CN113206809B - 一种联合深度学习与基扩展模型的信道预测方法 - Google Patents

Abstract

本发明公开了无线通信技术领域内的一种联合深度学习与基扩展模型的信道预测方法,包括以下步骤：步骤1，根据历史时刻的信道信息获取信道的相关矩阵；步骤2，对相关矩阵进行特征值分解，获得最优基函数；步骤3，利用基扩展模型对信道进行建模；步骤4，基于历史接收的导频信号与最优基函数，获取基系数估计值；步骤5，根据基系数估计值构建训练样本集；步骤6，利用训练样本集训练BP神经网络；步骤7，获得具有最优权重和阈值的信道预测模型；步骤8，基于信道预测模型进行线上预测；步骤9，将基系数预测值转换成频域信道矩阵。本发明具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。

Description

一种联合深度学习与基扩展模型的信道预测方法

技术领域

本发明涉及一种信道预测方法。

背景技术

近年来，随着高速铁路、高速公路的大规模部署和运行，高速移动环境下的无线通信在全球引起了越来越多的关注。并且，在未来的高速移动场景(B5G)中，车载速度将会越来越高，更高的车载速度将会引起更大的多普勒频移，这将导致无线信道发生快速时变，从而使得该场景下信道信息的获取更具挑战性。传统的时变信道估计技术由于处理时延的存在，导致估计的信道出现严重的过时，而信道预测技术由于可以根据历史信道信息来提前预测未来时刻的信道，因此被广泛地用于高速移动场景中信道信息的高效获取。

传统的信道预测通常采用线性预测方法或者向支持量机(Support VectorMachine，SVM)方法，其中TANG Q等人(TANG Q,LONG H,YANG H J等人，“An enhanced LMMSEchannel estimation under high speed railway scenarios”)给出了一种基于线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)的信道预测方法，该方法通过估计每条路径的多普勒频移来更精确地生成频率和时间的信道相关性，实现了高铁场景中的信道预测。SHARMA P等人(SHARMA P,CHANDRA K等人，“Prediction of state transitionsin Rayleigh fading channels”)给出了一种自回归(AutoRegressive，AR)模型信道预测方法。这些传统的线性预测方法由于采用的模型比较僵化，使得模型和真实信道之间存在较大差距(尤其当信道快速变化时)，因此线性预测方法的性能不够理想。DONG Z等人(DONGZ,ZHAO Y,CHEN Z等人，“Support vector machine for channel prediction in high-speed railway communication systems”)给出了一种基于SVM的信道预测方法，该方法通过使用遗传算法来优化SVM模型的惩罚系数和高斯核宽度，与传统的AR模型相比，具有较低的预测误差，但是由于该方法需要从低维空间映射到高维空间，因此计算复杂度较高。

近年来，随着深度学习的广泛应用，神经网络作为人工智能的一种经典技术也被发掘出来。由于神经网络具有强大的处理时间序列的能力，所以目前国内外许多研究人员提出了一些基于神经网络的信道预测方法。其中，LIAO Run Fa等人(LIAO Run Fa,WENHong,WU Jin Song等人，“The Rayleigh Fading Channel Prediction via DeepLearning”)给出了一种基于BP神经网络的信道预测方法。ZHAO Y等人(ZHAO Y,GAO H,BEAULIEU N C,CHEN Z等人，“Echo state network for fast channel prediction inrice of fading scenarios”)给出了一种基于回声状态网络的信道预测方法，但由于该方法在训练过程中不更新权重矩阵，因此预测精度不高。DING T等人(DING T,HIROSE A.等人，“Fading channel prediction based on combination of complex-valued neuralnetworks and chirp Z-transform”)提出了一种基于复值神经网络的信道预测方法，该方法利用由线性调频Z变换获得的信道估计对复值神经网络进行训练，但由于复值网络的计算量比实值网络要高得多，因此该方法的计算复杂度较高。W.Jiang等人，(W.Jiang,H.D.Schotten等人，“Deep Learning for Fading Channel Prediction“)针对无线通信系统中的多径衰落信道，构建了两种新型的基于长短期记忆(Long Short-Term Memory，LSTM)网络和门控循环单元(Gated Recurrent Unit，GRU)网络的信道预测模型，这两种模型将连续采样获得的信道响应送入神经网络中，实现时变信道的预测，但由于网络层数和神经元数目较多，导致计算复杂度太大。

