CN105142177B - 复数神经网络信道预测方法 - Google Patents

Abstract

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。

Description

复数神经网络信道预测方法

技术领域

本发明属于通信技术领域，涉及一种信道预测方法，可用于存在信道时变的MIMO移动通信系统中。

背景技术

在无线通信中，反射，绕射和散射普遍存在于各种环境，不可避免的多径传播；发射端和接收端的相对移动又不可避免的产生多普勒扩展，使无线信道中呈现频率选择性和时变特性。频率选择性和时变导致的衰落被视为两种不同的失真。前者取决于多径扩展，大体由相干带宽表征；后者取决于信道的时间变化，大体上由相干时间表征。为了降低系统误码率，通常利用估计得到的信道信息均衡接收到的信号。但是对于快变信道，传统基于判决反馈的信道估计方法得到的信道状态信息是过时的信息。

为解决由于信道时变导致的信道系数过时问题，近年来研究在MIMO系统中使用基于信道预测的方法来进行时变信道的补偿得到广泛的关注。基站端利用前些时刻估计得到的上行链路CSI来预测当前时刻或随后更长时间内下行链路CSI，以期利用预测得到的CSI进行自适应处理，进一步提高系统性能。

目前，时变衰落信道预测的研究主要集中在线性预测算法中，如线性动态AR模型等。但由于时变衰落信道具有非常复杂的非线性特性，非线性预测算法的引入也越来越受到研究者的关注，其中支持向量机和神经网络就是目前广泛应用的两种非线性算法。

支持向量机，是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的，它是基于结构风险最小化准则的一种新的机器学习技术，其通过非线性变换将输入样本空间变换到一个高维特征空间，然后在这个新空间中求取最优超平面，较好地解决了学习方法的小样本、非线性、高维数、局部极小点等实际问题，并具有很强的泛化能力，因此该技术已经成为当前国际机器学习界的研究重点，并在模式识别、回归估计、概率密度函估计等方面得到广泛的应用，如语音识别、图像分类、时间序列预测等。但是，支持向量机的预测精度过于依赖其参数的选择,其取值主要依据经验与试算,没有统一的规则。如何确定最优参数,是提高支持向量机学习和泛化能力的关键之一，但是支持向量机由于模型结构难以确定，易出现过度训练或训练不足，陷入局部最小且对连接权值都比较敏感，并过度依赖设计技巧，对大规模样本的复杂度很高。

神经网络，作为人工智能和模式识别的有力工具，神经网络有许多种类，经常使用的有BP网络、RBP网络、Hopfield网络、BAM网络等等。BP神经网络是目前应用的比较广泛，研究比较成熟的神经网络。与传统的预测方法相比，神经网络的预测方法的预测精度更好一些，这主要是得益于神经网络自身的特点。神经网络擅长描述具有较强非线性、难于用精确数学模型表达的复杂系统的特性，并且具有自适应能力。神经网络对预测因子的选择也较为灵活，任何认为与预测有关的数据均可纳入输入向量中，这也就增加了神经网络的容错性。但是传统的神经网络算法的网络参数由于都为实数，这在很大的程度上限制了它的应用。从信号处理的角度来讲，由于复数信号能够携带幅度和相位信息，因此直接对复数信号进行传输和处理的复数神经网络具有独特的优势。

对于复数神经网络，首先在理论方面出现了很多新的观点和想法，例如对复数BP算法的不断改进，由于复数神经元方程存在不同的形式：相位幅值神经元方程、实部虚部神经元方程。所以对应的BP学习算法也有很大的不同，尽管在这些神经元方程提出的时候也同时提出了相应的BP算法，但是最初的算法同样存在一些共同的缺陷，如极易形成局部最小陷入局部最优、学习效率低收敛速度慢等等。神经元函数的特性也越来越多的被研究，特别是复数联想记忆的能量函数和网络吸引子的研究，原因在于这两个方面直接关系到复数网络的稳定性和联想记忆的准确性。但是不同需求下神经元函数的选取仍然是一大难题。由于信道系数是非平稳信号序列，若将复数神经网络应用于信道系数预测中，其神经元函数对非平稳信号处理则需要有很强的分析能力。目前神经元函数通常选取非线性的sigmoid函数，但是该函数由于对非平稳信号不能多分辨的分析处理信号，进而不能有效的从信道序列中提取局部信道信息。

