[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

说明书

本发明公开了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，包括：对信道预测问题进行建模；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；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；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；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；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；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；本发明提高了信道状态信息的预测精度。

技术领域

本发明涉及无线通信技术领域，具体涉及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。

背景技术

在无线通信系统的传播环境中，存在信号反射、绕射和散射等多径传播现象，以及发射端和接收端的相对移动不可避免的产生多普勒扩展，整体上使得无线信道呈现频率选择性和时变特性，导致信道状态信息(Channel State Information,CSI)的准确获取变得困难，但CSI的准确获取对于发射端和接收端的高频谱效率都至关重要。为解决上述问题，最初方法为定期使用已知的导频符号来实时估计信道，但会产生导频开销。此外，在接收端信道估计后，为了让发射端获取信道状态信息，在频分双工(Frequency Division Duplex，FDD)中需要CSI反馈，但CSI反馈消耗大量的反向链路资源，更重要的是引入了反馈延迟；或者在相反方向上发送导频，用来估计反向链路的CSI。在时分双工(Time Division Duplex，TDD)中需要假设信道互易，由于信道估计、信号处理和反馈过程中的时间延迟，发射端可用的CSI可能在实际使用前就已经过时。尤其是高移动环境中，在反馈延迟之后，信道条件可能已经改变。在这种情况下，准确的CSI更难获取。

发明内容

针对无线通信系统中信道时变特征导致信道状态预测误差大的问题，本发明提供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，其提高了信道状态信息的预测精度。

为实现上述目的，本申请提出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，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算法的相关参数；

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；