CN112019245B - 信道信息实时预测与测量方法、装置、设备和介质 - Google Patents
信道信息实时预测与测量方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112019245B CN112019245B CN202010870548.7A CN202010870548A CN112019245B CN 112019245 B CN112019245 B CN 112019245B CN 202010870548 A CN202010870548 A CN 202010870548A CN 112019245 B CN112019245 B CN 112019245B
- Authority
- CN
- China
- Prior art keywords
- decomposition algorithm
- channel
- mode decomposition
- channel information
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 139
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 126
- 230000006870 function Effects 0.000 claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000005562 fading Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 235000000332 black box Nutrition 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 239000003205 fragrance Substances 0.000 claims 2
- 230000021615 conjugation Effects 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000013499 data model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供的一种信道信息实时预测与测量方法、装置、设备和介质，通过对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。本申请不仅可以在MIMO环境中有效预测不同移动速度场景下用户的信道信息，还能适应其他因素变化的场景下用户的信道信息。
Description
技术领域
本发明涉及信道信息预测技术领域，特别是涉及一种信道信息实时预测与测量方法、装置、设备和介质。
背景技术
MIMO技术(多输入多输出)是5G的关键技术之一，具有频谱效率高、吞吐量大的优点。在MIMO条件下，准确预测不同移动用户的信道容量能够合理进行资源调度，因此，有效的信道信息预测方法可以大力推进在实际场景中应用MIMO。
在信道信息预测领域，传统算法有自回归(AR)预测模型或者基于离散多径信道参数的预测模型。然而，AR模型是基于信道状态值的线性组合来进行预测的，并不适用于非线性非平稳的MIMO信道状态。而基于离散多径信道参数的预测模型的前提假设是信道的传播路径静止，即信道路径数固定，显然也不符合MIMO环境的路径数受用户位置的改变而改变的环境。
因此，如何在大规模MIMO环境中有效预测不同移动速度用户的信道信息是5G通信中亟待解决的重要问题。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种信道信息实时预测与测量方法、装置、设备和介质，以解决现有技术中至少一个问题。
为实现上述目的及其他相关目的，本申请提供一种信道信息实时预测与测量方法，所述方法包括：对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
于本申请的一实施例中，所述对不同用户的输入信号利用经验模态分解算法进行分解，以得到若干个固有模态函数，包括：设原始信号为x(t)，经验模态分解算法描述如下：(a)确定原始信号x(t)的局部最大值和最小值；(b)用三次样条插值分别构造原始信号x(t)的下包络el(t)和上包络eu(t)；(c)计算下包络el(t)和上包络eu(t)的均值m(t)；(d)用原始信号x(t)减去m(t)，得到固有模态函数的临时估计h1(t)；(e)检验h1(t)是否满足固有模态函数的原则；若不满足，则重复(a)-(d)步骤，直至满足原则为止；若满足则进行下一步；(f)用原始信号x(t)减去第i个固有模态函数以得到第i个残余信号，i为由1开始依次递增的自然数；(g)将第i个残余信号作为新的原始信号，并重复步骤(a)-(f)过程，以得到第第i+1个残余信号，直至不能提取更多的固有模态函数为止。
于本申请的一实施例中，所述固有模态函数满足以下原则：1)极值的个数和零交叉的个数相等，或者极值的个数和零交叉的个数的差不大于1；2)包络线的平均值在任何点上都为零。
于本申请的一实施例中，所述经验模态分解算法用于将所述原始信号x(t)表示为一系列固有模态函数和残余信号之和：
其中，x(t)表示原始信号；IMF表示固有模态函数；k为固有模态函数的个数。
于本申请的一实施例中，每个所述固有模态函数具有表征不同时间尺度的信号，且分解得到的第一个所述固有模态函数具有最小的时间尺度，后面分解得到的各所述固有模态函数具有的时间尺度不断增加。
于本申请的一实施例中，所述采用动态模式分解算法预测该用户的信道信息，包括：对各用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批中若干个TTI信道的信道衰落系数；基于所述信道衰落系数以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据；其中，N为由1开始的自然数。
