CN111741483A - 移动通信系统的中断概率性能预测方法 - Google Patents

Abstract

本发明公开了一种移动协作通信系统的中断概率性能预测方法，基于多发多收和混合译码放大转发协作通信技术，建立移动协作通信系统模型，选择最佳移动中继节点，在移动信源至最佳移动中继节点链路的信噪比大于信噪比门限时采用译码转发策略将移动信源信号转发至目的端，小于时则采用放大转发策略转发至目的端，进而给出两种发射天线选择方案，分别推导其移动协作通信系统的中断概率的闭合表达式，并分别使用神经网络对移动通信物理层中断概率性能进行了智能预测，与现有的极限学习机、局部加权线性回归、支持向量机、广义回归神经网络和径向基函数神经网络等方法进行了比较，取得了更好的中断概率性能预测效果。

Description

移动通信系统的中断概率性能预测方法

技术领域

本发明属于移动通信技术领域，具体地说，是涉及一种移动通信系统的中断概率性能预测方法。

背景技术

近年来，随着第五代移动通信技术的发展，多用户移动协作通信受到了广泛的关注；伴随着移动物联网业务的发展，移动用户的数量呈爆炸性增长。移动用户对无线传输的数据速率和服务质量的要求在不断提高，而移动通信在很多复杂多变的通信环境中(如室内、城市高楼周围)，面临着信道状态快速变化、天线阵列波束成形目标定位困难等问题，这给研究人员带来了技术挑战。因此，在复杂多变的移动通信环境中，使得更多用户能够同时接入网络，进一步提升系统数据传输的容量，成为5G移动通信技术面临的关键问题。

大规模多发多收(multiple input multiple output，MIMO))技术和协作分集是提高通信系统性能的有效方法；现有技术中的系统性能和资源分配研究都是针对Rayleigh、Nakagami等传统信道建立了分析模型，但是，复杂多变的通信环境给多用户通信带来了巨大挑战， Rayleigh、Nakagami等传统信道不能有效表征复杂多变的移动通信环境。

发明内容

本发明的目的在于提供一种移动通信系统的中断概率性能预测方法，基于N-Nakagami信道能够更全面地表征移动通信信道衰落特征、也更符合实际移动通信环境的特点，在N-Nakagami信道下利用MIMO和混合译码放大转发(hybrid decode-amplify-forward,HDAF) 协作通信技术，建立移动协作通信系统模型，研究了移动协作通信系统的中断概率性能，并针对两种发射天线选择方案分别推导了系统中断概率的闭合表达式，基于神经网络给出了一种相比现有技术的预测性能更好的中断概率性能预测方法。

本发明采用以下技术方案予以实现：

提出一种移动协作通信系统的中断概率性能预测方法，包括：建立移动协作通信系统模型；选择最佳移动中继节点MR，在移动信源 MS_i至最佳移动中继节点MR链路的信噪比γ_SRi大于信噪比门限γ_T时采用译码转发策略将移动信源的信号转发至目的端MD_j；在移动信源 MS_i至最佳移动中继节点MR链路的信噪比γ_SRi小于信噪比门限γ_T时采用放大转发策略将移动信源的信号转发至目的端MD_j；选择最佳发射天线

使目的端MD_j的接收信噪比最大；在γ_th>γ_T时，推导最佳发射天线的中断概率的闭合表达式为：

其中，

N_t为发射天线数，

N_r为接收天线数，γ_th为安全中断阈值，m为衰弱系数，N为衰弱因子，Ω＝E(|a|²),E()表示求均值运算；G[·]表示Meijer’s G函数；γ_SCC为最佳移动中继节点采用放大转发策略将移动信源的信号转发至目的端 MD_j的接收信噪比，γ_SC为最佳移动中继节点采用译码转发策略将移动信源的信号转发至目的端的接收信噪比，γ_up为经过最佳移动中继节点的协作链路的接收信噪比的上限值；采用神经网络对中断概率性能进行预测。

