CN114826461B - 一种基于改进自适应无参数递归神经网络的无线信道状态预测方法 - Google Patents

一种基于改进自适应无参数递归神经网络的无线信道状态预测方法 Download PDF

Info

Publication number
CN114826461B
CN114826461B CN202210343477.4A CN202210343477A CN114826461B CN 114826461 B CN114826461 B CN 114826461B CN 202210343477 A CN202210343477 A CN 202210343477A CN 114826461 B CN114826461 B CN 114826461B
Authority
CN
China
Prior art keywords
eagle
csi
network
apf
channel state
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
Application number
CN202210343477.4A
Other languages
English (en)
Other versions
CN114826461A (zh
Inventor
刘庆利
曹娜
李梦倩
张振亚
杨国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University
Original Assignee
Dalian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University filed Critical Dalian University
Priority to CN202210343477.4A priority Critical patent/CN114826461B/zh
Publication of CN114826461A publication Critical patent/CN114826461A/zh
Application granted granted Critical
Publication of CN114826461B publication Critical patent/CN114826461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，包括：对信道预测问题进行建模；获取APF‑RNS网络，并根据历史数据确定隐藏层单元数、学习率的上界及下界；输入信道预测问题的训练集数据，并对所述训练集数据进行预处理；将初始化的APF‑RNS网络的隐藏层单元数和学习率作为天鹰个体，并对天鹰种群N进行设置；同时确定迭代次数的上限T以及AO算法的参数；将所述APF‑RNS网络训练集的均方差作为AO算法的适应度函数值；获取每个天鹰个体适应度函数值，并对其进行排序，选出目标值排名第一的天鹰个体Xbest；对每个所述天鹰个体执行探索与开发步骤并更新其位置，同时更新天鹰个体Xbest的位置；本发明提高了信道状态信息的预测精度。

