CN113067652B - 一种利用宽带大规模天线阵列空间特性的信道预测方法 - Google Patents
一种利用宽带大规模天线阵列空间特性的信道预测方法 Download PDFInfo
- Publication number
- CN113067652B CN113067652B CN202110294794.7A CN202110294794A CN113067652B CN 113067652 B CN113067652 B CN 113067652B CN 202110294794 A CN202110294794 A CN 202110294794A CN 113067652 B CN113067652 B CN 113067652B
- Authority
- CN
- China
- Prior art keywords
- channel
- elements
- time
- predictor
- main
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用宽带大规模天线阵列空间特性的信道预测方法,利用大规模MIMO‑OFDM系统高时延和高角度分辨能力,通过信号处理将复杂的多径信道进行解耦。接着,利用信道稀疏性,根据估计信道信噪比来筛选信道主要元素,并仅对其进行预测。本发明提出两种信道预测方法:一种综合考虑角度时延域信道响应矩阵相邻元素间相关性的空时自回归信道预测器,以及一种具备泛化能力的神经网络信道预测器,实现逐信道元素的预测。空时自回归信道预测器利用历史样本在线学习模型参数,对信道进行预测;神经网络信道预测器则通过离线训练阶段学习网络参数,在在线阶段对信道进行预测。本发明具有预测精度高、计算复杂度低、易实现等优点。
Description
技术领域
本发明属于信道预测领域,尤其涉及一种利用宽带大规模天线阵列空间特性的信道预测方法。
背景技术
大规模MIMO技术是5G移动通信的关键技术之一,通过在基站侧布置大规模天线阵列,大规模MIMO能够显著提高频谱以及能量效率。对于大规模MIMO无线通信而言,准确的信道获取至关重要。然而在移动场景下,由于基站侧信号处理时延以及信道信息传输时延,基站获取的信道往往是过时的。这种由于用户的移动性带来的获取的信道的过时,对无线通信传输造成了严重的影响。
信道预测利用信道序列之间的时间相关性,从过去的信道中预测现在及将来的信道,能够有效解决获取的信道过时的问题。传统的信道预测技术包括:正弦波叠加、线性外插以及自回归信道预测方法。其中,自回归模型通过将信道视为广义平稳的随机过程,通过线性模型的方法实现信道预测。而现有的深度学习技术将时变信道处理为时间序列,通过序列学习的方法也能够实现信道预测。然而应用于传统通信系统(如4G系统)中的这些方法,其性能受到信道的构造复杂性的严重制约,因为此时的信道是由多个不可分辨的多径叠加而成。
得益于大规模天线阵列以及宽带信号,大规模MIMO能够提供较高的角度以及时延分辨能力,因此能够部分的实现对路径的解耦。结合大规模MIMO的多径分辨能力,能够有效提高信道预测的精度。
与此同时,信道预测结合大规模MIMO技术面临两类问题:
(1)大规模MIMO多径分辨能力取决于天线的个数以及带宽大小,实际系统中这两者往往是有限的,从而影响信道预测的性能;
(2)大规模MIMO信道矩阵的维度较大,并且传统信道预测方法需要不断更新模型参数以适应新的场景,因此引入巨大的计算复杂度。
发明内容
本发明目的在于提供一种利用宽带大规模天线阵列空间特性的信道预测方法,以解决信道预测性能低和信道预测计算复杂度高的技术问题。
为解决上述技术问题,本发明的具体技术方案如下:
一种利用宽带大规模天线阵列空间特性的信道预测方法,包括以下步骤:
(1)筛选信道矩阵的主要元素:
首先将接收到的天线频率域信道处理为矩阵形式,通过反傅里叶变换将其变换为角度时延域信道响应矩阵;
然后基于角度时延域信道响应矩阵的稀疏性,根据接收的信噪比自适应选择能量最大的多个信道元素作为信道的主要元素,其余的元素作为信道的非主要元素;
(2)对主要信道元素进行预测包括以下两种方法:
方法一、构建空时自回归信道预测器,所述空时自回归信道预测模型是一个线性模型,输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列,通过模型参数的线性加权求和,输出为角度时延域主要信道元素的当前时刻的值;
利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数,并对信道的主要元素进行预测。
