通信系统的性能评估主要从两方面出发：可靠性和有效性。可靠性是指无线通信系统传输信息的准确程度，而有效性是指无线通信传输信息的效率。一个理想的无线通信系统希望可以兼具可靠性和有效性。但是在实际环境中，无线通信系统性能受开放且多变的无线信道限制，可靠性和有效性存在着复杂的制约关系。当无线信道情况较好时，将系统可以接受的最低误码率为标准，可以采用传输速率较高的传输方案，以提高系统的有效性，获得较大的系统吞吐量；但是当信道质量恶化，仍采用传输速率较高的传输方案会导致系统产生较大的误码率，可靠性无法得到保证，导致整个无线通信系统性能受到影响，所以需要适当降低无线通信系统的传输速率。针对上述可靠性和有效性的复杂博弈问题，链路自适应技术被提出，速率控制也是其中一种，它根据不同的信道质量调节系统的传输速率，使得无线通信系统性能达到最优。在这样的无线通信系统需求下，一种高效且准确的自适应速率控制方法需要被研究。
2、商用通信5g nr协议中链路自适应速率控制技术中采用信道质量指示（cqi）表示信道恶劣情况，与信道的信噪比对应。协议中提供了不同cqi对应的调制编码方案（mcs），覆盖了从256qam、64qam、16qam和qpsk不同的调制方案，对应不同的传输速率。当cqi-mcs方案确定后，5g nr协议中链路自适应速率控制技术对系统的性能的提升主要依赖于cqi估计的准确性，即信干噪比（sinr）估计的准确性。
3、上述成熟
4、为解决上述信道估计过时以及信道高速追踪的问题，一般会在无线通信系统的信道估计模块后增加信道预测模块，用于预测之后时刻的信道质量，作为进行自适应速率控制的依据，最优化无线通信系统的性能。随着通信双方移动而发生变化的信道质量信息属于时序序列，即按照时间顺序排列的一组信息。而神经网络因为其具有强大的特征提取能力和非线性拟合能力，在时序序列特征挖掘和预测中得到了广泛应用。现有的研究主要集中在利用神经网络构建模型对信道质量参数如信道增益、信噪比进行预测，再根据预测值决定最佳的传输方案，即将信道估计、信道预测和传输方案决策三个模块串行连接。而前序产生的估计误差无法在预测中得到补偿，同时会累积上预测误差，共同输入决策模块中，导致决策失效，链路自适应速率控制失败。另外，大多信道预测的研究采用离线训练、在线控制的模式，未能充分利用时序序列的时间相关性，模型具有很大的局限性，无法对多样的信道环境进行准确的预测，链路自适应速率控制失效。
技术实现思路
1、为了解决上述问题，本专利技术提出一种基于神经网络的链路在线自适应速率控制方法，将接收端在一段内接收到的导频信号按照时序进行预处理后作为链路在线自适应速率控制方法的输入，通过神经网络提取该时间段内的信号传播特征和时序特征，并利用这些特征预测下一时刻的信号传播特征，同时引入在线学习对神经网络中的参数进行不断更新，用于适应信道的高速变化，最后与softmax分类器结合，为发送端匹配所能达到最大速率的传输方案，随后接收端将该方案反馈给发送端作为下一时刻传输方案选择的指导，完成链路在线自适应速率控制。本专利技术的链路在线自适应速率控制方法在高速动态变化信道条件下简单高效、适应性强，可提高无线通信系统传输性能。
2、本专利技术采用的技术方案如下：
3、一种基于神经网络的链路在线自适应速率控制方法，包括：
4、步骤一、最优传输方案设置：针对无线通信系统的信道质量进行分级，并根据信道质量设置相应的传输方案作为最优传输方案；
5、步骤二、样本预处理及数据集准备：收集不同信道质量条件下采用最优传输方案进行信息传输时的时序复信号，经归一化处理后再转化为三维接收信号矩阵，并结合最优传输方案形成数据集；
6、步骤三、自适应速率控制模型搭建：搭建基于神经网络的自适应速率控制模型，利用所述数据集进行离线训练；
7、步骤四、自适应速率控制模型部署：接收端部署自适应速率控制模型，进行在线控制与训练；
8、步骤五、在线自适应速率控制：在下一轮业务交换时，通过信息头约定的比特位将匹配到的下一时刻最优传输方案反馈给发送端，发送端根据反馈调整传输策略，完成链路在线自适应速率控制的闭环。
9、进一步地，步骤一中，基于无线通信系统的应用场景对信道质量进行分级得到个信道质量等级，所述信道质量的衡量因素包括信噪比；在不同的信道质量下，以无线通信系统所能接受的最大误码率和能达到的最大传输速率为标准，采用不同的发送功率等级、调制编码方案和帧结构，设置不同的传输方案作为该信道质量下的最优传输方案：
10、
11、其中， i表示第 i种链路状态，。
12、进一步地，步骤二包括：
13、收集不同信道质量条件下采用最优传输方案进行信息传输时的时序复信号，记无线通信系统在时刻接收端收到的时序复信号分别为，共个时刻，上标 t表示转置；每个时刻对应的最优传输方案分别为；
14、对时序复信号进行归一化处理：
15、
16、其中，为归一化后的时序复信号，代表矩阵二范数的平方；
17、以时刻为预测起点，窗口长度为，取出归一化后的时序复信号为，并按照实部、虚部和相位的顺序转化为三维接收信号矩阵：
18、
19、其中，表示三维接收信号矩阵的第一列，表示三维接收信号矩阵的第二列，表示三维接收信号矩阵的第三列；
20、将接收到的时序复信号的实部、虚部和相位均作为网络模型的输入特征，对应的标签数据作为下一时刻的最优传输方案即，并将数据集表示为，再按照预设比例划分训练集、测试集和验证集。
21、进一步地，步骤三中，自适应速率控制模型包括依次连接的卷积神经网络、长短期记忆网络、全连接层和softmax分类器，通过softmax分类器预测下一时刻最优传输方案。
22、进一步地，所述自适应速率控制模型的卷积神经网络中，第层的输出特征图表示为，且有：
23、
24、其中，为卷积神经网络第层的第个特征输出向量，，表示当前层卷积核个数；为激活函数；和分别是第层可训练的权重与偏置；为卷积运算符；为前一个卷积层输出的第个特征图，，表示前一层输出特征图的个本文档来自技高网...
