CN114362855A - 一种基于lstm的信道状态预测方法及系统 - Google Patents
一种基于lstm的信道状态预测方法及系统 Download PDFInfo
- Publication number
- CN114362855A CN114362855A CN202111656547.3A CN202111656547A CN114362855A CN 114362855 A CN114362855 A CN 114362855A CN 202111656547 A CN202111656547 A CN 202111656547A CN 114362855 A CN114362855 A CN 114362855A
- Authority
- CN
- China
- Prior art keywords
- lstm
- channel state
- predictor
- training
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000012795 verification Methods 0.000 claims description 45
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 8
- 238000005562 fading Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Abstract
本发明公开了一种基于LSTM的信道状态预测方法及系统,通过获取多轮历史信道状态数据作为LSTM预测器的输入;根据所述多轮历史信道状态数据获取训练集,在所述LSTM预测器中,利用所述训练集对训练模型进行多次训练,得到预测模型;在所述LSTM预测器中,利用所述多轮历史信道状态数据和所述预测模型获取当前SNR值,将所述当前SNR值作为信道状态预测结果输出。本发明用于准确拟合多维信道状态信息与信道SNR值之间非线性的映射关系,实现不实时依赖于卫星终端处的信道估计值,从而不严格受制于ACM环路时延,可缓解DVB‑S2中ACM环路时延对卫星通信系统自适应性的影响。
Description
技术领域
本发明涉及信道状态预测技术领域,具体而言,涉及一种基于LSTM的信道状态预测方法及系统。
背景技术
为提高系统的频谱利用率,DVB-S2标准支持自适应编码调制技术(ACM)。ACM网关参考回传信道传输的实测信道状态信息,针对每个数据帧,动态调整编码码率与调制方式。
卫星信道的变化情况和ACM环路时延是ACM技术的主要挑战。在卫星通信系统中,环路传输时延和数据处理时延均超过500ms,若考虑严重雨衰和阴影效应,卫星信道将在极端时间内产生严重衰落。此时,环路时延会造成信道状态信息的错位问题,从而选择的编码调制方式与该时刻的信道状态不匹配,引起传输局差错,吞吐量降低,会严重影响卫星通信系统跟踪信道变化的能力。
针对上述问题,若在ACM网关处对信噪比(SNR)值进行预测,不实时依赖于卫星终端处的信道估计值,则可消除环路时延对卫星通信系统自适应性能的影响。现有技术方案使用最小均方算法(LMS)来实现在ACM网关处对SNR值进行预测。该技术方案由前t个时刻的SNR值预测t+1时刻的SNR值,通过多次迭代得到权向量值。然而,在此技术方案中,信道SNR值是调制编码方式的唯一判决条件,而卫星信道容量不仅仅受到信道SNR值的影响,还受到空间传播距离损耗、阴影衰落等因素的影响。对此,业内使用多维的信道状态信息(CSI)对SNR值进行预测,将各种影响因素对信道容量的影响考虑在内,使得调制编码方式的选择将更适配与信道状态,从而提升信道容量。但是,多维的CSI数据与SNR值之间存在非线性映射关系,目前还没有确切的模型来表征,使用传统的数值方法不能准确拟合出多维的CSI数据与SNR值之间的非线性映射关系。
综上所述,现有技术不能在ACM网关处准确地预测出信噪比值,影响ACM环路时延对卫星通信系统的自适应性能。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是:现有技术不能在ACM网关处准确地预测出信噪比值。目的在于,提供一种基于LSTM的信道状态预测方法,使用深度学习方法对信道状态进行预测,拟合多维信道状态信息与信道SNR值之间非线性的映射关系,实现在ACM网关处准确地预测出SNR值,提升ACM环路时延对卫通信系统的自适应性能,进一步提升系统吞吐量。
本发明通过下述技术方案实现:
一方面,本发明提供一种基于LSTM的信道状态预测方法,在引入LSTM预测器的ACM链路中执行以下步骤:
获取多轮历史信道状态数据作为LSTM预测器的输入,所述历史信道状态数据包括:SNR值、传输时延、天气和环境状态值;
