CN112865898A - 一种对抗式无线通信信道模型估计和预测方法 - Google Patents

一种对抗式无线通信信道模型估计和预测方法 Download PDF

Info

Publication number
CN112865898A
CN112865898A CN202110067064.3A CN202110067064A CN112865898A CN 112865898 A CN112865898 A CN 112865898A CN 202110067064 A CN202110067064 A CN 202110067064A CN 112865898 A CN112865898 A CN 112865898A
Authority
CN
China
Prior art keywords
channel model
channel
model
data
time
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.)
Pending
Application number
CN202110067064.3A
Other languages
English (en)
Inventor
李攀攀
王赠凯
赵一凡
林逸风
谢正霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Electronic Information Product Inspection And Research Institute
Jiaxing University
Original Assignee
Zhejiang Electronic Information Product Inspection And Research Institute
Jiaxing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Electronic Information Product Inspection And Research Institute, Jiaxing University filed Critical Zhejiang Electronic Information Product Inspection And Research Institute
Priority to CN202110067064.3A priority Critical patent/CN112865898A/zh
Publication of CN112865898A publication Critical patent/CN112865898A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种对抗式无线通信信道模型估计和预测方法，属于无线通信信道模型辨识技术领域，包括下列步骤：数据初始化，从源数据中随机抽取N个历史无线信道模型作为样本数据集，对信道模型进行归一化；信道模型聚类，采用动态时间规整衡量两个长度不同的时间序列信道模型的相似度，基于动态时间规整对信道模型数据进行聚类；信道模型预测，基于LSTM动态循环神经网络递归模型进行信道模型预测模型；信道模型预测模型修正，基于对抗网络的信道模型预测模型增量修正方法对信号模型预测模型进行修正；该方法充分利用信道模型的时序特性，大大提高准确率。

