[发明专利]复数神经网络信道预测方法

说明书

本发明公开了一种复数神经网络信道预测方法，主要解决MIMO系统中由于信道时变而导致的信道衰落问题。其技术方案是，1.基站对信道进行测量得到含有估计误差的信道系数训练序列；2.根据得到的信道系数序列得到相应的训练样本和期望输出；3.输入训练样本进行复数小波神经网络训练，得到最终的网络权值；4.基站利用训练后的复数小波神经网络进行信道系数预测。本方法简便易行，效果良好，适用于减少由信道时变对MIMO系统信道的影响。

技术领域

本发明属于通信技术领域，涉及一种信道预测方法，可用于存在信道时变的MIMO移动通信系统中。

背景技术

在无线通信中，反射，绕射和散射普遍存在于各种环境，不可避免的多径传播；发射端和接收端的相对移动又不可避免的产生多普勒扩展，使无线信道中呈现频率选择性和时变特性。频率选择性和时变导致的衰落被视为两种不同的失真。前者取决于多径扩展，大体由相干带宽表征；后者取决于信道的时间变化，大体上由相干时间表征。为了降低系统误码率，通常利用估计得到的信道信息均衡接收到的信号。但是对于快变信道，传统基于判决反馈的信道估计方法得到的信道状态信息是过时的信息。

为解决由于信道时变导致的信道系数过时问题，近年来研究在MIMO系统中使用基于信道预测的方法来进行时变信道的补偿得到广泛的关注。基站端利用前些时刻估计得到的上行链路CSI来预测当前时刻或随后更长时间内下行链路CSI，以期利用预测得到的CSI进行自适应处理，进一步提高系统性能。

目前，时变衰落信道预测的研究主要集中在线性预测算法中，如线性动态AR模型等。但由于时变衰落信道具有非常复杂的非线性特性，非线性预测算法的引入也越来越受到研究者的关注，其中支持向量机和神经网络就是目前广泛应用的两种非线性算法。

支持向量机，是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的，它是基于结构风险最小化准则的一种新的机器学习技术，其通过非线性变换将输入样本空间变换到一个高维特征空间，然后在这个新空间中求取最优超平面，较好地解决了学习方法的小样本、非线性、高维数、局部极小点等实际问题，并具有很强的泛化能力，因此该技术已经成为当前国际机器学习界的研究重点，并在模式识别、回归估计、概率密度函估计等方面得到广泛的应用，如语音识别、图像分类、时间序列预测等。但是，支持向量机的预测精度过于依赖其参数的选择,其取值主要依据经验与试算,没有统一的规则。如何确定最优参数,是提高支持向量机学习和泛化能力的关键之一，但是支持向量机由于模型结构难以确定，易出现过度训练或训练不足，陷入局部最小且对连接权值都比较敏感，并过度依赖设计技巧，对大规模样本的复杂度很高。

神经网络，作为人工智能和模式识别的有力工具，神经网络有许多种类，经常使用的有BP网络、RBP网络、Hopfield网络、BAM网络等等。BP神经网络是目前应用的比较广泛，研究比较成熟的神经网络。与传统的预测方法相比，神经网络的预测方法的预测精度更好一些，这主要是得益于神经网络自身的特点。神经网络擅长描述具有较强非线性、难于用精确数学模型表达的复杂系统的特性，并且具有自适应能力。神经网络对预测因子的选择也较为灵活，任何认为与预测有关的数据均可纳入输入向量中，这也就增加了神经网络的容错性。但是传统的神经网络算法的网络参数由于都为实数，这在很大的程度上限制了它的应用。从信号处理的角度来讲，由于复数信号能够携带幅度和相位信息，因此直接对复数信号进行传输和处理的复数神经网络具有独特的优势。