CN108966278A - 一种基于人工神经网络的智能异频融合方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的智能异频融合方法，综合考虑终端在不同频段上的路损、干扰、时延、频谱效率、以及用户的业务需求等因素，通过构建人工神经网络，生成训练序列进行学习，获得最优神经网络参数，快速获得任意终端在异频融合系统中的接入策略，并适时的根据通信环境变化，进行实时跟踪响应，调整接入策略。

Description

一种基于人工神经网络的智能异频融合方法

技术领域

本发明涉及异频通信技术领域，特别涉及一种基于人工神经网络的智能异频融合方法。

背景技术

随着无线通信技术的不断发展，业界已经制定并使用了多种通信标准，每种通信标准分别使用不同的频谱资源，所能满足的通信速率、通信距离、通信时延、用户容量等指标各有不同。但是，现有单一的通信方式，通常只能在某几个通信指标上满足用户需求，若要全面满足用户多速率、距离、时延等通信服务的要求，异频融合是主要的实现方案。如图1所示，异频融合方法通过综合多个频段的通信波形，利用低频通信进行广域覆盖，利用高频通信进行高速传输。

在目前的通信系统中，低频通信系统与高频通信系统由于电磁波的传播特性的不同，所能满足的通信指标有较大的区别。例如，LTE与WIMAX等微波通信标准可以提供高速率、低时延的通信服务，但是其覆盖距离有限，并且在复杂场景鲁棒性较差；而短波通信方式，可以提供远距离覆盖，有更好的联通性，但是通信速率相对较低，通信时延相对较大。对高、低频通信进行融合，才可以满足用户“既通得好又通得远”的要求。

然而，高、低频段由于电磁波传播特性差异较大，终端受限于复杂度、功耗等因素，通常在每一个时刻只能选择其中一个频段进行通信，因此如何将异频通信进行有效的融合是该领域亟需解决的问题。在现有异频融合方法中，有采用多模并发的方法，让系统同时工作在不同频段上，但这种方法不适用于频率跨度大、通信复杂度高的异频融合；也有采用手动切换的方法，用户根据其需要、通信体验等，自行进行通信模式或频段的选择，但这种方法敏捷性较差、实时性较低，会明显降低通信质量；还有根据通信距离进行切换的方法，通信距离远则选择低频频段通信，通信距离近则选择高频频段通信，但这种方法颗粒度大，切换准确度较低。此外，蜂窝通信中有小区切换的方法，但这类方法主要解决小区选择、降低小区间干扰等问题，所考虑的影响因素少，主要评估链路质量。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于人工神经网络的智能异频融合方法，能够快速获得任意终端在异频融合系统中的接入策略，并适时的根据通信环境变化，进行实时跟踪响应，调整接入策略。

本发明的目的通过以下的技术方案实现：一种基于人工神经网络的智能异频融合方法，包括：

第一阶段：训练阶段，通过收集测试数据，整理训练序列，具体步骤如下：

1)将影响异频融合通信效果的主要参数,包括但不限于路损、干扰、频谱效率、时延、负载、移动速率和业务需求,以及对应的优选接入策略记录成有序序列，该有序序列记为x＝(x₁,x₂,…x_n),同时记录当前参数下的优选接入策略f∈{f₁,f₂…f_m}，这些数据可以在系统测试时获得；

2)建立人工神经网络，其中：

u表示人工神经网络对输入的参数做出的综合评价；

接入选择结果为：

3)根据训练数据，联合2)中方程进行求解，获取人工神经网络的参数w_i与h_j，从而完成人工神经网络的训练过程；

第二阶段：通过训练获得参数w_i与h_j后，可用于接入策略选择，进入执行阶段，包括步骤如下：

4)收发双方获取影响异频融合通信效果的主要参数；

5)将步骤4)获取的数据按序输入第一阶段训练后的人工神经网络，获得接入策略；

6)根据步骤5)获取的接入策略，收发双发在对应的频段进行通信。

优选的，步骤4)收中发双方获取影响异频融合通信效果的主要参数，数据来源包括同步信号、参考信号以及各类测量报告。

优选的，周期性或者触发性的进行步骤4)中的主要参数测量，执行步骤5)与步骤6)，适时调整接入策略，适应时变性。

本发明与现有技术相比，具有如下优点和有益效果：

本发明综合考虑收发双方在不同频段上的路损、干扰、时延、频谱效率、以及用户的业务需求等因素，通过构建人工神经网络，生成训练序列进行学习，获得最优神经网络参数，快速获得任意终端在异频融合系统中的接入策略，并适时的根据通信环境变化，进行实时跟踪响应，调整接入策略，保证双发双方在异频融合系统中通信的鲁棒性