于本申请的一实施例中，所述对各用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批中若干个TTI信道的信道衰落系数，包括：假设给定一个动态系统的快照序列，写成矩阵表示为
其中，表示x1表示系统的第i个时刻的状态，
表示从第1个时刻到第N个时刻的序列集合；假设有一个不可访问的黑盒线性算子A可将状态xi连接到xi+1，即：xi+1＝Axi，i＝1,...,N-1；所述黑盒线性算子A在整个序列区间内是近似相同的。如果该系统是非线性的，那么此假设相当于线性切线近似，可将所述快照序列表示为克雷洛夫序列：
将其分为两部分表示：A{x1,x2,...,xN-1}＝{x2,x3,...,xN}；或，表示为矩阵形式：
其中，
可能是接近秩亏的，为避免矩阵的数值病态，基于快照矩阵
的奇异值分解方法，并截断最小奇异值来抑制不良条件：
其中，U、V分别为左右酉矩阵，Σ为对角阵；
σi为
的第i个奇异值；定义Uk＝U(:,1:k)，Σk＝Σ(1:k,1:k)，Vk＝V(:,1:k)，所以有
而
可表示为：
计算黑盒线性算子A相对于Uk的瑞利-里兹法投影
通过对
的特征值分解获得
的特征值Λk及对应特征向量Wk：
其中，
A的特征值等价于
的特征值，而动态模式分解算法的模态Φ为：Φ＝UkWk；通过
获得的DMD模态及对应的特征值，来预测该系统第N+1个状态：xN+1＝ΦΛNΦ+x1；其中，Φ+中的“+”表示矩阵的Moore-Penrose伪逆操作，以满足矩阵非满秩的情况；最后通过计算xN+1得到对应第N+1批的向量，所述向量中的各数值则对应若干个TTI信道的信道衰落系数。
于本申请的一实施例中，所述根据所述信道衰落系数以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据，包括：依据通用香浓容量公式：
其中，C为信道容量，B为信道带宽，S/N为信噪比；用信道矩阵计算信道容量，可以表示为：C＝log2(det(In+SINR×(H×H*)))；其中，In为单位矩阵，SINR为信号与干扰加噪声比，H为根据第N+1批中若干个TTI信道的信道衰落系数得到的对应用户的信道矩阵，H*为H的共轭转置。
于本申请的一实施例中，所述改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理，包括：将Λk中绝对值大于1的特征值λi进行归一化：
其中，
表示从第1个时刻到第N个时刻的序列集合；
表示归一化的特征值Λk；通过
获得所述动态模式分解算法所计算的模态及对应的选择性归一化特征值，来预测第N+1个状态可表示为：
为实现上述目的及其他相关目的，本申请提供一种电子装置，所述电子装置包括：分解模块，用于对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；预测模块，用于依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述终端包括：存储器、及处理器；所述存储器用于存储计算机程序；所述处理器运行计算机程序实现如上所述的方法。
为实现上述目的及其他相关目的，本申请提供一种计算机存储介质，存储有计算机程序，所述计算机程序被运行时执行如上所述的方法。
综上所述，本申请的一种信道信息实时预测与测量方法、装置、设备和介质。本申请不仅可以在MIMO环境中有效预测不同移动速度场景下用户的信道信息，还能适应其他因素变化的场景下用户的信道信息。
附图说明
图1显示为本申请于一实施例中的信道信息实时预测与测量方法的流程示意图。
图2显示为本申请于一实施例中的用户数据模型的拓扑示意图。
图3显示为本申请于一实施例中的电子装置的模块示意图。
图4显示为本申请于一实施例中的计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，虽然图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，但其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在通篇说明书中，当说某部分与另一部分“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。
其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此，以下叙述的第一部分、成分、区域、层或段在不超出本申请范围的范围内，可以言及到第二部分、成分、区域、层或段。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
现有指标统计系统，如传统BI的语义层数据集设计，由于其不能实时查取最新的医院数据，所以得到的指标通统计结果往往具有一定时间滞后性；另外，在指标统计系统中往往是前期或预设好常用或自定义的指标拉选窗口，无法根据复杂场景需求添加其他指标统计功能，无法提供自定义指标的统计功能，因此，这需要大幅调整数据源结构、业务逻辑调整等底层开发。。
MIMO(Multiple-Input Multiple-Output)，多输入多输出技术指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势、被视为下一代移动通信的核心技术。
在信道预测领域，传统算法有自回归(AR)预测模型或者基于离散多径信道参数的预测模型。然而，AR模型是基于信道状态值的线性组合来进行预测的，并不适用于非线性非平稳的MIMO信道状态。而基于离散多径信道参数的预测模型的前提假设是信道的传播路径静止，即信道路径数固定，显然不符合MIMO环境的路径数受用户位置的改变而改变。
动态模式分解算法(DMD)已成为从实验数据集分析非线性系统动力学的有力工具。最近，一些尝试已经将DMD应用到许多复杂动力系统的环境中，比如情感计算、传染病传播分析、神经系统科学等等。本申请在便是在动态模式分解的基础上，提出了一种信道信息实时预测与测量方法、装置、设备和介质，以在MIMO环境中有效预测不同移动速度用户的信道信息。
