[发明专利]一种面向6G全解耦网络的下行链路自适应方法及系统

权利要求书

1.一种面向6G全解耦网络的下行链路自适应方法，其特征在于，包括以下步骤：

步骤1：基于所有子载波和空间流上的信干噪比SINR集合，构建信道特征向量以表示频率选择性衰落信道的状态；所述信道特征向量维数低于SINR集合中元素个数；

步骤2：根据信道特征向量的历史时刻数据序列，对未来传输时刻的信道特征向量进行预测；

步骤3：构建基于神经网络的误帧率FER估计模型，其以信道特征向量和调制编码方案MCS为输入，以FER为输出；根据模型估计的FER选择期望吞吐量最大的MCS方案，作为下行链路自适应传输方案。

2.根据权利要求1所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：在步骤1中，计算当前传输帧的所有子载波和空间流上的SINR构成SINR集合，并进行采样以构建信道特征向量，信道特征向量中元素分布特征与SINR集合分布特征近似。

3.根据权利要求2所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：通过对所有SINR进行排序，并对排序后的SINR集合进行等间隔元素采样，从而构建信道特征向量。

4.根据权利要求1所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：在步骤2中，信道特征向量的不同维度独立预测，使用核递归最小二乘KRLS方法基于信道特征向量每个维度的历史时刻数据序列，预测未来时刻的信道特征。

5.根据权利要求4所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：单个维度信道特征的KRLS预测表示为：其中，/是权重向量/的第i个元素，x(t)表示由过去p个时刻的信道特征信息组成的输入向量，/为预测的信道特征信息，/为核字典中保存的独立向量，m是核字典保存的独立向量个数，为核函数；KRLS预测算法根据历史训练数据迭代更新/以提高预测精度，适应信道的变化。

6.根据权利要求1所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：所述步骤3中的神经网络采用多层感知机网络MLP，网络隐藏层和输出层中的激活函数分别为ReLU和Sigmoid，网络的输入为信道特征向量和特定的一个MCS，输出为估计的FER；通过实时收集的训练数据训练得到最佳网络参数。

7.根据权利要求1所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：所述步骤3中最佳MCS选择表示为：

其中，是网络估计的FER，θ是网络参数，/是预测的信道特征向量，T_m表示使用MCSm传输的比特数，M表示候选MCS集。

8.根据权利要求1所述的一种面向6G全解耦网络的下行链路自适应方法，其特征在于：在用户端根据估计的信道选择最佳MCS，并向下行基站进行反馈，所述下行基站根据反馈的MCS调整传输参数。

9.一种面向6G全解耦网络的下行链路自适应系统，其特征在于，包括：

信道特征提取模块，用于基于所有子载波和空间流上的信干噪比SINR集合，构建信道特征向量以表示频率选择性衰落信道的状态；所述信道特征向量维数低于SINR集合中元素个数；

信道特征预测模块，用于根据信道特征向量的历史时刻数据序列，对未来传输时刻的信道特征向量进行预测；

以及，最佳MCS选择模块，用于构建基于神经网络的误帧率FER估计模型，其以信道特征向量和调制编码方案MCS为输入，以FER为输出；根据模型估计的FER选择期望吞吐量最大的MCS方案，作为链路自适应传输方案。

10.一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-9任一项所述的面向6G全解耦网络的链路自适应方法的步骤。