CN112422212A - 一种数据自适应无线通信信道预测方法、存储介质及设备 - Google Patents
一种数据自适应无线通信信道预测方法、存储介质及设备 Download PDFInfo
- Publication number
- CN112422212A CN112422212A CN202011304083.5A CN202011304083A CN112422212A CN 112422212 A CN112422212 A CN 112422212A CN 202011304083 A CN202011304083 A CN 202011304083A CN 112422212 A CN112422212 A CN 112422212A
- Authority
- CN
- China
- Prior art keywords
- channel
- sequence
- data
- test
- channel sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000006854 communication Effects 0.000 title claims abstract description 29
- 238000004891 communication Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 108091006146 Channels Proteins 0.000 claims abstract description 237
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000003648 Ljung–Box test Methods 0.000 claims abstract description 5
- 238000000780 augmented Dickey–Fuller test Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000001583 randomness test Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013112 stability test Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种数据自适应无线通信信道预测方法、存储介质及设备，存储通信系统从初始时刻到当前时刻接收端接收到的发射端发射的导频信号对应的信道状态信息；基于Ljung‑Box检验、Brock‑Dechert‑Scheinkman检验以及Augmented‑Dickey‑Fuller检验分析保存的信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；基于变分模态分解对信道序列数据特征进行预处理，提取信道序列数据的频域特征，得到多个不同频率的窄带模态信号；结合信道数据分析方法和信道数据分解方法，基于不同模态信号的数据特征，对各个模态分别设计不同重量的自回归模型，得到对原始信道序列的预测结果。本发明通过自适应迭代分解无线信道序列，提取信道的时频域特征，提高对无线通信信道预测的准确性。
Description
技术领域
本发明属于通信领域和时间序列技术领域，具体涉及一种数据自适应无线通信信道预测方法、存储介质及设备。
背景技术
在无线通信系统中，为了提升频谱效率和信息的传输速率，如何精确的获得信道状态信息是一个至关重要的问题。在接收端处于移动状态时，信道状态信息随时间快速的发生变化，根据信道估计得到的信道状态信息出现延迟，不能满足实际通信系统的需要，因此准确的估计信道状态信息是无线通信领域所关注的热点问题。
准确预测信道状态信息的基本前提是对信道数据进行精确的分析和建模，目前的大部分信道预测方法是建立在对信道数据平稳、线性的假设之上，然而这种理想假设在实际的移动性通信环境下不再成立，模型与数据的不符合导致现有大多数信道预测方法都不再有效。
为了更好的拟合信道数据的非线性、非平稳特征，很多复杂的非线性模型被提出来拟合信道数据的变化，然而对真实的信道数据还是不能很好的预测，一方面是因为移动性场景下要得到一个复杂的非线性模型需要大量的信道数据作为支撑，然而在实际环境中可以用来计算模型参数的数据是很有限的，引出了模型和数据二者之间的矛盾；另一方面是因为缺少对信道数据的深入分析，使得模型的非线性项不能完全的解释信道数据变化中的非线性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种数据自适应无线通信信道预测方法、存储介质及设备，通过无线信道序列的特征分析和数据的模态分解提高信道状态信息预测准确性。