根据所述多轮历史信道状态数据获取训练集,在所述LSTM预测器中,利用所述训练集对训练模型进行多次训练,得到预测模型;
在所述LSTM预测器中,利用所述多轮历史信道状态数据和所述预测模型获取当前SNR值,将所述当前SNR值作为信道状态预测结果输出。
本发明对现有的使用最小均方差算法进行SNR值预测提出改进。针对现有技术中信道SNR值是调制编码方式的唯一判决条件,而卫星信道容量不仅仅受到信道SNR值的影响,还受到空间传播距离损耗、阴影衰落等因素的影响,本发明考虑使用多维的信道状态信息对SNR值进行预测,将各种影响因素对信道容量的影响考虑在内,并在此基础上将LSTM预测器引入到传统ACM链路中,利用LSTM预测器的循环特性处理多轮多维信道状态信息之间的相关性。另外,考虑多维的信道状态信息与SNR值之间的非线性映射关系,提出使用深度学习的方法解决传统数值方法不能准确拟合非线性映射关系的问题,通过在ACM网关存储一定轮数的信道状态数据,作为LSTM预测器的输入,在LSTM预测器中对梯度下降算法优化模型进行反复训练,得到预测模型,将多轮信道状态数据代入预测模型进行预测得到SNR值,即获得信道状态预测结果。
因此,本发明提供的一种基于LSTM的信道状态预测方法不实时依赖于卫星终端处的信道估计值,从而不严格受制于ACM环路时延,可缓解DVB-S2中ACM环路时延对卫星通信系统自适应性的影响,并且通过深度学习的方法对信道状态进行预测,可拟合多维信道状态信息与信道SNR值之间非线性的映射关系。
作为对本发明的进一步描述,利用训练集对训练模型进行多次训练的过程中,包括以下步骤:
实时获取训练损失值和测试损失值,根据所述训练损失值和所述测试损失值确定训练的停止条件,根据所述停止条件停止训练;
实时保存所述测试损失值最小的模型。
作为对本发明的进一步描述,所述结束条件包括:
若所述测试损失值连续多次保持不再下降,则停止训练;
若所述测试损失值连续多次高于所述训练损失值,则停止训练。
作为对本发明的进一步描述,获取所述训练损失值和所述测试损失值所使用的损失函数为均方差函数;所述训练模型模为梯度下降算法优化模型。
作为对本发明的进一步描述,所述基于LSTM的信道状态预测方法还包括以下步骤:
获取新的传输时延、天气和环境状态值,将所述新的传输时延、天气、环境状态值和所述当前SNR值作为新一轮信道状态数据输入LSTM预测器;
利用ACM网关路由器查表得到与所述当前SNR值适配的MODCOD值;
由MODCOD值得到调制编码方式,ACM调制器对传输信息进行调制编码。
作为对本发明的进一步描述,所述基于LSTM的信道状态预测方法还包括以下步骤:
获取验证集,利用所述验证集对所述预测模型进行性能验证;
所述性能验证的方法为:
在雨衰情况下,利用所述验证集获取所述引入LSTM预测器的ACM链路的系统吞吐量;
将所述引入LSTM预测器的ACM链路的系统吞吐量与传统ACM链路的系统吞吐量进行对比,得到对比结果;
若所述对比结果为:引入LSTM预测器的ACM链路的系统吞吐量相比于传统ACM链路的系统吞吐量提升幅值≥10%,则判定所述预测模型有效;若所述对比结果为:引入LSTM预测器的ACM链路的系统吞吐量相比于传统ACM链路的系统吞吐量提升幅值<10%,则增加所述训练集的数据量,调整获取历史信道状态数据的轮数。
作为对本发明的进一步描述,所述基于LSTM的信道状态预测方法还包括以下步骤:
获取不同应用场景下的微调数据集,利用所述微调数据集对所述预测模型进行微调,
获取验证集,对微调后的预测模型进行性能验证。
另一方面,本发明提供一种基于LSTM的信道状态预测系统,包括传统ACM链路和LSTM预测器,所述LSTM预测器连接在所述传统ACM链路中;
所述LSTM预测器包括:
数据存储模块,用于暂存获取的多轮历史信道状态数据,所述历史信道状态数据包括:SNR值、传输时延、天气和环境状态值;
LSTM模型模块,用于根据所述多轮历史信道状态数据获取获取当前SNR值,并将所述当前SNR值作为信道状态预测结果输出。
作为对本发明的进一步描述,所述LSTM预测器包括:模型验证模块,用于获取验证集,利用所述验证集对所述预测模型进行性能验证;
所述模型验证模块包括:
系统吞吐量计算单元,用于利用所述验证集获取所述引入LSTM预测器的ACM链路在雨衰情况下的系统吞吐量;
数据分析单元,用于将所述引入LSTM预测器的ACM链路的系统吞吐量与传统ACM链路的系统吞吐量进行对比,得到对比结果;
结果判定单元,用于根据所述对比结果对所述预测系统的有效性进行判定。
作为对本发明的进一步描述,所述LSTM预测器包括:模型微调模块,用于根据不同的应用场景对所述预测数据微调,得到不同应用场景下的预测模型;所述模型微调模块与所述模型验证模块连接。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明实施例提供的一种基于LSTM的信道状态预测方法及系统,使用深度学习方法对信道状态进行预测,可拟合除多维信道状态信息与信道SNR值之间非线性的映射关系;