附图说明

图1是异频融合覆盖示意图。

图2是多频段异频融合接入选择人工神经网络示意图。

图3是双频段异频融合接入选择人工神经网络。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

一种基于人工神经网络的智能异频融合方法，流程如图2所示，该方法可以分为两个阶段，总共7个步骤：

第一阶段：训练阶段，通过收集测试数据，整理训练序列，具体步骤如下：

1)将影响异频融合通信效果的主要参数(包括但不限于路损、干扰、频谱效率、时延、负载、移动速率和业务需求等)以及对应的优选接入策略记录成有序序列，该有序序列记为x＝(x₁,x₂,…x_n),同时记录当前参数下的优选接入策略f∈{f₁,f₂…f_m}，这些数据可以在系统测试时获得。

2)建立图2所示人工神经网络，该结构分为两个步骤：第一个步骤是将输入参数进行加权求和，代表的意义是综合考虑不同输入因素的影响，获得综合评估结果；第二步是对求和结果进行判定，也就是根据综合评估结果，做出行动决策。其中：

u的意义是表示人工神经网络对输入的主要参数做出的综合评价，其数学求解是各个参数与相应权值的内积。

接入选择结果为：

3)根据训练数据，联合2)中方程进行求解，获取人工神经网络的参数w_i与h_j，从而完成人工神经网络的训练过程。

第二阶段：通过训练获得参数w_i与h_j后，可用于接入策略选择，进入执行阶段，主要步骤如下：

4)收发双方通过同步信号、参考信号以及各类测量报告等，获取影响异频融合通信效果的主要参数；

5)将步骤4)获取的数据按序输入第一阶段训练后的人工神经网络，获得接入策略；

6)根据步骤5)获取的接入策略，收发双发在对应的频段进行通信。

周期性或者触发性的进行步骤4)中的主要参数测量，执行步骤5)与步骤6)，适时调整接入策略，适应信道、负载、业务、移动速率等的时变性。

实施例2

以LTE/LTE-A(2.4Ghz)与短波(30Mhz)的双频段异频融合为例，对应的人工神经网络如图3所示。本方法具体实施步骤如下：

第一步：在系统测试阶段，分别测量在两个频段(2.4Ghz与30Mhz)上的路损、干扰、时延、多普勒频移等信道状态信息，记为并根据测试结果，记录最优接入策略f^l(代表选择了2.4Ghz或者30Mhz频段)，其中上标l为记录测试序列的编号。

第二步：记w＝(w₁,w₂…w_n,h)，记u＝w^Ty^l，其中w^T为w的转置；

第三步：根据已知的最优接入策略f^l，计算u＝w^Ty^l，通过拟合参数计算w，使得相同最优接入策略f^l对应的训练序列y^l所计算的u＝w^Ty^l具有相同的符号。

第四步：在系统使用过程中，收发双方测量第一步骤中的参数，然后输入图3所示网络，利用第三步获得的训练结果，获取最优接入策略；

第五步：周期性或触发性的重复第四步，实时跟踪通信环境的变化。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于人工神经网络的智能异频融合方法，其特征在于，包括：

第一阶段：训练阶段，通过收集测试数据，整理训练序列，具体步骤如下：

1)将影响异频融合通信效果的主要参数,包括但不限于路损、干扰、频谱效率、时延、负载、移动速率和业务需求,以及对应的优选接入策略记录成有序序列，该有序序列记为x＝(x₁,x₂,…x_n),同时记录当前参数下的优选接入策略f∈{f₁,f₂…f_m}，这些数据可以在系统测试时获得；

2)建立人工神经网络，其中：

u表示人工神经网络对输入的主要参数做出的综合评价；

接入选择结果为：

3)根据训练数据，联合2)中方程进行求解，获取人工神经网络的参数w_i与h_j，从而完成人工神经网络的训练过程；

第二阶段：通过训练获得参数w_i与h_j后，可用于接入策略选择，进入执行阶段，包括步骤如下：

4)收发双方获取影响异频融合通信效果的主要参数；

5)将步骤4)获取的数据按序输入第一阶段训练后的人工神经网络，获得接入策略；

6)根据步骤5)获取的接入策略，收发双发在对应的频段进行通信。

2.根据权利要求1所述的基于人工神经网络的智能异频融合方法，其特征在于，步骤4)收中发双方获取影响异频融合通信效果的主要参数，数据来源包括同步信号、参考信号以及各类测量报告。

3.根据权利要求1所述的基于人工神经网络的智能异频融合方法，其特征在于，周期性或者触发性的进行步骤4)中的主要参数测量，执行步骤5)与步骤6)，适时调整接入策略，适应时变性。