本发明采用以下技术方案：
一种数据自适应无线通信信道预测方法，包括以下步骤：
S1、存储通信系统从初始时刻到当前时刻接收端接收到的发射端发射的导频信号对应的信道状态信息；
S2、基于Ljung-Box检验、Brock-Dechert-Scheinkman检验以及Augmented-Dickey-Fuller检验分析步骤S1保存的信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；
S3、基于变分模态分解对步骤S2的信道序列数据特征进行预处理，提取信道序列数据的频域特征，得到多个不同频率的窄带模态信号；
S4、结合步骤S2的信道数据分析方法和步骤S3的信道数据分解方法，基于不同模态信号的数据特征，对各个模态分别设计不同重量的自回归模型，得到对原始信道序列的预测结果。
具体的，步骤S2中，通过信道估计方法得到信道状态信息，通过在一系列的导频信号处实施信道估计，得到信道状态信息序列，记为
将信道估计得到的信道状态信息序列拆分为实部和虚部两部分，分别记为
T为导频信号的长度。
进一步的，随机性检验具体为：
针对实部信道序列
首先利用LB方法对序列的随机性进行检验，即信道序列滞后相关的存在性分析，确定原假设H0和备择假设H1；构造检验统计量
T为信道序列的样本数量，统计量服从自由度为m的卡方分布，给定显著性水平α，对应的拒绝域为
原假设H0成立意味着信道序列是白噪声序列，否则认为信道序列间存在相关性，可预测；
非线性检验具体为：
借助AR模型拟合信道序列，将模型的拟合残差序列记为r＝[r1，r2，…，rT]；对线性模型拟合的残差r分析其独立性，这一步采用BDS检验法，设用于信道序列检验时的原假设H0和备择假设H1；根据关联积分给出最终的BDS检验统计量：
σ(δ)是
的标准差，统计量的渐进分布为N(0，1)；
平稳性检验具体为：
根据平稳信道序列
的一阶矩以及二阶矩的特征，确定原假设H0和备择假设H1如下：
H0：ρ＝1
H1：ρ＜1
其中，ρ是ADF检验估计模型中的参数，原假设H0成立时信道数据中存在单位根，即信道数据非平稳，否则信道数据是平稳的。
具体的，步骤S3中，利用希尔伯特滤波器将信道序列模态信号uk(t)变换为解析信号，只有正频率部分被保留；利用傅里叶变换的性质，通过频谱搬移将得到的解析信号频谱迁移至基带；对得到基带信号求导，对二范数的取平方来计算某一模态k的带宽，求和得到所有模态的总带宽；使用增广拉格朗日乘子法引入二次惩罚项和拉格朗日乘子松弛，得到无约束优化模型，利用Plancherel-Fourier等距定理把信道从时域变换到频域，进一步利用交替方向乘子法进行求解，得到多个不同频率的窄带模态信号。
进一步的，无约束优化模型如下：
其中，α是用来调整模态的总带宽和约束条件间的权重，二次惩罚项用于信道数据去噪，最后的拉格朗日乘子项用于约束模态信道序列可以无损的恢复原始的信道序列，uk表示分解得到的第k个模态信号，ωk表示第k个模态的中心频率，δ(t)表示冲激函数，j为虚数单位，λ表示拉格朗日乘子。
进一步的，利用交替方向乘子法进行求解的迭代方式如下：
算法的终止条件为：
其中，τ和∈分别是拉格朗日乘子迭代的步长和算法终止的阈值，
表示第k个模态在第n+1次迭代过程中得到的频域信号，α是一个预定义的惩罚因子，
表示第k个模态通过第n次迭代得到的重心频率，f(ω)表示为信道序列经傅里叶变换得到的频域信号，λn(ω)为通过第n次迭代得到的拉格朗日乘子。
具体的，步骤S4中，第k个模态信道序列建模如下：
其中，pk为第k个AR模型的阶数，zk，t为高斯白噪声。
进一步的，对于分解得到的第k个模态信号，建立自回归模型，具体为：
Yk＝Xkαk+zk
其中，
表示第k个模型的参数，
对于分解得到的第j个模态对应AR模型的定阶，使用HIC准则定义为：
其中，k＝0，1，…，pj，σ2(k)是给定阶数pk＝k时白噪声方差的估计值；
最后选择使HIC最小的k作为对应模态AR模型的阶数。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种数据自适应无线通信信道预测方法，首次提出使用时间序列方法中的LB检验、BDS检验以及ADF检验用于无线通信系统中的信道数据分析，从数学上证实了实际的信道数据具有非线性和非平稳的时序特征；首次提出使用VMD对无线信道数据进行模态分解，提取信道序列的时频域特征用于预处理信道的非线性以及非平稳变化，并且针对不同的模态信号设计不同的预测模型提升无线信道数据预测的准确性结果和可靠性。
进一步的，实际的通信过程中信道状态信息是未知的，通过信道估计的方法可以得到信道状态信息，为后续的无线信道预测提供信道数据。
进一步的，随机性检验可以对数据的有效性进行判断，若无效则没有进行预测的必要，节约计算资源；非线性和平稳性是对数据特征的分析，基于分析的结果来确定预测模型。