此外，上述现有的信道预测技术大多是依托于理想的信道响应进行预测，而实际系统中由于噪声等因素的影响，所得到的信道响应都包含了估计误差。信道估计误差会对传统的信道预测算法造成极大的挑战。

发明内容

本发明的目的在于针对上述已有技术的不足，提供一种复数神经网络信道预测方法，以提高实际系统中信道系数的预测精度。

本发明的技术方案是这样实现的：

一.技术原理：

对于非平稳信号的分析处理，由于非平稳信号的频率，统计特性随时间变化而变化，如果只了解信号在时域或频域的全局特性是远远不够的，希望得到是信号频谱随时间变化的情况，为此需要时间和频率的联合函数来表示信号。小波变换是一种信号的时间-频率分析方法，其具有多分辨分析的特点而且在时域和频域中都有表征信号局部特征的能力，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，是分析非平稳信号的理想工具，能有效的从信号中提取信息，通过平移伸缩功能对信号进行多尺度细化分析。

据此，本发明把小波分析理论与神经网络理论相结合，提出复数小波神经网络，以充分继承小波分析与神经网络两者的优点，产生良好的性能。一方面，通过小波变换的尺度伸缩和平移对信号进行多尺度分析，有效提取信号的局部信息；另一方面，通过神经网络的自学习、自适应和容错性减少由于信道时变导致信道失真的影响，从系统可靠性和系统容量两方面提高系统的性能。

二.实现方案

根据上述原理，本发明实现步骤如下：

(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w_jk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v_ij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Ψ_C(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Ψ_C(t)分别计算隐含层节点j的输出y_j(n)和输出层节点k的输出O_k(n)：

其中，ψ_C(s_j(n))为s_j(n)输入到神经元函数得到的输出，ψ_C(L_k(n))为L_k(n)输入到神经元函数得到的输出，s_j(n)为隐含层节点j的输入，L_k(n)为输出层节点k的输入，v_ij(n)，w_jk(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，x_i(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O_k(n)和期望输出d_k(n)得到误差信号：

e_k(n)＝d_k(n)-O_k(n)；

(7)根据得到的代价函数得到隐含层节点j与输出层节点k之间的网络权值调整公式Δw_jk(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Δv_ij(n)_：

(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)进行修改，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)；

(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。

本发明具有以下优点：

1)本发明中利用小波变换和神经网络的特性，提出了复数小波神经网络在信道预测中的应用，进而提高了预测精度。

2)本发明中利用动量项法对隐含层节点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)进行修改，根据最终修改后的网络权值进行信道系数预测，提高了复数小波神经网络训练的收敛速度。

3)本发明中由于采用了复数神经网络，其有很好的容错性，增加了系统的稳定性和可靠性。

附图说明

图1是本发明的实现示意图；

图2是现有复数小波神经网络结构图；

图3是本方法与其它方法在不同信噪比下归一化预测误差对比图。

具体实施方式

参照图1，本发明的实现包括如下步骤：

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。

步骤2，初始化复数神经网络。

参照图2，复数神经网络包括，输入层，隐含层和输出层，其中各层节点与之前层的所有节点连接。

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；

初始化隐含层节点j与输出层节点k之间的网络权值w_jk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v_ij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；

设神经元函数Ψ_C(t)采用复数变化后的Morlet小波函数ψ_C(Y)，该复数变化后的Morlet小波函数ψ_C(Y)，是根据Morlet小波函数得到在复数域信号Y＝x+iy对应的神经元函数表示：ψ_C(Y)＝ψ_R(x)+iψ_R(y)_，

其中，x,y分别为复数信号的实部和虚部，x,y,t均为任意实数，为虚数单位，参数下标R表示复数实数部分，a，b均为0到1之间随机数。

步骤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；

步骤4，输入训练样本x(n)，利用神经元函数Ψ_C(t)分别计算隐含层节点j的输出y_j(n)和输出层节点k的输出O_k(n)：

其中，ψ_C(s_j(n))为s_j(n)输入到神经元函数得到的输出，ψ_C(L_k(n))为L_k(n)输入到神经元函数得到的输出，s_j(n)为隐含层节点j的输入，L_k(n)为输出层节点k的输入，v_ij(n)，w_jk(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，x_i(n)为输入层第i节点的输入信道系数。

