[发明专利]一种新型的基于深度学习的时变信道预测方法

权利要求书

1.一种新型的基于深度学习的时变信道预测方法，其特征在于，包括：

在数据和导频均已知的情况下，利用接收信号和LS方法获取时域信道估计值在仅有导频已知的情况下，利用接收信号r(n)、LS方法以及线性插值方法获取时域信道估计值

根据时域信道估计值构建预训练样本集C_p；根据时域信道估计值构建训练样本集C_T；

随机初始化网络参数，利用预训练样本集对网络进行预训练，获取预训练网络的权值和阈值参数；在仅导频均已知的情况下，获取时域信道估计值，并根据时域信道估计值构建训练样本集；

采用预训练网络的权值和阈值参数作为训练阶段网络的初始参数，通过训练样本集对网络再次进行训练，获得信道预测网络模型；

基于信道预测网络模型进行线上信道预测，将线上预测值转化为复数，作为最终的信道预测值；

根据时域信道估计值构建预训练样本集C_p的公式如下：

式中：U表示预训练样本数；表示预训练阶段第u个输入输出样本集，其中为输入样本，其表示估计信道参数中第u个采样时刻和接下来的(D-1)个采样时刻的信道状态信息，为输出样本，其表示理想信道参数h(n)中第(u+D)个采样时刻以及之后的(P-1)个采样时刻的信道状态信息，即

式中：h(n)是理想时域信道参数，是在数据和导频均已知的情况下，利用接收信号和LS方法获取时域信道估计值；Γ(·)为将复数转换为实数的操作，即

Γ(h(n))＝[Re(h(n)),Im(h(n))]

式中：Re(·)和Im(·)分别为取实部和虚部操作；

根据时域信道估计值构建训练样本集C_T的公式如下：

式中：U表示训练样本数；表示训练阶段第u个输入输出样本集，构造为：

式中：输入样本表示估计信道参数中第u个采样时刻和接下来的(D-1)个采样时刻的信道状态信息；输出样本表示理想信道参数h(n)中第(u+D)个采样时刻以及之后的(P-1)个采样时刻的信道状态信息，h(n)是理想时域信道参数，是在仅有导频已知的情况下，利用接收信号r(n)、LS方法以及线性插值方法获取时域信道估计值；

基于信道预测网络模型进行线上信道预测的方法包括：

基于信道预测网络模型进行线上信道预测，给该网络输入前D个时刻的信道参数估计值x_E，即可获得之后P个时刻的信道预测值y_E，其中

将线上预测值转化为复数，作为最终的信道预测值即

h_pre＝Γ^-1(y_E)

式中：Γ^-1(·)为Γ(·)的反操作，即将实数转化为复数的操作；

采用的系统模型包括：

采用莱斯信道作为信道模型，即

式中：α₀(m,n)为信道的LOS径分量，α_l(m,n),l＝1,...,L-1为散射分量径，其服从瑞利分布，L为多径莱斯信道的径数，τ_l是第l径的归一化时延，莱斯因子定义为

若循环前缀的长度大于无线传输信道的最大时延，且接收端考虑理想定时同步，则第m个OFDM符号第n个采样点的接收信号为：

式中：z(m,n)是均值为0方差为的加性高斯白噪声(AWGN)；

所述网络采用三层BP神经网络，包括一个输入层，一个隐藏层，和一个输出层；

若该BP神经网络的输入层有D个神经元，隐藏层有Q个神经元，输出层有P个神经元，定义该网络的训练样本集为：

C＝{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),...,(x^(U),y^(U))}

式中：U表示训练样本的个数；是第u个输入样本向量，是第u个输入样本向量中的第d个元素，即第d个输入神经元上的值；表示第u个输出样本向量，是第u个输出样本向量中的第p个元素，即第p个输出神经元上的值；

根据样本集训练BP神经网络的方法包括：

在BP神经网络的隐藏层，第q个隐藏神经元的输出为：

式中：g₁(·)为隐藏层激活函数，在此选择Sigmoid函数，即

为第q个隐藏神经元的输入为：

式中：x_d表示第d个输入神经元，W_d,q表示第q个隐藏神经元与第d个输入神经元之间的权重，ξ_q为第q个隐藏神经元的阈值；

在BP神经网络的输出层，第p个输出神经元的输出为：

式中：g₂(·)为输出层激活函数，在此选择ReLU函数，即

是第p个输出神经元的输入为：

式中：V_q,p为第q个隐藏层神经元和第p个输出层神经元之间的权重，θ_p为第p个输出神经元的阈值。