Description

一种基于改进自适应无参数递归神经网络的无线信道状态预 测方法
技术领域
本发明涉及无线通信技术领域，具体涉及一种基于改进自适应无参数递归神经网络的无线信道状态预测方法。
背景技术
在无线通信系统的传播环境中，存在信号反射、绕射和散射等多径传播现象，以及发射端和接收端的相对移动不可避免的产生多普勒扩展，整体上使得无线信道呈现频率选择性和时变特性，导致信道状态信息(Channel State Information,CSI)的准确获取变得困难，但CSI的准确获取对于发射端和接收端的高频谱效率都至关重要。为解决上述问题，最初方法为定期使用已知的导频符号来实时估计信道，但会产生导频开销。此外，在接收端信道估计后，为了让发射端获取信道状态信息，在频分双工(Frequency Division Duplex，FDD)中需要CSI反馈，但CSI反馈消耗大量的反向链路资源，更重要的是引入了反馈延迟；或者在相反方向上发送导频，用来估计反向链路的CSI。在时分双工(Time Division Duplex，TDD)中需要假设信道互易，由于信道估计、信号处理和反馈过程中的时间延迟，发射端可用的CSI可能在实际使用前就已经过时。尤其是高移动环境中，在反馈延迟之后，信道条件可能已经改变。在这种情况下，准确的CSI更难获取。
发明内容
针对无线通信系统中信道时变特征导致信道状态预测误差大的问题，本发明提供一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其提高了信道状态信息的预测精度。
为实现上述目的，本申请提出一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，包括：
步骤一：对信道预测问题进行建模；
步骤二：获取APF-RNS网络，并根据历史数据确定隐藏层单元数、学习率的上界及下界；
步骤三：输入信道预测问题的训练集数据，并对所述训练集数据进行预处理；
步骤四：将初始化的APF-RNS网络的隐藏层单元数和学习率作为天鹰个体，并对天鹰种群N进行设置；同时确定迭代次数的上限T以及AO算法的相关参数；
步骤五：将所述APF-RNS网络训练集的均方差作为AO算法的适应度函数值，如下式所示：
其中Na为训练集数量，为CSI测量值，/>为CSI预测值；
步骤六：获取每个天鹰个体适应度函数值，并对其进行排序，选出目标值排名第一的天鹰个体Xbest；
步骤七：对每个所述天鹰个体执行探索与开发步骤并更新其位置，同时更新天鹰个体Xbest的位置；
步骤八：判断AO算法是否达到迭代次数上限，如果是，则保留最终的天鹰个体Xbest，即为最优的隐藏层单元数和学习率；反之，则循环步骤六～步骤七的操作；
步骤九：读取信道预测问题的测试集数据并进行预处理，用天鹰个体Xbest对应的隐藏层单元数和学习率更新APF-RNS网络；
步骤十：训练APF-RNS网络，使用训练好的网络模型预测信道状态信息；
步骤十一：判断是否到达训练集数据的末尾，如果是，则输出预测的全部信道状态信息；反之，则循环步骤十。
进一步的，对信道预测问题进行建模，具体为：
对于单输入单输出系统，原信号与相应接收信号的关系如式(1)所示：
y[t]＝h[t]x[t]+z[t] (1)
其中，x[t]和y[t]分别表示在发射机侧发送的信号和在接收机侧对应的接收信号，h[t]是复杂的信道状态信息，z[t]是在时间t的加性高斯白噪声；
对于多输入多输出系统，在发射端配备Nt个发射天线，接收端配备Nr个接收天线；假设发射信号为x[t]＝[x1[t],x2[t],…,xNt[t]]T，接收信号为y[t]＝[y1[t],y2[t],…,yNr[t]]T，则信道矩阵h[t]为式(2)所示：
式中h[t]ij(i＝1,2,…,Nt；j＝1,2,…,Nr)表示第i根发射天线与第j根接收天线的组合所产生的信道冲击响应。
进一步的，为了适应神经网络的输入，将信道矩阵h[t]矢量化为1×NrNt的向量，如式(3)所示：
h[t]＝[h11[t],h12[t],...,hNrNt[t]] (3)
为了获得信道状态信息，发送已知的导频符号p[t]，并且从接收信号中得出CSI的测量值如式(4)所示：
进一步的，假设测量的CSI在前P个时间步长上是已知的，则预测下R个时间步长的CSI；先预测两个相邻符号之间的CSI差，如式(5)所示：
然后，根据P-1个已知差值2≤t≤P，预测下R个差值/>P+1≤t≤P+R；最终预测的CSI，如式(6)所示：
其中，和/>是在t时间预测的CSI差值和最终预测的CSI结果。