进一步的，利用变分模态分解对数据进行预处理，可以缓解信道数据的非线性和非平稳性，提取数据的频域特征，将信道数据按频率的高低进行分离，对不同的模态可以使用不同的预测模型。
进一步的，为了求解变分模态分解中的优化模型，需要将原始的含约束优化问题通过增广拉格朗日乘子法变为无约束的优化模型。
进一步的，利用交替乘子法可以把原优化问题拆分成三个子问题，缩小问题的规模，分而治之便于得到优化问题的解。
进一步的，利用自回归模型可以利用信道的时间相关性，将各个模态信号的当前信道状态信息建模为已知pk个时刻信道状态信息的线性组合。
进一步的，根据HIC准则对不同的模态设置不同的参数，可以更好的匹配各个模态的特征，提升信道预测的精度。
综上所述，本发明基于时间序列的数据分析方法和信号处理的模态分解方法，通过自适应迭代分解无线信道序列，提取信道的时频域特征，提高对无线通信信道预测的准确性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明无线通信信道预测方法的流程示意图；
图2为针对一段信道时间序列进行VMD的结果示意图，其中，(a)为原始信道和模态信道的时域信号图，(b)为对应(a)时域信号的频域信号；
图3为在不同信噪比下，分别使用6阶AR模型、VMD结合6阶AR模型和VMD结合HIC准则以及AR模型对一段无线信道时间序列预测NMSE的累计分布曲线的对比图；
图4为在信噪比为25db下，使用6阶AR模型、VMD结合6阶AR模型和VMD结合HIC准则以及AR模型对不同环境下的信道数据进行预测的结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种数据自适应无线通信信道预测方法、存储介质及设备，利用存储设备，保存一段时间内接收端接收到的发射端发射的导频信号对应的信道状态信息(Channel State Information，CSI)；基于Ljung-Box(LB)检验、Brock-Dechert-Scheinkman(BDS)检验以及Augmented-Dickey-Fuller(ADF)检验分析信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；基于变分模态分解(Variational Mode Decomposition，VMD)对信道序列进行预处理，提取信道序列的频域特征，得到多个不同频率的窄带模态(Mode)信号；结合信道数据分析和的信道数据分解，基于不同模态信号的序列特征，对各个模态分别设计不同重量的自回归(Autoregressive，AR)模型，得到对原始信道序列的预测结果。本发明基于时间序列的数据分析方法和信号处理的模态分解方法，通过自适应迭代分解无线信道序列，提取信道的时频域特征，提高对无线通信信道预测的准确性。
请参阅图1，本发明一种数据自适应无线通信信道预测方法，基于LB检验、BDS检验和ADF检验对信道数据的时序特征进行分析，对通过检验的信道数据序列进行VMD来自适应的将其按照高低频分为多个模态序列，并对不同的模态序列设计不同重量的AR模型来实现对信道状态信息的精准预测，包括以下步骤：
S1、利用存储设备，保存通信系统从初始时刻到当前时刻接收端接收到的发射端发射的导频信号对应的信道状态信息(Channel State Information，CSI)；
S2、基于Ljung-Box(LB)检验、Brock-Dechert-Scheinkman(BDS)检验以及Augmented-Dickey-Fuller(ADF)检验分析信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；
信道序列分析过程中，原始的SISO信道模型为：
y[t]＝h[t]p[t]+z[t] (1)
其中，p[t]和y[t]分别表示在t时刻发射端传递的导频符号和接收端对应接收到的接收信号，h[t]表示t时刻的信道状态信息，z[t]表示t时刻的加性高斯白噪声，导频信号是已知的，因而信道状态信息可以通过信道估计方法得到，通过在一系列的导频信号处实施信道估计，得到信道状态信息序列，记为
将信道估计得到的信道状态信息序列拆分为实部和虚部两部分，分别记为
其中T为导频信号的长度，即信道序列的时间长度，下面针对信道序列的实部
进行分析，对于信道序列的虚部
的分析方式不变。
随机性检验
针对实部信道序列
首先利用LB方法对序列的随机性进行检验，即信道序列滞后相关的存在性分析，原假设H0和备择假设H1如下：
H0：ρ1＝…＝ρm＝0
H1：
其中，ρk表示信道序列的k阶滞后的相关系数，m的取值和信道序列的长度有关；构造如下的检验统计量：
其中，T为信道序列的样本数量，该统计量服从自由度为m的卡方分布，给定显著性水平α，对应的拒绝域为