进一步的，所述方法还包括：选择次最佳发射天线

使移动信源至目的端的直接链路的接收信噪比最大；在γ_th>γ_T时，推导次最佳发射天线的中断概率的闭合表达式为：

其中，

采用神经网

络对中断概率性能进行预测。

进一步的，所述最佳中继节点的选择条件为：

其中，γ_SRil表示移动信源MS_i至移动中继节点MR_l链路的信噪比。

进一步的，在移动信源MS_i至最佳移动中继节点MR链路的信噪比γ_SRi小于信噪比门限γ_T时采用放大转发策略将移动信源的信号转发至目的端MD_j时，推导目的端MD_j的接收信噪比γ_SCCij＝max(γ_SDij,γ_SRDij)的上限值为：γ_upij＝min(γ_SRi,γ_RDj)，以使得目的端MD_j的接收信噪比表示为γ_SCCAij＝max(γ_SDij,γ_upij)；其中，γ_SRDij表示经过最佳移动中继节点的协作链路的接收信噪比：

进一步的，所述采用神经网络对中断概率性能进行预测之前，包括训练神经网络的步骤，具体包括：基于推导的中断概率的下界闭合表达式确定影响中断概率性能的信道参数；以信道参数为神经网络输入，以仿真理论值为输出，训练神经网络。

进一步的，所述神经网络为BP神经网络。

进一步的，所述信道参数包括：衰弱系数、衰弱因子、通信链路的位置增益、功率分配系数、安全中断阈值和平均信噪比。

与现有技术相比，本发明的优点和积极效果是：本发明提出的移动协作通信系统的中断概率性能预测方法，在N-Nakagami信道下利用MIMO和混合译码放大转发协作通信技术，建立移动协作通信系统模型，研究了移动协作通信系统的中断概率性能，并针对两种发射天线选择方案分别推导了系统中断概率的闭合表达式，最后基于神经网络对移动通信系统的中断概率性能进行了智能预测，与现有的极限学习机、局部加权线性回归、支持向量机等方法进行了比较，取得了更好的性能预测效果。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1为移动通信系统架构示意图；

图2为本发明提出的移动通信系统的中断概率性能预测方法的方法流程图；

图3为本发明提出的BP神经网络的架构示意图；

图4为本发明提出的移动通信系统的中断概率性能预测方法中理论值性能的下界与发射天线数的关系仿真示意图；

图5为本发明提出的移动通信系统的中断概率性能预测方法中神经网络的预测效果图；

图6为本发明实施例中使用BP神经网络的预测效果图；

图7为本发明实施例中BP神经网络的AE图示；

图8为现有技术中的极限学习机算法的预测效果图；

图9为现有技术中的极限学习机的AE图示；

图10为现有技术中的支持向量机算法的预测效果图；

图11为现有技术中的支持向量机的AE图示；

图12为现有技术中的径向基函数神经网络算法的预测效果图；

图13为现有技术中的径向基函数神经网络的AE图示；

图14为现有技术中的广义回归神经网络的预测效果图；

图15为现有技术中的局部加权线性回归算法的AE图示。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细的说明。

首先，如图2所示，步骤S1：基于多发多收和混合译码放大转发技术，建立移动协作通信系统模型。

如图1所示，给出了移动协作通信系统模型，该系统包括一个移动信源MS，多个移动中继节点MR，一个目的端MD，工作在半双工模式下，通信信道是N-Nakagami信道。MS有N_t根发射天线，MD 有N_r根接收天线，MR使用1根天线。

定义h＝h_g,g∈{SR,SD,RD},表示MS→MR，MS→MD，MR→MD 链路的信道增益；MS和MR的发射总功率表示为E；为了表示MS、 MR与MD的相对位置，分别用V_SR,V_SD,V_RD表示MS→MR，MS→MD， MR→MD链路的位置增益；V_SD＝1。