与传统的预测方法相比，基于神经网络的预测方法更适用于高速移动场景，然而这些现有的基于深度学习的信道预测方法均是在时域对时变信道进行逐径直接预测的，由于多径时变信道时域直接预测需要预测大量的信道抽头样值，这将大大的增加预测的复杂度，从而引起信道过时。因此，需要研究一种实用预测精度更高、复杂度更低的适用于高速移动场景的时变信道预测方法。

发明内容

为实现上述目的，本发明提供了一种联合深度学习与基扩展模型的信道预测方法，包括以下步骤：

步骤1，根据历史时刻的信道信息来获取信道的相关矩阵；

步骤2，对信道相关矩阵进行特征值分解，获得最优基函数；

步骤3，基于最优基函数，利用基扩展模型对信道进行建模；

步骤4，基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；

步骤5，根据历史基系数估计值构建训练样本集；

步骤6，基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；

步骤7，获得具有最优权重和阈值参数的信道预测模型；

步骤8，基于步骤7获得的信道预测网络模型进行线上预测；

步骤9，根据推导的基系数与频域信道的转换公式，获得频域信道矩阵。

作为本发明的进一步改进，所述步骤1的具体内容如下：

根据历史时刻的信道信息来获取信道的相关矩阵为

式中,H_m＝[H_1,m,...H_k,m,...,H_K,m]，其中H_k,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数，N是OFDM符号的长度。

作为本发明的进一步改进，所述步骤2的具体内容如下：

对信道相关矩阵进行特征值分解，获得最优基函数B_m＝U_m(:,1:Q)

式中，U_m为从大到小顺序排列的特征值对应的特征向量矩阵，U_m(:,1:Q)是U_m的前Q列组成的向量，Q是基函数的个数。

作为本发明的进一步改进，所述步骤5的具体内容如下：

根据历史基系数估计值构建训练样本集，即

式中，J表示训练样本数，

表示D维实数集，

表示A维实数集，

表示由第m个时刻的基系数估计构造的第j个输入样本，

表示第(m+1)个时刻理想基系数构造的第j个输出样本，其可以表示为

式中，

为将复数转换为实数的操作，即

其中Re(·)和Im(·)分别为取实部和虚部操作，

是第(m+1)个时刻理想基系数组成的第j个样本，

是第m个时刻的基系数估计组成的第j个样本，即

式中，

表示l径第m个时刻上第q个基函数所对应的基系数。

作为本发明的进一步改进，所述步骤8的具体内容如下：

基于步骤7获得的信道预测网络模型进行线上预测，将第m个时刻的基系数估计值x_m送入网络，然后利用网络的非线性函数Ψ(·)，可得到第(m+1)个时刻的基系数预测值

具体表示为

式中，

为将实数转化为复数的操作。

作为本发明的进一步改进，所述步骤9的具体内容如下：

根据推导的基系数与频域信道的转换公式，获得频域信道矩阵

具体表示为

式中，

相对于现有技术，本发明的有益效果是：考虑到高速铁路环境中不同列车在相同位置处经历的信道具有强的相关性，首先利用历史列车的信道信息获取最优基函数，提高了信道预测的精度，其次基于最优基函数对信道建模，并利用有限参数的历史基系数估计对神经网络进行线下训练与线上预测，减少了待预测参数的数目，降低了计算复杂度，提高了系统的预测效率，由于该方法具有较快的收敛速度和较高的预测性能，故具有较高的实用性；因此本发明较现有方法具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。

附图说明

图1为本发明的流程图。

图2为本发明所采用的BP神经网络的结构图。

图3为本发明在不同训练样本数目情况下的MSE性能比较图。

图4为本发明与其他信道预测方法在不同信噪比下的MSE性能比较图。

图5为本发明与其他信道预测方法在不同归一化多普勒频移情况下的MSE性能比较图。

具体实施方式

下面结合附图对本发明进一步说明：

如图1-5所示的一种联合深度学习与基扩展模型的信道预测方法，包括以下步骤：

步骤1：根据历史时刻的信道信息来获取信道的相关矩阵

式中,H_m＝[H_1,m,...H_k,m,...,H_K,m]，其中H_k,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数，N是OFDM符号的长度；

步骤2：对信道相关矩阵进行特征值分解，获得最优基函数

B_m＝U_m(:,1:Q)