Description

一种对抗式无线通信信道模型估计和预测方法
技术领域
本发明属于无线通信信道模型辨识技术领域，尤其涉及一种对抗式无线通 信信道模型估计和预测方法。
背景技术
随着万物互联从愿景逐渐变为现实，无线通信的需求也随之激增，催生了 无线通信技术的飞速发展。在无线通信的多样化应用环境中，无线信道的多径 效应使得信号在传输过程中不可避免地产生失真和衰减，以及发射端和接收端 的相对运动所产生的多普勒效应，这都导致了从失真的信号中难以精确地恢复 出原始信息。从理论上，信道模型描述了信号的传播过程，为精确地恢复出无 线通信中的原始信息，需要精确地提供信道信息。在大数据时代，无线通信技 术研究者希望能够通过各种技术和方式去挖掘无线信道模型在不同场景下的规 律，从而提升频谱效率和能量效率。
在传统的无线信道模型估计中，有最大似然估计、最小二乘估计、最小均 方误差或者贝叶斯估计等经典方法。随着以深度学习为代表的机器学习技术的 进步，当前的无线信道模型预测的研究成果中，还出现了BP神经网络、支持向 量机、线性回归、灰色预测算法等。
比较有代表性的成果，如曹梦硕等人提出了使用基扩展模型并融合深度学 习的信道估计方法，把大量待估计的信道冲击响应转变为待估计少量的基系数， 减少了待估参数，降低了估算的复杂度，并使用深度神经网络离线学习的特性， 提升信道估计的精度。在考虑信道冲激响应转换成对基系数的估计后，结合基 系数的稀疏性，北京邮电大学李珊珊提出两步骤的信道估计方法，首先使用 SOMP算法对信道模型进行初步估计，接着使用分段线性平滑方法降低模型误 差，提升了信道模型估计的适应性。丁凡提出了使用压缩感知方法研究信道估 计，首先利用约束等距性质构建出稀疏信道模型中的测量矩阵，深度融合稀疏 度自适应匹配追踪重构算法，提出了自适应步长的稀疏度自适应匹配追踪算法 用于信道估计，该方法平衡了信道估计过程中的复杂度以及估计精度。
虽然上述方法都取得了一定的成果，但是这些方法未充分考虑信道模型强 时序性的特点，不能很好地利用时间序列的数据进行建模。
通过神经网络进行信道模型估计及预测涉及多方面的知识，比如矩阵，导 数等方面。当然，信道模型海量的历史数据集以及模型估计和预测方法才是最 主要的。神经网络可以更好地模仿人脑来对信道模型的短期走势进行预测。而 本发明专利采用神经网络对信道模型的短期变化态势进行分析研究。
传统的BP神经网络模型相邻层之间是全连接的，但是每层的各个节点是无 连接的，样本的处理在各个时刻独立，使其不能对时间序列上的变化建模。而 循环神经网络RNN中隐藏层之间的节点不再是无连接而是有连接的，并且隐藏 层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出，这使得循环 神经网络最大的特点是具有记忆功能。
对于当下比较热门的循环神经网络RNN的变种模型LSTM网络模型，这种 深度学习模型可以学习长期依赖信息，在很多问题中都取得相当巨大的成功并 得到了广泛的使用，特别是当下比较热门的图像处理、文本挖掘等人工智能方 面，因其善于发掘时间序列数据间的非线性关系，可考虑运用在信道模型时间 序列预测问题，因此本专利研究LSTM动态循环神经网络递归模型对信道模型时 间序列能否有效地进行预测。
发明内容
本发明的目的在于提供一种对抗式无线通信信道模型估计和预测方法，旨 在解决上述提出的问题。
为实现上述目的，本发明提供如下技术方案：一种对抗式无线通信信道模 型估计和预测方法，该对抗式无线通信信道模型估计和预测方法包括下列步骤：
S1、数据初始化，从源数据中随机抽取N个历史无线信道模型作为样本数 据集，对信道模型进行归一化；
S2、信道模型聚类，采用动态时间规整衡量两个长度不同的时间序列信道 模型的相似度，基于动态时间规整对信道模型数据进行聚类；
S3、信道模型预测，基于LSTM动态循环神经网络递归模型进行信道模型预 测模型；
S4、信道模型预测模型修正，基于对抗网络的信道模型预测模型增量修正 方法对信号模型预测模型进行修正。
优选的，所述数据初始化包括下列步骤：
a、假设所有信道模型各转移矩阵参数的变化都是相互独立的，使用min-max 标准化方法对所有信道模型数据实施归一化处理，如下：
Figure BDA0002904564280000031
b、采用伯努利抽样，在给定相对误差ε和精度ρ的条件下，即
Figure BDA0002904564280000032
其中D为信道模型数据集，Op(D)是在数据集上的操作，
Figure BDA0002904564280000033
是Op(D)的一个无偏估计量，计算样本量下限q，即
Figure BDA0002904564280000034
ω(Dk)是Op在等价类Dk分量上的实现函数；μδ/2为标准正态分布的δ/2上 分位数；Dis(D)表示信道模型数据集上等价类的个数。
