CN113612710B - 一种信道预测方法、装置、设备和介质 - Google Patents
一种信道预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113612710B CN113612710B CN202111057573.4A CN202111057573A CN113612710B CN 113612710 B CN113612710 B CN 113612710B CN 202111057573 A CN202111057573 A CN 202111057573A CN 113612710 B CN113612710 B CN 113612710B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- sampling
- channel
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 156
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 230000010354 integration Effects 0.000 claims abstract description 51
- 230000009467 reduction Effects 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Complex Calculations (AREA)
Abstract
本发明实施例公开了一种信道预测方法、装置、设备和介质，其中，方法包括：根据预设信道值模型对通信双方间的信道进行信道值采样，获得预设采样数量的采样数据，其中，预设信道值模型包含信道噪声项；通过第一预设数据排列规则对采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对初始数据矩阵进行数据整合得到最终数据整合结果，以增加初始数据矩阵的秩；对最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。本实施例技术方案解决了现有技术中仅通过奇异值分解法进行数据降噪再进行信道预测的性能较差的问题，实现了通过降低信道估计值的噪声值，增强降噪效果，提高了信道预测的准确度。
Description
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种信道预测方法、装置、设备和介质。
背景技术
现有的信道预测技术通常是先基于估计的信道值进行奇异值分解(SingularValue Decomposition，SVD)分解来降低噪声，再基于递归最小二乘(Recursive leastsquares，RLS)算法即递归最小二乘算法来预测未来的信道状态信息。
但是，信号接收端通过上述方法进行信道预测的性能较差，因而反馈给发送端的信道值准确度较低，降低了信道容量，增加了传输中的误码率。
发明内容
本发明实施例提供了一种信道预测方法、装置、设备和介质，以实现通过降低信道估计值的噪声值，增强降噪效果，提高了信道预测的准确度。
第一方面，本发明实施例提供了一种信道预测方法，该方法包括：
根据预设信道值模型对通信双方间的信道进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；
通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩；
对所述最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。
可选的，所述通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，包括：
确定所述通信双方之间的发射天线数量与接收天线数量之间的较大值和较小值；
将各所述采样数据表示为行数为所述较大值，列数为所述较小值的原始数据矩阵；
按照各所述采样数据的采样时间顺序，将各所述原始数据矩阵排列为行数为所述较大值与所述预设采样数量乘积数值，列数为所述较小值的初始数据矩阵。
可选的，所述通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，包括：
根据预设构造采样数和所述预设采样数量确定整合数据采样数；
将所述初始数据矩阵中各原始数据矩阵按照第二预设数据排列规则，排列成行数为所述整合数据采样数与所述较大值乘积数值，列数为所述构造采样数与所述较小值乘积数值的数据矩阵，作为最终数据整合结果。
可选的，所述根据预设构造采样数和所述预设采样数量确定整合数据采样数，包括：
计算所述预设采样数量与所述预设构造采样数量的差值；
将所述差值加1得到的结果作为所述整合数据采样数。
可选的，所述对所述最终数据整合结果进行采样数据降噪，包括：
对所述最终数据整合结果进行奇异值分解；
取奇异值分解结果中数值满足预设条件的奇异值对应的采样数据作为降噪后的采样数据矩阵；
按照所述数据整合过程的逆过程，将所述降噪后的采样数据矩阵还原为降噪后的信道采样值。
可选的，所述基于降噪后的采样数据与进行信道值预测，包括：
将降噪后的信道采样值，输入到预设信道值预测算法中，得到信道值预测结果。
可选的，所述噪声项为服从高斯分布的随机噪声。
第二方面，本发明实施例提供了一种信道预测装置，该装置包括：
数据采样模块，用于根据预设信道值模型进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；
数据处理模块，用于通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩；
数据预测模块，用于对所述最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。
可选的，所述数据处理模块具体用于：
确定所述通信双方之间的发射天线数量与接收天线数量之间的较大值和较小值；
