[发明专利]一种联合深度学习与基扩展模型的信道预测方法

说明书

本发明公开了无线通信技术领域内的一种联合深度学习与基扩展模型的信道预测方法,包括以下步骤：步骤1，根据历史时刻的信道信息获取信道的相关矩阵；步骤2，对相关矩阵进行特征值分解，获得最优基函数；步骤3，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与最优基函数，获取基系数估计值；步骤5，根据基系数估计值构建训练样本集；步骤6，利用训练样本集训练BP神经网络；步骤7，获得具有最优权重和阈值的信道预测模型；步骤8，基于信道预测模型进行线上预测；步骤9，将基系数预测值转换成频域信道矩阵。本发明具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。

技术领域

本发明涉及一种信道预测方法。

背景技术

近年来，随着高速铁路、高速公路的大规模部署和运行，高速移动环境下的无线通信在全球引起了越来越多的关注。并且，在未来的高速移动场景(B5G)中，车载速度将会越来越高，更高的车载速度将会引起更大的多普勒频移，这将导致无线信道发生快速时变，从而使得该场景下信道信息的获取更具挑战性。传统的时变信道估计技术由于处理时延的存在，导致估计的信道出现严重的过时，而信道预测技术由于可以根据历史信道信息来提前预测未来时刻的信道，因此被广泛地用于高速移动场景中信道信息的高效获取。

传统的信道预测通常采用线性预测方法或者向支持量机(Support VectorMachine，SVM)方法，其中TANG Q等人(TANG Q,LONG H,YANG H J等人，“An enhanced LMMSEchannel estimation under high speed railway scenarios”)给出了一种基于线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)的信道预测方法，该方法通过估计每条路径的多普勒频移来更精确地生成频率和时间的信道相关性，实现了高铁场景中的信道预测。SHARMA P等人(SHARMA P,CHANDRA K等人，“Prediction of state transitionsin Rayleigh fading channels”)给出了一种自回归(AutoRegressive，AR)模型信道预测方法。这些传统的线性预测方法由于采用的模型比较僵化，使得模型和真实信道之间存在较大差距(尤其当信道快速变化时)，因此线性预测方法的性能不够理想。DONG Z等人(DONGZ,ZHAO Y,CHEN Z等人，“Support vector machine for channel prediction in high-speed railway communication systems”)给出了一种基于SVM的信道预测方法，该方法通过使用遗传算法来优化SVM模型的惩罚系数和高斯核宽度，与传统的AR模型相比，具有较低的预测误差，但是由于该方法需要从低维空间映射到高维空间，因此计算复杂度较高。