c、构建矩阵；以样本信道模型数据集中最近测量的time_d作为基准时间 戳，随机选取g个大小为k个time_d的窗口作为矩阵的行，信道模型参数如转 移矩阵、信道冲击响应等作为信息属性列，信道模型的变化作为决策属性列。
a、属性辨识矩阵；令步骤c构建的矩阵为信息系统T(U，A，F，Class)，记 U/RA＝{[xi]A|xi∈U}，D([xi]A，[xj]A)＝{ak∈A|fk(xi)≠fk(xj)}，称D([xi]A，[xj]A)为[xi]A与[xj]A为与的属性辨识集。称D＝{D([xi]A，[xj]A)|[xi]A，[xj]A∈U/RA}为属 性辨识矩阵。
e、主成分提取；通过步骤d构建的辨识矩阵查找主成分B，使得
Figure BDA0002904564280000041
采用信道模型信息属性超图消解法，在提取主成分时，每次选取超图中最大公 共子边中的属性集作为候选集，并删除所有含有候选集属性的超边，如此迭代， 直至超图中不含有超边为止，最终将所有候选集作笛卡儿积以构成主成分属性 集合。
优选的，所述信道模型数据进行聚类包括下列步骤：
a、假设信道模型时间序列S和T分别为长度为m和n的两个时间序列，其 中S＝(S1，S2，...，Sm)，T＝(T1，T2，...，Tn)，DTW算法的目标是能够找到一组路径 W＝w1，w2，...，wk，其中max(m，n)≤k≤m+n使得经由上述路径的点对点的对应距离 之和为最小，考虑时间序列的最小值来源，最终得到这两个不等长序列的最相 似对于情况。
b、以样本信道模型数据集为源，使用基于DTW距离的k-means聚类算法对 样本信道模型数据进行聚类分析，并形成k个不同的簇，使得每个簇中的信道 模型在测试窗口内的DTW均值最小化，簇间DTW均值最大化。
优选的，所述信道模型预测阶段以所述步骤b中的信道模型簇为单位，使 用基于LSTM的动态循环神经网络，一共20个细胞层，每次输入time_d时间窗 口尾的信道模型，时间步数为10天，bachsize为20，循环迭代10000次。
优选的，所述信道模型预测模型的修正运用中心极限定理量化评估每日/每 周/每月增量信道模型参数数据融合对既有信道模型预测模型预估精度的冲击， 根据步骤h提出的信道模型预估模型刻画信道模型的演化态势，并根据残差以 及用户预设的误差容忍粒度对预估的信道模型各参数作出自适应地动态修正。
本发明的有益效果是：本发明针对现有信道模型估计和预测算法难以充分 利用信道模型的时序特性，导致准确率低下的问题，提供了一种对抗式无线通 信信道模型估计和预测方法，采用基于粗糙集的属性约简规则构建信道模型属 性辨识矩阵，大幅降低与信道模型预测关联较小的属性对信道模型预测的影响； 为了进一步提升信道模型预测模型的学习率，采用基于DTW距离的信道模型聚 类方法将信道模型进行划分，使得在相同的时间窗口下具有相近涨跌趋势的信 道模型被划分为一类，进而提升模型的学习率；进一步，采用对抗网络架构来 修正信道模型预测模型，从而延长预测模型的使用时限，并进一步提升信道模 型的预测精度。
附图说明
图1是本发明提供的一种对抗式无线通信信道模型估计和预测方法的流程 示意图；
图2是本发明提供的一种对抗式无线通信信道模型估计和预测方法的信道 模型数据聚类示意图；
图3是本发明提供的一种对抗式无线通信信道模型估计和预测方法的信道 模型预测阶段示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并 配合附图详细说明如下。
请同时参考图1至图3，下面将结合附图对本发明实施例的对抗式无线通信 信道模型估计和预测方法作详细说明。
该对抗式无线通信信道模型估计和预测方法包括下列步骤：
S1、数据初始化，从源数据中随机抽取N个历史无线信道模型作为样本数 据集，对信道模型进行归一化；
S2、信道模型聚类，采用动态时间规整衡量两个长度不同的时间序列信道 模型的相似度，基于动态时间规整对信道模型数据进行聚类；
S3、信道模型预测，基于LSTM动态循环神经网络递归模型进行信道模型预 测模型；
S4、信道模型预测模型修正，基于对抗网络的信道模型预测模型增量修正 方法对信号模型预测模型进行修正。
具体的，数据初始化阶段基于从源数据中随机抽取N只信道模型作为样本 数据集，对信道模型参数集进行归一化，并以其中最近测量的time_d作为 基准时间戳，随机选取g个大小为k个time_d的窗口构建辨识矩阵；根据 粗糙集中属性约简的规则识别出其中的“准标识符”，并将非准标识符的属 性剔除，数据初始化包括下列步骤：
a、假设所有信道模型各转移矩阵参数的变化都是相互独立的，使用min-max 标准化方法对所有信道模型数据实施归一化处理，如下：
Figure BDA0002904564280000061
b、采用伯努利抽样，在给定相对误差ε和精度ρ的条件下，即
