[发明专利]一种基于机器学习的MIMO链路自适应传输方法

说明书

本发明公开了一种基于机器学习的MIMO链路自适应传输方法，使用非监督学习自编码算法进行特征的提取与降维，引入深度学习的思想，能够在保留主要信息状态信息的前提下降低特征维度与计算复杂度。本发明利用逻辑回归算法构建信道状态信息与传输参数间的映射关系，不同于以往固定的参数化模型，能够基于样本数据进行训练，在数据集质量较优，覆盖所有状态的情况下，能够更好的建立信道状态信息与传输参数间的映射关系，并相较于传统的单一等效信噪比，能够更充分的利用信道状态信息。此外，本发明还基于信道矩阵进行CQI选择，通过信道矩阵和噪声方差研究基于机器学习的MIMO链路自适应方法不受接收机设计的约束，具有普适性。

技术领域

本发明涉及无线通信技术领域，特别是涉及一种基于机器学习的MIMO链路自适应传输方法。

背景技术

快速而明显的波动是瞬时信道的重要特征，而针对变化的信道条件而动态地调整传输模式是实现无线系统稳定性与传输效率的关键。自适应传输技术根据当前信道状态信息(CSI,Channel State Information)来动态地选择传输参数从而在保持传输稳定性的前提下实现较高吞吐量。当前和未来传输系统中需要确定多个关键传输参数，如发射功率、调制编码方案(MCS,Modulation and Coding Scheme)，在多天线发送和多天线接收(MIMO,Multiple-Input-Multiple-Output)系统中，还包括秩和预编码矩阵的选择。然而，由于如用户、模式选择，预编码等多种传输因素的耦合，并且随着大规模MIMO的应用，在传输系统中实现链路自适应极具挑战性。

传统的链路自适应是单个信噪比(SNR,Signal to Noise Ratio)与MCS对应的一维问题，但是由于多信道传输中的信道状态信息的高维度，单个SNR无法有效地描述MIMO或正交频分复用系统(OFDM,Orthogonal Frequency Division Multiplexing)的信道状态，即平均SNR无法提供足够的信息来确定理想的传输模式。而传统的基于机器学习的方法常常使用原始数据作为特征集，不进行特征提取和降维来去除冗余信息，导致系统复杂性与维度大大增加。

发明内容

发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于机器学习的MIMO链路自适应传输方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于机器学习的MIMO链路自适应传输方法，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；

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。

进一步，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。

进一步，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。这样能够有效发掘数据内部特征，在较低维度下能够提取到包含足够信息的特征向量。