[发明专利]一种新型的基于深度学习的时变信道预测方法

说明书

本发明公开了一种新型的基于深度学习的时变信道预测方法，包括：在数据和导频均已知的情况下，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；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。显著提高时变信道预测精度，具有较低的计算复杂度，适用于高速移动环境中时变信道信息的高效获取。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种新型的基于深度学习的时变信道预测方法。

背景技术

近年来无线通信技术发展迅速，与无线信道相关的成果层出不穷。随着运行速度超过300公里的高速铁路(HSR,High Speed Railway)的大规模部署，使得HSR环境下的无线通信在全球引起了越来越多的关注。在HSR环境下，列车的高速运行会引起大的多普勒频移，而大的多普勒频移会使得信道发生快速时变，在此场景下高精度地获取信道状态信息(CSI,Channel State Information)是关键。通过信道估计虽可以获得CSI，但是信道的快速时变以及信道估计的处理时延，使得获取的CSI已经过时，不能反映当前时刻的信道状况。

发明内容

本发明的目的是提供一种新型的基于深度学习的时变信道预测方法，可以显著地提高时变信道预测精度，且具有较低的计算复杂度，适用于高速移动环境中时变信道信息的高效获取。

本发明为实现上述发明目的采用如下技术方案：

本发明提供了一种新型的基于深度学习的时变信道预测方法，包括：

在数据和导频均已知的情况下，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；

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。

进一步地，根据时域信道估计值构建预训练样本集的公式如下：

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。

进一步地，根据时域信道估计值构建训练样本集的公式如下：

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：