Figure BDA0002904564280000062
其中D为信道模型数据集，Op(D)是在数据集上的操作，
Figure BDA0002904564280000063
是Op(D)的一个无偏估计量，计算样本量下限q，即
Figure BDA0002904564280000064
ω(Dk)是Op在等价类Dk分量上的实现函数；μδ/2为标准正态分布的δ/2上 分位数；Dis(D)表示信道模型数据集上等价类的个数。
c、构建矩阵；以样本信道模型数据集中最近测量的time_d作为基准时间 戳，随机选取g个大小为k个time_d的窗口作为矩阵的行，信道模型参数如转 移矩阵、信道冲击响应等作为信息属性列，信道模型的变化作为决策属性列。
d、属性辨识矩阵；令步骤c构建的矩阵为信息系统T(U，A，F，Class)，记 U/RA＝{[xi]A|xi∈U}，D([xi]A，[xj]A)＝{ak∈A|fk(xi)≠fk(xj)}，称D([xi]A，[xj]A)为 [xi]A与[xj]A为与的属性辨识集。称D＝{D([xi]A，[xj]A)|[xi]A，[xj]A∈U/RA}为属 性辨识矩阵。
e、主成分提取；通过步骤d构建的辨识矩阵查找主成分B，使得
Figure BDA0002904564280000065
采用信道模型信息属性超图消解法，在提取主成分时，每次选取超图中最大公 共子边中的属性集作为候选集，并删除所有含有候选集属性的超边，如此迭代， 直至超图中不含有超边为止，最终将所有候选集作笛卡儿积以构成主成分属性 集合；
主成分提取算法描述如下：
Figure BDA0002904564280000071
具体的，信道模型数据进行聚类包括下列步骤：
a、假设信道模型时间序列S和T分别为长度为m和n的两个时间序列，其 中S＝(S1，S2，...，Sm)，T＝(T1，T2，...，Tn)，DTW算法的目标是能够找到一组路径 W＝w1，w2，...，wk，其中max(m，n)≤k≤m+n使得经由上述路径的点对点的对应距离 之和为最小，考虑时间序列的最小值来源，最终得到这两个不等长序列的最相 似对于情况。
对于上述实施例，上述路径的点对点的对应距离之和为最小，且此路径必 须满足以下条件：
(1)边界条件：w1＝(1，1)和wk＝(m，n)。即其弯曲路径从w1＝(1，1) 开始，结束于两个时间序列的终点wk＝(m，n)。
(2)连续性：令wk＝(i，j)，w(k-1)＝(i′，j′)，有i-i′≤1, j-j′≤1。
(3)单调性：令wk＝(i，j)，w(k-1)＝(i′，j′),有i-i′≥1,j-j′≥1。
如有两个不等长的时间序列分别为：{2，0，0，8，7，2}和{1，3，3，8， 1}，两个序列中各元素之间的距离如图2(a)所示，考虑时间序列的最小值来源 的计算结果如图2(b)所示，最终得到这两个不等长序列的最相似对应情况如图 2(c)。
b、以样本信道模型数据集为源，使用基于DTW距离的k-means聚类算法对 样本信道模型数据进行聚类分析，并形成k个不同的簇，使得每个簇中的信道 模型在测试窗口内的DTW均值最小化，簇间DTW均值最大化。
具体的，信道模型预测阶段以所述步骤b中的信道模型簇为单位，使用基 于LSTM的动态循环神经网络，一共20个细胞层，每次输入time_d时间窗口尾 的信道模型，时间步数为10天，bachsize为20，循环迭代10000次。
其中，基于LSTM动态循环神经网络递归模型的信道模型预测算法描述如下：
Figure BDA0002904564280000081
Figure BDA0002904564280000091
Figure BDA0002904564280000101
Figure BDA0002904564280000111
具体的，信道模型预测模型的修正运用中心极限定理量化评估每日/每周/ 每月增量信道模型参数数据融合对既有信道模型预测模型预估精度的冲击，根 据步骤h提出的信道模型预估模型刻画信道模型的演化态势，并根据残差以及 用户预设的误差容忍粒度对预估的信道模型各参数作出自适应地动态修正。
综上，本专利充分利用LSTM网络的可记忆特性，能高效地处理时序数据的 特点，学习到信道模型训练样本中的时间相关性与空间结构。本专利的方法应 用中，信道模型迭代训练可以使得本方法的网络模型无限接近于实际应用场景， 并且本方法与整个通信流程深度结合在一起，具有全局优化的能力。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言， 可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变 化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种对抗式无线通信信道模型估计和预测方法，其特征在于，该对抗式无线通信信道模型估计和预测方法包括下列步骤：