原假设H0成立意味着信道序列是白噪声序列，即这一时间段内的信道序列是无效的，不能用来做预测，否则认为信道序列间存在相关性，是可预测的。
非线性检验
如果信道序列存在时间上的相关性，信道序列
进行非线性检验就是有意义的，该检验由两个步骤构成：
1)借助AR模型拟合信道序列，将模型的拟合残差序列记为r＝[r1，r2，…，rT]；
2)对线性模型拟合的残差r分析其独立性，这一步采用BDS检验法，该方法用于信道序列检验时的原假设H0和备择假设H1如下：
H0：残差序列独立同分布
H1：残差序列不独立
记m维向量
称为m维历史，表示拟合残差序列由时刻l到时刻l+m-1时刻的取值，按照如下方式定义关联积分：
其中，N＝T-m+1，H(·)是一个示性函数，参数δ取值为0.2到1.5倍的残差序列标准差，m的取值通常为2至7。
最终的BDS检验统计量根据关联积分给出：
其中，σ(δ)是
的标准差，可以通过估计方程得到，该统计量的渐进分布为N(0，1)。对于信道序列的分析，原假设H0成立意味残差独立，即信道数据
具有非线性特征，备择假设H1认为信道序列中包含非线性变化的成分，需要建立非线性模型来完成信道预测。
平稳性检验
信道序列的平稳性检验由ADF方法完成，根据平稳信道序列
的一阶矩以及二阶矩的特征，原假设H0和备择假设H1如下：
H0：ρ＝1
H1：ρ＜1
其中，ρ是ADF检验估计模型中的参数，原假设成立时信道数据中存在单位根，即信道数据非平稳，否则信道数据是平稳的。
ADF检验根据是否包含常数项和趋势项包括四种不同的检验模型，对应不同的检验统计量和不同的极限分布，对于信道序列的分析采用含常数项的检验模型即可。若原假设成立，则可以直接按照信道数据的非线性特征进行建模，反之则需要对信道数据进行差分平稳化信道数据。
请参阅图2，从图中可以看出VMD将信道序列按照频率的高低进行拆分，对应不同频带的模态信号，h[t]表示一段时间内收集到的信道状态序列，I(1)、I(2)和I(3)分别表示三种统计性检验所输出的结果，0表示拒绝原假设，1表示接受原假设。可以看到当判断数据为白噪声时，则直接停止对信道数据的分析，当第一步检验通过时，才对信道数据的非线性和平稳性依次进行分析。
S3、基于变分模态分解(Variational Mode Decomposition，VMD)对信道序列进行预处理，提取信道序列的频域特征，得到多个不同频率的窄带模态(Mode)信号；
信道序列的变分模态分解方式如下：
原始的VMD优化模型为：
其中，f(t)表示离散信道序列
的连续形式，uk(t)表示经VMD分解得到的第k个信道序列模态信号，k∈1，…，K，K是一个预定义的参数，ωk表示第k个信道序列模态信号uk(t)的中心频率，δ(t)表示冲激函数，
表示函数关于变量t求偏导，
表示二范数的平方。
整个模型的建立包括三个步骤：
1)利用希尔伯特滤波器将信道序列模态信号uk(t)变换为解析信号，只有正频率部分被保留；
2)利用傅里叶变换(Fourier Transform，FT)的性质，通过频谱搬移将上一步得到的解析信号频谱迁移至基带；
3)对上一步得到基带信号求导，对二范数的取平方来计算某一模态k的带宽，求和得到所有模态的总带宽。
为了将含有约束的优化模型(5)进行松弛，得到一个不含约束的优化模型，使用增广拉格朗日乘子法引入二次惩罚项和拉格朗日乘子松弛，得到如下的无约束优化模型：
其中，α是用来调整模态的总带宽和约束条件间的权重，二次惩罚项不仅可以用于信道数据去噪，还可以保证优化模型的收敛性，最后的拉格朗日乘子项则用于约束模态信道序列可以无损的恢复原始的信道序列。
利用Plancherel-Fourier等距定理把信道从时域变换到频域，进一步利用交替方向乘子法(Alternating Direction Method ofMultipliers，ADMM)进行求解，迭代方式如下：
算法的终止条件为：
其中，τ和∈分别是拉格朗日乘子迭代的步长和算法终止的阈值，
表示第k个模态在第n+1次迭代过程中得到的频域信号，α是一个预定义的惩罚因子，
表示第k个模态通过第n次迭代得到的重心频率，f(ω)表示为信道序列经傅里叶变换得到的频域信号，λn(ω)为通过第n次迭代得到的拉格朗日乘子。。
这里给出的是VMD分解的连续形式，对于离散采样的信号，只需要将连续傅里叶变换更改为离散傅里叶变换，积分更改为求和。针对离散信道序列
代入VMD的迭代公式中求解，将分解得到的模态记为U＝[u1，u2，…，uK]T∈RK×T，其中uk＝[uk，1，uk，2，…，uk，T]，和原信道序列
具有相同的长度。
S4、结合步骤S2的信道数据分析方法和步骤S3的信道数据分解方法，基于不同模态信号的数据特征，对各个模态分别设计不同重量的自回归(Autoregressive，AR)模型，得到对原始信道序列的预测结果。
实施信道预测的方法如下：