进一步的，所述APF-RNS网络结构只有一个隐藏层，其中输入层为P-1个已知CSI差值，即2≤t≤P，然后输入到隐藏层中，所述隐藏层为K个LSTM单元，该LSTM单元通过门结构提取有用信息；所述K个LSTM单元之间有突触，形成递归网络；输出层是一个全连接层，使用线性激活函数生成2*R个实数，输出内容经过数据处理转换为R个复数即/>P+1≤t≤P+R，得到最终预测的CSI。
本发明采用的以上技术方案，与现有技术相比，具有的优点是：本申请为了提高无线信道状态的预测精度，通过设置天鹰种群为APF-RNS网络的学习率和隐藏层单元数，并将APF-RNS网络的均方差作为AO算法的寻优目标。最后，通过最优的超参数来构建网络模型去预测信道状态。在预测过程中不需要知道信道知识，如长期统计数据或信道参数，因此可推广到任何传播环境。在线训练方法还可以减少通信链路中所需的导频开销。
附图说明
图1为本发明的MIMO系统模型图；
图2为本发明的APF-RNS网络结构图；
图3为本发明的AO算法改进APF-RNS网络流程图；
图4为本发明的4种算法适应度函数对比图；
图5为本发明的测量数据-使用NIST中第一次测量数据AAPlantD1_2GHz_TX1_hpol_run4示意图；
图6为本发明的性能比较-使用NIST中第一次测量数据AAPlantD1_2GHz_TX1_hpol_run4示意图；
图7为本发明的放大预测结果-使用NIST中第一次测量数据AAPlantD1_2GHz_TX1_hpol_run4示意图；
图8为本发明的预测误差-使用NIST中第一次测量数据AAPlantD1_2GHz_TX1_hpol_run4示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
实施例1
本实施例提供一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，该方法通过天鹰优化算法寻找神经网络的隐藏层单元数和学习率的最优值，使用最优参数构建自适应无参数递归神经网络，从而提高神经网络目标函数的收敛速度和拟合效果，避免了神经网络在预测过程中预测误差大、泛化能力差的问题，进而提高信道状态信息的预测精度，如图3所示，具体实现过程为：
步骤一：对信道预测问题进行建模；
具体的，对于单输入单输出系统(SingleInput Single Output,SISO)，原信号与相应接收信号的关系如式(1)所示：
y[t]＝h[t]x[t]+z[t] (1)
其中x[t]和y[t]分别表示在发射机侧发送的信号和在接收机侧对应的接收信号，h[t]是复杂的信道状态信息，z[t]是在时间t的加性高斯白噪声。
对于多输入多输出系统(MultiInputMultiOutput,MIMO)与单输入单输出系统类似。一个典型的MIMO系统模型如图1所示。从图中可以看出此系统在发射端配备Nt个发射天线，接收端配备Nr个接收天线。假设发射信号为x[t]＝[x1[t],x2[t],…,xNt[t]]T，接收信号为y[t]＝[y1[t],y2[t],…,yNr[t]]T，则信道矩阵h[t]为式(2)所示：
式中h[t]ij(i＝1,2,…,Nt；j＝1,2,…,Nr)表示第i根发射天线与第j根接收天线的组合所产生的信道冲击响应，信号传输需要介质，在通信系统中信道就是这个介质。
为了适应神经网络的输入，需要将信道矩阵h[t]矢量化为1×NrNt的向量，如式(3)所示：
h[t]＝[h11[t],h12[t],...,hNrNt[t]] (3)
为了获得信道状态信息，发送已知的导频符号p[t]，并且可以从接收信号中得出CSI的测量值如式(4)所示：
假设测量的CSI(完美的或有噪声的)在前P个时间步长上是已知的，则系统预测下R个时间步长的CSI。在预测中不直接预测CSI而是预测两个相邻符号之间的CSI差，可以取得更好的性能。两个相邻符号之间的CSI差值如式(5)所示：
然后，根据P-1个已知差值2≤t≤P，预测下R个差值/>P+1≤t≤P+R；最终预测的CSI，如式(6)所示：
其中，和/>是在t时间预测的CSI差值和最终预测的CSI结果。
步骤二：获取APF-RNS网络，并根据历史数据确定隐藏层单元数、学习率的上界及下界；
具体的，APF-RNS是根据已知的P-1个CSI差值，预测未来R个未知CSI差值，结构如图2所示。因为神经网络的训练过程有一定的时间开销，而无线信道具有时变特征，本发明设计的网络简单高效，只有一个隐藏层。其中输入层为P-1个已知CSI差值，即2≤t≤P，然后输入到隐藏层中，隐藏层为K个LSTM单元，该LSTM通过门结构提取有用的信息，所述K个LSTM之间有突触，形成递归网络，这就使神经网络在训练阶段具有分享信息的能力。最后，输出层是一个全连接层，使用线性激活函数生成2*R个实数。输出的内容，经过数据处理转换为R个复数即/>P+1≤t≤P+R，得到最终预测的CSI。
