CN114626302A - 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 - Google Patents
基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN114626302A CN114626302A CN202210269670.8A CN202210269670A CN114626302A CN 114626302 A CN114626302 A CN 114626302A CN 202210269670 A CN202210269670 A CN 202210269670A CN 114626302 A CN114626302 A CN 114626302A
- Authority
- CN
- China
- Prior art keywords
- mapping
- state information
- channel state
- moment
- koopman operator
- 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 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于Koopman算子和机器学习的信道预测方法、系统、终端及介质，包括：基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。本发明基于利用通信基站储存的有效信息、Koopman算子理论及机器学习原理，提高了机器学习方法预测的准确性。
Description
技术领域
本发明属于卷积神经网络预测领域，涉及一种基于Koopman算子和机器学习的信道预测方法、系统、终端及介质。
背景技术
现阶段的无线通信系统，主要借助于准确的信道状态信息(Channel StateInformation)，通过自适应调整传输参数，可以获得较大的性能提升。对低速移动通信设备来说，基站与设备的信道状态主要通过信道估计来获得。但对于以较高速移动的设备来说，通过信道估计得到的信道状态信息，很有可能因为移动设备的快速运动而失效。如何更好地获得高速移动的通信设备的信道状态信息，实现高速移动设备通信性能提升，是一个亟待解决的关键问题。解决该问题的一个重要思路，就是利用历史信道状态信息，实现对信道的预测。但由于非线性性和非平稳性，信道预测的问题一直充满很大挑战。
近年来，Koopman算子在处理非线性系统序列问题的理论和方法的成熟，使其解决非线性预测问题成为可能。机器学习相关理论，特别是机器学习技术的发展和成熟，为Koopman算子的有限维估计提供了更高的精度。基于Koopman算子理论设计的机器学习方法，除了对非线性系统性质的精准描述外，也能实现系统的预测功能。同时，与滑窗方法的结合，使有限维Koopman算子能够更加准确实现对非平稳序列的建模和预测。
将数学领域相关理论、机器学习和无线通信系统有机结合起来，形成理论性强、智能化高、适应能力强的无线通信系统，是未来发展中的必然趋势。对于无线系统中信道预测问题，目前应用的方法绝大部分都是建立在信道状态变化的线性的基础上，然而这种假设在现实的通信环境中几乎不可能存在。这就造成了以该假设为基础的如自回归算法等大部分算法在信道预测中误差较大，难以提升通信系统的性能。
另外，高速移动设备的信道状态信息变化往往呈现出比较明显的非平稳性。以平稳性假设的方法，也难以在实际中进行应用。以Koopman理论为基础的滑窗算法，假设在窗宽内呈现平稳性，这一假设更容易成立，因此也可以获得更好的性能。
发明内容
本发明的目的在于解决现有技术中的问题，提供一种基于Koopman算子和机器学习的信道预测方法、系统、终端及介质，利用基站储存的历史信道状态信息，通过Koopman理论和卷积神经网络，利用完善的线性方法理论，实现对信道状态信息非线性变化的准确预测。
为达到上述目的，本发明采用以下技术方案予以实现：
基于Koopman算子和机器学习的信道预测方法，包括：
基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；
采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；
基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；
基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；
基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。
本发明的进一步改进在于：
训练数据集包括仿真数据和现实数据；仿真数据为基于仿真软件仿真出不同时刻的信道状态信息的数据，现实数据为基站存储设备存储的历史数据。
基于采集到的数据集对卷积神经网络进行训练，具体为：
训练数据集D，D＝{X(i)|i＝1,2,…,M}，其中，
为t(i)-L+1到t(i)时刻信道状态组成的张量，M为训练样本总数；
在训练网络时，使用随机梯度类优化算法Adam优化网络的参数θ；待优化的目标函数如公式(1)所示：
基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；具体为：
卷积神经网络对历史时刻信道状态信息X进行卷积处理，使其映射至线性不变子空间中，得到映射变量Υ；
其中，历史时刻信道状态信息
N为发射端天线数，T为历史时间窗宽，C为输出的通道数，此处为2，即信道状态信息的实部和虚部；
卷积神经网络中使用大小为2×3的卷积核，卷积神经网络的padding设置为(1,0,1,1)；使用的激活函数为LeakyRelu如公式(2)所示：
其中，σ∈(0,1)实现对数据的非线性映射；
卷积神经网络包含L层卷积操作Conv，卷积神经网络的输出为
将每一个时间步的数据进行全连接操作FC，输出映射变量Υ如公式(3)所示：
Υ＝Encoder(X)＝FC(Conv(X)) (3)
其中，
是(T-L)×(Cout×N)的矩阵，Cout为输出通道数，L为卷积神经网络的层数，输入的窗宽满足T-L>Cout×N+1；Υ是第L+1到T时刻的隐变量的集合；
在窗宽(T-L)中的所有时刻的隐变量
近似满足线性变化，如公式(4)所示：
yt+1＝ytK (4)
其中，
K是(Cout×N)×(Cout×N)的矩阵。
基于Koopman算子得到目标时刻不变子空间的映射向量，具体为：
基于映射变量Υ计算Koopman算子在不变子空间的有限维估计K，通过有限维估计K得到目标时刻在不变子空间的映射向量；
将映射变量Υ的第L+1到T-1时刻的向量组合为矩阵，记为Υ1，第L+2到T时刻的向量组合为矩阵Υ2，Υ1和Υ2的表达式如公式(5)和公式(6)所示：
若不考虑噪声，Υ1和Υ2的关系如公式(7)所示：
Υ2＝Υ1K (7)
在噪声满足高斯分布的假设下，矩阵K满足如公式(8)条件：
矩阵K通过最小二乘法如公式(9)、公式(10)和公式(11)得到：
通过K得到后S时间步的隐变量
基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息；具体为：
全连接网络输入隐变量yt得到输出变量
再将其折叠成信道状态信息
如公式(12)所示：
Decoder(yt)＝xt (12)。
基于Koopman算子和机器学习的信道预测系统，包括：
保存模块，所述保存模块基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；
训练模块，所述训练模块用于采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；
映射模块，所述映射模块基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；
获取模块，所述获取模块基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；
转变模块，所述转变模块基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明基于卷积神经网络，无需预先了解任何无线通信环境信息，可以将数据映射至一定窗宽内满足线性变化的子空间中，提升了在复杂环境下对无线通信信道的预测准确性与自适应性，提升了系统性能，基于Koopman理论的方法，能够适应非平稳变化的信道状态预测问题，提高了机器学习方法预测的准确性。
附图说明
为了更清楚的说明本发明实施例的技术方案，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为本发明的基于Koopman算子和机器学习的信道预测方法的一种流程图；
图2为本发明的基于Koopman算子和机器学习的信道预测方法的另一种流程图；
图3为基于Koopman算子理论的神经网络模型图；
图4为同一场景中不同信噪比下方法的仿真测试结果图；
图5为本发明的基于Koopman算子和机器学习的信道预测系统结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
参见图1和图2，本发明公开了一种基于Koopman算子和机器学习的信道预测方法，包括：
S101，基于基站存储设备，对临近历史时刻的信道状态信息X进行保存。
S102，采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练。
训练数据集包括仿真数据和现实数据；所述仿真数据为基于仿真软件仿真出不同时刻的信道状态信息的数据，所述现实数据为基站存储设备存储的历史数据。
训练数据集D，D＝{X(i)|i＝1,2,…,M}，其中，其中，
为t(i)-L+1到t(i)时刻信道状态组成的张量，M为训练样本总数；
在训练网络时，使用随机梯度类优化算法Adam优化网络的参数θ；待优化的目标函数如公式(1)所示：
S103，基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ。
卷积神经网络对历史时刻信道状态信息X进行卷积处理，使其映射至线性不变子空间中，得到映射变量Υ；
其中，历史时刻信道状态信息
N为发射端天线数，T为历史时间窗宽，C为输出的通道数，此处为2，即信道状态信息的实部和虚部；
卷积神经网络中使用大小为2×3的卷积核，网络的padding设置(1,0,1,1)(上，下，左，右)。这样设计的卷积核，既可以实现相邻天线空间相关关系的捕捉，同时又以因果卷积的形式实现时间相关关系的提取。考虑到该问题为回归问题，使用的激活函数为LeakyRelu如公式(2)所示：
其中，σ∈(0,1)实现对数据的非线性映射；
卷积神经网络包含L层卷积操作Conv，卷积神经网络的输出为
将每一个时间步的数据进行全连接操作FC，输出映射变量Υ如公式(3)所示：
Υ＝Encoder(X)＝FC(Conv(X)) (3)
其中，
是(T-L)×(Cout×N)的矩阵，Cout为输出通道数，L为卷积神经网络的层数，输入的窗宽满足T-L>Cout×N+1；Υ是第L+1到T时刻的隐变量的集合；
在窗宽(T-L)中的所有时刻的隐变量
近似满足线性变化，如公式(4)所示：
yt+1＝ytK (4)
其中，
K是(Cout×N)×(Cout×N)的矩阵。
S104，基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量。
参见图3，S104对应图3的Koopman Operator部分，基于映射变量Υ计算Koopman算子在不变子空间的有限维估计K，通过有限维估计K得到目标时刻在不变子空间的映射向量；
将映射变量Υ的第L+1到T-1时刻的向量组合为矩阵，记为Υ1，第L+2到T时刻的向量组合为矩阵Υ2，Υ1和Υ2的表达式如公式(5)和公式(6)所示：
若不考虑噪声，Υ1和Υ2的关系如公式(7)所示：
Υ2＝Υ1K (7)
在噪声满足高斯分布的假设下，矩阵K满足如公式(8)条件：
矩阵K通过最小二乘法如公式(9)、公式(10)和公式(11)得到：
通过K得到后S时间步的隐变量
S105，基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。
S105对应于图3中的Decoder部分,全连接网络输入隐变量yt得到输出变量
再将其折叠成信道状态信息
如公式(12)所示：
Decoder(yt)＝xt (12)。
参见图4，图4为不同的信噪比条件下，采用自回归算法和基于Koopman算子理论和机器学习实现的无线通信中MIMO系统信道状态预测算法得到的信道状态信息预测误差仿真对比图。仿真数据基于UMi场景，接收端天线阵列为2×2的双极化阵列天线，发射端移动速度为60km/h，信道噪声满足高斯分布。结果表明，在不同的信噪比下，基于Koopman算子的机器学习方法可显著降低预测误差，进而提高无线通信的性能。
参见图5，图5公布了一种基于Koopman算子和机器学习的信道预测系统，包括：
保存模块，所述保存模块基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；
训练模块，所述训练模块用于采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；
映射模块，所述映射模块基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；
获取模块，所述获取模块基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；
转变模块，所述转变模块基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。
本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于Koopman算子和机器学习的信道预测方法，其特征在于，包括：
基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；
采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；
基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；
基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；
基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。
2.根据权利要求1所述的基于Koopman算子和机器学习的信道预测方法，其特征在于，所述训练数据集包括仿真数据和现实数据；所述仿真数据为基于仿真软件仿真出不同时刻的信道状态信息的数据，所述现实数据为基站存储设备存储的历史数据。
3.根据权利要求1所述的基于Koopman算子和机器学习的信道预测方法，其特征在于，所述基于采集到的数据集对卷积神经网络进行训练，具体为：
训练数据集D，D＝{X(i)|i＝1,2,…,M}，其中，
为t(i)-L+1到t(i)时刻信道状态组成的张量，M为训练样本总数；
在训练网络时，使用随机梯度类优化算法Adam优化网络的参数θ；待优化的目标函数如公式(1)所示：
4.根据权利要求1所述的基于Koopman算子和机器学习的信道预测方法，其特征在于，所述基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；具体为：
卷积神经网络对历史时刻信道状态信息X进行卷积处理，使其映射至线性不变子空间中，得到映射变量Υ；
其中，历史时刻信道状态信息
N为发射端天线数，T为历史时间窗宽，C为输出的通道数，此处为2，即信道状态信息的实部和虚部；
卷积神经网络中使用大小为2×3的卷积核，卷积神经网络的padding设置为(1,0,1,1)；使用的激活函数为LeakyRelu如公式(2)所示：
其中，σ∈(0,1)实现对数据的非线性映射；
卷积神经网络包含L层卷积操作Conv，卷积神经网络的输出为Z∈
将每一个时间步的数据进行全连接操作FC，输出映射变量Υ如公式(3)所示：
Υ＝Encoder(X)＝FC(Conv(X)) (3)
其中，
是(T-L)×(Cout×N)的矩阵，Cout为输出通道数，L为卷积神经网络的层数，输入的窗宽满足T-L>Cout×N+1；Υ是第L+1到T时刻的隐变量的集合；
在窗宽(T-L)中的所有时刻的隐变量
近似满足线性变化，如公式(4)所示：
yt+1＝ytK (4)
其中，
K是(Cout×N)×(Cout×N)的矩阵。
5.根据权利要求1所述的基于Koopman算子和机器学习的信道预测方法，其特征在于，所述基于Koopman算子得到目标时刻不变子空间的映射向量，具体为：
基于映射变量Υ计算Koopman算子在不变子空间的有限维估计K，通过有限维估计K得到目标时刻在不变子空间的映射向量；
将映射变量Υ的第L+1到T-1时刻的向量组合为矩阵，记为Υ1，第L+2到T时刻的向量组合为矩阵Υ2，Υ1和Υ2的表达式如公式(5)和公式(6)所示：
若不考虑噪声，Υ1和Υ2的关系如公式(7)所示：
Υ2＝Υ1K (7)
在噪声满足高斯分布的假设下，矩阵K满足如公式(8)条件：
矩阵K通过最小二乘法如公式(9)、公式(10)和公式(11)得到：
通过K得到后S时间步的隐变量
6.根据权利要求1所述的基于Koopman算子和机器学习的信道预测方法，其特征在于，基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息；具体为：
全连接网络输入隐变量yt得到输出变量
再将其折叠成信道状态信息
如公式(12)所示：
Decoder(yt)＝xt (12)。
7.基于Koopman算子和机器学习的信道预测系统，其特征在于，包括：
保存模块，所述保存模块基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；
训练模块，所述训练模块用于采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；
映射模块，所述映射模块基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；
获取模块，所述获取模块基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；
转变模块，所述转变模块基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210269670.8A CN114626302A (zh) | 2022-03-18 | 2022-03-18 | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210269670.8A CN114626302A (zh) | 2022-03-18 | 2022-03-18 | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114626302A true CN114626302A (zh) | 2022-06-14 |
Family
ID=81901832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210269670.8A Pending CN114626302A (zh) | 2022-03-18 | 2022-03-18 | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626302A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634363A (zh) * | 2024-01-23 | 2024-03-01 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于量子Koopman分析的流场重构方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110230442A1 (en) * | 2008-08-15 | 2011-09-22 | Georgetown University | Na channels, disease, and related assays and compositions |
| US20180197017A1 (en) * | 2017-01-12 | 2018-07-12 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Predicting Flow of Crowds from Limited Observations |
| CN109508461A (zh) * | 2018-12-29 | 2019-03-22 | 重庆猪八戒网络有限公司 | 基于中文自然语言处理的订单价格预测方法、终端及介质 |
| CN112616184A (zh) * | 2020-12-11 | 2021-04-06 | 中国人民解放军国防科技大学 | 基于多基站信道状态信息融合的移动设备位置估计方法 |
| CN113242064A (zh) * | 2021-05-12 | 2021-08-10 | 上海科技大学 | 基于用户空域特征和信道预测的多小区调度方法 |
| CN113242557A (zh) * | 2021-03-26 | 2021-08-10 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
-
2022
- 2022-03-18 CN CN202210269670.8A patent/CN114626302A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110230442A1 (en) * | 2008-08-15 | 2011-09-22 | Georgetown University | Na channels, disease, and related assays and compositions |
| US20180197017A1 (en) * | 2017-01-12 | 2018-07-12 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Predicting Flow of Crowds from Limited Observations |
| CN109508461A (zh) * | 2018-12-29 | 2019-03-22 | 重庆猪八戒网络有限公司 | 基于中文自然语言处理的订单价格预测方法、终端及介质 |
| CN112616184A (zh) * | 2020-12-11 | 2021-04-06 | 中国人民解放军国防科技大学 | 基于多基站信道状态信息融合的移动设备位置估计方法 |
| CN113242557A (zh) * | 2021-03-26 | 2021-08-10 | 深圳大学 | 一种部分重叠信道频谱共享的深度学习方法及系统 |
| CN113242064A (zh) * | 2021-05-12 | 2021-08-10 | 上海科技大学 | 基于用户空域特征和信道预测的多小区调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHENG CHENG 等: "A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series", 《NEUROCOMPUTING 406 (2020) 》, 20 April 2020 (2020-04-20), pages 204 - 214, XP086184711, DOI: 10.1016/j.neucom.2020.04.005 * |
| 唐宝煜: "基于Koopman算子和经验模态分解的 5G Massive MIMO下行信道预测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, 15 March 2022 (2022-03-15), pages 136 - 1035 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634363A (zh) * | 2024-01-23 | 2024-03-01 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于量子Koopman分析的流场重构方法 |
| CN117634363B (zh) * | 2024-01-23 | 2024-04-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于量子Koopman分析的流场重构方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
| KR20210129031A (ko) | 모델 압축 방법, 이미지 처리 방법 및 장치 | |
| Huang et al. | Improving channel charting with representation-constrained autoencoders | |
| CN108921801B (zh) | 用于生成图像的方法和装置 | |
| CN113435509A (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
| CN114764577A (zh) | 一种基于深度神经网络的轻量级调制识别模型及其方法 | |
| CN114626302A (zh) | 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质 | |
| CN113610069A (zh) | 基于知识蒸馏的目标检测模型训练方法 | |
| Nithya et al. | Pilot based channel estimation of OFDM systems using deep learning techniques | |
| CN115775350A (zh) | 一种图像增强方法和装置、计算设备 | |
| CN112200299B (zh) | 神经网络计算装置、数据处理方法及装置 | |
| CN116663388A (zh) | 粮堆温度预测方法、装置、设备及存储介质 | |
| CN110267049A (zh) | 一种稀疏编码的存储优化方法 | |
| CN114118159A (zh) | 基于小波灰度卷积的开关柜断路器机械特性诊断方法 | |
| CN112364845B (zh) | 信噪比评估方法、装置、电子设备和存储介质 | |
| US10121224B2 (en) | Device and method of multi-dimensional frequency domain extrapolation of sensor data | |
| Rajmic et al. | Piecewise-polynomial signal segmentation using convex optimization | |
| CN114118177A (zh) | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 | |
| CN114358162A (zh) | 一种基于连续小波变换的跌倒检测方法、装置及电子设备 | |
| CN113190429A (zh) | 服务器性能预测方法、装置及终端设备 | |
| Ivanov et al. | Hybrid noise-resilient deep learning architecture for modulation classification in cognitive radio networks | |
| CN112422212A (zh) | 一种数据自适应无线通信信道预测方法、存储介质及设备 | |
| CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
| CN117222005B (zh) | 指纹定位方法、装置、电子设备及存储介质 | |
| Zeng et al. | Application of local histogram clipping equalization image enhancement in bearing fault diagnosis |
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 |