CN107135041A - 一种基于相空间重构的rbf神经网络信道预测方法 - Google Patents

Abstract

本发明属于信道预测技术领域，公开了一种基于相空间重构的RBF(Radial basis function，径向基函数)神经网络信道预测方法，包括如下步骤：获得信道系数，建立样本训练数据集；求解相空间重构参数；对样本训练数据集进行相空间重构；在重构相空间中选择邻域点；利用邻域点进行RBF神经网络的训练；利用训练好的神经网络进行预测；将预测结果转化到原始空间得到预测值。本发明的预测时间较长，同时降低了RBF神经网络计算的复杂度；可用于LTE上行链路中的信道预测。

Description

一种基于相空间重构的RBF神经网络信道预测方法

技术领域

本发明属于信道预测技术领域，尤其涉及一种基于相空间重构的RBF神经网络信道预测方法。

背景技术

随着高清视频和物联网等数据通信业务的迅速增长，以LTE为主流的4G和未来的5G需要在有限的频带内，实现更高速率上的可靠数据传输；而无线信道的恶劣特性和复杂多变的系统内外的干扰，给LTE系统中高频带利用率和高功率利用率信息传输技术的研究提出严峻的挑战。为了适应现在和未来移动通信系统所面临的这些技术挑战，在LTE系统中已开展了大量有关基于信道信息调度的链路自适应技术(AMC)的研究。该技术是通过自适应调整用户和基站链路的参数，动态地适应无线信道和干扰的时变特性，可有效地提高链路传输的频带利用率。由于LTE系统传输中存在着固有时延，因此想要进行较为准确AMC必须对信道质量进行预测，而信道系数与信道质量密切相关，因此，可以通过进行信道系数的预测，来改善系统自适应性能。具体来说：在TD-LTE上行系统中，为了实现自适应编码调制，基站需要根据当前时刻以及前一段时间内的信道状态，对下一上行时刻的信道进行预测，并将预测结果转换成MCS反馈到用户端，从而选择最佳的编码调制方式进行上行传输。信道预测本质上属于统计信号处理中的估计，跟踪与预测理论，相关的算法主要包括：AR模型。AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据，具有计算量小的特点，但是不适合进行长期预测。SOS模型。在基于SOS(sum-of-sinusoids)模型的算法中，主要思想是基于物理信道模型建模首先，估计出与之相关的各个参数；然后，根据估计出的参数计算出将来的信道值。SOS模型一般使用谱估计的方法来确定上面表达式中的参数，如MUSIC，ESPRIT等。与AR模型相比，这些算法比较复杂，计算量也较大。自适应信道预测。该算法在接收端利用自适应信号处理的方法来克服以往需要长时间实现的信道自先关函数的估计问题；且可以通过迭代计算，每次只需要进行少量的更新就是那，减小了计算量；此外，自适应算法可以部分弥补信道非平稳带来的一些问题，此时信道预测算法具有了一定程度的跟踪信道参数变化的能力。自适应求解AR模型系数的办法主要有：NLMS和RLS。此外自适应算法还有Kalman滤波器算法。该算法需要较多的训练数据，且由于迭代运算较慢无法很好地满足实时性要求较高的场合。此外，人工神经网络是由大量简单的神经元相连而组成的复杂系统，模拟人类神经网络的工作，一般包括输入层、隐含层和输出层。通过调整人工神经网络层之间的连接权重，就可以很好地解决非线性演化问题。RBF神经网络具有单隐含层，其输入层和隐含层的映射是非线性的，隐含层采用高斯径向基函数(RBF)作为激活函数，网络层到输出层是线性映射。该算法的优点在于不存在陷入局部最小值的情况。混沌理论认为，看似不具有规律的运动，如果变换到高纬相空间中，其可能具有总体稳定性，符合一定的运动规律。混沌时间序列理论认为：随着时间推移，相空间中的运动状态具有向吸引子靠拢的趋势，具有很强的稳定性。因此，吸引子内外的任一状态点与其相邻的状态点具有共同的运动趋势；因此，可以预测临近状态点和后续状态点的函数关系，并用其代替预测点和其后续状态点的函数关系，即可以实现时间序列的预测。而预测点的邻域点的选择主要和距离有关，距离越近的点与预测点的相关性越大。

