CN115189990A - 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统 - Google Patents

一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统 Download PDF

Info

Publication number
CN115189990A
CN115189990A CN202210745981.7A CN202210745981A CN115189990A CN 115189990 A CN115189990 A CN 115189990A CN 202210745981 A CN202210745981 A CN 202210745981A CN 115189990 A CN115189990 A CN 115189990A
Authority
CN
China
Prior art keywords
delay tap
time delay
learning network
krill
cyclic
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.)
Granted
Application number
CN202210745981.7A
Other languages
English (en)
Other versions
CN115189990B (zh
Inventor
隋永波
高辉
蒋国平
陈璐
徐霄
杨璐彤
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210745981.7A priority Critical patent/CN115189990B/zh
Publication of CN115189990A publication Critical patent/CN115189990A/zh
Application granted granted Critical
Publication of CN115189990B publication Critical patent/CN115189990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L25/0224—Channel estimation using sounding signals
    • 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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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
    • H04L25/0212—Channel estimation of impulse response
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种基于循环储蓄学习网络的OFDM时域信道预测方法及系统，属于无线通信自适应传输技术领域。其中，本发明通过时延抽头平均值强度比较的方法解决信道脉冲响应真实时延抽头的辨识问题；接着，对每一个辨识出的真实时延抽头建立循环储蓄学习网络的训练和预测模型；最后，将获得到的各个时延抽头的预测值通过傅里叶变换转换为频域信道状态信息。其中，为了提高信道预测器的泛化能力，本发明构造了动态统一收缩网络对循环储蓄学习网络的输出权重进行惩戒；本发明可以提供满意的预测性能，而且可以输出稀疏的输出权重，减小了对内存存储的要求。本发明为实现无线通信的自适应传输和自适应编码等提供了保障。