在两个时隙内，系统的发射总功率是E，K为功率分配系数。MS 的第i根发射天线表示为MS_i，MD的第j根天线表示为MD_j。

第一时隙中，MS_i发送信息x，r_SDij,r_SRil分别为MD_j和MR_l的接收信号：

其中n_SDil和n_SRij的均值均为0，方差N₀/2。

本发明申请中，在第二个时隙，只有最佳移动中继节点参与转发信号的过程，执行步骤S2：选择最佳移动中继节点MR，在移动信源 MS_i至最佳移动中继节点MR链路的信噪比γ_SRi大于信噪比门限γ_T时采用译码转发策略将移动信源的信号转发至目的端MD_j；在移动信源 MS_i至最佳移动中继节点MR链路的信噪比γ_SRi小于信噪比门限γ_T时采用放大转发策略将移动信源的信号转发至目的端MD_j。

最佳中继节点是根据以下准则选择出来的：

其中，γ_SRil表示MS_i至MR_l链路的信噪比

最佳中继节点MR根据信噪比门限γ_T来决定采用放大转发 (amplify-and-forward,AF)或者译码转发(decode-and-forward,DF) 转发策略从移动信源收到的信号至目的端MD_j。

如果移动信源MS_i至最佳移动中继节点MR链路的信噪比γ_SRi大于信噪比门限γ_T，也即，γ_SRi>γ_T，最佳中继节点MR将会采用DF 译码转发信号到MD_j，MD_j使用选择合并接收，接收信噪比可以表示为：

γ_SCij＝max(γ_SDij,γ_RDj)， (5)

其中，γ_SDij表示MS_i至MD_j链路的信噪比，γ_RDj表示最佳移动中继节点MR至MD_j链路的信噪比：

其中，

为平均信噪比。

如果移动信源MS_i至最佳移动中继节点MR链路的信噪比γ_SRi小于信噪比门限γ_T，也即，γ_SRi<γ_T，最佳移动中继节点MR采用AF放大转发信号到MD_j，MD_j接收信噪比表示为：

γ_SCCij＝max(γ_SDij,γ_SRDij)， (8)

其中γ_SRDij表示经过最佳移动中继节点的协作链路的接收信噪比

本发明申请中，在(9)式难以推导闭合式的情况下，推导出其上限值为：

γ_upij＝min(γ_SRi,γ_RDj)，(10)

则(8)式中的接收信噪比可以表示为：

γ_SCCAij＝max(γ_SDij,γ_upij)， (11)

MD的接收信噪比可以表示为：

其中，

本发明申请中，在建立移动协作通信系统模型之后，推导两种发射天线选择(transmit antenna selsction,TAS)方案来研究其移动协作通信系统的中断概率(outageprobability,OP)性能，并针对两种TAS 方案，分别推导中断概率的闭合表达式，具体的：

步骤S3：选择最佳发射天线，使目的端的接收信噪比最大，在安全中断阈值γ_th大于信噪比门限γ_T，也即γ_th>γ_T时，推导最佳发射天线的中断概率的闭合表达式。

最佳TAS方案是选择发射天线w，使MD_j的接收信噪比最大，即

在γ_th>γ_T时，推导最佳发射天线的中断概率的闭合表达式为：

其中，Q₁计算如下：

Q₂计算如下：

上述，N_t为发射天线数，N_r为接收天线数，m为衰弱系数，N为衰弱因子，Ω＝E(|a|²),E()表示求均值运算；G[·]表示Meijer’s G函数。

步骤S4：选择次最佳发射天线，使移动信源至目的端的直接链路的接收信噪比最大，在安全中断阈值γ_th大于信噪比门限γ_T，也即γ_th>γ_T时，推导次最佳发射天线的中断概率的闭合表达式。