在利用VMD得到多个模态信号后，对不同的信道模态序列联合时域和频域的特征建立不同重量的自回归模型，对第k个模态信道序列的建模如下：
其中，pk为第k个AR模型的阶数，zk，t为高斯白噪声。
对于高频的模态uk，t由于其变化剧烈可以采用一个阶数较高的AR模型增强模型的拟合和预测能力，对于低频模态由于数据变化简单模型的阶数可以适当取小来降低预测算法的复杂度。
AR模型参数的计算和模型阶数的确定方法如下：
AR模型中参数的计算可以根据最小二乘法进行计算，对于分解得到的第k个模态信号，建立自回归模型，表示为：
Yk＝Xkαk+zk (12)
其中，
表示第k个模型的参数，
对于分解得到的第j个模态对应AR模型的定阶，可以使用HIC准则，准则函数定义为：
其中，k＝0,1,…,pj，σ2(k)是给定阶数pk＝j时白噪声方差的估计值，最后选择使HIC最小的k作为对应模态AR模型的阶数。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于数据自适应无线通信信道预测的操作，包括：存储通信系统从初始时刻到当前时刻接收端接收到的发射端发射的导频信号对应的信道状态信息；基于Ljung-Box检验、Brock-Dechert-Scheinkman检验以及Augmented-Dickey-Fuller检验分析保存的信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；基于变分模态分解对信道序列数据特征进行预处理，提取信道序列数据的频域特征，得到多个不同频率的窄带模态信号；结合信道数据分析方法和信道数据分解方法，基于不同模态信号的数据特征，对各个模态分别设计不同重量的自回归模型，得到对原始信道序列的预测结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：存储通信系统从初始时刻到当前时刻接收端接收到的发射端发射的导频信号对应的信道状态信息；基于Ljung-Box检验、Brock-Dechert-Scheinkman检验以及Augmented-Dickey-Fuller检验分析保存的信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；基于变分模态分解对信道序列数据特征进行预处理，提取信道序列数据的频域特征，得到多个不同频率的窄带模态信号；结合信道数据分析方法和信道数据分解方法，基于不同模态信号的数据特征，对各个模态分别设计不同重量的自回归模型，得到对原始信道序列的预测结果。
仿真实验中，生成信道数据的小尺度参数由CDL-A给出，并按照3GPP38901协议的步骤生成信道系数，载波频率为2.53GHz，采样周期为1ms，接收端匀速运动，仿真过程中所有参数均固定，通过插值的方法得到不同标准多普勒下的信道数据。
请参阅图3，从图中可以发现使用VMD将信道数据进行分解，在不同信噪比下均取得了预测性能的提升，除此之外，利用HIC准则对不同模态所选用的AR模型进行定阶在高信噪比下可以进一步减小预测的NMSE。
请参阅图4，为进一步体现出使用VMD分解对信道预测带来的性能提升，考虑了在不同场景下的预测结果，结论同样表明了结合VMD以及HIC准则的预测结果效果最优，证实了本发明的鲁棒性。
综上所述，本发明一种数据自适应无线通信信道预测方法、存储介质及设备，利用随机性、非线性和平稳性检验对信道数据的有效性以及时变性特征进行了分析，按照数据分析阶段的结论，使用变分模态分解将信道数据根据高低频分解得到不同变化规律的模态信号，根据不同模态信号的变化规律使用HIC准则结合AR模型完成对信道的预测，提升了无线通信系统中信道预测的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种数据自适应无线通信信道预测方法，其特征在于，包括以下步骤：
S1、存储通信系统从初始时刻到当前时刻接收端接收到的发射端发射的导频信号对应的信道状态信息；
S2、基于Ljung-Box检验、Brock-Dechert-Scheinkman检验以及Augmented-Dickey-Fuller检验分析步骤S1保存的信道状态信息时间序列的随机性、非线性以及平稳性，得到信道序列的数据特征；
S3、基于变分模态分解对步骤S2的信道序列数据特征进行预处理，提取信道序列数据的频域特征，得到多个不同频率的窄带模态信号；
S4、结合步骤S2的信道数据分析方法和步骤S3的信道数据分解方法，基于不同模态信号的数据特征，对各个模态分别设计不同重量的自回归模型，得到对原始信道序列的预测结果。
2.根据权利要求1所述的数据自适应无线通信信道预测方法，其特征在于，步骤S2中，通过信道估计方法得到信道状态信息，通过在一系列的导频信号处实施信道估计，得到信道状态信息序列，记为
将信道估计得到的信道状态信息序列拆分为实部和虚部两部分，分别记为
