[发明专利]一种自适应调制与编码方法

说明书

本发明属于无线通信技术领域，具体的说是涉及一种自适应调制与编码方法。本发明的方法不需要对信道状态信息进行进一步的计算来获取样本特征，直接将信道状态信息作为样本特征；不需要事先准备好样本数据，样本特征是实时获取的，样本标签是实时评估并调整获得的；因为样本数据是实时获取的，即使信道发生了极大的变化，学习权重也能实时调整以适应当前的信道状态。

技术领域

本发明属于无线通信技术领域，具体的说是涉及一种自适应调制与编码方法。

背景技术

自适应技术的构想最早在20世纪60年代被提出，是指通过接收信号端反馈不断变化的信道状态信息，发送信号端动态地调整信号传输时的调制方案、编码方案以及其他信号传输参数，在保证一定的系统可靠性的前提下，最大化信息传输的吞吐量。正是由于链路自适应技术在同样的带宽下可以提供更高的传输速率，极大地提高了频谱利用率，从而成为各种通信系统中倍受关注的关键技术之一。传统的自适应选择调制与编码是通过估计信道状态信息的等效信噪比后查寻与等效信噪比对应的性能表来选择调制与编码方案，但随着当前人工智能产业的不断发展，人工智能所使用的机器学习方法为自适应调制与编码提供了新的思路。

机器学习包含了许多准确而高效的通用学习方法，不需要事先针对待解决的问题进行专门地建模，只依靠大量的样本特征和对应的样本标签来找寻特征与标签的内在联系。机器学习方法在自适应选择调制与编码问题上有广泛的应用尝试，国外已经有学者采用过k-近邻方法(Daniels R C,Caramanis C,Heath Jr R W.A supervised learningapproach to adaptation in practical MIMO-OFDM wireless systems[C]//GlobalTelecommunications Conference,2008.IEEE GLOBECOM 2008.IEEE.IEEE,2008:1-5)、神经网络方法(YIGIT H,Kavak A.A learning approach in link adaptation for MIMO-OFDM systems[J].Turkish Journal of Electrical Engineering&Computer Sciences,2013,21(5):1465-1478.)以及支持向量机方法(Daniels R,Heath R W.Online adaptivemodulation and coding with support vector machines[C]//Wireless Conference(EW),2010European.IEEE,2010:718-724.)来自适应选择调制与编码，但上述方法都需要事先对信道状态信息进行一些计算来获得样本特征，而且，需要提前准备好大量的样本数据(包括样本特征和样本标签)来进行离线的学习。离线学习好自适应选择调制与编码的方案后，若信道状态发生很大变化，则学习到的方案选择方法不能适用于变化后的信道。

发明内容

本发明的目的在于提供一种在线的自适应选择调制与编码方法，该方法不需要对信道状态信息进行计算来获取样本特征，也不需要事先准备好样本数据。同时，在线的训练能很好地适应出现很大变化的信道。

为了方便理解本发明的技术方案，首先对机器学习方法做一些说明：

机器学习包含很多算法，这里我们要使用的是其中的分类算法。神经网络、支持向量机等分类算法均是先定义好一个含有许多权重值的函数模型，最初的权重值是随机产生的。然后输入样本特征来训练模型使输出结果尽量拟合样本标签，在拟合的过程一般使用Insofar、RMSprop、Adadelta或Adam等优化算法来迭代更新权重值。整个学习过程就是不断输入样本特征，然后使用优化算法更新权重值来使输出结果与样本标签的误差不断减小的过程。学习到一定程度后，就可以进行预测了，即只输入特征，根据函数模型和更新后的权重值来计算出对应的标签。