如图1所示，展示为本申请于一实施例中信道信息实时预测与测量方法的流程示意图。如图所示，所述方法包括：
步骤S101：对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；
于本申请中，经验模态分解算法(EMD)是一种分析非平稳和非线性信号的有力算法。经验模态分解算法(EMD)的思想是将信号分解为若干单一频率的零均值信号，称为固有模态函数(IMF或IMFs)。所述固有模态函数满足以下原则：
1)极值的个数和零交叉的个数相等，或者极值的个数和零交叉的个数的差不大于1；
2)包络线的平均值在任何点上都为零。
于本申请一实施例中，所述对不同用户的输入信号利用经验模态分解算法(EMD)进行分解，以得到若干个固有模态函数，包括：
设原始信号为x(t)，经验模态分解算法描述如下：
(a)确定原始信号x(t)的局部最大值和最小值；
(b)用三次样条插值分别构造原始信号x(t)的下包络el(t)和上包络eu(t)；
(c)计算下包络el(t)和上包络eu(t)的均值m(t)；
(d)用原始信号x(t)减去m(t)，得到固有模态函数的临时估计h1(t)；
(e)检验h1(t)是否满足固有模态函数的原则；若不满足，则重复(a)-(d)步骤，直至满足原则为止；若满足则进行下一步；
(f)用原始信号x(t)减去第i个固有模态函数以得到第i个残余信号，i为由1开始依次递增的自然数；
(g)将第i个残余信号作为新的原始信号，并重复步骤(a)-(f)过程，以得到第第i+1个残余信号，直至不能提取更多的固有模态函数为止。
于本申请一实施例中，所述经验模态分解算法于本申请一实施例中，所述固有模态函数满足以下原则：
1)极值的个数和零交叉的个数相等，或者极值的个数和零交叉的个数的差不大于1；
2)包络线的平均值在任何点上都为零。
于本申请一实施例中所述经验模态分解算法(EMD)用于将所述原始信号x(t)表示为一系列固有模态函数IMFs和残余信号之和：
其中，x(t)表示原始信号；IMF表示固有模态函数；k为固有模态函数的个数。
于本申请一实施例中，每个所述固有模态函数具有表征不同时间尺度的信号，且分解得到的第一个所述固有模态函数具有最小的时间尺度，后面分解得到的各所述固有模态函数具有的时间尺度不断增加。
简单来说，所述经验模态分解算法(EMD)的目的是将输入信号分解为有限的基本分量，每个分量具有不同的时间尺度，且第一个分量具有最小的时间尺度。随着分解的进行，时间尺度增加。因此，将原始信号分解成不同尺度的信号，就可以简化为特征信号。
步骤S102：依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值。
于本实施例中，本申请对所有用户的信道容量进行经验模态分解算法(EMD)分解，对分解出的固有模态函数(IMFs)个数取平均值，是为了定性分辨出使用动态模式分解算法(DMD)和改进的动态模式分解算法(ON-DMD)的阈值，以便本申请针对不同用户的信道数据选择采用动态模式分解算法(DMD)预测该用户的信道信息还是采用改进的动态模式分解算法(ON-DMD)预测该用户的信道信息。具体动态模式分解算法或动态模式分解算法是如何进行预测的，则放在步骤S103中的实施例中具体讲解。
步骤S103：若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
动态模式分解(DMD)
于本申请一实施例中，所述采用动态模式分解算法预测该用户的信道信息，包括：
对各用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批中若干个TTI信道的信道衰落系数；基于所述信道衰落系数以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据；其中，N为由1开始的自然数。
需要说明的是，本申请所述方法最主要的预测是预测信道衰落系数，包括MIMO信道矩阵、以及基于信道矩阵计算得到的信道容量等信道信息。可以说预测其他信道信息是建立在信道衰落系数基础之上的。
其中，所述对各用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批中若干个TTI信道的信道衰落系数，包括：
所述动态模式分解(DMD)允许用随时间增长、衰减或振荡的相干结构来求解或近似动态系统，把相干结构称为DMD模态，每个DMD模态都有一个特征值所对应。换句话说，DMD是将一个动态系统转换成由特征值控制的模态叠加。
DMD的基本假设是，给定一个动态系统的快照序列，写成矩阵表示为
其中，表示x1表示系统的第i个时刻的状态，
表示从第1个时刻到第N个时刻的序列集合；
假设有一个不可访问的黑盒线性算子A可将状态xi连接到xi+1，即：
xi+1＝Axi，i＝1,...,N-1； (2)
所述黑盒线性算子A在整个序列区间内是近似相同的。如果该系统是非线性的，那么此假设相当于线性切线近似，可将公式(1)的快照序列表示为克雷洛夫(Krylov)序列：
将其分为两部分表示：A{x1,x2,...,xN-1}＝{x2,x3,...,xN}； (4)
或，表示为矩阵形式：
其中，
可能是接近秩亏的，为避免矩阵的数值病态，基于快照矩阵
的奇异值分解方法，并截断最小奇异值来抑制不良条件：
其中，
σi为
的第i个奇异值；U、V分别为左右酉矩阵、Σ为对角阵，它们属于矩阵的奇异值分解的形式；
定义Uk＝U(:,1:k)，Σk＝Σ(1:k,1:k)，Vk＝V(:,1:k)，所以有
而
可表示为：
需说明的是，U(:,1:k)中第一个冒号表示取所在维度的所有数据，第二个冒号表示取从1到k的数据，这是Matlab多维数据结构(源代码)的语法。
计算黑盒线性算子A相对于Uk的瑞利-里兹法投影
通过对
的特征值分解获得
的特征值Λk及对应特征向量Wk：
其中，
A的特征值等价于
的特征值，而动态模式分解算法的模态Φ为：
Φ＝UkWk； (10)
通过
获得的DMD模态及对应的特征值，来预测该系统第(N+1)个状态：
xN+1＝ΦΛNΦ+x1； (11)