步骤三：输入信道预测问题的训练集数据，并对所述训练集数据进行预处理；
步骤四：将初始化的APF-RNS网络的隐藏层单元数和学习率作为天鹰个体，并对天鹰种群N进行设置；同时确定迭代次数的上限T以及AO算法的相关参数；
步骤五：将所述APF-RNS网络训练集的均方差作为AO算法的适应度函数值；
具体的，适应度函数值FinessX(t)采用均方差计算，如式(7)所示。
其中Na为训练集数量，为CSI测量值，/>为CSI预测值。
步骤六：获取每个天鹰个体适应度函数值，并对其进行排序，选出目标值排名第一的天鹰个体Xbest；
步骤七：对每个所述天鹰个体执行探索与开发步骤并更新其位置，同时更新天鹰个体Xbest的位置；
步骤八：判断AO算法是否达到迭代次数上限，如果是，则保留最终的天鹰个体Xbest，即为最优的隐藏层单元数和学习率；反之，则循环步骤六～步骤七的操作；
步骤九：读取信道预测问题的测试集数据并进行预处理，用天鹰个体Xbest对应的隐藏层单元数和学习率更新APF-RNS网络；
步骤十：训练APF-RNS网络，使用训练好的网络模型预测信道状态信息；
步骤十一：判断是否到达训练集数据的末尾，如果是，则输出预测的全部信道状态信息；反之，则循环步骤十。
本发明所提方法的实验硬件环境为：11th Gen Intel(R)Core(TM)i7-1165G7@2.80GHz，内存为16.0GB，硬盘大小为512GB。实验所用版本为python3.6，keras2.3.1和tensorflow2.1.2。本发明方法仿真验证采用美国国家标准与技术研究院(NIST)的测量集，这些数据来自工业环境无线系统的原始测量数据。
为了验证AO算法改进APF-RNS(AO-APF-RNS)网络的收敛速度及寻优速度，采用适应度函数收敛曲线来对比遗传算法改进APF-RNS(GA-APF-RNS)网络、粒子群算法改进APF-RNS(PSO-APF-RNS)网络、麻雀算法改进APF-RNS(SSA-APF-RNS)网络，仿真结果如图4所示。
从图4中可以看出，4种算法在进行APF-RNS网络相关参数寻优时，GA-APF-RNS算法在整体上寻优能力较差；PSO-APF-RNS算法在寻优过程中能够不断下降，但收敛速度较慢；SSA-APF-RNS算法最初寻优能力强；AO-APF-RNS算法相较其它3种算法有更优秀的寻优能力(均方差更低)，同时算法本身有更快速的收敛速度。这是因为在天鹰在位置更新时根据天鹰的狩猎行为采用了4种更新思想，从而增加了天鹰在求解空间中探索与开发的能力，提高了算法的执行效率。
为了分析AO-APF-RNS算法预测能力，采用NIST中一条长度为40500时间戳的数据，测量数据如图5所示。从图中可以看出，在最初的4000个时间戳中，信道数据发生了巨大的变化，然后在很长一段时间(30000个时间戳)内保持较小的值，之后CSI开始再次变化，变化过程约2000个时间戳。为了验证AO-APF-RNS在复杂和多样化的真实信道中性能，采用前12000个数据作为测试集，后28500个数据作为训练集。在实验中，AO-APF-RNS网络的参数设置：天鹰种群大小为20，最大迭代次数为50，隐藏层单元数的范围在[1,50]内，学习率的范围在[0.001,0.5]内。
从图6和图8中可以看出，AO-APF-RNS在预测中表现略优于APF-RNS，同时有着更低的预测误差。但由于数据波动幅度大，看不清其中细节。为分析所提方法的预测性能，放大预测结果中3600到5000时间戳的数据。从图7中可以看出，AO-APF-RNS在面对快速下降的信道状态，所预测结果更符合现实情况。从图8中可以看出，AO-APF-RNS有着更低的预测误差，同时误差的波动范围更小。这是因为在时间戳4200到4500期间的预测结果使用时间戳3600到3900期间数据训练的网络，而时间戳3600到3900期间的CSI波动很大。当使用3900到4200时间戳中数据进行训练网络时，预测结果在时间戳4500到4800期间有所改善。在整个期间，AO算法通过获取最佳学习率，增强了网络的收敛能力，而获取到的最佳隐藏层单元数在降低了网络复杂度的同时提高了预测的准确率。
综上所述，本发明所提AO-APF-RNS方法在一定程度上可以更好的提供合理信道状态预测。正是由于AO算法在不断对APF-RNS网络的超参数进行搜索，才能更快、更准确地找到适合CSI数据集的学习率和隐藏层单元数，然后再对APF-RNS网络进行更合理的构建，从而对比其他APF-RNS算法有更好的CSI预测准确率以及有更低的预测误差。在一定程度上为信道状态预测研究提供了更加合理、高效的预测方法，提高了无线通信系统的传输效率。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (5)