2、本发明实施例提供的一种基于LSTM的信道状态预测方法及系统,将传输时延,天气状态,环境状态作为信道状态预测的依据,将自由空间传播损耗、阴影衰落、雨衰对信道容量的影响都考虑进预测器的预测过程,使预测得到的SNR值更全面适配信道状态,从而选择的MODCOD值更适配信道状态,进一步提升吞吐量;
3、本发明实施例提供的一种基于LSTM的信道状态预测方法及系统,使用LSTM网络构建预测模型,利用多轮信道状态之间的相关性跟踪信道变化情况,实现不实时依赖于卫星终端处的信道估计值,从而不严格受制于ACM环路时延,可缓解DVB-S2中ACM环路时延对卫星通信系统自适应性的影响;
4、本发明实施例提供的一种基于LSTM的信道状态预测方法及系统,通过对预测模型的检验,可提高预测模型的有效性,提高预测精度,进而提高选择的MODCOD值与信道状态的适配性,进一步提升吞吐量;
5、本发明实施例提供的一种基于LSTM的信道状态预测方法及系统,通过对预测模型的微调,使预测模型能应用到不同的实际场景,从整体上减少数据收集和训练过程的时间消耗,具有较高的灵活性和较高的自适应能力。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1提供的使用LSTM预测器的ACM技术链路示意图;
图2为本发明实施例1提供的LSTM预测器的结构示意图;
图3为本发明实施例1提供的LSTM预测器的展开计算逻辑示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
由于在卫星通信系统中,环路传输和数据处理均存在时延,若考虑严重雨衰和阴影效应,卫星信道将在极端时间内产生严重衰落。此时,环路时延会造成信道状态信息的错位问题,从而选择的编码调制方式与该时刻的信道状态不匹配,引起传输局差错,吞吐量降低,会严重影响卫星通信系统跟踪信道变化的能力。
消除环路时延对卫星通信系统自适应性能的影响目前,业内考虑在ACM网关处对信噪比(SNR)值进行预测,从而不实时依赖于卫星终端处的信道估计值。对此,采用的现有技术方案是使用最小均方算法(LMS)来实现在ACM网关处对SNR值进行预测。该技术方案由前t个时刻的SNR值预测t+1时刻的SNR值,通过多次迭代得到权向量值。然而,在此技术方案中,信道SNR值是调制编码方式的唯一判决条件,而卫星信道容量不仅仅受到信道SNR值的影响,还受到空间传播距离损耗、阴影衰落等因素的影响。对此,业内使用多维的信道状态信息(CSI)对SNR值进行预测,将各种影响因素对信道容量的影响考虑在内,使得调制编码方式的选择将更适配与信道状态,从而提升信道容量。但是,多维的CSI数据与SNR值之间存在非线性映射关系。但是,目前还没有确切的模型来表征,使用传统的数值方法不能准确拟合出多维的CSI数据与SNR值之间的非线性映射关系。
针对上述问题,本实施例提供了一种基于LSTM的信道状态预测方法,考虑使用多维的信道状态信息对SNR值进行预测,将各种影响因素对信道容量的影响考虑在内,将LSTM预测器引入到传统ACM链路中,利用LSTM预测器的循环特性处理多轮多维信道状态信息之间的相关性,并且,提出使用深度学习的方法解决传统数值方法不能准确拟合非线性映射关系的问题,通过在ACM网关存储一定轮数的信道状态数据,作为LSTM预测器的输入,在LSTM预测器中对梯度下降算法优化模型进行反复训练,得到预测模型,将多轮信道状态数据代入预测模型进行预测得到SNR值,即获得信道状态预测结果。
具体的,该方法在引入LSTM预测器的ACM链路中实现,包括以下步骤:
步骤1:通过卫星终端接收获取多轮历史信道状态数据作为LSTM预测器的输入。
LSTM预测器的ACM链路如图1所示。使用卫星终端接收卫星发送的历史信道状态数据,包括SNR值、传输时延、天气和环境状态值。将接收到的历史信号状态数据通过回传信道回传至ACM网关处进行暂存。按照上述方式重复多轮,将存储的多轮历史信道状态数据输入LSTM预测器中。
步骤2:在所述LSTM预测器中,利用所述训练集对训练模型进行多次训练,得到预测模型。
LSTM预测器的结构图如图2所示,LSTM的结构用LSTM(k,num)表示,k表示LSTM的循环次数,与输入的信道状态数据的轮数相同。LSTM预测器的展开计算图如图3所示,num表示LSTM预测器中的LSTM单元数。