次最佳TAS方案是，选择发射天线g，使直接链路的接收信噪比最大，也即

在γ_th>γ_T时，推导次最佳发射天线的中断概率的闭合表达式为：

F_suboptimal＝Pr(γ_SR＜γ_T,γ_SCC＜γ_th)+Pr(γ_SR＞γ_T,γ_SC＜γ_th)

＝QQ₁+QQ₂，(21)

其中，

步骤S5：采用神经网络对中断概率性能进行预测。

在本发明的优选实施例中，从推导的闭合表达式(15)和(21) 可以看到，系统的信道参数m,N,V和K对中断概率性能的影响很大，本发明实施例中，从中选取12个属性作为神经网络的输入X，相应的中断概率性能为输出y，12个属性为m_SR,m_SD,m_RD,V_SR,V_RD,N_SR,N_SD,N_RD,γ_th,γ_T,K,

X表示为：

X＝(x₁,x₂,...,x₁₂)， (24)

通过仿真，得到输出y的理论值，选择Q个样本(X_i,y_i),i＝1,2,...,Q 来训练神经网络。

通过公式可以看出，X和y为非线性关系，与极限学习机、局部加权线性回归、支持向量机等方法相比，BP神经网络的非线性映射能力更好，因此，作为优选实施例，本发明采用BP神经网络预测中断概率性能。

BP神经网络的结构如图3所示，对于双层隐含层，分别有q和r个神经元。对于输入层和第一个隐含层,w_ij是权重系数,b_j是偏差；对于第一个隐含层和第二个隐含层,ww_jk是权重系数,bb_k是偏差；对于第二个隐含层和输出层，v_k是权重系数,θ是偏差。

第一个隐含层的输入和输出分别表示为：

c_j＝f(s_j)， (26)

其中，f(x)表示激活函数。

第二个隐含层的输入和输出表示为：

cc_k＝f(ss_k)， (2 8)

输出层的输入表示为：

其输出表示为：

y＝f(β)， (3 0)

神经网络的预测误差表示为：

其中，y^a是第a个输入对应的实际输出,d^a是其理想的输出。

下面通过数据仿真来验证本发明提出的移动通信系统的中断概率性能预测效果。

本发明实施中，使用均方误差(Mean Squared Error,MSE)和绝对误差(AbsoluteError，AE)来评价不同算法的预测性能，MSE可以表示为：

AE可以表示为：

AE＝|d^a-y^a|， (33)

其中，PP是测试集的数目。

本发明采用的预测算法流程如下：初始化网络后，输入样本进入BP神经网络进行训练，计算每层的输入和输出，以及计算各层的学习误差，反向传播误差，调整权值和阈值，计算平均误差，判断是否满足精度要求，在不满足精度要求时，重复输入样本训练的步骤直至满足精度要求，得到全局最优的BP神经网络，以及得到最佳中断概率性能预测效果。

定义μ＝V_SR/V_RD为相对位置增益,E＝1,每次仿真参数设定为10000 次，如图4和图5所示，针对最佳TAS方案与次最佳TAS方案的不同情况，分析了两种TAS方案的中断概率性能，仿真系数如表一所示；从图4和图5可以看出，Monte-Carlo仿真结果非常吻合理论值，这验证了推导的理论闭合表达式的正确性。发射天线数N_t的增加可以不断改善中断概率性能，例如，当SNR＝10dB，N_t＝1，系统的中断概率是 6.6×10^-2，N_t＝2，系统的中断概率是5.5×10^-3，N_t＝3，系统的中断概率是3.0×10^-4，增加SNR也可以不断减小中断概率。

表一

在图6-图15中，本发明实施例比较了BP神经网络、局部加权线性回归(locallyweighted linear regression,LWLR)、支持向量机 (support vector machine,SVM)、极限学习机(extreme learning machine,ELM)、广义回归(generalized regression,GR)神经网络、和径向基函数(radial basis function,RBF)神经网络等六种算法的预测效果，使用了2500组数据来训练，50组用来测试，仿真系统如表二所示。在图6-图15中，得到了BP神经网络的MSE和AE分别是 0.0005036和0.07924，比其他五种算法都要小，和LWLR、SVM、 GR神经网络、RBF神经网络和ELM五种算法相比，本申请使用的 BP神经网络算法获得更好的中断概率性能预测效果。