方法二、构建神经网络信道预测器,所述神经网络的基于为复数的全连接层,由输入层、发生器模块、压缩器模块以及输出层级联组成;网络的输入为角度时延域主要信道元素的历史时刻的信道值,输出为主要信道元素在当前时刻以及未来的值;
训练神经网络信道预测器,具体为构建网络的训练集,其由多个不同信道样本的主要元素的历史时刻值作为数据集,对应的主要元素的当前或者未来时刻值作为标签集组成,接着在训练集上训练神经网络直至收敛;
(3)使用信道预测器预测信道,具体为仅使用信道预测器对角度时延域信道响应矩阵中的主要信道元素进行逐个元素的信道预测,而非主要的信道元素的预测值直接设置为0;
对于方法一中所述空时自回归信道预测器,输入为历史时刻的信道值,输出为下一时刻的信道预测值,接着使用信道的预测值以及历史时刻的值,对信道进行连续的预测;
对于方法二中所述神经网络信道预测器,输入为历史时刻信道值,直接输出下一时刻或者未来多个时刻的信道值。
进一步的,根据接收的信噪比自适应筛选信道矩阵的主要元素具体为:基于角度时延域信道稀疏性,真实信道的能量等于主要信道元素的能量之和,而噪声的总能量等于非主要信道元素的能量之和;基于此,根据信噪比自适应设置门限值,将信道元素按能量从大到小排序,接着选取前若干个元素,使其能量之和≥整个噪声信道矩阵的总能量与门限值的乘积,此时筛选出的信道元素即为主要信道元素。
进一步的,所述的空时自回归信道预测器,其模型参数的求解依赖于信道当前时刻的时间相关性,具体求解过程为首先利用最近的历史时刻的信道值计算出信道元素自身的自相关函数以及与其他信道元素的互相关函数,根据MMSE算法计算出空时自回归信道预测器的参数。
进一步的,所述的空时自回归信道预测器利用了待预测主要信道元素与其历史时刻值之间的时间相关性,以及与其在角度域和时延域上相邻信道元素历史时刻值之间残留的时间相关性。
进一步的,所述发生器模块包括四层神经元个数成倍递增的复数全连接层,用于将输入层数据投影到高维空间中,解耦输入数据之间的空间相关性。
进一步的,所述压缩器模块包括三层神经元个数成倍递减的复数全连接层,用于将发生器模块输出的高维特征进行压缩,去除冗余的特征。
进一步的,所述输入层和输出层均为一层的全连接层。
进一步的,所述输入层和发生器模块,发生器模块和压缩器模块之间的复数全连接层均采用复数全连接,其中复数全连接由更底层的复数乘法和复数激活依次级联而成;压缩器模块与输出层之间的连接方式为不带复数激活的复数全连接。
进一步的,所述神经网络信道预测器的输入层的大小等于预测需要的历史时刻数据的长度,输出层的大小等于需要预测的信道序列的长度。
本发明的一种利用宽带大规模天线阵列空间特性的信道预测方法具有以下优点:
(1)利用配置多天线大宽带大规模MIMO系统在角度和时延上的高分辨能力,相较于窄带或者单天线的通信系统,能够对信道响应中叠加的多径实现部分的解耦,从而提高信道预测的性能。
(2)利用大规模天线阵列下角度时延域信道的稀疏特性,仅在主要的信道元素的进行信道预测,相比于现有的逐天线逐子载波的信道预测技术,能够降低信道预测计算复杂度,提高信道预测精度。
(3)根据接收信噪比的主要信道元素自适应选择,可以去除噪声环境下估计信道中的大部分噪声,从而保证了信道预测对于噪声的鲁棒性。
附图说明
图1为本发明的方法流程图;
图2为本发明的移动用户到基站的信号传播的示意图结构示意图;
图3为本发明的角度时延域信道响应矩阵元素能量示意图;
图4为本发明的神经网络信道预测器结构图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种利用宽带大规模天线阵列空间特性的信道预测方法做进一步详细的描述。
如图2所示的大规模MIMO上行传输系统,基站侧配置均匀面阵,天线之间的间隔为半波长,行天线数量为N,列天线数量为M,基站侧天线总数记为Na=MN。用户终端侧配置单根的全向天线。给定三维空间中到达角,其可以被分解为俯仰角0≤θ≤π以及方位角相应的三维阵列响应矢量表示为:
在传输之前,信号经过子载波个数为Nc,循环前缀长度为Ng的正交频复用技术(OFDM)调制,并且Ng<Nc。OFDM系统的采样间隔为Ts,信号带宽为B=1/Ts。OFDM的符号持续时间记为Tc=NcTs,循环前缀持续时间记为Tg=NgTs。给定时延0<τ≤τmax,相应的时延响应矢量表示为
当用户终端相对基站移动时,时变的空间频率域信道可以表示为全空间上路径的叠加
本发明一种利用宽带大规模天线阵列空间特性的信道预测方法,包括以下步骤:
S1基站侧配置大规模天线阵列,在上行链路中通过导频发射、信道估计、信号处理获得角度时延域信道响应矩阵,并根据信噪比选择信道矩阵的主要元素。
S2构建空时自回归信道预测器,其输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列,通过模型参数的线性加权求和,输出为角度时延域主要信道元素的当前时刻的信道值。
S3利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数,并对信道的主要元素进行预测。
S4构建神经网络信道预测器,所用神经网络的基于为复数的全连接层(CVFL),由输入层、发生器模块、压缩器模块以及输出层级联组成。
S5训练神经网络信道预测器,具体为构建网络的训练集,其由多个不同信道样本的主要元素的历史时刻值作为数据集,对应的主要元素的当前或者未来时刻值作为标签集组成,接着在训练集上训练神经网络直至收敛。
S6利用训练好的神经网络信道预测器对信道的主要元素进行预测。
步骤S1包含以下步骤:
S1.1定义以及为相移的离散傅里叶变换(DFT)矩阵,其第(m,n)个元素分别为以及定义为DFT矩阵的前Ng列,其第(m,n)个元素为通过离散傅里叶反变换,将时变空间频率域信道响应矩阵Gk(t)变换为角度时延域信道响应矩阵:
S1.2定义带有噪声的估计信道:
其中i,j是累加运算中被累加元素的下标。
基于角度时延域信道稀疏性,如图3所示,真实信道的能量约等于主要信道元素的能量之和,而噪声的总能量约等于非主要信道元素的能量之和。主要信道元素能量之和与噪声信道总能量的比值λ可以近似为:
步骤S2包含以下步骤:
S2.1实际系统中,通过导频获取到的信道往往是离散的。设信道的探测周期为ΔT,那么第k个用户在时刻t=nΔT时的信道表示为:
当基站测配置均匀面阵时,解耦得到的角度时延域包含三个实际的物理维度:俯仰角、方位角以及时延。为了确定在这三个维度上相邻信道元素,我们将二维的角度时延与信道响应矩阵Hk重塑为三维的角度时延域信道响应张量
其中下标(q,i,j)分别表示第q个俯仰角、第i个方位角以及第j个时延。相应的,角度时延域信道响应张量的主要元素的下标的集合为其中并且(is,js)∈Ωs,其中表示不大于x的最大整数,<·>N表示模-N运算。
S2.2构建空时自回归信道预测器。以时刻n的角度时延域信道响应张量第(q,i,j)个元素[Tk[n]]q,i,j的预测为例,使用V1、V2、H1、H2、D1、D2表示该元素的相邻元素的下标的范围,阶数为P的空时自回归的信道预测器表示为
其中,{aq,i,j,v,h,d,p}表示空时自回归信道预测器的参数,其数量表示为P′=(V2-V1+1)(H2-H1+1)(D2-D1+1)P。
步骤S3包含以下步骤:
S3.1首先利用最小化均方误差的准则求解空时自回归信道预测器模型参数最优的闭式解。将表达式(13)改写成矩阵的形式
其中p′是辅助表达的下标,表示为
p′=(v-V1)(H2-H1+1)(D2-D1+1)P+(h-H1)(D2-D1+1)P+(d-D1)P+p-1 (17)
求解上式,可以得到
其中
S3.2接着,利用最近的历史信道数据估计式(20)中的Rq,i,j以及vq,i,j。根据式(21)以及式(22),Rq,i,j和vq,i,j由第(q,i,j)个信道元素的自相关函数以及其与相邻信道元素的互相关函数构成。给定长度为S(S>P)的历史时刻信道数据通过取平均的方法,信道元素的自相关函数以及互相关函数可以用下式估计:
其中,当(q,i,j)=(q′,i′,j′)表示自相关函数的估计值,当(q,i,j)≠(q′,i′,j′)表示互相关函数的估计值。如此,Rq,i,j和vq,i,j中的每个元素都可以通过估计对应的自相关函数/互相关函数获得。
S3.3在进行信道预测时,首先根据式(10)筛选信道的主要元素。接着,针对主要信道元素,利用式(23)估算相应的自相关/互相关函数,得到Rq,i,j和vq,i,j。最后。利用式(20)计算空时自回归信道预测器的模型参数,利用式(13)对下一时刻的信道进行预测。对于连续的长度为L的信道预测,首先利用前P个探测周期的信道序列{Tk[n-P],Tk[n-P+1],…,Tk[n-1]}作为输入预测第n个时刻的信道接着,使用前P-1个时刻信道和第n个时刻预测的信道作为输入预测第n+1时刻的信道每次新的预测都使用到过去时刻的预测值,直到预测出
步骤S4包含以下步骤:
S4.1对于构建神经网络信道预测器,我们首先描述神经网络的输入输出形式。以时刻n的角度时延域信道响应矩阵第(i,j)个元素[Hk[n]]i,j的预测为例,为了使复数的信道值符合神经网络的输入输出格式,我们首先将[Hk[n]]i,j的实部和虚部拆开组合成二维的实向量:
随后使用前P时刻的时间序列{bk,i,j[n-P],bk,i,j[n-P+1],…,bk,i,j[n-1]}作为神经网络的输入。所使用的神经网络采用复数值神经网络(CVNN),其可以表示为非线性函数fCVNN(·),因此神经网络预测器的预测过程可以表示为
S4.2 CVNN网络fCVNN(·)的整体结构如图4所示,其包括以CVFL为基础单元构建输入层、发生器模块、压缩器模块以及输出层。发生器模块包括四层神经元个数成倍递增的CVFL层,用于将输入层数据投影到高维空间中,解耦输入数据之间的空间相关性;压缩器模块包括三层神经元个数成倍递减的CVFL层,用于将发生器模块输出的高维特征进行压缩,去除冗余的特征;输入层和输出层均为一层的CVFL。输出层之前CVFL层之间采用复数全连接(CVFC)连接底层的复数乘法和复数激活依次级联而成;压缩器模块与输出层之间的连接方式为不带复数激活的CVFC。
其中,W′和h′分别为W和h对应的实数值的权重矩阵和向量。基于此,在构建神经网络的时候,将权重矩阵以及特征向量的实部虚度拆开为实数矩阵/向量,在前向传播以及反向传播的时候以式(26)中的实数的乘法代替复数的乘法。在复数的矩阵乘法之后,接上复数的激活函数以引入非线性特性。在本实施例中,我们采用复数值的整流线性单元(CReLU)作为复数的激活函数。具体而言,给定复数值z,CReLU对其实部以及虚部进行分别的整流线性单元(ReLU)激活
步骤S5具体为:由于角度时延域信道响应矩阵中的非主要元素几乎不包含时间相关性的信息,因此我们使用主要元素构建训练集使得网络的训练更加有效。假设在训练阶段使用到的角度时延域信道响应矩阵序列的个数为Ktrain,每个信道序列中主要元素的个数为Ns。使用θ表示CVNN中可训练的参数,训练中的损失函数表示为
进一步,所述步骤S6具体为:在进行信道预测时,首先根据式(10)筛选信道的主要元素。接着利用式(25)中训练好的神经网络对当前信道进行预测。对于连续的长度为L的信道预测,由于网络的输出的长度是可更改的,因此在网络构建时将网络的输出的长度修改为L,即
其中,fCVNN-L(·)表示连续的长度为L的信道预测的CVNN的函数,其在输出层之前的网络结构与fCVNN(·)相同,不同的是fCVNN-L(·)输出层的长度为L>1,而fCVNN(·)的输出层的长度为1。接着,在训练完成后利用式(29)可以直接对长度为L的信道进行预测。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (7)
1.一种利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,包括以下步骤:
(1)筛选信道矩阵的主要元素:
首先将接收到的天线频率域信道处理为矩阵形式,通过反傅里叶变换将其变换为角度时延域信道响应矩阵;
然后基于角度时延域信道响应矩阵的稀疏性,根据接收的信噪比自适应选择能量最大的多个信道元素作为信道的主要元素,其余的元素作为信道的非主要元素;
(2)对主要信道元素进行预测包括以下两种方法:
方法一、构建空时自回归信道预测器,所述空时自回归信道预测模型是一个线性模型,输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列,通过模型参数的线性加权求和,输出为角度时延域主要信道元素的当前时刻的值;
利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数,并对信道的主要元素进行预测;
方法二、构建神经网络信道预测器,所述神经网络的基于为复数的全连接层,由输入层、发生器模块、压缩器模块以及输出层级联组成;网络的输入为角度时延域主要信道元素的历史时刻的信道值,输出为主要信道元素在当前时刻以及未来的值;
训练神经网络信道预测器,具体为构建网络的训练集,其由多个不同信道样本的主要元素的历史时刻值作为数据集,对应的主要元素的当前或者未来时刻值作为标签集组成,接着在训练集上训练神经网络直至收敛;
(3)使用信道预测器预测信道,具体为仅使用信道预测器对角度时延域信道响应矩阵中的主要信道元素进行逐个元素的信道预测,而非主要的信道元素的预测值直接设置为0;
对于方法一中所述空时自回归信道预测器,输入为历史时刻的信道值,输出为下一时刻的信道预测值,接着使用信道的预测值以及历史时刻的值,对信道进行连续的预测;
对于方法二中所述神经网络信道预测器,输入为历史时刻信道值,直接输出下一时刻或者未来多个时刻的信道值;