其中，Φ+中的“+”表示矩阵的Moore-Penrose伪逆操作，以满足矩阵非满秩的情况；
最后通过计算xN+1得到对应第N+1批的向量，所述向量中的各数值则对应若干个TTI信道的信道衰落系数。
其中，所述根据所述信道衰落系数以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据，包括：
对MIMO系统用户信道矩阵信息使用动态模式分解算法(DMD)，可以很好的抓住系统的模态并进行预测。最终用预测的信道矩阵转换为信道容量，其中，依据通用香浓容量公式来表示信道容量为：
其中，C为信道容量，B为信道带宽，S/N为信噪比；用信道矩阵计算信道容量，可以表示为：
C＝log2(det(In+SINR×(H×H*)))； (13)
其中，In为单位矩阵，SINR为信号与干扰加噪声比，H为H为根据第N+1批中若干个TTI信道的信道衰落系数得到的对应用户的信道矩阵，H*为H的共轭转置。其中，本公式(13)是香浓容量公式在多天线场景中的形式，公式(13)中的H以及H的共轭转置都依赖于前面公式(1)-(11)预测的信道衰落系数。
如图2所示，展示为本申请于一实施例中的用户数据模型的拓扑示意图。本申请选取如图2所示的用户数据模型的所有用户500个TTI信道复数数据作为实验数据，以进行本申请方法的相关运算和实验对比。
具体来说，如图2所示，本申请所采用的用户数据模型来自于中国科学院上海微系统与信息技术研究所的5G仿真平台，生成用户的下行信道矩阵。该模型中设置每个基站有3个扇区，每个扇区有10个用户，每个用户天线数为2，基站端天线数为8，在每个RB(ResourceBlock)中只选择1个子载波，子载波间隔为15KHz，带宽20MHz，共50个RB。所有用户数据为复数形式。
基于上述用户数据模型，本申请所述的采用动态模式分解算法预测该用户的信道信息过程可参考如下实施例：
举例来说，首先，本申请取图2所示的用户数据模型的所有用户500个TTI信道复数数据，然后对1-5个TTI数据进行动态模式分解算法(DMD)运算，获取该时间段的模态及对应特征值，并以此进行6-10的TTI数据的预测；再用6-10TTI原始信道信息数据来预测11-15TTI数据，以此类推。最后得到预测用户数据计算信道容量等信道信息。
需说明的是，本实施例中以用户的移动速度作为影响预测中的因素来进行试验对比。但须知的是，本申请中虽然举例将用户的移动速度是影响预测方法的一个重要因素，但不是唯一因素，因此提出了IMF个数的指标，基于此指标选择使用的预测方法，更强调的是自适应选择算法，使得方法更具有普遍意义，不仅能够适应速度变化的用户，还能适应其他原因导致IMF变化的场景。
接下来，通过对不同移动速度的用户进行动态模式分解算法(DMD)运算，以预测信道容量，然后计算每个移速所有用户的平均预测相对误差来对比预测结果。本申请根据预测效果发现，随着用户的移动速度增加，其信道容量变化越复杂，动态模式分解算法(DMD)预测的准确度下降。
本申请对如图2所示的用户数据模型的所有用户的不同移动速度(5km/h-120km/h)进行动态模式分解算法(DMD)，预测对应的信道容量，计算每个移速所有用户的平均预测相对误差，如表1所示。
表1对不同移速的所有用户进行动态模式分解算法(DMD)预测的平均相对误差
需要说明的是，由表1可知，对于用户速度较低的低复杂度信号而言，动态模式分解算法(DMD)在预测MIMO系统矩阵信息方面具有低误差、低复杂度的巨大优势，但是对用户移速较高的高复杂度信号，动态模式分解算法(DMD)无法再准确的抓住系统的变化模态，平均相对误差已经达到无法接受的地步，此时动态模式分解算法(DMD)已无法再用于高移速的用户信道容量预测。因此，需要进行对动态模式分解算法(DMD)进行改进，使之对高用户信道容量预测的误差下降到可以接受的地步。
进一步分析可知，动态模式分解算法(DMD)在面对低移速低复杂度信号时，可以轻松抓住系统的模态，而对于剧烈变化的信号则无能为力。高移速高复杂度信号预测产生巨大误差的主要原因是在上述公式(9)计算系统模态所对应的特征值时，该特征值只能表示该时间段的系统特征，若一味的将该时间段内的剧烈变化特征用来预测下一时间段的系统信息，无疑会产生不可接受的误差结果，比如预测效果中出现的预测发散情况。
改进的动态模式分解算法(ON-DMD)
为了对高移速高复杂度信号的系统预测特征进行控制，对式(9)所计算的系统模态特征值进行选择性归一化，即将Λk中绝对值大于1的特征值λi进行归一化：
其中，
表示从第1个时刻到第N个时刻的序列集合；
表示归一化的特征值Λk；
通过
获得所述动态模式分解算法(DMD)所计算的模态及对应的选择性归一化特征值，来预测第N+1个状态可表示为：
需说明的是，Φ+中的“+”表示矩阵的Moore-Penrose伪逆操作，原因在于并非所有观测量构成的矩阵都是满秩的。
同样，本申请取图2所示的用户数据模型的所有用户500个TTI信道复数数据，然后用前5个TTI数据预测后5个TTI数据。最后用原始用户数据和预测用户数据计算信道容量，计算预测信道容量的相对误差。
本申请根据预测效果不难发现，在用户移速较高时，相较于动态模式分解算法(DMD)来说，改进的动态模式分解算法(ON-DMD)具有较好的预测能力，能够保持信道系统的模态且不会出现预测发散的情况。然而，当用户移速较低时，虽然改进的动态模式分解算法(ON-DMD)能够很好的预测出用户的信道容量，但在局部区域会出现动荡，并没有动态模式分解算法(DMD)来的平滑和准确。
对该用户模型的所有用户的不同移动速度(5km/h-120km/h)进行改进的动态模式分解算法(ON-DMD)算法，预测对应的信道容量，计算每个移速所有用户的平均预测相对误差，如表2所示。
表2对不同移速的所有用户进行改进的动态模式分解算法(ON-DMD)预测的平均相对误差
从表1和表2可以清楚看到，在低移速时，动态模式分解算法(DMD)更优，在高移速时，改进的动态模式分解算法(ON-DMD)更胜一筹。值得一提的是，改进的动态模式分解算法(ON-DMD)之所以在低移速预测效果不如动态模式分解算法(DMD)，是因为其丢失了导致预测发散的系统模态特征值，而正因如此，在高移速时，才能有效遏制预测信道信息数据的发散及维持系统模态的主要特征。因此，本申请可以自适应的在用户速度较低时，选择使用动态模式分解算法(DMD)进行预测，用户速度较高时，使用改进的动态模式分解算法(ON-DMD)进行预测。