在训练阶段,将输入LSTM预测器中的多轮历史信道状态数据分为训练集和测试集,训练集中的样本数与测试集中的样本数之比为4:1。本实施例将训练集的初始数量设定为2000。训练集采用(n,k,4)这一数据结构来表示。其中,n代表输入数据的个数,k代表一个输入数据中包含有前k轮的信道状态数据,这里将k的初始值设置为5;4代表每一轮的信道状态数据为4维数据,分别为SNR值、传输时延、天气状态、环境状态;标签的大小为(n,1),为此轮信道SNR的准确值。
需说明的是,k值越大,对应模型的复杂度越高,且间隔越远的信道状态数据之间没有太多的相关性,所以k值的设置不应该过大;但是,如果k值太小,模型不能完全捕捉到各轮信道状态数据之间的相关性,从而无法准确预测出SNR值。因此,k值的选取由不同k值对应的模型性能决定。
在LSTM预测器中,使用训练集对训练模型进行训练。
在训练过程中,利用测试集实时测试训练得到的临时模型的性能,以防止模型过拟合,并在训练过程中实时保存测试损失值最低的预测模型。第一方面,本实施例使用的训练模型为小批量梯度下降算法优化模型;batch的初始值设定为50,具体指在训练过程中有损失值曲线决定,若损失值曲线有较大波动,考虑增加batch值;若一次迭代时间过长,考虑减小batch值。第二方面,何时结束训练由测试损失值和训练损失值决定,本实施例规定在测试损失值保持连续5次不下降或测试损失值连续5次高于训练损失值时,停止训练,并且设定最大训练测试为200次。第三方面,实时保存测试损失值最低的临时的预测模型,以此迭代的方式寻找到当前最优的预测模型。
步骤3:在所述LSTM预测器中,利用所述多轮历史信道状态数据和所述预测模型获取当前SNR值,将所述当前SNR值作为信道状态预测结果输出。
截止于步骤3,本实施例根据预测模型和信道状态信息已经得到了信道状态预测结果。为了进一步验证预测模型的有效性,从而对信道状态预测结果的准确性进行评价。本实施例还通过步骤4来对预测模型进行有效有效性验证。
步骤4:获取验证集,利用所述验证集对所述预测模型进行性能验证;
所述性能验证的方法为:
在雨衰情况下,利用所述验证集获取所述引入LSTM预测器的ACM链路的系统吞吐量;
将所述引入LSTM预测器的ACM链路的系统吞吐量与传统ACM链路的系统吞吐量进行对比,得到对比结果;
若所述对比结果为:引入LSTM预测器的ACM链路的系统吞吐量相比于传统ACM链路的系统吞吐量提升幅值≥10%,则判定所述预测模型有效;若所述对比结果为:引入LSTM预测器的ACM链路的系统吞吐量相比于传统ACM链路的系统吞吐量提升幅值<10%,则增加所述训练集的数据量,调整获取历史信道状态数据的轮数。
本实施例将验证集的数量大小设定为200个,使用验证集对训练得到的LSTM预测器进行性能验证,计算使用预测器的ACM链路的系统吞吐量,和没有使用预测器的传统ACM链路对比系统吞吐量,若吞吐量提升超过10%,说明预测器性能优。
进一步的,为了将不同传输场景下的预测模型推广应用到其他相似场景,本实施例还通步骤5来对预测模型进行微调。
步骤5:获取不同应用场景下的微调数据集,此时数据集的大小远小于训练阶段,可减少至500个,通过微调训练,针对此应用场景下,使用训练数据集调整已训练好的LSTM预测器的权重,将LSTM预测器推广到其他传输场景。另外,同样对微调后得到的预测模型按照步骤4的方法进行性能验证,计算系统吞吐量值,与传统ACM链路的吞吐量值对比。
步骤6:获取新的传输时延、天气和环境状态值,将所述新的传输时延、天气、环境状态值和所述当前SNR值作为新一轮信道状态数据输入LSTM预测器。
步骤7:利用ACM网关路由器查表得到与所述当前SNR值适配的MODCOD值。
步骤8:利用ACM调制器对MODCOD值进行调制,将调制后得到的编码发送至卫星。
具有经上述步骤2至步骤5得到的预测模型的LSTM预测器,将其用于ACM链路中,相较传统的ACM链路,因对SNR值进行实时预测,从而不依赖于存在环路时延的估计SNR值,选择使用的调制编码方式,更能达到此时的信道容量;由于在验证阶段设定的吞吐量提升门槛为10%,所以使用预测器的系统吞吐量至少提升10%。
实施例2
本实施例提供了一种基于LSTM的信道状态预测系统,包括传统ACM链路和LSTM预测器,所述LSTM预测器连接在所述传统ACM链路中;
所述LSTM预测器包括:
数据存储模块,用于暂存获取的多轮历史信道状态数据,所述历史信道状态数据包括:SNR值、传输时延、天气和环境状态值;
模型训练模块,用于根据所述多轮历史信道状态数据获取训练集,利用所述训练集对训练模型进行多次训练,得到预测模型;
LSTM模型模块,用于根据所述多轮历史信道状态数据获取获取当前SNR值,并将所述当前SNR值作为信道状态预测结果输出。
其中,
LSTM预测器包括:模型验证模块,用于获取验证集,利用所述验证集对所述预测模型进行性能验证;
所述模型验证模块包括:
系统吞吐量计算单元,用于利用所述验证集获取所述引入LSTM预测器的ACM链路在雨衰情况下的系统吞吐量;