表二

如下表三，比较了六种算法的运行时间和MSE、AE，可以看出，与极限学习机、局部加权线性回归、支持向量机、广义回归神经网络和径向基函数神经网络五种算法相比，BP神经网络运行效果更好。

表三

应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种移动协作通信系统的中断概率性能预测方法，其特征在于，包括：

建立移动协作通信系统模型；

选择最佳移动中继节点MR，在移动信源MS_i至最佳移动中继节点MR链路的信噪比γ_SRi大于信噪比门限γ_T时采用译码转发策略将移动信源的信号转发至目的端MD_j；在移动信源MS_i至最佳移动中继节点MR链路的信噪比γ_SRi小于信噪比门限γ_T时采用放大转发策略将移动信源的信号转发至目的端MD_j；

选择最佳发射天线

使目的端MD的接收信噪比最大；

在γ_th>γ_T时，推导最佳发射天线的中断概率的闭合表达式为：

其中，

N_t为发射天线数，N_r为接收天线数，γ_th为安全中断阈值，m为衰弱系数，N为衰弱因子，Ω＝E(|a|²),E()表示求均值运算；G[·]表示Meijer’s G函数；γ_SCC为最佳移动中继节点采用放大转发策略将移动信源的信号转发至目的端的接收信噪比，γ_SC为最佳移动中继节点采用译码转发策略将移动信源的信号转发至目的端的接收信噪比，γ_up为经过最佳移动中继节点的协作链路的接收信噪比的上限值；

采用神经网络对中断概率性能进行预测。

2.根据权利要求1所述的移动通信系统的中断概率性能预测方法，其特征在于，所述方法还包括：

选择次最佳发射天线

使移动信源至目的端的直接链路的接收信噪比最大；

在γ_th>γ_T时，推导次最佳发射天线的中断概率的闭合表达式为：

其中，

采用神经网络对中断概率性能进行预测。

3.根据权利要求1所述的移动通信系统的中断概率性能预测方法，其特征在于，所述最佳中继节点的选择条件为：

其中，γ_SRil表示移动信源MS_i至移动中继节点MR_l链路的信噪比。

4.根据权利要求1所述的移动通信系统的中断概率性能预测方法，其特征在于，在移动信源MS_i至最佳移动中继节点MR链路的信噪比γ_SRi小于信噪比门限γ_T时采用放大转发将移动信源的信号转发至目的端MD_j时，

推导目的端MD_j的接收信噪比γ_SCCij＝max(γ_SDij,γ_SRDij)的上限值为：

γ_upij＝min(γ_SRi,γ_RDj)，

以使得目的端MD_j的接收信噪比表示为γ_SCCAij＝max(γ_SDij,γ_upij)；

其中，γ_SRDij表示经过最佳移动中继节点的协作链路的接收信噪比：

5.根据权利要求1或2所述的移动通信系统的中断概率性能预测方法，其特征在于，所述采用神经网络对中断概率性能进行预测之前，包括训练神经网络的步骤，具体包括：

基于推导的中断概率的下界闭合表达式确定影响中断概率性能的信道参数；

以信道参数为神经网络输入，以仿真理论值为输出，训练神经网络。

6.根据权利要求5所述的移动通信系统的中断概率性能预测方法，其特征在于，所述神经网络为BP神经网络。

7.根据权利要求5所述的移动通信系统的中断概率性能预测方法，其特征在于，所述信道参数包括：

衰弱系数、衰弱因子、通信链路的位置增益、功率分配系数、安全中断阈值和平均信噪比。

Images