因此，本方法通过步骤S101-S102得到的固有模态函数的个数来作为判断选择采用动态模式分解算法(DMD)预测该用户的信道信息还是采用改进的动态模式分解算法(ON-DMD)预测该用户的信道信息的依据。
由步骤S101中提到的，经验模态分解算法(EMD)的目的是将输入信号分解为有限的基本分量，每个分量具有不同的时间尺度，且第一个分量具有最小的时间尺度。随着分解的进行，时间尺度增加。因此，将原始信号分解成不同尺度的信号，就可以简化为特征信号。因此，对某一非平稳和非线性信号进行经验模态分解算法，得到固有模态函数(IMFs)的个数即可判断该信号的复杂程度。显然，信号越复杂，分解出的IMFs个数越多。
为了定性分辨出使用动态模式分解算法(DMD)和改进的动态模式分解算法(ON-DMD)的阈值，本申请对不同移速的所有用户的信道容量进行经验模态分解算法(EMD)分解，对分解出的IMFs个数取平均值，不同移速的所有用户IMFs平均个数由表3给出。
表3不同移速的所有用户信道容量经验模态分解算法(EMD)分解的固有模态函数(IMFs)个数的平均值
综合表1、表2和表3，容易看出，对于固有模态函数(IMFs)个数平均值低于5.4的用户，其信道矩阵变化更加平缓，适合使用动态模式分解算法(DMD)进行预测；而对于固有模态函数(IMFs)个数平均值高于5.4的用户，其信道矩阵变化过于强烈，需要使用改进的动态模式分解算法(ON-DMD)进行预测。因此，基于经验模态分解算法(EMD)的选择性归一化DMD或ON-DMD的算法(对应步骤S103的算法)，在本申请中称为EON-DMD算法，其可以写为：
继续取图2所示的用户数据模型的所有用户500个TTI信道复数数据，然后用前5个TTI数据预测后5个TTI数据。最后用原始用户数据和预测用户数据计算信道容量，计算预测信道容量的相对误差。
对该用户模型的所有用户的不同移动速度(5km/h-120km/h)进行EON-DMD算法，预测对应的信道容量，计算每个移速所有用户的平均预测相对误差，如表4所示。
表4对不同移速的所有用户进行EON-DMD预测的平均相对误差
从表4可以看出，EON-DMD集中了动态模式分解算法(DMD)和改进的动态模式分解算法(ON-DMD)的优势，可以应对低移速低复杂信号及高移速高复杂信号的预测，且基于经验模态分解算法(EMD)分解的固有模态函数(IMFs)平均个数可以很好的将两者的使用场景分辨出来。
值得注意的是，本申请不能简单的从用户移速大小来判断使用阈值，因为可能会出现用户移速虽高，但是其所处信号接收环境较好，导致其信道矩阵变化并不剧烈。比如表3中移速50km/h的IMFs平均个数却低于移速40km/h的IMFs平均个数，且从表1和表2可以看出，预测50km/h使用动态模式分解算法(DMD)更好，而预测40km/h使用改进的动态模式分解算法(ON-DMD)更好。
综上所述，本申请所述的信道信息实时预测与测量方法，不仅可以在MIMO环境中有效预测不同移动速度场景下用户的信道信息，还能适应其他因素变化的场景下用户的信道信息。
如图3所示，展示为本申请于一实施例中的电子装置的模块示意图。如图所示，所述电子装置300包括：
分解模块301，用于对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；
预测模块302，用于依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请所述方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，预测模块302可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上预测模块302的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图4所示，展示为本申请于一实施例中的计算机设备的结构示意图。如图所示，所述计算机设备400包括：存储器401、及处理器402；所述存储器401用于存储计算机指令；所述处理器402运行计算机指令实现如图1所述的方法。
在一些实施例中，所述计算机设备400中的所述存储器401的数量均可以是一或多个，所述处理器402的数量均可以是一或多个，而图4中均以一个为例。
于本申请一实施例中，所述计算机设备400中的处理器402会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器401中，并由处理器402来运行存储在存储器401中的应用程序，从而实现如图1所述的方法。
所述存储器401可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器401存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器402可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在一些具体的应用中，所述计算机设备400的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图4中将各种总线都成为总线系统。
于本申请的一实施例中，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的方法。
在任何可能的技术细节结合层面，本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
综上所述，本申请提供的一种信道信息实时预测与测量方法、装置、设备和介质，通过对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个表示单一频率的零均值信号的固有模态函数；依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (11)