1.一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，包括：
步骤一：对信道预测问题进行建模；
步骤二：获取APF-RNS网络，并根据历史数据确定隐藏层单元数、学习率的上界及下界；
步骤三：输入信道预测问题的训练集数据，并对所述训练集数据进行预处理；
步骤四：将初始化的APF-RNS网络的隐藏层单元数和学习率作为天鹰个体，并对天鹰种群N进行设置；同时确定迭代次数的上限T以及AO算法的参数；
步骤五：将所述APF-RNS网络训练集的均方差作为AO算法的适应度函数值，如下式所示：
其中Na为训练集数量，为CSI测量值，/>为CSI预测值；
步骤六：获取每个天鹰个体适应度函数值，并对其进行排序，选出目标值排名第一的天鹰个体Xbest；
步骤七：对每个所述天鹰个体执行探索与开发步骤并更新其位置，同时更新天鹰个体Xbest的位置；
步骤八：判断AO算法是否达到迭代次数上限，如果是，则保留最终的天鹰个体Xbest，即为最优的隐藏层单元数和学习率；反之，则循环步骤六～步骤七的操作；
步骤九：读取信道预测问题的测试集数据并进行预处理，用天鹰个体Xbest对应的隐藏层单元数和学习率更新APF-RNS网络；
步骤十：训练APF-RNS网络，使用训练好的网络模型预测信道状态信息；
步骤十一：判断是否到达训练集数据的末尾，如果是，则输出预测的全部信道状态信息；反之，则循环步骤十。
2.根据权利要求1所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，对信道预测问题进行建模，具体为：
对于单输入单输出系统，原信号与相应接收信号的关系如式(1)所示：
y[t]＝h[t]x[t]+z[t] (1)
其中，x[t]和y[t]分别表示在发射机侧发送的信号和在接收机侧对应的接收信号，h[t]是信道状态信息，z[t]是在时间t的加性高斯白噪声；
对于多输入多输出系统，在发射端配备Nt个发射天线，接收端配备Nr个接收天线；假设发射信号为x[t]＝[x1[t],x2[t],…,xNt[t]]T，接收信号为y[t]＝[y1[t],y2[t],…,yNr[t]]T，则信道矩阵h[t]为式(2)所示：
式中h[t]ij(i＝1,2,…,Nt；j＝1,2,…,Nr)表示第i根发射天线与第j根接收天线的组合所产生的信道冲击响应。
3.根据权利要求1所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，为了适应神经网络的输入，将信道矩阵h[t]矢量化为1×NrNt的向量，如式(3)所示：
h[t]＝[h11[t],h12[t],…,hNrNt[t]] (3)
为了获得信道状态信息，发送已知的导频符号p[t]，并且从接收信号中得出CSI的测量值如式(4)所示：
4.根据权利要求3所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，假设测量的CSI在前P个时间步长上是已知的，则预测下R个时间步长的CSI；先预测两个相邻符号之间的CSI差，如式(5)所示：
然后，根据P-1个已知差值2≤t≤P，预测下R个差值/>P+1≤t≤P+R；最终预测的CSI，如式(6)所示：
其中，和/>是在t时间预测的CSI差值和最终预测的CSI结果。
5.根据权利要求1所述一种基于改进自适应无参数递归神经网络的无线信道状态预测方法，其特征在于，所述APF-RNS网络结构只有一个隐藏层，其中输入层为P-1个已知CSI差值，即2≤t≤P，然后输入到隐藏层中，所述隐藏层为K个LSTM单元，该LSTM单元通过门结构提取有用信息；所述K个LSTM单元之间有突触，形成递归网络；输出层是一个全连接层，使用线性激活函数生成2*R个实数，输出内容经过数据处理转换为R个复数即/>P+1≤t≤P+R，得到最终预测的CSI。
CN202210343477.4A 2022-04-02 2022-04-02 一种基于改进自适应无参数递归神经网络的无线信道状态预测方法 Active CN114826461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210343477.4A CN114826461B (zh) 2022-04-02 2022-04-02 一种基于改进自适应无参数递归神经网络的无线信道状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210343477.4A CN114826461B (zh) 2022-04-02 2022-04-02 一种基于改进自适应无参数递归神经网络的无线信道状态预测方法

