[发明专利]基于堆栈式ELM的时变信道预测方法

权利要求书

1.基于堆栈式ELM的时变信道预测方法，其特征在于，包括如下步骤：

(1)根据导频获取时域信道状态信息估计值；

(2)根据时域信道状态信息估计值构建线下历史信道训练样本集，训练样本集包括输入样本和理想信道信息；

(3)将历史信道训练样本集输入到神经网络中，利用ELM方法训练神经网络，根据权值向量、偏置值和输入样本，获得神经网络隐藏层输出矩阵：

根据步骤(2)获得的训练样本集X₁计算利用ELM训练神经网络后，得到隐藏层输出矩阵表达式为：

式中，a(x_u)为第u个样本的隐藏层输出矩阵，G(w_q,b_q,x_u)为第q个隐藏节点的隐藏层特征映射函数，w_q表示输入层与第q个隐藏节点之间的权值向量，b_q表示第q个隐藏节点的偏置，Q是隐藏层节点的数目，x_u为输入样本；

(4)根据神经网络隐藏层输出矩阵和理想信道信息，获得神经网络的输出权值；

神经网络输出权值β表达式为：

式中，h_u为理想信道信息；

(5)根据神经网络隐藏层输出矩阵和输出权值，获得神经网络输出；

神经网络输出表达式为：

O₁＝Aβ

(6)利用神经网络输出对原始特征矩阵进行数据处理，获得新的特征矩阵，包括:

根据神经网络输出O₁对原始特征矩阵做一次随机偏移，并运用核函数对偏移后的特征矩阵做一次变化，获得新的特征矩阵X₂表示式为：

X₂＝G(X₁+λO₁θ₁)

式中，θ₁为第一个投影矩阵，λ是权重参数，用来控制随机偏移的程度；

(7)重复步骤(3)至步骤(6)，利用深度为J的堆栈式ELM方法训练神经网络，输出最终特征矩阵X_J；

(8)利用步骤(7)特征矩阵计算训练深度为J的神经网络的隐藏层输出矩阵和初始输出权值，线下训练方法构建结束；

(9)给神经网络输入前D个时刻的信道参数估计值，构建新的历史信道样本，其中D为输入神经元数目；

(10)利用线下训练方法对步骤(9)新的历史信道样本进行线上预测，获得样本对应的特征矩阵和隐藏层输出矩阵；

(11)根据步骤(10)获得的隐藏层输出矩阵，利用递推公式对步骤(8)中线下训练后的神经网络输出权值进行更新，获得线上预测最终神经网络输出权值；

所述递推公式为：

C＝C₀-C₀A^T(I+AC₀A^T)^-1AC₀

β＝β⁽⁰⁾+CA^T(h-Aβ⁽⁰⁾)

式中，β表示最终的输出权值，C用来将β⁽⁰⁾计算到β，I表示为单位矩阵；

(12)根据神经网络输出权值获得神经网络的预测信道状态信息。

2.根据权利要求1所述的时变信道预测方法，其特征在于，步骤(1)在接收端利用接收信号、最小二乘法和线性插值方法获取时域信道状态信息估计值