【技术保护点】
1.一种基于神经网络的链路在线自适应速率控制方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤一中，基于无线通信系统的应用场景对信道质量进行分级得到个信道质量等级，所述信道质量的衡量因素包括信噪比；在不同的信道质量下，以无线通信系统所能接受的最大误码率和能达到的最大传输速率为标准，采用不同的发送功率等级、调制编码方案和帧结构，设置不同的传输方案作为该信道质量下的最优传输方案：
3.根据权利要求2所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤二包括：
4.根据权利要求3所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤三中，自适应速率控制模型包括依次连接的卷积神经网络、长短期记忆网络、全连接层和Softmax分类器，通过Softmax分类器预测下一时刻最优传输方案。
5.根据权利要求4所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，所述自适应速率控制模型的卷积神经网络中，第层的输出特征图表示为，且有：
6.
7.根据权利要求6所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，所述长短期记忆网络的遗忘门中，记当前长短期记忆网络上一个时刻的单元状态为，当前时刻的输入为，生成单元状态为；遗忘门的输入参数为时刻的信号和上一时刻的输出信号，经过Sigmoid激活函数进行非线性映射后输出的信号，与上一时刻的单元状态相乘以确定遗忘信息；因此，遗忘门输出的信号为：
8.根据权利要求7所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤三中，样本经过长短期记忆网络后，利用全连接层整合并挖掘高阶信号和时序特征；对于挖掘出的高阶特征，采用Softmax分类器对特征进行分类，将神经网络输出映射到概率空间，选择概率最高的传输方案作为模型输出；Softmax分类器输出向量，为输出层神经元个数，即传输方案总数；的计算公式为：
9.根据权利要求8所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤三中，确定网络结构之后，采用分类交叉熵作为损失函数：
10.根据权利要求9所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤四中，将训练好的自适应速率控制模型部署到接收端进行在线速率控制，对下一时刻的传输方案进行决策，包括：周期性地利用实时接收到的数据通过信道估计模块对信道质量参数进行估计，匹配最优传输方案作为标签数据，不断更新高阶特征提取网络的参数，使得网络具有持续学习的能力；同时低阶特征提取网络的参数在离线训练阶段已经固定，从而实现网络实时更新。
...【技术特征摘要】
1.一种基于神经网络的链路在线自适应速率控制方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤一中，基于无线通信系统的应用场景对信道质量进行分级得到个信道质量等级，所述信道质量的衡量因素包括信噪比；在不同的信道质量下，以无线通信系统所能接受的最大误码率和能达到的最大传输速率为标准，采用不同的发送功率等级、调制编码方案和帧结构，设置不同的传输方案作为该信道质量下的最优传输方案：
3.根据权利要求2所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤二包括：
4.根据权利要求3所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，步骤三中，自适应速率控制模型包括依次连接的卷积神经网络、长短期记忆网络、全连接层和softmax分类器，通过softmax分类器预测下一时刻最优传输方案。
5.根据权利要求4所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，所述自适应速率控制模型的卷积神经网络中，第层的输出特征图表示为，且有：
6.根据权利要求5所述的一种基于神经网络的链路在线自适应速率控制方法，其特征在于，所述自适应速率控制模型的长短期记忆网络以经过卷积和池化后提取到的特征作为输入，用于挖掘输入样本的时序特征；所述长短期记忆网络通过遗忘门、记忆门和输出门添加或删除信息，从而将当前长短期记忆网络的状态信息存储并传递给下一个时刻的长短期记忆网络，实现网络的记忆功能。
【专利技术属性】
技术研发人员：吴麒，戚盼，周鹏，安毅，王翔，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。