1.一种信道信息实时预测与测量方法，其特征在于，所述方法包括：
对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；
依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；
若是，则采用动态模式分解算法预测该用户的信道信息；对各移速用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批的向量，所述向量中的各数值则为对应若干个TTI信道的信道衰落系数；基于所述信道衰落系数利用香浓公式以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据；其中，N为由1开始的自然数；
若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
2.根据权利要求1所述的方法，其特征在于，所述对不同用户的输入信号利用经验模态分解算法进行分解，以得到若干个固有模态函数，包括：
设原始信号为x(t)，经验模态分解算法描述如下：
(a)确定原始信号x(t)的局部最大值和最小值；
(b)用三次样条插值分别构造原始信号x(t)的下包络el(t)和上包络eu(t)；
(c)计算下包络el(t)和上包络eu(t)的均值m(t)；
(d)用原始信号x(t)减去m(t)，得到固有模态函数的临时估计h1(t)；
(e)检验h1(t)是否满足固有模态函数的原则；若不满足，则重复(a)-(d)步骤，直至满足原则为止；若满足则进行下一步；
(f)用原始信号x(t)减去第i个固有模态函数以得到第i个残余信号，i为由1开始依次递增的自然数；
(g)将第i个残余信号作为新的原始信号，并重复步骤(a)-(f)过程，以得到第i+1个残余信号，直至不能提取更多的固有模态函数为止。
3.根据权利要求2所述的方法，其特征在于，所述固有模态函数满足以下原则：
1)极值的个数和零交叉的个数相等，或者极值的个数和零交叉的个数的差不大于1；
2)包络线的平均值在任何点上都为零。
4.根据权利要求2所述的方法，其特征在于，所述经验模态分解算法用于将所述原始信号x(t)表示为一系列固有模态函数和残余信号之和：
其中，x(t)表示原始信号；IMF表示固有模态函数；k为固有模态函数的个数；d(t)表示原始信号x(t)减去IMF之后得到的残余信号。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，每个所述固有模态函数具有表征不同时间尺度的信号，且分解得到的第一个所述固有模态函数具有最小的时间尺度，后面分解得到的各所述固有模态函数具有的时间尺度不断增加。
6.根据权利要求1所述的方法，其特征在于，所述对各移速用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批的向量，所述向量中的各数值则为对应若干个TTI信道的信道衰落系数，包括：
假设给定一个动态系统的快照序列，写成矩阵表示为
其中，表示x1表示系统的第i个时刻的状态，
表示从第1个时刻到第N个时刻的序列集合；
假设有一个不可访问的黑盒线性算子A可将状态xi连接到xi+1，即：
xi+1＝Axi，i＝1,...,N-1；
所述黑盒线性算子A在整个序列区间内是近似相同的；如果该系统是非线性的，那么此假设相当于线性切线近似，可将所述快照序列表示为克雷洛夫序列：
将其分为两部分表示：
A{x1,x2,...,xN-1}＝{x2,x3,...,xN}；
或，表示为矩阵形式：
其中，
可能是接近秩亏的，为避免矩阵的数值病态，基于快照矩阵
的奇异值分解方法，并截断最小奇异值来抑制不良条件：
其中，U、V分别为左右酉矩阵，Σ为对角阵；
σi为
的第i个奇异值；
定义Uk＝U(:,1:k)，Σk＝Σ(1:k,1:k)，Vk＝V(:,1:k)，所以有
而
可表示为：
计算黑盒线性算子A相对于Uk的瑞利-里兹法投影
通过对
的特征值分解获得
的特征值Λk及对应特征向量Wk：
其中，
A的特征值等价于
的特征值，而动态模式分解算法的模态Φ为：
Φ＝UkWk；
通过
获得的DMD模态及对应的特征值，预测该系统第N+1个时刻的状态：
xN+1＝ΦΛNΦ+x1；
其中，Φ+中的“+”表示矩阵的Moore-Penrose伪逆操作，以满足矩阵非满秩的情况；
最后通过计算xN+1得到对应第N+1批的向量，所述向量中的各数值则对应若干个TTI信道的信道衰落系数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述信道衰落系数以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据，包括：
依据通用香浓容量公式：
其中，C为信道容量，B为信道带宽，S/N为信噪比；
用信道矩阵计算信道容量，可以表示为：
C＝log2(det(In+SINR×(H×H*)))；
其中，In为单位矩阵，SINR为信号与干扰加噪声比，H为根据第N+1批中若干个TTI信道的信道衰落系数得到的对应用户的信道矩阵，H*为H的共轭转置。
8.根据权利要求6所述的方法，其特征在于，所述改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理，包括：
将Λk中绝对值大于1的特征值λi进行归一化：
其中，
表示从第1个时刻到第N个时刻的序列集合；
表示归一化的特征值Λk；
通过
获得所述动态模式分解算法所计算的模态及对应的选择性归一化特征值，来预测第N+1个状态可表示为：
9.一种电子装置，其特征在于，所述电子装置包括：
分解模块，用于对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；