S1、数据初始化，从源数据中随机抽取N个历史无线信道模型作为样本数据集，对信道模型进行归一化；
S2、信道模型聚类，采用动态时间规整衡量两个长度不同的时间序列信道模型的相似度，基于动态时间规整对信道模型数据进行聚类；
S3、信道模型预测，基于LSTM动态循环神经网络递归模型进行信道模型预测模型；
S4、信道模型预测模型修正，基于对抗网络的信道模型预测模型增量修正方法对信号模型预测模型进行修正。
2.根据权利要求1所述的一种对抗式无线通信信道模型估计和预测方法，其特征在于，所述数据初始化包括下列步骤：
a、假设所有信道模型各转移矩阵参数的变化都是相互独立的，使用min-max标准化方法对所有信道模型数据实施归一化处理，如下：
Figure FDA0002904564270000011
b、采用伯努利抽样，在给定相对误差ε和精度ρ的条件下，即
Figure FDA0002904564270000012
其中D为信道模型数据集，Op(D)是在数据集上的操作，
Figure FDA0002904564270000013
是Op(D)的一个无偏估计量，计算样本量下限q，即
Figure FDA0002904564270000014
ω(Dk)是Op在等价类Dk分量上的实现函数；μδ/2为标准正态分布的δ/2上分位数；Dis(D)表示信道模型数据集上等价类的个数。
c、构建矩阵；以样本信道模型数据集中最近测量的time_d作为基准时间戳，随机选取g个大小为k个time_d的窗口作为矩阵的行，信道模型参数如转移矩阵、信道冲击响应等作为信息属性列，信道模型的变化作为决策属性列。
d、属性辨识矩阵；令步骤c构建的矩阵为信息系统T(U，A，F，Class)，记U/RA＝{[xi]A|xi∈U}，D([xi]A，[xj]A)＝{ak∈A|fk(xi)≠fk(xj)}，称d([xi]A，[xj]A)为[xi]A与[xj]A为与的属性辨识集。称D＝{D([xi]A，[xj]A)|[xi]A，[xj]A∈U/RA}为属性辨识矩阵。
e、主成分提取；通过步骤d构建的辨识矩阵查找主成分B，使得
Figure FDA0002904564270000021
采用信道模型信息属性超图消解法，在提取主成分时，每次选取超图中最大公共子边中的属性集作为候选集，并删除所有含有候选集属性的超边，如此迭代，直至超图中不含有超边为止，最终将所有候选集作笛卡儿积以构成主成分属性集合。
3.根据权利要求1所述的一种对抗式无线通信信道模型估计和预测方法，其特征在于，所述信道模型数据进行聚类包括下列步骤：
a、假设信道模型时间序列S和T分别为长度为m和n的两个时间序列，其中S＝(S1，S2，...，Sm)，T＝(T1，T2，...，Tn)，DTW算法的目标是能够找到一组路径W＝w1，w2，...，wk，其中max(m，n)≤k≤m+n使得经由上述路径的点对点的对应距离之和为最小，考虑时间序列的最小值来源，最终得到这两个不等长序列的最相似对于情况。
b、以样本信道模型数据集为源，使用基于DTW距离的k-means聚类算法对样本信道模型数据进行聚类分析，并形成k个不同的簇，使得每个簇中的信道模型在测试窗口内的DTW均值最小化，簇间DTW均值最大化。
4.根据权利要求3所述的一种对抗式无线通信信道模型估计和预测方法，其特征在于，所述信道模型预测阶段以所述步骤b中的信道模型簇为单位，使用基于LSTM的动态循环神经网络，一共20个细胞层，每次输入time_d时间窗口尾的信道模型，时间步数为10天，bachsize为20，循环迭代10000次。
5.根据权利要求1所述的一种对抗式无线通信信道模型估计和预测方法，其特征在于，所述信道模型预测模型的修正运用中心极限定理量化评估每日/每周/每月增量信道模型参数数据融合对既有信道模型预测模型预估精度的冲击，根据步骤h提出的信道模型预估模型刻画信道模型的演化态势，并根据残差以及用户预设的误差容忍粒度对预估的信道模型各参数作出自适应地动态修正。
CN202110067064.3A 2021-01-19 2021-01-19 一种对抗式无线通信信道模型估计和预测方法 Pending CN112865898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110067064.3A CN112865898A (zh) 2021-01-19 2021-01-19 一种对抗式无线通信信道模型估计和预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110067064.3A CN112865898A (zh) 2021-01-19 2021-01-19 一种对抗式无线通信信道模型估计和预测方法