综上所述，现有技术存在的问题是：目前的信道预测方法存在信道预测时间较短，神经网络计算量较大。

发明内容

针对现有技术存在的问题，本发明提供了一种基于相空间重构的RBF神经网络信道预测方法。

本发明是这样实现的，一种基于相空间重构的RBF神经网络信道预测方法，所述基于相空间重构的RBF神经网络信道预测方法包括：获得信道系数，建立样本训练数据集；求解相空间重构参数；对样本训练数据集进行相空间重构；在重构相空间中选择邻域点；利用邻域点进行RBF神经网络的训练；利用训练好的神经网络进行预测；将预测结果转化到原始空间得到预测值。

进一步，所述基于相空间重构的RBF神经网络信道预测方法包括以下步骤：

步骤一，获得LTE上行链路信道系数，建立训练样本数据集及测试样本数据集；

步骤二，对训练样本及测试样本进行归一化处理；

步骤三，求解训练样本的相空间重构参数；

步骤四，对训练样本进行相空间重构；

步骤五，依据距离准则寻找相空间中最后一个相点的邻域点；

步骤六，利用步骤五中找到的邻域点进行RBF神经网络的训练；

步骤七，将测试样本输入步骤六得到的RBF神经网络，如果预测结果满足误差要求，则执行步骤八，否则执行步骤三和步骤五；

步骤八，对预测数据进行反归一化。

进一步，所述将训练样本进行归一化处理，即将其归一化成为均值为0、方差为1的数据。

进一步，所述步骤三具体包括：

(1)根据C-C算法求解出嵌入维m₁和最佳时延τ；C-C算法利用关联积分同时估计出时间延迟τ和嵌入窗宽τ_ω，然后由τ_ω＝(m-1)·τ求出嵌入维m₁；

(2)如果C-C算法无法得到较为准确的嵌入维时，则采用假临近算法求得嵌入维为m₂；

(3)根据步骤七的要求，围绕m₂，对最佳时延进行重新选择。

进一步，所述步骤四对训练样本进行相空间重构；

原始时间序列为：x＝{x_i|i＝1,2,…,N}，嵌入维为m，最佳时延为τ，则得到重构后的相空间为：

X＝{X_s|s＝1,2,…,M}；

X_s＝(x_s,x_s+τ,…,x_s+(m-1)τ)^T；

M＝N-(m-1)τ；

其中，M是相空间中的点的个数，每个相点X_s都是一个m的矢量。

进一步，所述步骤五具体包括：

(1)根据欧氏距离求出最后一个相点的邻域点；

||X_s-X_M||≤k·||X_s-X_M||,s＝1,2,…,M-1；

其中||·||表示两点的欧氏距离，k∈[0,1]是邻域点占全部相点的比例；

(2)根据步骤七的要求，调整k。

进一步，所述步骤六结合MATLAB软件自带的函数来解释RBF神经网络训练的输入输出:

