[发明专利]一种基于改进自适应无参数递归神经网络的无线信道状态预测方法

权利要求书

1.一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，包括：

步骤一：对信道预测问题进行建模；

步骤二：获取APF-RNS网络，并根据历史数据确定隐藏层单元数、学习率的上界及下界；

步骤三：输入信道预测问题的训练集数据，并对所述训练集数据进行预处理；

步骤四：将初始化的APF-RNS网络的隐藏层单元数和学习率作为天鹰个体，并对天鹰种群N进行设置；同时确定迭代次数的上限T以及AO算法的参数；

步骤五：将所述APF-RNS网络训练集的均方差作为AO算法的适应度函数值，如下式所示：

其中N_a为训练集数量，为CSI测量值，为CSI预测值；

步骤六：获取每个天鹰个体适应度函数值，并对其进行排序，选出目标值排名第一的天鹰个体Xbest；

步骤七：对每个所述天鹰个体执行探索与开发步骤并更新其位置，同时更新天鹰个体Xbest的位置；

步骤八：判断AO算法是否达到迭代次数上限，如果是，则保留最终的天鹰个体Xbest，即为最优的隐藏层单元数和学习率；反之，则循环步骤六～步骤七的操作；

步骤九：读取信道预测问题的测试集数据并进行预处理，用天鹰个体Xbest对应的隐藏层单元数和学习率更新APF-RNS网络；

步骤十：训练APF-RNS网络，使用训练好的网络模型预测信道状态信息；

步骤十一：判断是否到达训练集数据的末尾，如果是，则输出预测的全部信道状态信息；反之，则循环步骤十。

2.根据权利要求1所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，对信道预测问题进行建模，具体为：

对于单输入单输出系统，原信号与相应接收信号的关系如式(1)所示：

y[t]＝h[t]x[t]+z[t] (1)

其中，x[t]和y[t]分别表示在发射机侧发送的信号和在接收机侧对应的接收信号，h[t]是信道状态信息，z[t]是在时间t的加性高斯白噪声；

对于多输入多输出系统，在发射端配备N_t个发射天线，接收端配备N_r个接收天线；假设发射信号为x[t]＝[x₁[t],x₂[t],…,x_Nt[t]]^T，接收信号为y[t]＝[y₁[t],y₂[t],…,y_Nr[t]]^T，则信道矩阵h[t]为式(2)所示：

式中h[t]_ij(i＝1,2,…,Nt；j＝1,2,…,Nr)表示第i根发射天线与第j根接收天线的组合所产生的信道冲击响应。

3.根据权利要求1所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，为了适应神经网络的输入，将信道矩阵h[t]矢量化为1_×NrNt的向量，如式(3)所示：

h[t]＝[h₁₁[t],h₁₂[t],…,h_NrNt[t]] (3)

为了获得信道状态信息，发送已知的导频符号p[t]，并且从接收信号中得出CSI的测量值如式(4)所示：

4.根据权利要求3所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，假设测量的CSI在前P个时间步长上是已知的，则预测下R个时间步长的CSI；先预测两个相邻符号之间的CSI差，如式(5)所示：

然后，根据P-1个已知差值2≤t≤P，预测下R个差值P+1≤t≤P+R；最终预测的CSI，如式(6)所示：

其中，和是在t时间预测的CSI差值和最终预测的CSI结果。

5.根据权利要求1所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，所述APF-RNS网络结构只有一个隐藏层，其中输入层为P-1个已知CSI差值，即2≤t≤P，然后输入到隐藏层中，所述隐藏层为K个LSTM单元，该LSTM单元通过门结构提取有用信息；所述K个LSTM单元之间有突触，形成递归网络；输出层是一个全连接层，使用线性激活函数生成2*R个实数，输出内容经过数据处理转换为R个复数即P+1≤t≤P+R，得到最终预测的CSI。