Publications (1)

Publication Number Publication Date
CN112865898A true CN112865898A (zh) 2021-05-28

Family

ID=76007020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110067064.3A Pending CN112865898A (zh) 2021-01-19 2021-01-19 一种对抗式无线通信信道模型估计和预测方法

Country Status (1)

Country Link
CN (1) CN112865898A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023097636A1 (zh) * 2021-12-03 2023-06-08 Oppo广东移动通信有限公司 数据处理的方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010045434A (ja) * 2008-08-08 2010-02-25 Kyocera Corp チャネル予測システム、無線通信装置およびチャネル予測方法
CN110730046A (zh) * 2019-10-18 2020-01-24 中国人民解放军陆军工程大学 基于深度迁移学习的跨频段频谱预测方法
CN111373415A (zh) * 2017-05-05 2020-07-03 阿里莫有限责任公司 使用神经网络分析序列数据

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010045434A (ja) * 2008-08-08 2010-02-25 Kyocera Corp チャネル予測システム、無線通信装置およびチャネル予測方法
CN111373415A (zh) * 2017-05-05 2020-07-03 阿里莫有限责任公司 使用神经网络分析序列数据
CN110730046A (zh) * 2019-10-18 2020-01-24 中国人民解放军陆军工程大学 基于深度迁移学习的跨频段频谱预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGYONG HOU: "Investigating neural network based query-by-example keyword spotting approach for personalized wake-up word detection in Mandarin Chinese", 《IEEE》 *
张志顺: "基于动态阈值和修正模型的舌体提取算法", 《计算机与现代化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023097636A1 (zh) * 2021-12-03 2023-06-08 Oppo广东移动通信有限公司 数据处理的方法和装置

Similar Documents

Publication Publication Date Title
CN110928993B (zh) 基于深度循环神经网络的用户位置预测方法及系统
CN109657156B (zh) 一种基于循环生成对抗网络的个性化推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
Cannon A flexible nonlinear modelling framework for nonstationary generalized extreme value analysis in hydroclimatology
CN111753189A (zh) 一种少样本跨模态哈希检索共同表征学习方法
CN110796313B (zh) 一种基于带权图卷积和项目吸引力模型的会话推荐方法
CN111582610A (zh) 基于卷积神经网络对家庭能量分解的预测方法
CN111160191B (zh) 一种视频关键帧提取方法、装置及存储介质
CN107169117B (zh) 一种基于自动编码器和dtw的手绘图人体运动检索方法
CN110427560A (zh) 一种应用于推荐系统的模型训练方法以及相关装置
CN112199532B (zh) 一种基于哈希编码和图注意力机制的零样本图像检索方法及装置
CN111753209A (zh) 一种基于改进时序卷积网络的序列推荐列表生成方法
CN114218292A (zh) 一种多元时间序列相似性检索方法
CN115731498B (zh) 一种联合强化学习和对比学习的视频摘要生成方法
CN115270007B (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN114124734B (zh) 一种基于GCN-Transformer集成模型的网络流量预测方法
Liang et al. Cross-media semantic correlation learning based on deep hash network and semantic expansion for social network cross-media search
CN114723003A (zh) 一种基于时序卷积和关系建模的事件序列预测方法
CN112865898A (zh) 一种对抗式无线通信信道模型估计和预测方法
CN116306780B (zh) 一种动态图链接生成方法
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
Gao et al. Optimization methods for large-scale machine learning
CN116431988A (zh) 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法
CN114625969A (zh) 一种基于交互近邻会话的推荐方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210528