T为导频信号的长度。
3.根据权利要求2所述的数据自适应无线通信信道预测方法，其特征在于，随机性检验具体为：
针对实部信道序列
首先利用LB方法对序列的随机性进行检验，即信道序列滞后相关的存在性分析，确定原假设H0和备择假设H1；构造检验统计量
T为信道序列的样本数量，统计量服从自由度为m的卡方分布，给定显著性水平α，对应的拒绝域为
原假设H0成立意味着信道序列是白噪声序列，否则认为信道序列间存在相关性，可预测；
非线性检验具体为：
借助AR模型拟合信道序列，将模型的拟合残差序列记为r＝[r1，r2，…，rT]；对线性模型拟合的残差r分析其独立性，这一步采用BDS检验法，设用于信道序列检验时的原假设H0和备择假设H1；根据关联积分给出最终的BDS检验统计量：
σ(δ)是
的标准差，统计量的渐进分布为N(0，1)；
平稳性检验具体为：
根据平稳信道序列
的一阶矩以及二阶矩的特征，确定原假设H0和备择假设H1如下：
H0：ρ＝1
H1：ρ＜1
其中，ρ是ADF检验估计模型中的参数，原假设H0成立时信道数据中存在单位根，即信道数据非平稳，否则信道数据是平稳的。
4.根据权利要求1所述的数据自适应无线通信信道预测方法，其特征在于，步骤S3中，利用希尔伯特滤波器将信道序列模态信号uk(t)变换为解析信号，只有正频率部分被保留；利用傅里叶变换的性质，通过频谱搬移将得到的解析信号频谱迁移至基带；对得到基带信号求导，对二范数的取平方来计算某一模态k的带宽，求和得到所有模态的总带宽；使用增广拉格朗日乘子法引入二次惩罚项和拉格朗日乘子松弛，得到无约束优化模型，利用Plancherel-Fourier等距定理把信道从时域变换到频域，进一步利用交替方向乘子法进行求解，得到多个不同频率的窄带模态信号。
5.根据权利要求4所述的数据自适应无线通信信道预测方法，其特征在于，无约束优化模型如下：
其中，α是用来调整模态的总带宽和约束条件间的权重，二次惩罚项用于信道数据去噪，最后的拉格朗日乘子项用于约束模态信道序列可以无损的恢复原始的信道序列，uk表示分解得到的第k个模态信号，ωk表示第k个模态的中心频率，δ(t)表示冲激函数，j为虚数单位，λ表示拉格朗日乘子。
6.根据权利要求4所述的数据自适应无线通信信道预测方法，其特征在于，利用交替方向乘子法进行求解的迭代方式如下：
算法的终止条件为：
其中，τ和∈分别是拉格朗日乘子迭代的步长和算法终止的阈值，
表示第k个模态在第n+1次迭代过程中得到的频域信号，α是一个预定义的惩罚因子，
表示第k个模态通过第n次迭代得到的重心频率，f(ω)表示为信道序列经傅里叶变换得到的频域信号，λn(ω)为通过第n次迭代得到的拉格朗日乘子。
7.根据权利要求1所述的数据自适应无线通信信道预测方法，其特征在于，步骤S4中，第k个模态信道序列建模如下：
其中，pk为第k个AR模型的阶数，zk，t为高斯白噪声。
8.根据权利要求7所述的数据自适应无线通信信道预测方法，其特征在于，对于分解得到的第k个模态信号，建立自回归模型，具体为：
Yk＝Xkαk+zk
其中，
表示第k个模型的参数，
对于分解得到的第j个模态对应AR模型的定阶，使用HIC准则定义为：
其中，k＝0，1，…，pj，σ2(k)是给定阶数pk＝k时白噪声方差的估计值；
最后选择使HIC最小的k作为对应模态AR模型的阶数。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011304083.5A CN112422212B (zh) | 2020-11-19 | 2020-11-19 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011304083.5A CN112422212B (zh) | 2020-11-19 | 2020-11-19 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112422212A true CN112422212A (zh) | 2021-02-26 |
| CN112422212B CN112422212B (zh) | 2022-12-30 |
Family
ID=74774182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011304083.5A Active CN112422212B (zh) | 2020-11-19 | 2020-11-19 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112422212B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115802401A (zh) * | 2022-10-19 | 2023-03-14 | 苏州大学 | 一种无线网络信道状态预测方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160248562A1 (en) * | 2015-02-20 | 2016-08-25 | Samsung Electronics Co., Ltd | Channel-state-information reference signals for advanced wireless systems |