将各所述采样数据表示为行数为所述较大值，列数为所述较小值的原始数据矩阵；
按照各所述采样数据的采样时间顺序，将各所述原始数据矩阵排列为行数为所述较大值与所述预设采样数量乘积数值，列数为所述较小值的初始数据矩阵。
可选的，所述数据处理模块具体用于：
根据预设构造采样数和所述预设采样数量确定整合数据采样数；
将所述初始数据矩阵中各原始数据矩阵按照第二预设数据排列规则，排列成行数为所述整合数据采样数与所述较大值乘积数值，列数为所述构造采样数与所述较小值乘积数值的数据矩阵，作为最终数据整合结果。
可选的，所述数据处理模块还用于：
计算所述预设采样数量与所述预设构造采样数量的差值；
将所述差值加1得到的结果作为所述整合数据采样数。
可选的，所述数据预测模块包括数据降噪子模块，用于：
对所述最终数据整合结果进行奇异值分解；
取奇异值分解结果中数值满足预设条件的奇异值对应的采样数据作为降噪后的采样数据矩阵；
按照所述数据整合过程的逆过程，将所述降噪后的采样数据矩阵还原为降噪后的信道采样值。
可选的，所述数据预测模块还包括数据预测子模块，用于：
将降噪后的信道采样值，输入到预设信道值预测算法中，得到信道值预测结果。
可选的，所述噪声项为服从高斯分布的随机噪声。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的应用于客户端的信道预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的应用于服务端或客户端信道预测方法。
上述发明中的实施例具有如下优点或有益效果：
本发明实施例，通过在根据预设信道值模型对通信双方间的信道进行信道值采样之后，通过第一预设数据排列规则对采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对初始数据矩阵进行数据整合得到最终数据整合结果，以增加初始数据矩阵的秩，使对采样数据进行降噪处理的过程中，增加信道数据与噪声数据的分离度，以提升降噪效果；最终，基于降噪后的采样数据进行信道值预测。本实施例技术方案解决了现有技术中仅通过奇异值分解法进行数据降噪再进行信道预测的性能较差的问题，实现了通过降低信道估计值的噪声值，增强降噪效果，提高了信道预测的准确度，以及信道容量。
附图说明
图1是本发明实施例一提供的一种信道预测方法的流程图；
图2是本发明实施例一提供的一种采用不同信道预测算法的信道值预测误差比较图；
图3是本发明实施例一提供的一种采用不同信道预测算法的信道容量比较图；
图4是本发明实施例二提供的一种信道预测装置的结构示意图；
图5是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种信道预测方法的流程图，本实施例可适用于对通信双方间的信道值进行预测的情况。该方法可以由信道预测装置执行，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图1所示，信道预测方法包括以下步骤：
S110、根据预设信道值模型对通信双方间的信道进行信道值采样，获得预设采样数量的采样数据。
其中，预设信道值模型中包含信道噪声项和估计误差，可表示为其中，n(t)表示t时刻的噪声值，h(t)表示信道估计值，MT标识通信双方间发射线圈的数量，MR表示通信双方间的接收线圈的数量，/>表示行数为发射线圈数量列数为接收线圈数量的复数矩阵集合。特别的，在本实施例中，噪声项为服从高斯分布的随机噪声。
进一步的，根据上述预设信道值模型，按照TS的采样间隔进心采样，获得预设采样数量的采样数据，则第n个采样点的信道值可以表示为： 其中，v＝n*TS。
S120、通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩。
本步骤即是在进行奇异值分解降噪前的特别处理过程。
首先，通过第一预设数据排列规则对采样数据进行排列。具体的，确定通信双方之间的发射天线数量与接收天线数量之间的较大值和较小值。可以用M1表示MT和MR中的较大值，M2表示MT和MR中的较小值。然后，将各采样数据表示为行数为较大值，列数为较小值的原始数据矩阵；那么，第n个采样点的信道值可以表示为：也就是说，当MT就是M1时，/>是没有变化的，当MR就是M1时，/>是在原始数据基础上进行矩阵转置没有变化的。进一步的，按照各采样数据的采样时间顺序，将各原始数据矩阵单排纵向排列，可排列为行数为M1与预设采样数量乘积数值，列数为M2的初始数据矩阵，可表示为/>其中，V为预设采样数量。
然后，再通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩。其中，第二预设数据排列规则可以是任意能够增加初始数据矩阵的秩的数据排列规则，之所以能够增加矩阵的秩，是基于通信双方的信道间具有时间相关性和空间相关性。示例性的，可以预先设定一个预设构造采样数，使该预设构造采样数作为整合数据矩阵在列的方向上，原始数据矩阵的个数。然后，可以根据预设构造采样数和预设采样数量确定整合数据采样数，作为整合数据矩阵在行的方向上，原始数据矩阵的个数。在一种可选的实施方式中，计算预设采样数量与预设构造采样数量的差值，然后将差值加1得到的结果作为整合数据采样数。用公式表示即为P＝V-U+1，其中，P是整合数据采样数，V是预设采样数量，U是预设构造采样数。U可以根据信道仿真环境中的多径数进行设置，通常取值为10。在确定了最终数据整合矩阵的行和列的原始数据矩阵的个数之后，将初始数据矩阵中各原始数据矩阵按照第二预设数据排列规则，即增加初始数据矩阵的列，使新增的每一列原始数据矩阵是将其前一列原始数据矩阵按照采样顺序顺延加一得到的新的原始数据矩阵列。最终，将数据排列成行数为整合数据采样数与较大值乘积数值，列数为构造采样数与较小值乘积数值的数据矩阵，作为最终数据整合结果，可表示为
由于信道值数据具有时间相关性和空间相关性，即各信道值的连续采样结果间是有相关关系的，以及各不同信道值之间是相互影响的。通过上述步骤的数据预处理，可以增加采样数据矩阵的秩，从而能够在后续的噪声数据分离中，使噪声数据与目标信号数据有更佳的分离度，以提升降噪效果。矩阵可以虚拟的将信号传输环境看作是采样数为P，收发天线数分别为M1和M2U的信号传输环境，相当于通过减少采样数，增加收发天线数，增加采样矩阵的秩，从而提高预测性能。
