[发明专利]基于堆栈式ELM的时变信道预测方法

说明书

本发明公开了基于堆栈式ELM的时变信道预测方法，包括：根据导频获取时域信道状态信息估计值；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；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，获得神经网络隐藏层输出矩阵；根据隐藏层输出矩阵获得神经网络的输出权值和输出；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，计算隐藏层输出矩阵和初始输出权值；利用线下训练方法进行线上预测，获得样本对应的特征矩阵和隐藏层输出矩阵、最终神经网络输出权重；根据神经网络输出权重获得神经网络的预测信道状态信息。本发明包括线下训练和线上预测两部分，通过这两部分显著提高时变信道预测精度。

技术领域

本发明涉及无线通信信道信息的预测技术领域，特别涉及一种基于堆栈式ELM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)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，在此场景下高精度获取信道状态信息(CSI)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，使获取的CSI已经过时，不能如实反映当前的信道状况。然而，信道预测可以根据过时的信道状态信息，预测未来发送时刻的信道状况，显著地提高系统性能。

传统的信道预测方法主要使用线性预测模型来进行信道预测，通过对当前时刻CSI和过去时刻CSI的线性组合，获取未来时刻的CSI。线性预测方法虽具有较好的预测性能，但是不适用于非线性特性的快速时变信道。

典型的非线性信道预测方法包括支持向量机(SVM)方法和深度学习方法。LIAO RF等人于2018年发表的文章The Rayleigh Fading Channel Prediction via DeepLearning中公开了一种基于反向传播BP神经网络的信道预测方法，但是BP算法学习速度较慢，泛化能力差，存在局部最优缺陷。

HUANG G B等人于2006年发表的文章Extreme learning machine:theory andapplications中公开了一种新型的基于单隐藏层前馈神经网络的信道预测方法，简称为ELM方法，但该ELM方法采用浅层结构，在处理拥有复杂特征的原始数据时存在一定的局限性。

LIANG N Y等人于2006年发表的文章A fast and accurate online sequentialearning algorithm for feedforward networks中公开了一种在线序列极限学习机(OS-ELM)信道预测方法，该方法基于ELM得到的网络输出权值和新训练样本，但该方法采用浅层ELM，无法从原始数据中提取有用深层特征，信道预测精度较低。

发明内容

发明目的：针对以上问题，本发明目的是提供一种基于堆栈式ELM的时变信道预测方法，建立线下训练方法，利用堆栈式ELM对神经网络进行训练，然后再利用线下训练方法对线上新构造的历史信道样本集进行训练，获取当前时刻信道信息。

技术方案：本发明的基于堆栈式ELM的时变信道预测方法，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；

(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；

(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；