预测模块，用于依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；对各移速用户的原始信号的第N批若干个TTI信道的原始信道信息数据进行动态模式分解算法的运算，以获取对应第N批若干个TTI信道的模态及对应特征值，据以得到对应第N+1批的向量，所述向量中的各数值则为对应若干个TTI信道的信道衰落系数；基于所述信道衰落系数利用香浓公式以供预测得到至少包含信道矩阵、及信道容量的预测信道信息数据；其中，N为由1开始的自然数；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。
10.一种计算机设备，其特征在于，所述设备包括：存储器、及处理器；所述存储器用于存储计算机程序；所述处理器运行计算机程序实现如权利要求1至8中任意一项所述的方法。
11.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被运行时执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010870548.7A CN112019245B (zh) | 2020-08-26 | 2020-08-26 | 信道信息实时预测与测量方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010870548.7A CN112019245B (zh) | 2020-08-26 | 2020-08-26 | 信道信息实时预测与测量方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112019245A CN112019245A (zh) | 2020-12-01 |
| CN112019245B true CN112019245B (zh) | 2021-11-16 |
Family
ID=73503366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010870548.7A Active CN112019245B (zh) | 2020-08-26 | 2020-08-26 | 信道信息实时预测与测量方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112019245B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113242064B (zh) * | 2021-05-12 | 2022-06-21 | 上海科技大学 | 基于用户空域特征和信道预测的多小区调度方法 |
| CN113346970B (zh) * | 2021-06-01 | 2022-10-18 | 上海科技大学 | 面向无线三维信道的用户级信道空域特征建模方法 |
| CN113660023B (zh) * | 2021-06-08 | 2022-06-21 | 北京工商大学 | 一种基于fpga的多卫星协同通信中用户选择系统与方法 |
| CN113392530A (zh) * | 2021-06-22 | 2021-09-14 | 中国核动力研究设计院 | 一种基于动态模式分解的氙演变预测方法及系统 |
| CN115114928B (zh) * | 2022-05-07 | 2024-06-25 | 长安大学 | 一种基于特征选择的可解释性语义通信系统 |
| CN115149986B (zh) * | 2022-05-27 | 2023-05-23 | 北京科技大学 | 一种针对语义通信的信道分集方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
| CN109905151A (zh) * | 2019-01-10 | 2019-06-18 | 西安电子科技大学 | 基于uca天线的多模态非规则oam电磁波生成、分离方法及装置 |
| CN110430546A (zh) * | 2019-07-12 | 2019-11-08 | 重庆电子工程职业学院 | 一种无线传感网络的抗干扰优化系统 |
| CN111294098A (zh) * | 2020-02-12 | 2020-06-16 | 中山大学 | 一种用于低精度adc的大规模多天线系统信号检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2996710B1 (fr) * | 2012-10-05 | 2015-12-11 | Thales Sa | Procede de transmission avec mecanisme d'adaptation des modes de codage et de modulation a marge dynamique |
| CN103973433B (zh) * | 2013-01-31 | 2017-03-08 | 中国科学院空间科学与应用研究中心 | 一种基于计算关联成像的网络密钥分发方法及系统 |
| CN110266354B (zh) * | 2019-06-12 | 2021-05-18 | 西安电子科技大学 | 轨道角动量无线通信系统的信号接收方法 |
-
2020
- 2020-08-26 CN CN202010870548.7A patent/CN112019245B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109905151A (zh) * | 2019-01-10 | 2019-06-18 | 西安电子科技大学 | 基于uca天线的多模态非规则oam电磁波生成、分离方法及装置 |
| CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
| CN110430546A (zh) * | 2019-07-12 | 2019-11-08 | 重庆电子工程职业学院 | 一种无线传感网络的抗干扰优化系统 |