Publications (2)

Publication Number Publication Date
CN114826461A CN114826461A (zh) 2022-07-29
CN114826461B true CN114826461B (zh) 2023-09-26

Family

ID=82533414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210343477.4A Active CN114826461B (zh) 2022-04-02 2022-04-02 一种基于改进自适应无参数递归神经网络的无线信道状态预测方法

Country Status (1)

Country Link
CN (1) CN114826461B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
WO2021203242A1 (zh) * 2020-04-07 2021-10-14 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021203242A1 (zh) * 2020-04-07 2021-10-14 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进SFLA-BP神经网络在遮盖干扰信号识别应用;杨洁;褚书培;;传感器与微系统(08);全文 *

Also Published As

Publication number Publication date
CN114826461A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Taha et al. Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation
CN105790813B (zh) 一种大规模mimo下基于深度学习的码本选择方法
CN113411110B (zh) 一种基于深度强化学习的毫米波通信波束训练方法
Zhu et al. An adaptive and parameter-free recurrent neural structure for wireless channel prediction
Jiang et al. Multi-antenna fading channel prediction empowered by artificial intelligence
Jiang et al. Neural network-based channel prediction and its performance in multi-antenna systems
CN110708129B (zh) 一种无线信道状态信息获取方法
Svantesson et al. A performance bound for prediction of MIMO channels
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN113452642A (zh) 一种可重构智能表面增强的siso-ofdm下行传输方法
KR20220013906A (ko) 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치
CN114567358B (zh) 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
CN114844545A (zh) 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法
CN109951216B (zh) 一种基于码本辅助的大规模mimo doa估计方法
Pereira-Ruisánchez et al. Deep contextual bandit and reinforcement learning for IRS-assisted MU-MIMO systems
Zhang et al. Active sensing for localization with reconfigurable intelligent surface
Yin et al. Joint active and passive beamforming optimization for multi-IRS-assisted wireless communication systems: A covariance matrix adaptation evolution strategy
CN114826461B (zh) 一种基于改进自适应无参数递归神经网络的无线信道状态预测方法
Shi et al. Active RIS-aided EH-NOMA networks: a deep reinforcement learning approach
CN112911610A (zh) 一种面向无线通信网络优化的信道波束图样拓展方法
CN116170066A (zh) 一种面向低轨卫星物联网的负载预测方法
Evmorfos et al. Actor-critic methods for IRS design in correlated channel environments: A closer look into the neural tangent kernel of the critic
CN115549745A (zh) Ris相移设计方法、装置、计算机设备及存储介质
Liu et al. Wireless channel state prediction method based on improved adaptive and parameter-free recurrent neural structure
Ali et al. A novel application of pattern search algorithm for efficient estimation of channel state information in MIMO network

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