net＝newrbe(R,T,SPREAD)；

设训练样本中原始时间序列长度为10，嵌入维m为3，最佳时延τ为2；

则输入矢量为：R＝[X₁，X₂,X₃,X₄,X₅]_3×5；

目标矢量为：T＝[x₆,x₇,x₈,x₉,x₁₀]_1×5；

net是训练得到的RBF神经网络。

进一步，所述步骤七包括：

(1)结合MATLAB软件自带的函数对得到的RBF神经网络net进行预测；原始时间序列长度为11，嵌入维m为3，最佳时延τ为2，要预测第11个数据：

T_pre＝sim(net,R_pre)；

输入矢量为：R_pre＝[X₆]_3×1；

预测数据为：T_pre＝[x₁₁]_1×1；

net训练得到的RBF神经网络；

将新预测的点归入输入矢量R_pre；

(2)在训练RBF神经网络的阶段，给定系统预测目标为：MSE≤γ；未能满足时，执行步骤三和步骤五，调整相空间重构参数和邻域点个数。

本发明的另一目的在于提供一种利用所述基于相空间重构的RBF神经网络信道预测方法的LTE上行链路中的信道预测系统。

本发明的优点及积极效果为：本发明的相空间重构参数的选择结合了C-C算法和假临近算法，并且会根据预测效果对最佳时延参数进行选择；相比只采用一种算法的情况，可以得到更为准确的重构参数。本发明中在对RBF神经网络进行训练时，使用的是邻域点，而不是全部相点，可以减少RBF神经网络的计算量，且能保持计算精度无显著降低。

附图说明

图1是本发明实施例提供的基于相空间重构的RBF神经网络信道预测方法流程图。

图2是本发明实施例提供的基于相空间重构的RBF神经网络信道预测方法的实现流程图。

图3是本发明实施例提供的相空间重构参数求解流程图。

图4是本发明实施例提供的预测性能(反归一化前)示意图。

图5是本发明实施例提供的预测性能(反归一化后)示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于相空间重构的RBF神经网络信道预测方法包括以下步骤：

S101：获得LTE上行链路信道系数，建立训练样本数据集及测试样本数据集；

S102：对训练样本及测试样本进行归一化处理；

S103：求解训练样本的相空间重构参数；

S104：对训练样本进行相空间重构；

S105：依据距离准则寻找相空间中最后一个相点的邻域点；

S106：利用步骤S105中找到的邻域点进行RBF神经网络的训练；

S107：将测试样本输入步骤S106得到的RBF神经网络，如果预测结果满足误差要求，则执行步骤S108，否则执行步骤S103和步骤S105；

S108：对预测数据进行反归一化。

下面结合附图对本发明的应用原理作进一步的描述。

本发明是对TD-LTE上行链路中信道系数进行预测的算法。信道系数获得的仿真环境是：VehA信道，带宽1.4MHz，有6条多径的快衰落信道，每个时隙有3个RB即36个子载波。

如图2所示，本发明实施例提供的基于相空间重构的RBF神经网络信道预测方法包括以下步骤：

步骤1：获得LTE上行链路信道系数，建立训练样本数据集及测试样本数据集；

选择第一个子载波，保存每隔子帧内的第一个符号上的信道系数(即第4和第11个符号上的信道系数)，共13000次子帧上的数据。为了确保该事件序列进入了混沌状态，选择最后的310个数据作为样本。其中前300个是训练样本数据集，后10个是测试样本数据集。

步骤2：对训练样本及测试样本进行归一化处理；

将训练样本进行归一化处理，即将其归一化成为均值为0、方差为1的数据。

步骤3：求解训练样本的相空间重构参数；

如图3所示，实现对相空间重构参数嵌入维m和最佳时延τ的选择。C-C算法认为两个参数之间是有关联的，可以实现对二者的联合选取。已有的理论研究表明，重构空间的维数m的取值范围为：2≤m≤5。

步骤3.1：根据C-C算法求解出嵌入维m₁和最佳时延τ；

C-C算法利用关联积分同时估计出时间延迟τ和嵌入窗宽τ_ω，然后由τ_ω＝(m-1)·τ求出嵌入维m₁。

步骤3.2：如果C-C算法无法得到较为准确的嵌入维时，则采用假临近算法求得嵌入维为m₂；

当训练样本存在异常数据或混沌特性不明显时，得到的嵌入窗宽τ_ω较大，使得m远大于5，此时对相空间的重构存在偏差。此外，C-C算法计算过程中假设混沌系统具有平均轨道周期，但严格来讲混沌系统不存在周期性，因此C-C算法求解出的参数并不是完全正确的。