步骤5，根据输出层节点k的输出O_k(n)和期望输出d_k(n)得到误差信号：

e_k(n)＝d_k(n)-O_k(n)。

步骤7，根据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Δw_jk(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Δv_ij(n)_：

7a)由误差能量和公式ε(n)可以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e_k(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Δw_jk″(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Δv_ij″(n)如下：

7b)定义输出层节点k的误差函数δ_k ^o和隐含层节点j的误差函数δ_j ^y：

7c)把输出层节点k的误差函数δ_k ^o和隐含层节点j的误差函数δ_j ^y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Δw_jk(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Δv_ij(n)：

其中分别为其对应共轭，η是学习率参数。

步骤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)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Δw_jk(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Δv_ij(n)，使用动量项法，得到隐含层节点j与输出层节点k之间的网络权值调整公式Δw_jk′(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Δv_ij′(n)：

其中，α为动量因子，1＞α≥0，η为学习概率，Δw_jk′(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，Δv_ij′(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Δw_jk′(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Δv_ij′(n)，得到隐含层节点j与输出层节点k之间的网络权值w_jk(n+1)和输入层节点i与隐含层节点j之间的网络权值v_ij(n+1)的公式如下：

w_jk(n+1)＝w_jk(n)+Δw_jk′(n)

v_ij(n+1)＝v_ij(n)+Δv_ij′(n)

其中，w_jk(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，v_ij(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，w_jk(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，v_ij(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。

步骤9，根据修改完成后的网络权值，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)；

步骤10，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。

本发明的效果可以通过以下仿真进一步说明：

1.仿真条件

利用空间信道模型SCM生成在移动端速度V＝120km/h时的336个信道系数，根据336个信道系数得到332个样本和332个期望输出，其中240个样本用于复数小波神经网络训练，92个样本和92个期望输出用于信道系数预测。

2.仿真内容

在不同信噪比下，输入用于信道系数预测的92个样本，用本发明和现有最小二乘支持向量机LSSVM和BP复数神经网络分别得到92个预测值，通过各自预测值和期望输出得出归一化预测误差对比，如图3所示。

由图3可以看出，在不同信噪比下的本发明较传统方法显著提高了预测精度，这充分证明了本发明方法能有效提高系统的容量与可靠性。

Claims (2)

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w_jk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v_ij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Ψ_C(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Ψ_C(t)分别计算隐含层节点j的输出y_j(n)和输出层节点k的输出O_k(n)：

其中，ψ_C(s_j(n))为s_j(n)输入到神经元函数得到的输出，ψ_C(L_k(n))为L_k(n)输入到神经元函数得到的输出，s_j(n)为隐含层节点j的输入，L_k(n)为输出层节点k的输入，v_ij(n)，w_jk(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，x_i(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O_k(n)和期望输出d_k(n)得到误差信号：e_k(n)＝d_k(n)-O_k(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Δw_jk(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Δv_ij(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e_k(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Δw_jk″(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Δv_ij″(n)如下：

7b)定义输出层节点k的误差函数δ_k ^o和隐含层节点j的误差函数δ_j ^y：

7c)把输出层节点k的误差函数δ_k ^o和隐含层节点j的误差函数δ_j ^y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Δw_jk(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Δv_ij(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)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Δw_jk(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Δv_ij(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Δw_jk′(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Δv_ij′(n)：

其中α为动量因子，1＞α≥0，η为学习概率，Δw_jk′(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，Δv_ij′(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Δw_jk′(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Δv_ij′(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w_jk(n+1)和输入层节点i与隐含层节点j之间的网络权值v_ij(n+1)：

w_jk(n+1)＝w_jk(n)+Δw_jk′(n)

v_ij(n+1)＝v_ij(n)+Δv_ij′(n)

其中w_jk(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，v_ij(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，w_jk(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，v_ij(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)；

(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。

2.根据权利要求1所述的预测方法，其中所述步骤(2)中复数变化后的Morlet小波函数，是根据Morlet小波函数将复数域信号Y＝x+iy对应的神经元函数用如下函数表示：

ψ_C(Y)＝ψ_R(x)+iψ_R(y)，

其中x,y分别为复数信号的实部和虚部，x,y,t均为任意实数，为虚数单位，参数下标R表示复数实数部分，a称为尺度变量，b称为平移变量。