[发明专利]一种基于机器学习的MIMO链路自适应传输方法

权利要求书

1.一种基于机器学习的MIMO链路自适应传输方法，其特征在于：包括以下步骤：

S1：利用机器学习非监督学习算法对信道状态信息进行特征提取；

特征提取的方法包括：通过信道估计获得信道矩阵与噪声方差，获得归一化后的信号矩阵P后分别取其实部与虚部作为非监督学习算法结构的输入x；通过梯度下降法对代价函数加入稀疏性与正则化惩罚，得到神经网络参数后提取得到特征e；将提取到的特征e作为分类器的数据构建信道信息特征与匹配传输参数之间的映射；

S2：将非监督学习算法结构中间层的输出数据作为分类器的输入，调制编码方式类别作为分类器输出，基于训练数据集对分类器训练，构建特征向量到调制编码方式类别的映射关系，即进行信道质量指示的选择；

S3：采用神经网络构建秩指示分类器，每一可选的秩指示对应一个分类器，可选的秩指示的数量为N_S，将训练数据训练过的分类器通过校验数据集进行分类性能评价，选择分类性能最优的分类器；根据信道矩阵和噪声方差，在满足误码字率限制的情况下，选择能够实现最高速率的调制编码方式组合；

S4：将N_S组层数与相匹配的调制编码组合通过比较器，选择MIMO系统最高频谱效率的层数与调制编码方式，如果有两组或多组组合实现同样速率，则选择层数较少的，并返回适应当前信道条件的信道质量指示和秩指示。

2.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S1中的信道状态信息包括信道质量指示和秩指示。

3.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S1中的非监督学习算法为自编码结构，通过使用多层神经网络来拟合数据。

4.根据权利要求3所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述自编码结构通过以下过程实现：使用没有带类别标签的训练数据，在加入稀疏性与神经单元数量限制的条件下，尝试逼近一个恒等函数，对原始输入数据进行特征提取与降维。

5.根据权利要求4所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述恒等函数为h_W,b(x)≈x，x为非监督学习算法结构的输入，W是两神经元之间的联接参数，b是神经元的偏置项。

6.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S2中的分类器采用无参数的分类算法，包括逻辑回归算法、支持向量机算法、k-NN算法和Softmax算法，分类器的输入为自编码神经网络结构中间隐藏层的输出数据，分类器的输出为调制编码方式类别。

7.根据权利要求1所述的基于机器学习的MIMO链路自适应传输方法，其特征在于：所述步骤S2中的调制编码方式为有限个确定的调制编码组合，利用Softmax分类算法来估计每个类别的发生概率，并利用梯度下降算法对参数进行更新，得到较优的分类结果。