[发明专利]一种基于相空间重构的RBF神经网络信道预测方法

权利要求书

1.一种基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述基于相空间重构的RBF神经网络信道预测方法包括：获得信道系数，建立样本训练数据集；求解相空间重构参数；对样本训练数据集进行相空间重构；在重构相空间中选择邻域点；利用邻域点进行RBF神经网络的训练；利用训练好的神经网络进行预测；将预测结果转化到原始空间得到预测值；

所述基于相空间重构的RBF神经网络信道预测方法包括以下步骤：

步骤一，获得LTE上行链路信道系数，建立训练样本数据集及测试样本数据集；

步骤二，对训练样本及测试样本进行归一化处理；

步骤三，求解训练样本的相空间重构参数；具体包括：

(1)根据C-C算法求解出嵌入维m₁和最佳时延τ；C-C算法利用关联积分同时估计出时间延迟τ和嵌入窗宽τ_ω，然后由τ_ω＝(m-1)·τ求出嵌入维m₁；

(2)如果C-C算法无法得到较为准确的嵌入维时，则采用假临近算法求得嵌入维为m₂；

(3)根据步骤七的要求，围绕m₂，对最佳时延进行重新选择；

步骤四，对训练样本进行相空间重构；

步骤五，依据距离准则寻找相空间中最后一个相点的邻域点；

步骤六，利用步骤五中找到的邻域点进行RBF神经网络的训练；

步骤七，将测试样本输入步骤六得到的RBF神经网络，如果预测结果满足误差要求，则执行步骤八，否则执行步骤三和步骤五；

步骤八，对预测数据进行反归一化。

2.如权利要求1所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述将训练样本进行归一化处理，即将其归一化成为均值为0、方差为1的数据。

3.如权利要求1所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤四对训练样本进行相空间重构；

原始时间序列为：x＝{x_i|i＝1,2,…,N}，嵌入维为m，最佳时延为τ，则得到重构后的相空间为：

X＝{X_s|s＝1,2,…,M}；

X_s＝(x_s,x_s+τ,…,x_s+(m-1)τ)^T；

M＝N-(m-1)τ；

其中，M是相空间中的点的个数，每个相点X_s都是一个m的矢量。

4.如权利要求1所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤五具体包括：

(1)根据欧氏距离求出最后一个相点的邻域点；

||X_s-X_M||≤k·||X_s-X_M||,s＝1,2,…,M-1；

其中||·||表示两点的欧氏距离，k∈[0,1]是邻域点占全部相点的比例；

(2)根据步骤七的要求，调整k。

5.如权利要求1所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤六结合MATLAB软件自带的函数来解释RBF神经网络训练的输入输出:

net＝newrbe(R,T,SPREAD)；

设训练样本中原始时间序列长度为10，嵌入维m为3，最佳时延τ为2；

则输入矢量为：R＝[X₁，X₂,X₃,X₄,X₅]_3×5；

目标矢量为：T＝[x₆,x₇,x₈,x₉,x₁₀]_1×5；

net是训练得到的RBF神经网络。

6.如权利要求1所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤七包括：

(1)结合MATLAB软件自带的函数对得到的RBF神经网络net进行预测；

原始时间序列长度为11，嵌入维m为3，最佳时延τ为2，要预测第11个数据：

T_pre＝sim(net,R_pre)；

输入矢量为：R_pre＝[X₆]_3×1；

预测数据为：T_pre＝[x₁₁]_1×1；

net训练得到的RBF神经网络；

将新预测的点归入输入矢量R_pre；

(2)在训练RBF神经网络的阶段，给定系统预测目标为：MSE≤γ；未能满足时，执行步骤三和步骤五，调整相空间重构参数和邻域点个数。