数据分析单元,用于将所述引入LSTM预测器的ACM链路的系统吞吐量与传统ACM链路的系统吞吐量进行对比,得到对比结果;
结果判定单元,用于根据所述对比结果对所述预测系统的有效性进行判定。
LSTM预测器包括:模型微调模块,用于根据不同的应用场景对所述预测数据微调,得到不同应用场景下的预测模型;所述模型微调模块与所述模型验证模块连接。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于LSTM的信道状态预测方法,其特征在于,在引入LSTM预测器的ACM链路中执行以下步骤:
获取多轮历史信道状态数据作为LSTM预测器的输入,所述历史信道状态数据包括:SNR值、传输时延、天气和环境状态值;
根据所述多轮历史信道状态数据获取训练集,在所述LSTM预测器中,利用所述训练集对训练模型进行多次训练,得到预测模型;
在所述LSTM预测器中,利用所述多轮历史信道状态数据和所述预测模型获取当前SNR值,将所述当前SNR值作为信道状态预测结果输出。
2.根据权利要求1所述的一种基于LSTM的信道状态预测方法,其特征在于,利用训练集对训练模型进行多次训练的过程中,包括以下步骤:
实时获取训练损失值和测试损失值,根据所述训练损失值和所述测试损失值确定训练的停止条件,根据所述停止条件停止训练;
实时保存所述测试损失值最小的模型。
3.根据权利要求2所述的一种基于LSTM的信道状态预测方法,其特征在于,所述结束条件包括:
若所述测试损失值连续多次保持不再下降,则停止训练;
若所述测试损失值连续多次高于所述训练损失值,则停止训练。
4.根据权利要求2所述的一种基于LSTM的信道状态预测方法,其特征在于,获取所述训练损失值和所述测试损失值所使用的损失函数为均方差函数;所述训练模型模为梯度下降算法优化模型。
5.根据权利要求1所述的一种基于LSTM的信道状态预测方法,其特征在于,包括以下步骤:
获取新的传输时延、天气和环境状态值,将所述新的传输时延、天气、环境状态值和所述当前SNR值作为新一轮信道状态数据输入LSTM预测器;
利用ACM网关路由器查表得到与所述当前SNR值适配的MODCOD值;
由MODCOD值得到调制编码方式,ACM调制器对传输信息进行调制编码。
6.根据权利要求5所述的一种基于LSTM的信道状态预测方法,其特征在于,包括以下步骤:获取验证集,利用所述验证集对所述预测模型进行性能验证;
所述性能验证的方法为:
在雨衰情况下,利用所述验证集获取所述引入LSTM预测器的ACM链路的系统吞吐量;
将所述引入LSTM预测器的ACM链路的系统吞吐量与传统ACM链路的系统吞吐量进行对比,得到对比结果;
若所述对比结果为:引入LSTM预测器的ACM链路的系统吞吐量相比于传统ACM链路的系统吞吐量提升幅值≥10%,则判定所述预测模型有效;若所述对比结果为:引入LSTM预测器的ACM链路的系统吞吐量相比于传统ACM链路的系统吞吐量提升幅值<10%,则增加所述训练集的数据量,调整获取历史信道状态数据的轮数。
7.根据权利要求6所述的一种基于LSTM的信道状态预测方法,其特征在于,包括以下步骤:
获取不同应用场景下的微调数据集,利用所述微调数据集对所述预测模型进行微调,
获取验证集,对微调后的预测模型进行性能验证。
8.一种基于LSTM的信道状态预测系统,包括传统ACM链路,其特征在于,包括:LSTM预测器,所述LSTM预测器连接在所述传统ACM链路中;
所述LSTM预测器包括:
数据存储模块,用于暂存获取的多轮历史信道状态数据,所述历史信道状态数据包括:SNR值、传输时延、天气和环境状态值;
LSTM模型模块,用于根据所述多轮历史信道状态数据获取获取当前SNR值,并将所述当前SNR值作为信道状态预测结果输出。
9.根据权利要求8所述的一种基于LSTM的信道状态预测系统,其特征在于,所述LSTM预测器包括:模型验证模块,用于获取验证集,利用所述验证集对所述预测模型进行性能验证;所述模型验证模块包括:
系统吞吐量计算单元,用于利用所述验证集获取所述引入LSTM预测器的ACM链路在雨衰情况下的系统吞吐量;
数据分析单元,用于将所述引入LSTM预测器的ACM链路的系统吞吐量与传统ACM链路的系统吞吐量进行对比,得到对比结果;
结果判定单元,用于根据所述对比结果对所述预测系统的有效性进行判定。
10.根据权利要求9所述的一种基于LSTM的信道状态预测系统,其特征在于,所述LSTM预测器包括:模型微调模块,用于根据不同的应用场景对所述预测数据微调,得到不同应用场景下的预测模型;所述模型微调模块与所述模型验证模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111656547.3A CN114362855A (zh) | 2021-12-30 | 2021-12-30 | 一种基于lstm的信道状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111656547.3A CN114362855A (zh) | 2021-12-30 | 2021-12-30 | 一种基于lstm的信道状态预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114362855A true CN114362855A (zh) | 2022-04-15 |