式中，U_m为从大到小顺序排列的特征值对应的特征向量矩阵，U_m(:,1:Q)是U_m的前Q列组成的向量，Q是基函数的个数；

步骤3：基于最优基函数，利用基扩展模型(Basis Expansion Model，BEM)对信道进行建模；

步骤4：基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；

步骤5：根据历史基系数估计值构建训练样本集，即

式中，J表示训练样本数，

表示D维实数集，

表示A维实数集，

表示由第m个时刻的基系数估计构造的第j个输入样本，

表示第(m+1)个时刻理想基系数构造的第j个输出样本，其可以表示为

式中，

为将复数转换为实数的操作，即

其中Re(·)和Im(·)分别为取实部和虚部操作，

是第(m+1)个时刻理想基系数组成的第j个样本，

是第m个时刻的基系数估计组成的第j个样本，即

式中，

表示l径第m个时刻上第q个基函数所对应的基系数。

步骤6：基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；

步骤7：获得具有最优权重和阈值参数的信道预测模型；

步骤8：基于步骤7获得的信道预测网络模型进行线上预测，将第m个时刻的基系数估计值x_m送入网络，然后利用网络的非线性函数Ψ(·)，可得到第(m+1)个时刻的基系数预测值

具体表示为

式中，

为将实数转化为复数的操作。

步骤9：根据推导的基系数与频域信道的转换公式，获得频域信道矩阵

具体表示为

式中，

本发明，充分考虑了高速移动场景下不同列车在相同位置处经历的信道具有强的相关性的特点，首先通过历史列车的信道信息来获取最优基函数，并基于该基函数对信道建模，然后根据历史接收的导频信号获得历史信道的基系数估计值，再利用该基系数估计值对BP神经网络进行线下训练与线上预测；最后基于基系数与频域信道的关系，从而获取最终的频域信道预测。

本发明中，考虑一个单输入单输出的OFDM系统(即SISO-OFDM系统)，假设X_m是频域上第m个发送的OFDM符号，且X_m＝[X_m(0),…,X_m(N-1)]^T，X_m(k)是第m个OFDM符号上第k个子载波上的发送信号，N是OFDM符号的长度。

经过无线信道后，频域上第m个接收信号可以表示为

Y_m＝H_mX_m+W_m

式中，Y_m＝[Y_m(0),…,Y_m(N-1)]^T是第m个接收的OFDM符号向量，W_m是协方差矩阵为

的N×1维复高斯白噪声向量。H_m为频域信道矩阵，其元素为

式中，L为信道抽头数，a_l,m(n)是第l径第m个符号上第n时刻的时域信道系数，且是均值为0和方差为

的复高斯过程。

(1)基于BEM信道建模，获取历史信道的基系数估计

由于BEM可以利用有限个参数模拟无线信道。因此，本发明采用BEM来对信道建模，利用BEM，上式中的时域信道系数α_l,m(n)可以表示为

式中，Q是BEM基函数的个数，b_n,q表示第q个基函数的第n个元素，q＝0,1,...,Q-1。c_q,l,m为l径第m个OFDM符号周期上第q个基函数对应的基系数，ε_l,m(n)是对应的BEM建模误差。为了简化表达，将上式写成向量的形式为α_l,m＝Bc_l,m+ε_l,m

式中，a_l,m＝[α_l,m(0)，...，α_l,m(N-1)]^T，B是N×Q维的基函数矩阵，且[B]_n,q＝b_n,q。c_l,m＝[c_0,l,m,...,c_Q-1,l,m]^T，ε_l,m＝[ε_l,m(0),...,ε_l,m(N-1)]^T。

采用BEM信道建模且忽略BEM建模误差，则接收信号可以重新表示为Y_m＝Γ_mc_m+W_m，式中，

c_m＝[c_0,m,...,c_L-1,m]^T

Z_l,m＝[M₀diag{X_m}f_l,...,M_Q-1diag{X_m}f_l]

其中，c_m是第m个OFDM符号的基系数矩阵，f_l是维数为N×L的傅里叶变换矩阵F的第m列,M_q是N×N维的基函数矩阵，其表达式为

利用BEM建模，频域信道矩阵H_m可以重新被表示为

式中，diag{·}表示将向量转换为对角矩阵的操作，c_q,m＝[c_q,0,m,…,c_q,L-1,m]^T。

常用的BEM有复指数基扩展模型(Complex Exponential Basis ExpansionModel,CE-BEM)、广义复指数基扩展模型(Generalized Complex Exponential BasisExpansion Model,GCE-BEM)以及多项式基扩展模型(Polynomial Basis ExpansionModel，P-BEM)等。然而，由于建模误差的存在，上述几种BEM并不能真实地反映信道的时间特性。在高速移动场景下，由于前后时刻的信道具有很强的相关性，并且当周围环境不变时，信道相关性是可以随时间保持不变的。因此，本发明根据历史时刻的信道信息来获得信道的相关矩阵，然后从相关矩阵中提取最优的基函数对信道进行建模，这将使得信道建模更加精确，更能准确地表征当前信道状态。