如果C-C求得的嵌入维数太大，就采用假临近法对嵌入维进行重新求解，得到m₂。

步骤3.3：根据步骤7的要求，围绕m₂，对最佳时延进行重新选择。

在训练RBF神经网络的阶段，在给定系统预测目标(如要求MSE≤γ)未能满足时，则在m₂附近重新选择嵌入维数。

步骤4：对训练样本进行相空间重构；

如果原始时间序列为：x＝{x_i|i＝1,2,…,N}。嵌入维为m，最佳时延为τ。则依据Takens提出的延迟坐标法进行相空间重构，可得到重构后的相空间为：

X＝{X_s|s＝1,2,…,M}；

X_s＝(x_s,x_s+τ,…,x_s+(m-1)τ)^T；

M＝N-(m-1)τ；

其中，M是相空间中的点(相点)的个数，每个相点X_s都是一个m的矢量。重构系统与原动力系统在拓扑意义上等价。

步骤5：依据距离准则寻找相空间中最后一个相点的邻域点；

步骤5.1：根据欧氏距离求出最后一个相点的邻域点；

步骤4中最后一个相点X_M＝(x_M,x_M+τ,…,x_N)^T中有原始时间序列中的最后一点x_N，也因此该相点被认为是用于时间序列的中心点。如果利用全部相点进行RBF神经网络的训练，则计算量较大。因此采用距离最近的原则选择进行预测的相点。符合下面条件的相点被选作邻域点，用于进行神经网络的预测：

||X_s-X_M||≤k·||X_s-X_M||,s＝1,2,…,M-1；

其中||·||表示两点的欧氏距离，k∈[0,1]是邻域点占全部相点的比例。

步骤5.2：根据步骤7的要求，调整k，重复步骤5.1。

在训练RBF神经网络的阶段，在给定系统预测目标(如要求MSE≤γ)未能满足时，调整k，重新求解中心点的邻域点。

步骤6：利用步骤5中找到的邻域点进行RBF神经网络的训练；

RBF神经网络只有三层：其输入层由把网络和它的环境连接起其输入层由把网络和它的环境连结起来的源节点组成；中间层是网络里的唯一的隐藏层；输出层是线性的，提供对应用于输入层的活动样本的网络响应。RBF神经网络克服了BP神经网路的很多缺点，只要有足够多的隐藏神经元，则RBF能以任意精度近似任何连续函数。

结合MATLAB软件自带的函数来解释RBF神经网络训练的输入输出:

net＝newrbe(R,T,SPREAD)；

设训练样本中原始时间序列长度为10，嵌入维m为3，最佳时延τ为2。

则输入矢量为：R＝[X₁，X₂,X₃,X₄,X₅]_3×5；

目标矢量为：T＝[x₆,x₇,x₈,x₉,x₁₀]_1×5；

net就是训练得到的RBF神经网络。

步骤7：将测试样本输入步骤6得到的RBF神经网络，如果预测结果满足误差要求，则执行步骤8，否则执行步骤3和步骤5；

步骤7.1：利用步骤6得到的RBF神经网络进行预测；

结合MATLAB软件自带的函数来解释如何用步骤6得到的RBF神经网络net进行预测。仍设原始时间序列长度为11，嵌入维m为3，最佳时延τ为2，要预测第11个数据。

T_pre＝sim(net,R_pre)；

输入矢量为：R_pre＝[X₆]_3×1；

预测数据为：T_pre＝[x₁₁]_1×1；

net就是步骤6训练得到的RBF神经网络。

将新预测的点归入输入矢量R_pre，则可以实现多步预测。图4是多步预测后的数据。

步骤7.2：当预测结果不满足要求时，调整相空间重构参数和邻域点个数。

在训练RBF神经网络的阶段，给定系统预测目标为：MSE≤γ。未能满足时，执行步骤3和步骤5，调整相空间重构参数和邻域点个数。

步骤8：对预测数据进行反归一化。

步骤2将训练样本进行归一化处理，即将其归一化成为均值为0、方差为1的数据。此处进行反归一化处理，回复数据的原始大小及量纲。图5是反归一化后的数据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述基于相空间重构的RBF神经网络信道预测方法包括：获得信道系数，建立样本训练数据集；求解相空间重构参数；对样本训练数据集进行相空间重构；在重构相空间中选择邻域点；利用邻域点进行RBF神经网络的训练；利用训练好的神经网络进行预测；将预测结果转化到原始空间得到预测值。