大规模MIMO上行传输系统,基站侧配置均匀面阵,天线之间的间隔为半波长,行天线数量为N,列天线数量为M,基站侧天线总数记为Na=MN;用户终端侧配置单根的全向天线;给定三维空间中到达角,其被分解为俯仰角0≤θ≤π以及方位角相应的三维阵列响应矢量表示为:
在传输之前,信号经过子载波个数为Nc,循环前缀长度为Ng的正交频复用技术调制,并且Ng<Nc;OFDM系统的采样间隔为Ts,信号带宽为B=1/Ts;OFDM的符号持续时间记为Tc=NcTs,循环前缀持续时间记为Tg=NgTs;给定时延0<τ≤τmax,相应的时延响应矢量表示为
当用户终端相对基站移动时,时变的空间频率域信道表示为全空间上路径的叠加
一种利用宽带大规模天线阵列空间特性的信道预测方法,具体包括以下步骤:
S1基站侧配置大规模天线阵列,在上行链路中通过导频发射、信道估计、信号处理获得角度时延域信道响应矩阵,并根据信噪比选择信道矩阵的主要元素;
S2构建空时自回归信道预测器,其输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列,通过模型参数的线性加权求和,输出为角度时延域主要信道元素的当前时刻的信道值;
S3利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数,并对信道的主要元素进行预测;
S4构建神经网络信道预测器,所用神经网络的基于为复数的全连接层,由输入层、发生器模块、压缩器模块以及输出层级联组成;
S5训练神经网络信道预测器,具体为构建网络的训练集,其由多个不同信道样本的主要元素的历史时刻值作为数据集,对应的主要元素的当前或者未来时刻值作为标签集组成,接着在训练集上训练神经网络直至收敛;
S6利用训练好的神经网络信道预测器对信道的主要元素进行预测;
步骤S1包含以下步骤:
S1.1定义以及为相移的离散傅里叶变换矩阵,其第(m,n)个元素分别为以及定义为DFT矩阵的前Ng列,其第(m,n)个元素为通过离散傅里叶反变换,将时变空间频率域信道响应矩阵Gk(t)变换为角度时延域信道响应矩阵:
S1.2定义带有噪声的估计信道:
其中i,j是累加运算中被累加元素的下标;
基于角度时延域信道稀疏性,真实信道的能量约等于主要信道元素的能量之和,而噪声的总能量约等于非主要信道元素的能量之和;主要信道元素能量之和与噪声信道总能量的比值λ近似为:
步骤S2包含以下步骤:
S2.1实际系统中,通过导频获取到的信道往往是离散的;设信道的探测周期为ΔT,那么第k个用户在时刻t=nΔT时的信道表示为:
其中下标(q,i,j)分别表示第q个俯仰角、第i个方位角以及第j个时延;相应的,角度时延域信道响应张量的主要元素的下标的集合为其中并且(is,js)∈Ωs,其中表示不大于x的最大整数,<·>N表示模-N运算;
S2.2构建空时自回归信道预测器;以时刻n的角度时延域信道响应张量第(q,i,j)个元素[Tk[n]]q,i,j的预测为例,使用V1、V2、H1、H2、D1、D2表示该元素的相邻元素的下标的范围,阶数为P的空时自回归的信道预测器表示为
步骤S3包含以下步骤:
S3.1首先利用最小化均方误差的准则求解空时自回归信道预测器模型参数最优的闭式解;将表达式(13)改写成矩阵的形式
其中p′是辅助表达的下标,表示为
p′=(v-V1)(H2-H1+1)(D2-D1+1)P+(h-H1)(D2-D1+1)P+(d-D1)P+p-1 (17)
求解上式,得到
其中
S3.2接着,利用最近的历史信道数据估计式(20)中的Rq,i,j以及vq,i,j;根据式(21)以及式(22),Rq,i,j和vq,i,j由第(q,i,j)个信道元素的自相关函数以及其与相邻信道元素的互相关函数构成;给定长度为S的历史时刻信道数据其中S>P,通过取平均的方法,信道元素的自相关函数以及互相关函数用下式估计:
其中,当(q,i,j)=(q′,i′,j′)表示自相关函数的估计值,当(q,i,j)≠(q′,i′,j′)表示互相关函数的估计值;如此,Rq,i,j和vq,i,j中的每个元素都通过估计对应的自相关函数/互相关函数获得;
S3.3在进行信道预测时,首先根据式(10)筛选信道的主要元素;接着,针对主要信道元素,利用式(23)估算相应的自相关/互相关函数,得到Rq,i,j和vq,i,j;最后,利用式(20)计算空时自回归信道预测器的模型参数,利用式(13)对下一时刻的信道进行预测;对于连续的长度为L的信道预测,首先利用前P个探测周期的信道序列{Tk[n-P],Tk[n-P+1],…,Tk[n-1]}作为输入预测第n个时刻的信道接着,使用前P-1个时刻信道和第n个时刻预测的信道作为输入预测第n+1时刻的信道每次新的预测都使用到过去时刻的预测值,直到预测出
步骤S4包含以下步骤:
S4.1对于构建神经网络信道预测器,首先描述神经网络的输入输出形式;以时刻n的角度时延域信道响应矩阵第(i,j)个元素[Hk[n]]i,j的预测为例,为了使复数的信道值符合神经网络的输入输出格式,首先将[Hk[n]]i,j的实部和虚部拆开组合成二维的实向量:
随后使用前P时刻的时间序列{bk,i,j[n-P],bk,i,j[n-P+1],…,bk,i,j[n-1]}作为神经网络的输入;所使用的神经网络采用复数值神经网络,其表示为非线性函数fCVNN(·),因此神经网络预测器的预测过程表示为
S4.2 CVNN网络fCVNN(·)的整体结构,包括以CVFL为基础单元构建输入层、发生器模块、压缩器模块以及输出层;发生器模块包括四层神经元个数成倍递增的CVFL层,用于将输入层数据投影到高维空间中,解耦输入数据之间的空间相关性;压缩器模块包括三层神经元个数成倍递减的CVFL层,用于将发生器模块输出的高维特征进行压缩,去除冗余的特征;输入层和输出层均为一层的CVFL。输;层之前CVFL层之间采用复数全连接来连接底层的复数乘法和复数激活依次级联而成;压缩器模块与输出层之间的连接方式为不带复数激活的CVFC;
其中,W′和h′分别为W和h对应的实数值的权重矩阵和向量;基于此,在构建神经网络的时候,将权重矩阵以及特征向量的实部虚度拆开为实数矩阵/向量,在前向传播以及反向传播的时候以式(26)中的实数的乘法代替复数的乘法;在复数的矩阵乘法之后,接上复数的激活函数以引入非线性特性;采用复数值的CReLU作为复数的激活函数;具体而言,给定复数值z,CReLU对其实部以及虚部进行分别的ReLU激活
步骤S5具体为:由于角度时延域信道响应矩阵中的非主要元素几乎不包含时间相关性的信息,因此使用主要元素构建训练集使得网络的训练更加有效;假设在训练阶段使用到的角度时延域信道响应矩阵序列的个数为Ktrain,每个信道序列中主要元素的个数为Ns;使用θ表示CVNN中可训练的参数,训练中的损失函数表示为
所述步骤S6具体为:在进行信道预测时,首先根据式(10)筛选信道的主要元素;接着利用式(25)中训练好的神经网络对当前信道进行预测;对于连续的长度为L的信道预测,由于网络的输出的长度是可更改的,因此在网络构建时将网络的输出的长度修改为L,即
其中,fCVNN-L(·)表示连续的长度为L的信道预测的CVNN的函数,其在输出层之前的网络结构与fCVNN(·)相同,不同的是fCVNN-L(·)输出层的长度为L>1,而fCVNN(·)的输出层的长度为1;接着,在训练完成后利用式(29)直接对长度为L的信道进行预测。
2.根据权利要求1所述的利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,所述的根据接收的信噪比自适应筛选信道矩阵的主要元素具体为:基于角度时延域信道稀疏性,真实信道的能量等于主要信道元素的能量之和,而噪声的总能量等于非主要信道元素的能量之和;基于此,根据信噪比自适应设置门限值,将信道元素按能量从大到小排序,接着选取前若干个元素,使其能量之和≥整个噪声信道矩阵的总能量与门限值的乘积,此时筛选出的信道元素即为主要信道元素。
3.根据权利要求2所述的利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,所述发生器模块包括四层神经元个数成倍递增的复数全连接层,用于将输入层数据投影到高维空间中,解耦输入数据之间的空间相关性。
4.根据权利要求3所述的利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,所述压缩器模块包括三层神经元个数成倍递减的复数全连接层,用于将发生器模块输出的高维特征进行压缩,去除冗余的特征。
5.根据权利要求4所述的利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,所述输入层和输出层均为一层的全连接层。
6.根据权利要求5所述的利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,所述输入层和发生器模块,发生器模块和压缩器模块之间的复数全连接层均采用复数全连接,其中复数全连接由更底层的复数乘法和复数激活依次级联而成;压缩器模块与输出层之间的连接方式为不带复数激活的复数全连接。
7.根据权利要求6所述的利用宽带大规模天线阵列空间特性的信道预测方法,其特征在于,所述神经网络信道预测器的输入层的大小等于预测需要的历史时刻数据的长度,输出层的大小等于需要预测的信道序列的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294794.7A CN113067652B (zh) | 2021-03-19 | 2021-03-19 | 一种利用宽带大规模天线阵列空间特性的信道预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294794.7A CN113067652B (zh) | 2021-03-19 | 2021-03-19 | 一种利用宽带大规模天线阵列空间特性的信道预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113067652A CN113067652A (zh) | 2021-07-02 |
CN113067652B true CN113067652B (zh) | 2023-02-14 |
Family
ID=76562237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110294794.7A Active CN113067652B (zh) | 2021-03-19 | 2021-03-19 | 一种利用宽带大规模天线阵列空间特性的信道预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113067652B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115426063A (zh) * | 2022-08-30 | 2022-12-02 | 联通(广东)产业互联网有限公司 | 一种排序编码模块的构建、变分编自码器的信道生成方法、系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010249A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种角度时延域信道预测方法、预测系统及应用 |
CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN111817757A (zh) * | 2020-06-08 | 2020-10-23 | 武汉大学 | 一种用于mimo无线通信系统的信道预测方法及系统 |
-
2021
- 2021-03-19 CN CN202110294794.7A patent/CN113067652B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010249A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种角度时延域信道预测方法、预测系统及应用 |
CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN111817757A (zh) * | 2020-06-08 | 2020-10-23 | 武汉大学 | 一种用于mimo无线通信系统的信道预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Channel Prediction in High-Mobility Massive MIMO: From Spatio-Temporal Autoregression to Deep Learning;Chi Wu等;《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》;20210510;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113067652A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Channel estimation for reconfigurable intelligent surface aided MISO communications: From LMMSE to deep learning solutions | |
CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
CN111630787A (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
Gizzini et al. | A survey on deep learning based channel estimation in doubly dispersive environments | |
CN113452642B (zh) | 一种可重构智能表面增强的siso-ofdm下行传输方法 | |
CN113206809B (zh) | 一种联合深度学习与基扩展模型的信道预测方法 | |
Taşpinar et al. | Back propagation neural network approach for channel estimation in OFDM system | |
CN112769726A (zh) | 基于智能反射表面辅助通信系统无源波束赋形优化方法 | |
CN115395993A (zh) | 一种可重构智能表面增强的miso-ofdm传输方法 | |
CN113067652B (zh) | 一种利用宽带大规模天线阵列空间特性的信道预测方法 | |
Lee et al. | Blind signal separation for cognitive radio | |
CN114039821B (zh) | 一种宽带mmWave MIMO-OFDM系统波束空间信道估计方法 | |
Mohammed et al. | Deep learning channel estimation for OFDM 5G systems with different channel models | |
Ponnaluru et al. | RETRACTED ARTICLE: Deep learning for estimating the channel in orthogonal frequency division multiplexing systems | |
Luan et al. | Attention based neural networks for wireless channel estimation | |
Luan et al. | Channelformer: Attention based neural solution for wireless channel estimation and effective online training | |
Gizzini et al. | Adaptive channel estimation based on deep learning | |
CN117220740A (zh) | 一种非合作场景下通信与干扰一体化系统波束形成方法 | |
CN102025459A (zh) | 基于非参量估计ica的mimo-ofdm系统盲去卷积方法 | |
CN114553640B (zh) | 多频段大规模mimo系统中的跨频段统计信道状态信息估计方法 | |
Tu et al. | Subspace blind MIMO-OFDM channel estimation with short averaging periods: Performance analysis | |
Wan et al. | Linear prediction based semi-blind channel estimation for MIMO-OFDM system | |
Chang et al. | Untrained neural network based Bayesian detector for OTFS modulation systems | |
Gümüş et al. | Channel estimation and symbol demodulation for OFDM systems over rapidly varying multipath channels with hybrid deep neural networks | |
Zidane et al. | Identification and equalization using higher order cumulants in MC-CDMA systems |
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 |