若在接收端已知第m个时刻的频域信道信息H_m，则可根据信道信息获取信道的相关矩阵，即

对该相关矩阵R_m进行特征值分解，可以得到R_m＝U_mΛ_mV_m

其中，Λ_m是由R_m的特征值按从大到小的顺序组成的对角阵，U_m为各特征值对应的特征向量矩阵。所获取的最优基函数矩阵B_m为特征向量矩阵U_m的前Q列，即B_m＝U_m(:,1:Q)

基于最优基函数矩阵B_m，对信道进行建模，然后利用历史接收的导频信号和最小二乘估计方法可以估计得到第m个符号的基系数估计值为

式中，

是接收的频域导频信号，

其中，

式中，

是发送的频域导频信号，

(2)采用BP神经网络进行信道预测

本发明技术采用了一个三层的BP神经网络结构，其中包含一个输入层、一个隐藏层和一个输出层，且输入层、隐藏层、输出层的神经元数目分别为D,V,A。在神经网络中，每个神经元的输出是上一层神经元加权和的非线性激活函数输出。因此，网络的输出y可看作是输入数据x的一个级联非线性变换，数学上表示为

y＝Ψ(x)＝g₂(Ξ₂(g₁(Ξ₁x+Θ₁))+Θ₂)

式中，x＝[x₁,x₂,…,x_d,…x_D]^T,y＝[y₁,y₂,…,y_a,…y_A]^T，Ψ(·)表示BP神经网络的非线性函数，Ξ₁,Θ₁分别表示输入层与隐藏层之间的权重矩阵和阈值矩阵，Ξ₂,Θ₂分别表示隐藏层与输出层之间的权重矩阵和阈值矩阵，g₁(·),g₂(·)分别表示隐藏层和输出层的激活函数，本发明中，g₁,g₂分别采用Sigmoid和ReLU函数，即

A.线下训练阶段

在训练阶段，首先根据历史基系数估计值构建训练样本集，即

式中，

然后基于随机初始化的网络参数，利用训练样本集S对BP神经网络进行训练，并将网络的输出与理想基系数值的均方误差(Mean Square Error，MSE)作为损失函数，通过随机梯度下降算法对网络权值和阈值参数进行更新，以达到设置的目标误差，从而获得具有最优权值和阈值参数的信道预测模型。

B.线上预测阶段

基于训练阶段获得的信道预测网络模型进行线上预测，将第m个时刻的基系数估计值x_m送入网络，然后利用网络的非线性函数Ψ(·)，可得到第(m+1)个时刻的基系数预测值

具体表示为

最后，根据推导的基系数与频域信道的转换公式，可获得频域信道矩阵

具体表示为

式中，

仿真结果

本发明进行仿真与分析，以验证其预测性能。本发明考虑一个SISO-OFDM系统，其中FFT/IFFT长度为128，循环前缀长度为16，采用梳状导频结构,导频数目为32。假设列车移动速度为500km/h，信道采用5径莱斯信道，莱斯因子为5。载波频率考虑2.35GHz，子载波间隔为15kHz。网络的隐藏层神经元数目为V＝5，学习速率为η＝0.8，训练的目标误差为ε_goal＝1×10^-4，最大迭代次数设置为1000。为了比较本发明技术的性能，仿真中还给出了基于AR模型的线性预测方法和传统的基于BP神经网络的信道预测方法。

图3给出了本发明技术采用不同训练样本数目时的MSE性能。从图中可以看出，随着训练样本数目的增加，本发明技术的预测性能将提高，但是考虑越多的训练样本将引起越长的训练时间，为了在性能与计算复杂度之间进行折中，本发明技术在后面的仿真中将选择训练样本数为1000。

图4给出了不同信道预测方法的MSE性能。其中，“逐信噪比训练”是指每个信噪比下均训练网络。从图中可以看出，随着信噪比的增大，各种方法的预测性能均会越来越好，其中基于AR模型的信道预测方法预测性能最差，这是因为基于AR模型仅采用的是简单的时域线性预测，本发明技术与传统的基于BP网络的信道预测方法均采用了非线性预测，而对于快速时变信道而言，非线性预测优于线性预测。当采用固定信噪比20dB训练网络时，与传统的基于BP神经网络的信道预测方法相比，本发明技术可以取得更优的性能。这是因为传统的方法是在仅导频已知的情况下，利用LS估计和线性插值得到的时域信道矩阵进行预测，在高速移动场景下，LS估计和线性插值受多普勒频移影响较大，因此其预测精度不高。而本发明技术利用历史信道信息获取最优基函数，能更好的适应信道状态特征。并且，本发明技术仅对有限数目的信道基系数进行预测，相比于现有方法减少了预测参数的数目，大大降低了计算复杂度。此外，本发明技术在逐信噪比训练的网络获取的信道预测性能优于在固定信噪比20dB时训练网络获取的预测性能，在高信噪比情况下，两种情况训练网络获取的预测性能趋于一致。这表明，逐信噪比训练网络的方法优于固定信噪比训练网络的方法，但是逐信噪比训练网络将会引起较大的线下计算复杂度。因此，本发明技术将采用固定信噪比的训练方法以减小线下训练的计算复杂度。

图5给出了本发明技术与现有信道预测方法在不同归一化多普勒频移情况下的MSE性能曲线。从图中可以看出，随着多普勒频移的增大，各种方法的MSE性能均会变差，但本发明技术的MSE性能始终要优于其他现有的方法，这是因为本发明技术基于信道相关矩阵获取了最优基函数，充分利用了信道状态信息，相对于AR模型和传统的BP神经网络预测方法能更好的适应时变信道状态特征，因此，本发明技术能更好的适应多普勒频移的变化，具有更强的适用性。

本发明考虑高速铁路环境中不同列车在相同位置处经历的信道具有强的相关性，首先利用历史列车的信道信息来获取最优基函数，并基于该基函数对信道进行建模，将对信道的预测转换成基系数的预测，大大降低了计算复杂度。在线下训练中，本发明首先基于历史接收的导频信号获取信道的基系数估计，然后构造训练样本，并将其送入BP神经网中进行训练，以获取信道预测网络模型；线上预测时，本发明基于训练得到的网络模型与历史基系数估计，从而获取未来时刻的基系数；最后，本发明根据推导的基系数与频域信道的转换公式，从而获取未来时刻最终的频域信道信息；因此本发明较现有方法具有较低的计算复杂度，且具有较高的预测精度，适用于未来高速移动环境下时变信道信息的高效获取。

本发明不局限于上述实施例，在本公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (1)

1.一种联合深度学习与基扩展模型的信道预测方法，其特征在于，包括以下步骤：

步骤1，根据历史时刻的信道信息来获取信道的相关矩阵；

根据历史时刻的信道信息来获取信道的相关矩阵为

式中,H_m＝[H_1,m,...,H_k,m,...,H_N,m]，其中H_k,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数，N是OFDM符号的长度；

步骤2，对信道相关矩阵进行特征值分解，获得最优基函数；

对信道相关矩阵进行特征值分解，获得最优基函数

B_m＝U_m(:,1:Q)

式中，U_m为从大到小顺序排列的特征值对应的特征向量矩阵，U_m(:,1:Q)是U_m的前Q列组成的向量，Q是基函数的个数；

步骤3，基于最优基函数，利用基扩展模型对信道进行建模；

步骤4，基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；

步骤5，根据历史基系数估计值构建训练样本集；

根据历史基系数估计值构建训练样本集，即

式中，J表示训练样本数，

表示D维实数集，

表示A维实数集，

表示由第m个时刻的基系数估计构造的第j个输入样本，

表示第(m+1)个时刻理想基系数构造的第j个输出样本，其可以表示为

式中，

为将复数转换为实数的操作，即

其中Re(·)和Im(·)分别为取实部和虚部操作，

是第(m+1)个时刻理想基系数组成的第j个样本，

是第m个时刻的基系数估计组成的第j个样本，即

式中，

表示l径第m个时刻上第q个基函数所对应的基系数，L为信道抽头数；

步骤6，基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；

步骤7，获得具有最优权重和阈值参数的信道预测模型；

步骤8，基于步骤7获得的信道预测网络模型进行线上预测；

基于步骤7获得的信道预测网络模型进行线上预测，将第m个时刻的基系数估计值x_m送入网络，然后利用网络的非线性函数Ψ(·)，可得到第(m+1)个时刻的基系数预测值

具体表示为

式中，

为将实数转化为复数的操作；

步骤9，根据推导的基系数与频域信道的转换公式，获得频域信道矩阵；

根据推导的基系数与频域信道的转换公式，获得频域信道矩阵

具体表示为

式中，F为傅里叶变换矩阵，M_q是基函数矩阵，

Images