S130、对所述最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。
在经过采样数据预处理之后，便对最终数据整合结果进行奇异值分解(SingularValue Decomposition，SVD)；然后，取奇异值分解结果中数值满足预设条件的奇异值对应的采样数据作为降噪后的采样数据矩阵。可以是将奇异值按照从大到小的顺序排列，取前N个较大数值的奇异值对应的采样数据作为目标信号数据，其余的采样数据作为噪声数据舍弃。得到降噪后的数据矩阵，可表示为其中，N可以是根据经验设定的数值，也可以是根据分解得到的奇异值结果进行分析确定的数值，例如第N个和第N+1个奇异值差异很大，形成了数据的拐点。将出现数据拐点位置处的数据作为数据取舍的分界点。
进一步的，按照上述数据整合过程的逆过程，将降噪后的采样数据矩阵还原为降噪后的信道值采样数据。最终，将降噪后的采样数据，输入到预设信道值预测算法中，得到信道值预测结果。预设信道值预测算法优选为递归最小二乘法(Recursive leastsquares，RLS)。从而可以根据预测结果指导后续信号传输的过程。
本实施例技术方案，通过提高数据预处理中的降噪效果，使信道值预测结果的准确性更高，信号传输过程中信道容量也得到提升，弥补了信号反馈时延对系统性能的影响。图2和图3分别展示出了本实施例信道值预测算法和现有技术的信道值预测算法(直接采用RLS算法，根据信道采样值进行信道值预测，和通过SVD进行降噪并采用RLS算法进行信道值预测的算法)的仿真对比结果图。从图2中可以看出，本实施例信道值预测算法的预测误差低于现有技术的信道值预测算法，因此预测准确度更高。从图3中可以看出，基于本实施例信道值预测算法的预测结果进行信号传输，信道容量也是高于现有技术的信道值预测算法，更接近理想信道容量。本实施例的技术方案，通过在根据预设信道值模型对通信双方间的信道进行信道值采样之后，通过第一预设数据排列规则对采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对初始数据矩阵进行数据整合得到最终数据整合结果，以增加初始数据矩阵的秩，使对采样数据进行降噪处理的过程中，增加信道数据与噪声数据的分离度，以提升降噪效果；最终，基于降噪后的采样数据进行信道值预测。本实施例技术方案解决了现有技术中仅通过奇异值分解法进行数据降噪再进行信道预测的性能较差的问题，实现了通过降低信道估计值的噪声值，增强降噪效果，提高了信道预测的准确度，以及信道容量。
实施例二
图4为本发明实施例二提供的一种信道预测装置的结构示意图，本实施例可适用于对通信双方间的信道值进行预测的情况，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图4所示，信道预测装置包括：数据采样模块210、数据处理模块220和数据预测模块230。
其中，数据采样模块210，用于根据预设信道值模型进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；数据处理模块220，用于通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩；数据预测模块230，用于对所述最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。
本实施例的技术方案，通过在根据预设信道值模型对通信双方间的信道进行信道值采样之后，通过第一预设数据排列规则对采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对初始数据矩阵进行数据整合得到最终数据整合结果，以增加初始数据矩阵的秩，使对采样数据进行降噪处理的过程中，增加信道数据与噪声数据的分离度，以提升降噪效果；最终，基于降噪后的采样数据进行信道值预测。本实施例技术方案解决了现有技术中仅通过奇异值分解法进行数据降噪再进行信道预测的性能较差的问题，实现了通过降低信道估计值的噪声值，增强降噪效果，提高了信道预测的准确度，以及信道容量。
可选的，所述数据处理模块220具体用于：
确定所述通信双方之间的发射天线数量与接收天线数量之间的较大值和较小值；
将各所述采样数据表示为行数为所述较大值，列数为所述较小值的原始数据矩阵；
按照各所述采样数据的采样时间顺序，将各所述原始数据矩阵排列为行数为所述较大值与所述预设采样数量乘积数值，列数为所述较小值的初始数据矩阵。
可选的，所述数据处理模块220具体用于：
根据预设构造采样数和所述预设采样数量确定整合数据采样数；
将所述初始数据矩阵中各原始数据矩阵按照第二预设数据排列规则，排列成行数为所述整合数据采样数与所述较大值乘积数值，列数为所述构造采样数与所述较小值乘积数值的数据矩阵，作为最终数据整合结果。
可选的，所述数据处理模块220还用于：
计算所述预设采样数量与所述预设构造采样数量的差值；
将所述差值加1得到的结果作为所述整合数据采样数。
可选的，所述数据预测模块230包括数据降噪子模块，用于：
对所述最终数据整合结果进行奇异值分解；
取奇异值分解结果中数值满足预设条件的奇异值对应的采样数据作为降噪后的采样数据矩阵；
按照所述数据整合过程的逆过程，将所述降噪后的采样数据矩阵还原为降噪后的信道采样值。
可选的，所述数据预测模块230还包括数据预测子模块，用于：
将降噪后的信道采样值，输入到预设信道值预测算法中，得到信道值预测结果。
可选的，所述噪声项为服从高斯分布的随机噪声。
本发明实施例所提供的信道预测装置可执行本发明任意实施例所提供的信道预测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图5为本发明实施例三提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以任意具有计算能力的终端设备，如智能控制器及服务器、手机等终端设备。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的信道预测方法，该方法包括：