Family
ID=81104437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111656547.3A Pending CN114362855A (zh) | 2021-12-30 | 2021-12-30 | 一种基于lstm的信道状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114362855A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567402A (zh) * | 2022-04-25 | 2022-05-31 | 阿里巴巴达摩院(杭州)科技有限公司 | 卫星星地信道预测方法、装置、设备和存储介质 |
CN115085836A (zh) * | 2022-06-14 | 2022-09-20 | 华南理工大学 | 信道状态信息预测系统的设计方法、装置、设备及介质 |
WO2024032694A1 (zh) * | 2022-08-10 | 2024-02-15 | 维沃移动通信有限公司 | Csi预测处理方法、装置、通信设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110912629A (zh) * | 2019-10-22 | 2020-03-24 | 南京海骅信息技术有限公司 | 信噪比预测方法、装置及卫星通信链路自适应调节方法 |
KR20200095137A (ko) * | 2019-01-31 | 2020-08-10 | 경북대학교 산학협력단 | 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체 |
CN112311706A (zh) * | 2020-11-03 | 2021-02-02 | 南京大学 | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 |
CN112508172A (zh) * | 2020-11-23 | 2021-03-16 | 北京邮电大学 | 基于q学习和srnn模型的航天测控自适应调制方法 |
CN112713966A (zh) * | 2020-12-30 | 2021-04-27 | 大连大学 | 基于似然估计修正信噪比的编码调制切换方法 |
CN113411166A (zh) * | 2021-06-18 | 2021-09-17 | 北京邮电大学 | 一种星地激光链路的联合自适应编码调制系统及方法 |
CN113595693A (zh) * | 2021-07-26 | 2021-11-02 | 大连大学 | 一种基于改进有效信噪比的混合自动重传请求方法 |
-
2021
- 2021-12-30 CN CN202111656547.3A patent/CN114362855A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200095137A (ko) * | 2019-01-31 | 2020-08-10 | 경북대학교 산학협력단 | 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체 |
CN110912629A (zh) * | 2019-10-22 | 2020-03-24 | 南京海骅信息技术有限公司 | 信噪比预测方法、装置及卫星通信链路自适应调节方法 |
CN112311706A (zh) * | 2020-11-03 | 2021-02-02 | 南京大学 | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 |
CN112508172A (zh) * | 2020-11-23 | 2021-03-16 | 北京邮电大学 | 基于q学习和srnn模型的航天测控自适应调制方法 |
CN112713966A (zh) * | 2020-12-30 | 2021-04-27 | 大连大学 | 基于似然估计修正信噪比的编码调制切换方法 |
CN113411166A (zh) * | 2021-06-18 | 2021-09-17 | 北京邮电大学 | 一种星地激光链路的联合自适应编码调制系统及方法 |
CN113595693A (zh) * | 2021-07-26 | 2021-11-02 | 大连大学 | 一种基于改进有效信噪比的混合自动重传请求方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567402A (zh) * | 2022-04-25 | 2022-05-31 | 阿里巴巴达摩院(杭州)科技有限公司 | 卫星星地信道预测方法、装置、设备和存储介质 |
CN115085836A (zh) * | 2022-06-14 | 2022-09-20 | 华南理工大学 | 信道状态信息预测系统的设计方法、装置、设备及介质 |
CN115085836B (zh) * | 2022-06-14 | 2023-07-18 | 华南理工大学 | 信道状态信息预测系统的设计方法、装置、设备及介质 |
WO2024032694A1 (zh) * | 2022-08-10 | 2024-02-15 | 维沃移动通信有限公司 | Csi预测处理方法、装置、通信设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114362855A (zh) | 一种基于lstm的信道状态预测方法及系统 | |
CN111817757B (zh) | 一种用于mimo无线通信系统的信道预测方法及系统 | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
JPH06197032A (ja) | 適応型等化器 | |
JP4564339B2 (ja) | 多入力多出力(mimo)通信リンクのパフォーマンスの評価 | |
CN114070354B (zh) | 基于gs迭代法的自适应分段矩阵逆跟踪mimo检测方法 | |
CN106341216A (zh) | 一种无线通信链路自适应方法及上下行链路自适应方法 | |
Hackett et al. | Implementation and on-orbit testing results of a space communications cognitive engine | |
CN110611626B (zh) | 信道估计方法、装置及设备 | |
US11489560B2 (en) | Method of parameter estimation for a multi-input multi-output system | |
CN101834693A (zh) | 一种多输入多输出信号检测方法、装置及系统 | |
CN110474798B (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
CN108199990A (zh) | 一种非高斯噪声3d-mimo信道估计算法 | |
CN109067683B (zh) | 无线通信中盲检测及调制星座优化方法、存储介质 | |
CN114897098A (zh) | 一种自动混合精度量化方法及装置 | |
KR102409974B1 (ko) | 인공신경망 기반의 소스, 채널부호율 및 전력제어 최적화 방법 및 시스템 | |
CN112910518B (zh) | 无人机通信中非高斯噪声下mimo系统发射天线数估计方法 | |
CN114938232A (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
CN1310186C (zh) | 一种神经网络均衡器的优化训练方法 | |
CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
Sui et al. | Adaptive elastic echo state network for channel prediction in ieee802. 11ah standard-based ofdm system | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
CN113556157B (zh) | 非高斯干扰下mimo系统发射天线数估计方法及系统 | |
CN114189317B (zh) | 一种通信导航遥感深度融合的实现方法 | |
CN115632726B (zh) | 一种基于模型驱动的ISTA-Net上行免调度大规模MIMO-NOMA信号检测方法 |
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 |