| CN111294098A (zh) * | 2020-02-12 | 2020-06-16 | 中山大学 | 一种用于低精度adc的大规模多天线系统信号检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112019245A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112019245B (zh) | 信道信息实时预测与测量方法、装置、设备和介质 | |
| Yu et al. | Toward resource-efficient federated learning in mobile edge computing | |
| Nikravesh et al. | Mobile network traffic prediction using MLP, MLPWD, and SVM | |
| Liu et al. | Online successive convex approximation for two-stage stochastic nonconvex optimization | |
| Yang et al. | A parallel decomposition method for nonconvex stochastic multi-agent optimization problems | |
| CN111988806B (zh) | 一种基于全双工中继的移动边缘计算网络资源分配方法 | |
| CN109767117B (zh) | 移动边缘计算中联合任务调度的功率分配方法 | |
| Zhang et al. | Deep learning based user association in heterogeneous wireless networks | |
| Uddin et al. | ICA based MIMO transceiver for time varying wireless channels utilizing smaller data blocks lengths | |
| Gao et al. | Online deep neural network for optimization in wireless communications | |
| Mazumdar et al. | Forecasting data center resource usage: An experimental comparison with time-series methods | |
| Liu et al. | Latency minimization in intelligent reflecting surface assisted D2D offloading systems | |
| Li et al. | Mobile edge computing for task offloading in small-cell networks via belief propagation | |
| De Souza et al. | Compressive learning in communication systems: a neural network receiver for detecting compressed signals in OFDM systems | |
| Volkov et al. | Development of a Model and Algorithms for Servicing Real-Time and Data Traffic in a Cloud Computing System | |
| Awan et al. | A robust machine learning method for cell-load approximation in wireless networks | |
| Shen et al. | Compressed wideband spectrum mapping in 3D spectrum-heterogeneous environment | |
| Zhang et al. | On-device intelligence for 5g ran: Knowledge transfer and federated learning enabled ue-centric traffic steering | |
| Eisen et al. | Online deep learning in wireless communication systems | |
| Dubey et al. | Computation offloading techniques in mobile edge computing environment: A review | |
| Cheng et al. | Efficient deep learning approach for computational offloading in mobile edge computing networks | |
| CN114281527A (zh) | 一种低复杂度的移动边缘计算资源分配方法 | |
| Jiang et al. | Finding optimal polices for wideband spectrum sensing based on constrained POMDP framework | |
| Song et al. | FAST-RAM: A Fast AI-assistant Solution for Task Offloading and Resource Allocation in MEC | |
| Chour et al. | Toward an autonomous smart home: A three-layer edge-fog-cloud architecture with latency analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |