CN112311706B - 基于贝叶斯神经网络信道预测的频分双工下行传输方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯神经网络信道预测的频分双工下行传输方法。该方法的步骤如下：(1)基站存储若干个过去的信道状态信息作为训练数据，利用训练数据来训练参数初始化后的贝叶斯神经网络；(2)在下行传输过程中，基站先利用训练好的贝叶斯神经网络来预测下一个传输时隙的信道状态信息；到下一传输时隙时，基站在上行反馈等待阶段，将上述预测的信道状态信息用于待发送数据的预编码和传输；(3)基站通过反馈回来的信息获得估计的信道状态信息，利用该估计的信道状态信息在传输阶段发送下行数据；同时，基站继续通过贝叶斯神经网络预测后一个传输时隙的信道状态信息。本发明能进一步提高大规模多输入多输出系统的下行传输速率。

Description

基于贝叶斯神经网络信道预测的频分双工下行传输方法

技术领域

本发明涉及一种信息通信技术，尤其是一种频分双工大规模多进多出(MassiveMultiple-Input Multiple-Output)系统的下行数据传输方法。

背景技术

大规模多输入多输出系统可以通过简单的线性预编码和解码技术(如最大比率传输/结合和迫零技术)能显著提升通信网络的频谱效率和能量效率。此外，大规模多输入多输出技术还能消除无线信道的小尺度衰落、简化信号处理过程以及提供有效的功率控制等，已经被视为下一代移动通信网络的关键技术之一。

为了充分获得大规模多输入多输出技术的增益效果，通信系统无论是采用时分双工(time-division-duplex，TDD)模式还是频分双工(frequency-division-duplex，FDD)模式，基站都需要获得准确的信道状态信息(channel state information，CSI)。现有的频分双工大规模多输入多输出系统的下行数据传输方法中，由于基站必须要经过等待阶段才能开始预编码和传输数据，因此当基站天线数目大规模增加时，用于获取信道状态信息的导频和反馈信号开销势必要大大增加，导致等待时间在整个传输时隙中所占比例较大，这样就白白浪费了一些频率资源，降低了传输速率，在信道变化较慢的情况下其传输效率更低。

现有研究表明，通过采用一个合适的信道预测算法，基站可以准确地预测未来时刻的信道状态信息。早期的信道预测方法主要是基于模型进行预测，比如利用自回归模型、正弦和模型和带宽受限模型等。这些方法尽管在一些特定的信道场景下取得了不错的性能，但是它们通常缺乏鲁棒性，且易受到非平稳性和快变信道环境的干扰而导致预测准确度不高。

近年来，基于学习的方法开始应用在信道预测中，比如一种深度全连接神经网络去学习大规模多输入多输出系统上、下行链路间的非线性关系(C.Huang,G.C.Alexandropoulos,A.Zappone,C.Yuen,and M.Debbah,“Deep Learning for UL/DLChannel Calibration in Generic MassiveMIMO Systems,”in Proc.IEEE ICC’19,Shanghai,China,2019.)、一种基于卷积神经网络的信道推断方法(S.Chen,Z.Jiang,S.Zhou,Z.Niu,Z.He,A.Marinescu,and L.A.Dasilva,“Learning-Based Remote ChannelInference:Feasibility Analysis and Case Study,”IEEE Trans.Wireless Commun.,vol.18,no.7,pp.3554–3568,2019.)、一种基于循环神经网络的信道预测算法(Y.Zhu,X.Dong,and T.Lu,“An Adaptive and Parameter-Free Recurrent Neural Structurefor Wireless Channel Prediction,”IEEE Trans.Commun.,vol.67,no.11,pp.8086–8096,Aug.2019.)等，被提出来用于预测未来的信道状态信息。尽管这些深度神经网络具有较强的处理非线性问题的能力且不需要相应的预知识，但是在实际应用中，深度神经网络的超参数比如正则项超参数仍然需要通过手动调参才能确认。这项工作对于实时信道预测来说是非常耗时且效率低下的，尤其是当通信环境具有快速和不规则变化的特性时，基于经验规则的手动调参更是行不通的。此外，基于传统深度神经网络的信道预测还有一个问题就是：这些深度神经网络难以处理数据不确定性和模型不确定性而使其更容易过拟合或作出过于自信的预测，从而导致它们在实际应用中缺乏较好的泛化性能。数据和模型中的不确定性通常是收集到的训练数据和将要准备训练的神经网络所固有的，传统的深度神经网络一般通过点估计来得到权重而忽视了这些不确定性，因此它们的预测准确度在实际应用中也往往比预期的低。

发明内容

为了解决上述现有频分双工大规模多输入多输出系统下行传输方案和信道预测技术中遇到的问题和瓶颈，本发明提供一种基于贝叶斯神经网络进行信道预测辅助的频分双工下行传输方法，以在有限的带宽资源下进一步提高大规模多输入多输出系统的下行传输速率。

为解决上述技术问题，本发明采用的技术方案是：

基于贝叶斯神经网络信道预测的频分双工下行传输方法，其具体步骤为：

步骤1，基站存储若干个过去的信道状态信息作为训练数据，然后利用这些训练数据来训练参数初始化后的贝叶斯神经网络，得到预测用的贝叶斯神经网络；

步骤2，在下行传输过程中，基站先利用步骤1训练好的贝叶斯神经网络来预测下一个传输时隙的信道状态信息；到下一传输时隙时，基站在上行反馈等待阶段，将上述预测的信道状态信息用于待发送数据的预编码和传输；

步骤3，上行反馈等待阶段结束后进入传输阶段，基站通过反馈回来的信息进行信道估计获得估计的信道状态信息，利用该估计的信道状态信息来传输下行数据；同时，基站继续通过贝叶斯神经网络预测后一个传输时隙的信道状态信息。

本发明提出的信道预测辅助的频分双工下行传输方案相比现有传输方案的优势在于：可以更加有效地利用上行反馈等待阶段，不仅能提高在同频谱资源下系统的下行传输速率，还能有效防止误码率大幅度提升而使得系统可靠性降低。另外，本发明提出的基于贝叶斯神经网络的信道预测方法很好地融合了神经网络和统计模型的优点，既改善了基于模型信道预测处理非线性问题能力不足、鲁棒性较弱的问题，又弥补了基于传统深度神经网络信道预测不能自动调参且难以处理不确定性的缺陷，在实际的信道预测系统中有着更高的预测准确度和适应性。因此，本发明的方法能够在损失尽可能少的系统误码率性能的情况下尽可能多地提高系统下行传输速率。

附图说明

图1本发明下行传输方法的流程图。

图2本发明实施例中贝叶斯神经网络架构示意图。

图3本发明实施例的流程示意图。

图4信道预测结果，(a)没有正则化的信道预测结果；(b)带有贝叶斯正则化的信道预测结果。

图5不同信道预测方法及非预测策略在不同估计信噪比下的预测归一化均方误差值。

图6不同信道预测方法及非预测策略在不同用户移动速度下的预测归一化均方误差值。

图7基于不同预测方法的频分双工大规模多输入多输出系统在不同下行传输信噪比下获得的增益：(a)总的下行速率；(b)系统误码率。

具体实施方式

下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

为了指出本发明提出的频分双工下行传输方案及贝叶斯神经网络信道预测的原理和可行性，首先需要给出必要的系统模型。本实施例采用一个单小区频分双工大规模多输入多输出系统，基站装配M根天线，服务K个单天线用户，信道噪声服从加性高斯白噪声，其均值为0，方差为1，下行传输功率用P_d表示。为了便于计算和比较下行传输速率，本实施例采用了块衰落信道模型、多载波正交频分多路复用(OFDM)技术以及模拟上行反馈(区别于数字上行反馈)。设下行导频符号长度为N_DP，上行反馈信号符号长度为N_UF，下行传输数据符号长度为N_DD。

本实施例采用迫零预编码，迫零预编码矩阵W和信道矩阵H的关系如下：

W＝H^*(H^TH^*)^-1 (1)

根据信干噪比的定义可得第k个用户的信干噪比SINR_k为：

其中h_k、w_k分别表示信道矩阵H和预编码矩阵W的第k列元素，η是一个满足功率约束的归一化常数，η的值计算如下：

则频分双工大规模多输入多输出系统的下行传输总速率的计算模型如下：

基站通过发送下行导频和用户终端反馈获得估计的信道状态信息后，即可通过(1)、(2)、(3)和(4)式计算总的下行速率。由上述现有频分双工下行传输方案的原理可知其第k个用户的信干噪比为：

其中下标“conv”表示现有下行传输方案，

表示由估计到的信道状态信息

得到的预编码矩阵。由于现有方案仅在传输阶段向用户发送经过预编码后的源数据，因此每个传输时隙其实际的传输比例系数λ为：

故现有方案的下行传输总速率为：

对于本发明提出的信道预测辅助的频分双工下行传输方案而言，由于其实际的传输阶段不仅包括了原有的传输阶段，还利用了上行反馈等待时间来进行数据预编码和传输，因此本发明提出方案的下行传输总速率为：

其中下标“proposed”表示本发明提出的下行传输方案，

表示由预测的信道状态信息

得到的预编码矩阵，δ表示上行反馈等待阶段的传输比例系数：

从上述推导可以看出，本发明提出的频分双工下行传输方案其下行传输总速率为利用上行反馈等待阶段和原有传输阶段的传输速率之和，因此本发明方案在原理上是可行的。当预测的信道状态信息

完全等于实际的信道状态信息H时系统的下行传输总容量为：

本实施例利用贝叶斯神经网络来进行信道预测。贝叶斯神经网络的网络架构如图2所示，其中u，v和θ分别表示神经网络的输入样本、输出样本和权重参数(包括神经网络权重和偏置)。用R表示神经网络架构，D表示训练数据集，则贝叶斯神经网络训练所需要最小化的目标函数F为：

F＝βE_D(D|θ,R)+αE_θ(θ|R) (14)

α和β分别是该目标函数的超参数，E_D(D|θ,R)表示网络输出误差的平方和：

其中N_D表示训练数据集大小，即训练样本的数量，i表示下标索引，其范围在1～N_D。而E_θ(θ|R)表示贝叶斯神经网络权重参数的平方和，即正则项：

其中N_θ表示θ的数量，j表示下标索引，其范围在1～N_θ。然后将网络连接权重和训练数据均看作是随机变量，则可以采用贝叶斯定理得到给定网络和训练集情况下网络权重的后验概率：

其中等式左边是后验概率，P(D|θ,β,R)是似然概率，P(θ|α,R)是先验概率，而P(D|α,β,R)则是“证据(evidence)”，也称之为归一化因子。再然后可通过泰勒展开、贝叶斯定理和高斯近似等数学定理推导出上述目标函数超参数α和β最优值的迭代公式：

其中γ表示贝叶斯神经网络经过训练后的总的有效参数数量或者说总的有效权重数量。由于在贝叶斯神经网络训练过程中，采用网络优化算法比如Levenberg-Marquardt算法会获得一个最大后验权重值θ_MAP，

则表示E_θ在θ_MAP处时的权重平方和，

则表示E_D在θ_MAP处时的网络输出误差平方和。

由上述公式可知，贝叶斯神经网络可以自动推断出超参数α和β的最优值，因此可以避免对这两个重要超参数进行繁琐的手动调参，同时通过将网络权重和数据看成统计分布变量来表征网络中的不确定性，这样做的好处是较之于传统的深度神经网络能有效处理网络本身的不确定性进而提高网络预测能力，这些都从理论上说明了贝叶斯神经网络信道预测的可行性。

在实际的信道预测中，基站首先需要对贝叶斯神经网络进行参数初始化，如确定好网络的基本架构包括确定隐藏层节点数和层数、设置好网络权重及超参数α和β的初始值等，然后利用网络优化算法比如Levenberg-Marquardt算法对网络进行优化得到一个(局部)最大后验权重及E_D(D|θ,R)的海森矩阵，随后利用公式(18)和(19)便能得到超参数α和β的一次迭代值，不断重复上述过程直到α和β的值趋于稳定，此时贝叶斯神经网络便已经训练好了，然后基站就可以用训练好的贝叶斯神经网络去进行信道预测，输入历史信道状态信息便能输出下一个传输时隙的信道状态信息。

在预测阶段，基站在上一个传输时隙便通过预测模型和输入的历史样本预测出了下一个时隙的信道状态信息。当其进入下一个传输时隙时，基站则不需要再等到下行信道状态信息反馈回来便可以直接利用预测到的信道状态信息在上行反馈等待阶段进行数据预编码和传输，随后当下行信道状态信息反馈回来后，基站便能进行信道估计并将估计到的信道状态信息用于原有传输阶段的数据传输，同时基站通过预测模型和输入的历史样本又能预测到下下一个传输时隙的信道状态信息，在下下一个传输时隙基站重复之前的操作利用等待阶段和原有传输阶段来传输数据。不断重复上述操作直至将预测阶段的若干个传输时隙预测完基站便又进入数据收集阶段，这便是本发明提出的信道预测辅助的频分双工大规模多输入多输出系统下行传输方法。如图1所示，在该方法中，实际的传输阶段便是上行反馈等待阶段加上原来的传输阶段，由此来提高每个时隙实际传输阶段所占比例及相应的下行传输速率。同时由于采用了信道预测技术来预测下一个传输时隙的信道状态信息而不是在下一个传输时隙等待阶段直接用上一个估计得到的信道状态信息(如CN202010050169.3)，因而基站所能用的未来的信道状态信息其准确度将会得到大大提升。尽管在信道老化不明显即信道变化慢的情况下上一个传输时隙的信道状态信息和下一个传输时隙的信道状态信息差异也较小，但是在信道老化明显即信道变化较快的情况下两者的差异会较大，此时在下一个传输时隙等待阶段直接用上一个时隙的信道状态信息尽管能增加下行传输速率，但是由于准确度大幅降低也会导致系统误码率大大提升。因此本发明信道预测辅助的下行传输方法不仅能增加下行传输速率，还能防止系统误码率大幅度提升，相比于直接采用上一个信道状态信息，该方法更适合于信道变化较快且不稳定的通信环境。

下面给出实施例的具体实现流程，其示意图如图3所示。

第一步，在频分双工大规模多输入多输出系统中，基站首先需要设置好贝叶斯神经网络的网络结构和初始参数。

第二步，基站先进行导频训练和信道估计，并按现有下行传输方法传输一段时间(即需要经过等待阶段才能开始预编码和传输数据)以便基站能够获得N_t个过去的信道状态信息，然后基站对过去N_t个信道状态信息加以存储并进行数据预处理，将得到的数据进行归一化操作后，得到训练用的数据集。

第三步，从N_t+1个传输时隙开始，基站利用训练数据集来训练参数初始化好了的贝叶斯神经网络，得到信道预测模型，该训练过程将要耗费一定的时间。

第四步，得到训练好的信道预测模型后，基站即进入预测阶段，基站将U个历史样本输入网络便能得到下一个传输时隙的信道状态信息。为了能让贝叶斯神经网络适用于实际的大规模多输入多输出系统信道预测，本实施例采用了单进单出(single-input-single-output,SISO)并行预测，即为大规模多输入多输出系统中每根基站天线和每个用户形成的单条信道(仅考虑了信道预测的时间相关性而不考虑基站天线的空间相关性)配备一个贝叶斯神经网络，然后让它们并行处理，即并行收集数据、并行训练神经网络及并行预测。这种并行单进单出预测方法可以大幅度减少神经网络的输入维度，从而大幅度减少训练时间。现有神经网络往往难以应用于实际的大规模多输入多输出信道预测的一个原因便是其联合处理(考虑基站天线空间相关性的信道预测)需要耗费大量的训练时间，这会导致严重的模型过时从而导致其预测精度的下降。因此本发明采用并行单进单出预测可以使基于贝叶斯神经网络的信道预测更能符合实际通信系统的要求。

第五步，在下一个传输时隙，基站发送完导频后在等待阶段利用预测到的信道状态信息来进行数据的预编码和传输，并在原有传输阶段利用反馈回来的信息进行信道估计，然后用估计的信道状态信息进行数据的预编码和传输。同时基站预测下下一个传输时隙的信道状态信息。

第六步，在下下一个传输时隙，基站操作与第五步一样，不断重复该操作直到达到设定好的总的预测样本数N_p即完成一次预测阶段。

第七步，完成一次预测阶段后，基站不断重复上述第一步～第六步直到发送完所有的下行数据，不过与第一次收集训练集不一样的是之后的数据收集都可以与其它操作同时进行。

为了验证本发明的有益效果，本实施例在上述系统模型的基础上进行了实验仿真，设基站天线数M为64根，用户数K为6个，N_t为600，N_p为200。如果不特别指定的话，信道估计采用的信噪比为15dB，用户移动速度为5m/s。OFDM系统参数参照标准的OFDM系统来进行设置，调制方式为16QAM。仿真采用COST2100户外信道模型来生成所需要的数据集。为了阐明贝叶斯神经网络信道预测的优势，本实施例引入了现有预测技术如自回归(AR)预测和长短时记忆(LSTM)网络信道预测进行对比，自回归预测的阶数分别设为4和8，长短时记忆网络和贝叶斯神经网络的输入样本数U均设为4。采用归一化均方误差(NMSE)、总的下行速率和系统误码率作为性能评价指标。仿真结果如图4-7所示。

图4展示了同一个神经网络在不加正则化和加入贝叶斯正则化的信道预测结果，可以看出加入贝叶斯正则化得到的预测的信道状态信息的幅度和实际的信道状态信息幅度偏离较小，而未加入正则化的则出现较大的偏离，说明本发明贝叶斯正则化可以有效提高信道预测的准确度。

图5展示了不同信道估计信噪比(SNR)情况下不同信道预测技术及非预测策略(Noprediction)的预测归一化均方误差值，其中非预测策略是指基站直接将上一个传输时隙的信道状态信息用于下一个时隙等待阶段的数据预编码和传输。从图5可以看出本发明基于贝叶斯神经网络的预测器其预测准确度要高于其它预测方法和非预测策略。

图6展示了在不同用户移动速度情况下不同信道预测技术及非预测策略的预测归一化均方误差值，可以看出在不同速度下，本发明贝叶斯神经网络预测器的准确度和图5一样均比其它预测方法和非预测策略好。从图5和图6可得本发明基于贝叶斯神经网络的信道预测相比其它预测技术和非预测策略其性能更好，鲁棒性更强。

图7展示了在不同下行传输信噪比情况下，基于不同预测技术的信道预测辅助频分双工大规模多输入多输出系统获得的增益效果。从该图可以看出本发明提出的信道预测辅助的频分双工下行传输方案明显要比现有传输方案的下行速率高，且基于贝叶斯神经网络的信道预测方法较之于基于自回归模型和LSTM网络的预测方法能取得更高的下行速率，同时其损失的误码率性能在所有信道预测技术中是最小的。

Claims (4)

1.基于贝叶斯神经网络信道预测的频分双工下行传输方法，其特征在于，该方法的具体步骤为：

步骤1，基站存储若干个过去的信道状态信息作为训练数据，然后利用这些训练数据来训练参数初始化后的贝叶斯神经网络，得到预测用的贝叶斯神经网络；

步骤2，在下行传输过程中，基站先利用步骤1训练好的贝叶斯神经网络来预测下一个传输时隙的信道状态信息；到下一传输时隙时，基站在上行反馈等待阶段，将上述预测的信道状态信息用于待发送数据的预编码和传输；

步骤3，上行反馈等待阶段结束后进入传输阶段，基站通过反馈回来的信息进行信道估计获得估计的信道状态信息，利用该估计的信道状态信息来传输下行数据；同时，基站继续通过贝叶斯神经网络预测后一个传输时隙的信道状态信息。

2.根据权利要求1所述的基于贝叶斯神经网络信道预测的频分双工下行传输方法，其特征在于，所述步骤2中，利用贝叶斯神经网络预测时采用单步预测方法，即输入若干个输入样本，贝叶斯神经网络每次仅预测一个信道状态信息。

3.根据权利要求1所述的基于贝叶斯神经网络信道预测的频分双工下行传输方法，其特征在于，所述步骤1中，训练贝叶斯神经网络所需要最小化的目标函数F为：

F＝βE_D(D|θ，R)+αE_θ(θ|R)

其中，α和β分别是目标函数的超参数，E_D(D|θ,R)表示网络输出信道状态信息误差的平方和：

其中，D表示训练数据集，u，v和θ分别表示神经网络的输入信道状态信息样本、输出信道状态信息样本和权重参数；R表示神经网络架构，N_D表示训练数据集大小，即训练样本的数量，i表示下标索引，其范围在1～N_D；

E_θ(θ|R)表示贝叶斯神经网络权重参数的平方和，即正则项：

其中，θ表示神经网络的权重参数，N_θ表示θ的数量，j表示下标索引，其范围在1～N_θ。

4.根据权利要求3所述的基于贝叶斯神经网络信道预测的频分双工下行传输方法，其特征在于，所述步骤1中，对超参数α和β的值进行多次迭代，得到最优值，超参数α和β最优值的迭代公式为：

其中，γ表示贝叶斯神经网络经过训练后的总的有效参数数量；

表示正则项E_θ在最大后验权重值θ_MAP处时的权重平方和，

表示误差平方和E_D在最大后验权重值θ_MAP处时的网络输出误差平方和。

Images