[发明专利]一种基于并行深度学习网络的OFDM信道预测方法和系统

权利要求书

1.一种基于并行深度学习网络的OFDM信道预测方法，其特征在于，包括：

通过信道估计，获取导频OFDM符号的信道状态信息；

利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，获得训练良好的并行深度学习网络预测器，所述并行深度学习网络包含数个平行的网络单元，每个网络单元包含多个网络层；

将训练良好的并行深度学习网络预测器对导频子载波下一个采样点的信道状态信息进行预测；

将预测得到的各个导频子载波的下一个采样点的信道状态信息进行合并，获取导频OFDM符号的预测信道状态信息；

所述利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，包括：

通过得到第n个网络单元中第1个网络层的输出其中，Γ(·)为激活函数，X为输入的信道状态信息矩阵，n＝1,2,3,...,N为各个网络单元的输入权重矩阵，N为并行深度学习网络的网络单元数；

通过得到第n个网络单元中第q个网络层的输出为第n个网络单元中第q-1个网络层的输出，为第n个网络单元中第q-1个网络层与第q个网络层的连接权重，q＝1,2,3,...,Q-1，Q为每个网络单元中包含的网络层个数；

由第n个网络单元的各网络层的输出组成第n个网络单元的输出矩阵由得到各个网络单元的输出矩阵，然后通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵W_out。

2.根据权利要求1所述的方法，其特征在于，所述通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵W_out，包括：

由得到第l次迭代的变量相关性其中，为需要筛选出的变量数目，Y为训练数据集对应的并行深度学习网络的输出，(·)^T代表矩阵的转置操作，为第l次迭代中估计的输出权重矩阵，和分别代表带有激活数据集和非激活数据集的数据矩阵，激活数据集非激活数据集且为第n个网络单元中第Q个网络层的神经元数目；

通过得到第l次迭代中估计的输出权重矩阵λ为正则化系数，I为单位矩阵；

在得到第l次迭代的变量相关性后，将从数据集中移除，并添加到数据集中；

经过次迭代后，获取各个迭代的输出权重矩阵从中筛选最优的估计输出权重矩阵

3.一种基于并行深度学习网络的OFDM信道预测系统，其特征在于，包括：

信道估计模块，用于通过信道估计，获取导频OFDM符号的信道状态信息；

网络训练模块，用于利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，获得训练良好的并行深度学习网络预测器，所述并行深度学习网络包含数个平行的网络单元，每个网络单元包含多个网络层；

输出权重矩阵估计模块，用于利用群组前向变量选择法对并行深度学习网络的输出权重矩阵进行估计；

在线预测模块，用于将训练良好的并行深度学习网络预测器对导频子载波下一个采样点的信道状态信息进行预测；将预测得到的各个导频子载波的下一个采样点的信道状态信息进行合并，获取导频OFDM符号的预测信道状态信息；

所述网络训练模块，包括：

第一输出单元，用于通过得到第n个网络单元中第1个网络层的输出其中，Γ(·)为激活函数，X为输入的信道状态信息矩阵，n＝1,2,3,...,N为各个网络单元的输入权重矩阵，N为并行深度学习网络的网络单元数；

第二输出单元，用于通过得到第n个网络单元中第q个网络层的输出为第n个网络单元中第q-1个网络层的输出，为第n个网络单元中第q-1个网络层与第q个网络层的连接权重，q＝1,2,3,...,Q-1，Q为每个网络单元中包含的网络层个数；

第三输出单元，用于由第n个网络单元的各网络层的输出组成第n个网络单元的输出矩阵由得到各个网络单元的输出矩阵；

输出权重矩阵估计模块，用于通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵W_out。