根据预设信道值模型对通信双方间的信道进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；
通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩；
对所述最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。
实施例四
本实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的信道预测方法，包括：
根据预设信道值模型对通信双方间的信道进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；
通过第一预设数据排列规则对所述采样数据进行排列，得到初始数据矩阵，并通过第二预设数据排列规则对所述初始数据矩阵进行数据整合得到最终数据整合结果，以增加所述初始数据矩阵的秩；
对所述最终数据整合结果进行采样数据降噪，并基于降噪后的采样数据进行信道值预测。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种信道预测方法，其特征在于，所述方法包括：
根据预设信道值模型对通信双方间的信道进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；
确定所述通信双方之间的发射天线数量与接收天线数量之间的较大值和较小值，将各所述采样数据表示为行数为所述较大值，列数为所述较小值的原始数据矩阵，按照各所述采样数据的采样时间顺序，将各所述原始数据矩阵排列为行数为所述较大值与所述预设采样数量乘积数值，列数为所述较小值的初始数据矩阵，并根据预设构造采样数和所述预设采样数量确定整合数据采样数，将所述初始数据矩阵中各原始数据矩阵按照第二预设数据排列规则，排列成行数为所述整合数据采样数与所述较大值乘积数值，列数为所述预设构造采样数与所述较小值乘积数值的数据矩阵，作为最终数据整合结果，以增加所述初始数据矩阵的秩；
对所述最终数据整合结果进行奇异值分解，取奇异值分解结果中出现数值拐点位置处的数据作为数据取舍的分界点，并根据所述分界点确定降噪后的采样数据矩阵，按照所述数据整合过程的逆过程，将所述降噪后的采样数据矩阵还原为降噪后的信道采样值，并基于降噪后的采样数据进行信道值预测。
2.根据权利要求1所述的方法，其特征在于，所述根据预设构造采样数和所述预设采样数量确定整合数据采样数，包括：
计算所述预设采样数量与所述预设构造采样数的差值；
将所述差值加1得到的结果作为所述整合数据采样数。
3.根据权利要求1所述的方法，其特征在于，所述基于降噪后的采样数据进行信道值预测，包括：
将降噪后的信道采样值，输入到预设信道值预测算法中，得到信道值预测结果。
4.根据权利要求1所述的方法，其特征在于，所述噪声项为服从高斯分布的随机噪声。
5.一种信道预测装置，其特征在于，所述装置包括：
数据采样模块，用于根据预设信道值模型进行信道值采样，获得预设采样数量的采样数据，其中，所述预设信道值模型包含信道噪声项；
数据处理模块，用于确定通信双方之间的发射天线数量与接收天线数量之间的较大值和较小值，将各所述采样数据表示为行数为所述较大值，列数为所述较小值的原始数据矩阵，按照各所述采样数据的采样时间顺序，将各所述原始数据矩阵排列为行数为所述较大值与所述预设采样数量乘积数值，列数为所述较小值的初始数据矩阵，并根据预设构造采样数和所述预设采样数量确定整合数据采样数，将所述初始数据矩阵中各原始数据矩阵按照第二预设数据排列规则，排列成行数为所述整合数据采样数与所述较大值乘积数值，列数为所述预设构造采样数与所述较小值乘积数值的数据矩阵，作为最终数据整合结果，以增加所述初始数据矩阵的秩；
数据预测模块，用于对所述最终数据整合结果进行奇异值分解，取奇异值分解结果中出现数值拐点位置处的数据作为数据取舍的分界点，并根据所述分界点确定降噪后的采样数据矩阵，按照所述数据整合过程的逆过程，将所述降噪后的采样数据矩阵还原为降噪后的信道采样值，并基于降噪后的采样数据进行信道值预测。
6.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的信道预测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的信道预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111057573.4A CN113612710B (zh) | 2021-09-09 | 2021-09-09 | 一种信道预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111057573.4A CN113612710B (zh) | 2021-09-09 | 2021-09-09 | 一种信道预测方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113612710A CN113612710A (zh) | 2021-11-05 |
| CN113612710B true CN113612710B (zh) | 2024-04-30 |
Family
ID=78310293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111057573.4A Active CN113612710B (zh) | 2021-09-09 | 2021-09-09 | 一种信道预测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113612710B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5893069A (en) * | 1997-01-31 | 1999-04-06 | Quantmetrics R&D Associates, Llc | System and method for testing prediction model |