| US20180175978A1 (en) * | 2016-12-20 | 2018-06-21 | Hughes Network Systems, Llc | Ofdm-like signaling for broadband satellite applications |
| CN108933703A (zh) * | 2018-08-14 | 2018-12-04 | 西安交通大学 | 基于误差建模的环境自适应感知无线通信信道估计方法 |
| CN109150775A (zh) * | 2018-08-14 | 2019-01-04 | 西安交通大学 | 一种自适应噪声环境动态变化的鲁棒性在线信道状态信息估计方法 |
| CN109241823A (zh) * | 2018-07-17 | 2019-01-18 | 西安交通大学 | 一种基于变分模态分解和支持向量回归的信号预测方法 |
| CN109633566A (zh) * | 2019-01-25 | 2019-04-16 | 西安电子科技大学 | 基于vmd算法的电子侦察信号预处理方法 |
| CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
| CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
| CN111738400A (zh) * | 2020-08-31 | 2020-10-02 | 四川轻化工大学 | 一种用于非平稳信号的变分模态分解参数优化的迭代方法 |
-
2020
- 2020-11-19 CN CN202011304083.5A patent/CN112422212B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160248562A1 (en) * | 2015-02-20 | 2016-08-25 | Samsung Electronics Co., Ltd | Channel-state-information reference signals for advanced wireless systems |
| US20180175978A1 (en) * | 2016-12-20 | 2018-06-21 | Hughes Network Systems, Llc | Ofdm-like signaling for broadband satellite applications |
| CN109241823A (zh) * | 2018-07-17 | 2019-01-18 | 西安交通大学 | 一种基于变分模态分解和支持向量回归的信号预测方法 |
| CN108933703A (zh) * | 2018-08-14 | 2018-12-04 | 西安交通大学 | 基于误差建模的环境自适应感知无线通信信道估计方法 |
| CN109150775A (zh) * | 2018-08-14 | 2019-01-04 | 西安交通大学 | 一种自适应噪声环境动态变化的鲁棒性在线信道状态信息估计方法 |
| CN109633566A (zh) * | 2019-01-25 | 2019-04-16 | 西安电子科技大学 | 基于vmd算法的电子侦察信号预处理方法 |
| CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
| CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
| CN111738400A (zh) * | 2020-08-31 | 2020-10-02 | 四川轻化工大学 | 一种用于非平稳信号的变分模态分解参数优化的迭代方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIANG XUE .ET AL: "Robust CSI Estimation Under Complex Communication Environment", 《ICC 2019 - 2019 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
