[发明专利]复数神经网络信道预测方法

摘要

本发明公开了一种复数神经网络信道预测方法，主要解决MIMO系统中由于信道时变而导致的信道衰落问题。其技术方案是，1.基站对信道进行测量得到含有估计误差的信道系数训练序列；2.根据得到的信道系数序列得到相应的训练样本和期望输出；3.输入训练样本进行复数小波神经网络训练，得到最终的网络权值；4.基站利用训练后的复数小波神经网络进行信道系数预测。本方法简便易行，效果良好，适用于减少由信道时变对MIMO系统信道的影响。

主权项

1.一种复数神经网络信道预测方法，包括如下步骤：(1)在正式通信前基站BS对信道进行测量，得到含有估计误差的信道系数训练序列h(1),h(2),h(r),…,h(N)，r为1到N的整数，N为训练序列总个数；(2)初始化复数神经网络的输入层节点个数p＝4、隐含层节点个数m＝10、输出层节点个数q＝1，学习概率η＝0.01，动量因子α＝0.935，隐含层节点j与输出层节点k之间的网络权值wjk为0到1之间随机复数，输入层节点i与隐含层节点j之间的网络权值vij为0到1之间随机复数，其中i为1到p的整数，j为1到m的整数，k为1到q的整数，神经元函数ΨC(t)采用复数变化后的Morlet小波函数，初始化小波伸缩平移参数{a,b}为0到1之间随机数；(3)根据信道系数训练序列，分别得到训练样本集和期望输出集x(n)＝{h(n),h(n+1),…,h(n+p‑1)}，d(n)＝h(n+p)，其中，n为1到w的整数，w为训练样本总个数；(4)输入训练样本x(n)，利用神经元函数ΨC(t)分别计算隐含层节点j的输出yj(n)和输出层节点k的输出Ok(n)：其中，ψC(sj(n))为sj(n)输入到神经元函数得到的输出，ψC(Lk(n))为Lk(n)输入到神经元函数得到的输出，sj(n)为隐含层节点j的输入，Lk(n)为输出层节点k的输入，vij(n)，wjk(n)为输入训练样本x(n)时的网络权值，参数上标I表示复数虚数部分，R表示复数实数部分，xi(n)为输入层第i节点的输入信道系数；(5)根据输出层节点k的输出Ok(n)和期望输出dk(n)得到误差信号：ek(n)＝dk(n)‑Ok(n)；(6)根据误差信号得到误差能量和ε(n)，并将该误差能量和ε(n)作为网络训练的代价函数：(7)根据得到的代价函数构建隐含层节点j与输出层节点k之间的网络权值调整公式Δwjk(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δvij(n)：7a)由误差能量和公式ε(n)可看出输出误差包含实部误差和虚部误差，并且当二者同时达到最小时输出误差ek(n)才能达到最小，由此定义隐含层节点j与输出层节点k之间的网络权值调整公式Δwjk″(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δvij″(n)如下：7b)定义输出层节点k的误差函数δko和隐含层节点j的误差函数δjy：7c)把输出层节点k的误差函数δko和隐含层节点j的误差函数δjy分别代入7a)中的两个调整公式中化简，得到化简后的隐含层节点j与输出层节点k之间的网络权值调整公式Δwjk(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δvij(n)：其中分别为其对应共轭，η是学习率参数；(8)根据得到的权值调整公式分别对隐含层节点j与输出层节点k之间的网络权值wjk(n)和输入层节点i与隐含层节点j之间的网络权值vij(n)进行修改：8a)对隐含层节点j与输出层节点k之间的网络权值调整公式Δwjk(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δvij(n)，使用动量项法得到修改后的隐含层节点j与输出层节点k之间的网络权值调整公式Δwjk′(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δvij′(n)：其中α为动量因子，1＞α≥0，η为学习概率，Δwjk′(n‑1)为输入训练样本x(n‑1)时隐含层节点j与输出层节点k之间的网络调整权值，Δvij′(n‑1)为输入训练样本x(n‑1)时输入层节点i与隐含层节点j之间的网络调整权值；8b)根据修改后的隐含层节点j与输出层节点k之间的网络权值调整公式Δwjk′(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δvij′(n)，得到修改后的隐含层节点j与输出层节点k之间的网络权值wjk(n+1)和输入层节点i与隐含层节点j之间的网络权值vij(n+1)：wjk(n+1)＝wjk(n)+Δwjk′(n)vij(n+1)＝vij(n)+Δvij′(n)其中wjk(n)为输入训练样本x(n)时隐含层节点j与输出层节点k之间的网络权值，vij(n)为输入训练样本x(n)时输入层节点i与隐含层节点j之间的网络权值，wjk(n+1)为输入训练样本x(n+1)时隐含层节点j与输出层节点k之间的网络权值，vij(n+1)为输入训练样本x(n+1)时输入层节点i与隐含层节点j之间的网络权值；修改完成后输入训练样本x(n+1)，返回步骤(4)，直到所有w个训练样本输入完毕，得到最终修改后的隐含层节点j与输出层节点k之间的网络权值wjk′(n)和输入层节点i与隐含层节点j之间的网络权值vij′(n)；(9)在时刻，输入信道系数序列根据最终修改后的隐含层节点j与输出层节点k之间的网络权值w_jk′(n)和输入层节点i与隐含层节点j之间的网络权值v_ij′(n)，得到时刻后的q个时刻的信道系数其中，为隐含层节点j的输出，为输入层第i节点的输入信道系数。