| WO2002082683A2 (en) * | 2001-04-03 | 2002-10-17 | Nortel Networks Limited | Frequency domain channel estimation for multiple channels using wiener minimum mean squared error (mmse) filtering |
| JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8295778B2 (en) * | 2008-01-11 | 2012-10-23 | Apple Inc. | Channel rank feedback in multiple-input multiple-output communication systems |
-
2021
- 2021-09-09 CN CN202111057573.4A patent/CN113612710B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5893069A (en) * | 1997-01-31 | 1999-04-06 | Quantmetrics R&D Associates, Llc | System and method for testing prediction model |
| WO2002082683A2 (en) * | 2001-04-03 | 2002-10-17 | Nortel Networks Limited | Frequency domain channel estimation for multiple channels using wiener minimum mean squared error (mmse) filtering |
| JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 3D MIMO信道预测技术研究;李玉;中国优秀硕士学位论文信息科技辑I136-535(第05期);正文第1-90页 * |
| 一种改进的HOSVD降噪的信道预测算法;孙德春;李玉;哈尔滨工业大学学报(第04期);正文第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113612710A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
| WO2020207174A1 (zh) | 用于生成量化神经网络的方法和装置 | |
| CN109272348B (zh) | 活跃用户数量确定方法及装置、存储介质和电子设备 | |
| US20200073913A1 (en) | Method and apparatus for processing data sequence | |
| CN112650790B (zh) | 目标点云平面确定方法，装置，电子设备及存储介质 | |
| CN107240396B (zh) | 说话人自适应方法、装置、设备及存储介质 | |
| CN113436620B (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
| US11651198B2 (en) | Data processing method and apparatus for neural network | |
| CN111862987B (zh) | 语音识别方法和装置 | |
| CN110955640A (zh) | 跨系统数据文件的处理方法、装置、服务器和存储介质 | |
| CN110781849A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN113612710B (zh) | 一种信道预测方法、装置、设备和介质 | |
| CN115273148B (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
| CN111753959A (zh) | 一种神经网络模型优化方法、装置、设备和存储介质 | |
| CN114937478B (zh) | 用于训练模型的方法、用于生成分子的方法和装置 | |
| CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
| CN115662517A (zh) | 序列预测方法、装置、介质及电子设备 | |
| CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
| CN114742035A (zh) | 基于注意力机制优化的文本处理方法、网络模型训练方法 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
| CN112187684A (zh) | 软解调方法、装置、接收机以及存储介质 | |
| CN113111303B (zh) | 数据读取方法、装置、介质和计算设备 | |
| CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
| US12010009B2 (en) | Method for distributing content, electronic device, and computer program product |
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 |