[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

说明书

本发明属于信道预测技术领域，公开了一种基于相空间重构的RBF(Radial basis function，径向基函数)神经网络信道预测方法，包括如下步骤：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。本发明的预测时间较长，同时降低了RBF神经网络计算的复杂度；可用于LTE上行链路中的信道预测。

技术领域

本发明属于信道预测技术领域，尤其涉及一种基于相空间重构的RBF神经网络信道预测方法。

背景技术

随着高清视频和物联网等数据通信业务的迅速增长，以LTE为主流的4G 和未来的5G需要在有限的频带内，实现更高速率上的可靠数据传输；而无线信道的恶劣特性和复杂多变的系统内外的干扰，给LTE系统中高频带利用率和高功率利用率信息传输技术的研究提出严峻的挑战。为了适应现在和未来移动通信系统所面临的这些技术挑战，在LTE系统中已开展了大量有关基于信道信息调度的链路自适应技术(AMC)的研究。该技术是通过自适应调整用户和基站链路的参数，动态地适应无线信道和干扰的时变特性，可有效地提高链路传输的频带利用率。由于LTE系统传输中存在着固有时延，因此想要进行较为准确 AMC必须对信道质量进行预测，而信道系数与信道质量密切相关，因此，可以通过进行信道系数的预测，来改善系统自适应性能。具体来说：在TD-LTE上行系统中，为了实现自适应编码调制，基站需要根据当前时刻以及前一段时间内的信道状态，对下一上行时刻的信道进行预测，并将预测结果转换成MCS反馈到用户端，从而选择最佳的编码调制方式进行上行传输。信道预测本质上属于统计信号处理中的估计，跟踪与预测理论，相关的算法主要包括：AR模型。AR 模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据，具有计算量小的特点，但是不适合进行长期预测。SOS模型。在基于SOS (sum-of-sinusoids)模型的算法中，主要思想是基于物理信道模型建模首先，估计出与之相关的各个参数；然后，根据估计出的参数计算出将来的信道值。SOS模型一般使用谱估计的方法来确定上面表达式中的参数，如MUSIC，ESPRIT等。与AR模型相比，这些算法比较复杂，计算量也较大。自适应信道预测。该算法在接收端利用自适应信号处理的方法来克服以往需要长时间实现的信道自先关函数的估计问题；且可以通过迭代计算，每次只需要进行少量的更新就是那，减小了计算量；此外，自适应算法可以部分弥补信道非平稳带来的一些问题，此时信道预测算法具有了一定程度的跟踪信道参数变化的能力。自适应求解AR模型系数的办法主要有：NLMS和RLS。此外自适应算法还有Kalman滤波器算法。该算法需要较多的训练数据，且由于迭代运算较慢无法很好地满足实时性要求较高的场合。此外，人工神经网络是由大量简单的神经元相连而组成的复杂系统，模拟人类神经网络的工作，一般包括输入层、隐含层和输出层。通过调整人工神经网络层之间的连接权重，就可以很好地解决非线性演化问题。RBF神经网络具有单隐含层，其输入层和隐含层的映射是非线性的，隐含层采用高斯径向基函数(RBF)作为激活函数，网络层到输出层是线性映射。该算法的优点在于不存在陷入局部最小值的情况。混沌理论认为，看似不具有规律的运动，如果变换到高纬相空间中，其可能具有总体稳定性，符合一定的运动规律。混沌时间序列理论认为：随着时间推移，相空间中的运动状态具有向吸引子靠拢的趋势，具有很强的稳定性。因此，吸引子内外的任一状态点与其相邻的状态点具有共同的运动趋势；因此，可以预测临近状态点和后续状态点的函数关系，并用其代替预测点和其后续状态点的函数关系，即可以实现时间序列的预测。而预测点的邻域点的选择主要和距离有关，距离越近的点与预测点的相关性越大。

综上所述，现有技术存在的问题是：目前的信道预测方法存在信道预测时间较短，神经网络计算量较大。

发明内容

针对现有技术存在的问题，本发明提供了一种基于相空间重构的RBF神经网络信道预测方法。