| 杨阳等: "基于带有ARCH效应时间序列分析的网络流量预测", 《信息安全研究》 * |
| 杨雅婷: "金融时间序列的多频组合模型及其应用", 《中国优秀硕士学位论文数据库 基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115802401A (zh) * | 2022-10-19 | 2023-03-14 | 苏州大学 | 一种无线网络信道状态预测方法、装置、设备及存储介质 |
| CN115802401B (zh) * | 2022-10-19 | 2024-02-09 | 苏州大学 | 一种无线网络信道状态预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112422212B (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding et al. | Performance analysis of estimation algorithms of nonstationary ARMA processes | |
| CN110543901A (zh) | 图像识别方法、装置及设备 | |
| CN111628946B (zh) | 一种信道估计的方法以及接收设备 | |
| CN112491442B (zh) | 一种自干扰消除方法及装置 | |
| Yin | Quantized identification with dependent noise and Fisher information ratio of communication channels | |
| CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
| CN114896887B (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
| CN111985411A (zh) | 基于Sinc卷积降噪自编码器的能量迹预处理方法 | |
| Huang et al. | Recursive nonparametric estimation for time series | |
| CN110909480A (zh) | 一种水轮机振动信号的去噪方法与装置 | |
| CN113723244A (zh) | 一种基于改进变分模态分解的雷达辐射源信号分离方法 | |
| Nithya et al. | Pilot based channel estimation of OFDM systems using deep learning techniques | |
| CN112422212B (zh) | 一种数据自适应无线通信信道预测方法、存储介质及设备 | |
| CN113051628A (zh) | 基于残差学习的芯片侧信道攻击降噪预处理方法 | |
| CN107534622A (zh) | 非合作数字电信中合并信号的联合识别 | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
| CN111144650A (zh) | 电力负荷预测方法、装置、计算机可读存储介质及设备 | |
| Azari et al. | Automated deep learning-based wide-band receiver | |
| JP6507320B2 (ja) | 複雑度減少に基づくｄｓ−ｃｄｍａシステムにおける原信号復元方法 | |
| Setareh et al. | Ambient data-based online electromechanical mode estimation by error–feedback lattice RLS filter | |
| Brennsteiner et al. | A real-time deep learning OFDM receiver | |
| Hajra et al. | On the optimal pre-processing for non-profiling differential power analysis | |
| CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
| CN114938232A (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
| CN104980238B (zh) | 一种基于群稀疏的协作频谱感知方法 |
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 |