2.如权利要求1所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述基于相空间重构的RBF神经网络信道预测方法包括以下步骤：

步骤一，获得LTE上行链路信道系数，建立训练样本数据集及测试样本数据集；

步骤二，对训练样本及测试样本进行归一化处理；

步骤三，求解训练样本的相空间重构参数；

步骤四，对训练样本进行相空间重构；

步骤五，依据距离准则寻找相空间中最后一个相点的邻域点；

步骤六，利用步骤五中找到的邻域点进行RBF神经网络的训练；

步骤七，将测试样本输入步骤六得到的RBF神经网络，如果预测结果满足误差要求，则执行步骤八，否则执行步骤三和步骤五；

步骤八，对预测数据进行反归一化。

3.如权利要求2所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述将训练样本进行归一化处理，即将其归一化成为均值为0、方差为1的数据。

4.如权利要求2所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤三具体包括：

(1)根据C-C算法求解出嵌入维m₁和最佳时延τ；C-C算法利用关联积分同时估计出时间延迟τ和嵌入窗宽τ_ω，然后由τ_ω＝(m-1)·τ求出嵌入维m₁；

(2)如果C-C算法无法得到较为准确的嵌入维时，则采用假临近算法求得嵌入维为m₂；

(3)根据步骤七的要求，围绕m₂，对最佳时延进行重新选择。

5.如权利要求2所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤四对训练样本进行相空间重构；

原始时间序列为：x＝{x_i|i＝1,2,…,N}，嵌入维为m，最佳时延为τ，则得到重构后的相空间为：

X＝{X_s|s＝1,2,…,M}；

X_s＝(x_s,x_s+τ,…,x_s+(m-1)τ)^T；

M＝N-(m-1)τ；

其中，M是相空间中的点的个数，每个相点X_s都是一个m的矢量。

6.如权利要求2所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤五具体包括：

(1)根据欧氏距离求出最后一个相点的邻域点；

||X_s-X_M||≤k·||X_s-X_M||,s＝1,2,…,M-1；

其中||·||表示两点的欧氏距离，k∈[0,1]是邻域点占全部相点的比例；

(2)根据步骤七的要求，调整k。

7.如权利要求2所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤六结合MATLAB软件自带的函数来解释RBF神经网络训练的输入输出:

net＝newrbe(R,T,SPREAD)；

设训练样本中原始时间序列长度为10，嵌入维m为3，最佳时延τ为2；

则输入矢量为：R＝[X₁，X₂,X₃,X₄,X₅]_3×5；

目标矢量为：T＝[x₆,x₇,x₈,x₉,x₁₀]_1×5；

net是训练得到的RBF神经网络。

8.如权利要求2所述的基于相空间重构的RBF神经网络信道预测方法，其特征在于，所述步骤七包括：

(1)结合MATLAB软件自带的函数对得到的RBF神经网络net进行预测；原始时间序列长度为11，嵌入维m为3，最佳时延τ为2，要预测第11个数据：

T_pre＝sim(net,R_pre)；

输入矢量为：R_pre＝[X₆]_3×1；

预测数据为：T_pre＝[x₁₁]_1×1；

net训练得到的RBF神经网络；

将新预测的点归入输入矢量R_pre；

(2)在训练RBF神经网络的阶段，给定系统预测目标为：MSE≤γ；未能满足时，执行步骤三和步骤五，调整相空间重构参数和邻域点个数。

9.一种利用权利要求1～8任意一项所述基于相空间重构的RBF神经网络信道预测方法的LTE上行链路中的信道预测系统。