Description

一种基于循环储蓄学习网络的OFDM时域信道预测方法及系统
技术领域
本发明属于无线通信自适应传输技术领域，更具体地，涉及一种基于循环储蓄学习网络的OFDM时域信道预测方法及系统。
背景技术
在无线通信中，OFDM调制技术可以有效地解决大宽带系统带来的频率选择性衰落问题，大大地提高了无线信号的发射容量和稳定性。因此，OFDM通信技术成为了4G通信中核心技术，也是下一代无线通信的核心技术。随着科技的发展，无线通信的自适应传输是未来发展的趋势。然而由于衰落信道的快速变化，从接收端反馈到发送端的信道信息容易过期。信道预测可以有效地解决上述问题。在OFDM无线通信系统中，时域信道预测比频域信道预测具有更高的预测精度。因此，在OFDM无线通信系统中，时域信道预测是当前研究的主要热点。
针对于OFDM无线通信系统的时域信道预测，参考申请号202010260603.0的技术发明专利公开了一种基于极限学习机的时域信道预测方法。该技术发明专利主要利用了极限学习机作为时域信道预测主体，通过l2正则化和l1/2正则化相结合的方式构造了极限学习机的输出权重估计网络。该技术发明专利可以解决OFDM无线通信系统的时域信道预测问题，然而仍然具有不足，包括：1)极限学习机可以高效率地拟合真实时延抽头的变化趋势，然而对动态变化趋势不具有记录能力；2)l2正则化和l1/2正则化相构造的输出权重网络可调参数较多，不具有联合协调能力。因此，面向于OFDM无线通信系统，进一步提供一种更有效的时域信道预测方法和系统，具有重要的意义。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于循环储蓄学习网络的OFDM时域信道预测方法及系统，由此解决为OFDM系统提供一种更有效的信道预测的技术问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于循环储蓄学习网络的OFDM时域信道预测方法，包括以下步骤：
通过信道估计，获取OFDM无线通信系统导频子载波的频域信道状态信息；
通过插值算法对子载波的信道状态信息进行插值，获取OFDM符号对应的频域信道状态信息，并通过反傅里叶变换进行频时转换，获取OFDM符号对应的信道脉冲响应采样值；
通过真实时延抽头辨识方法对信道脉冲响应中真实时延抽头进行辨识，对信道脉冲响应中真实时延抽头与其他时延抽头进行区分；
通过循环储蓄学习网络对信道脉冲响应中辨识出的每个真实时延抽头进行预测，获得每个真实时延抽头的下一时刻的预测值；
将预测得到的各个时延抽头的下一时刻的信息进行汇总后，通过傅里叶变换进行时频转换，获得预测的频域信道信息。
进一步的，真实时延抽头的辨识方法包括：
计算第l个时延抽头复值采样点的平均值，即
Figure BDA0003719364470000021
其中，l＝0,1,2,...,Lcp，Lcp是循环前缀的长度，E(*)表示平均值函数；
对各个时延抽头平均值的强度进行排列，ls个最大时延抽头定义被真实时延抽头，其他时延抽头被定义为非真实时延抽头，ls是真实时延抽头的个数。
进一步的，对辨识出的真实时延抽头的预测过程包括：
Figure BDA0003719364470000031
其中，
Figure BDA0003719364470000032
表示第l个辨识真实时延抽头的第z个采样点的实际复值增益，
Figure BDA0003719364470000033
表示第l个辨识真实时延抽头的第(z+L+1)个预测采样点的复增益值，F(*)表示循环储蓄学习网络预测器，l＝0,1,2,...,K-1，K表示OFDM符号中包含子载波的总数目；
即针对第l个辨识真实时延抽头，发射端可以利用过去L个采样点预测下一个采样点的值；L表示发射端预测下一个采样点所使用的历史采样点数目。
进一步的，对其他时延抽头的预测过程包括：
Figure BDA0003719364470000034
即对其他时延抽头的第(z+L+1)个预测采样点直接设为0。
进一步的，所述循环储蓄学习网络的训练方法包括：
定义储蓄池的规模M，初始化储蓄池的内部连接权重矩阵
Figure BDA0003719364470000035
其中，初始化储蓄池的内部连接权重矩阵的方式为：
Wl＝αS(I) (4)
其中，α为0-1之间的随机数，S(*)表示矩阵转移函数，
Figure BDA0003719364470000036
表示单位矩阵；通过谱半径ρl对储蓄池的内部连接权重矩阵进行缩放，计算公式如下：
Wl＝Wl*(1/ρl) (5)
对第l个真实时延抽头定义预测器的输入和输出矩阵，即
Figure BDA0003719364470000037
其中，
Figure BDA0003719364470000038
表示第k次状态更新过程中第l个真实时延抽头第z个实际复值采样点，k＝1,2,3,...,Ns，Ns是在训练过程中储蓄池的更新次数；[*]T表示转置操作；循环储蓄学习网络的内部状态可以通过下式进行更新，即
Figure BDA0003719364470000041
其中，xl(k)表示利用第l个真实时延抽头对储蓄池第k次状态更新对应的储蓄池状态；tanh(*)表示非线性映射函数，
Figure BDA0003719364470000042
表示对应第l个真实时延抽头的循环储蓄学习网络中输入层与储蓄池之间的连接矩阵；[:]表示矩阵连接操作，Wout,l表示对应第l个真实时延抽头的循环储蓄学习网络中输出权重矩阵；输出权重矩阵利用动态统一收缩网络进行估计。
进一步的，所述针对于第l个真实时延抽头的循环储蓄学习网络的损失函数为：
Figure BDA0003719364470000043
其中，h表示预测步数，yj(k)表示第j步预测对应的第k个输出，x(k)表示第第k个输入，wj表示第j步预测对应的输出矩阵，λ表示惩戒参数，M(λ)是关于惩戒参数λ的非线性映射函数，通常定义为S型映射函数；
Figure BDA0003719364470000044
分别表示l2范数、l1范数和l1/2范数；
所述损失函数可以进一步推导为
Figure BDA0003719364470000045
进一步可以表示为
Figure BDA0003719364470000046
其中，Jl,j表示对于第l个真实时延抽头第j个最优化求解问题，j＝1,2,3,...,h；基于公式(10)，可以进一步获得
Figure BDA0003719364470000051
其中，
Figure BDA0003719364470000052
Figure BDA0003719364470000053
Figure BDA0003719364470000054
λc＝λsign((1+M(λ))1/2)-1 (15)
λS＝λ(1+M(λ))-1/4 (16)
Wout＝[Wout,1,Wout,2,...,Wout,h] (17)
其中，sign(*)是符号函数；λc和λs都是中间变量。
进一步的，所述损失函数的最优化问题(11)可以进一步通过采用扰动飞行磷虾优化算法对所述的损失函数进行求解。
进一步的，所述扰动飞行磷虾优化算法的计算过程包括：
步骤A：初始化相关超参数，如磷虾的个体数目P，最大迭代次数G，觅食速度Vf，最大速度Nmax；在特定的范围内随机初始化磷虾个体的状态空间
Figure BDA0003719364470000055
计算各个磷虾个体在公式(11)的适应值F；
步骤B：定义并初始化磷虾个体的标签k＝1；
步骤C：对于第k个磷虾个体找到历史最佳的空间矢量位置
Figure BDA0003719364470000056
找到磷虾群个体全局最佳矢量位置Fglo，k＝1,2,3,...,P；
步骤D：对于第k个磷虾个体，通过下式更新由其他磷虾个体导致的运动矢量，即
Figure BDA0003719364470000061
其中，
Figure BDA0003719364470000062
Figure BDA0003719364470000063
Figure BDA0003719364470000064
和
Figure BDA0003719364470000065
分别表示第k个磷虾个体被其他磷虾个体引起的局部吸引作用和最优磷虾个体引起的全局吸引作用；
Figure BDA00037193644700000610
和μ均为0和1之间的随机数；ε为超参数；Xglo和Fglo分别为全局最优磷虾个体的空间矢量位置和适应值；
步骤E：对于第k个磷虾个体，通过下式更新由觅食运动引起的矢量更新，即
Figure BDA0003719364470000066
Figure BDA0003719364470000067
其中，βk(n)为中间变量，不做单独定义；Xfood(n)和Ffood(n)分别为第n次迭代时估计的食物源的空间矢量和对应的适应值；Xbest和Fbest分别为第k个磷虾个体在历次迭代最优的适量空间和适应值；
步骤F：对于第k个磷虾个体，通过下式更新随机飞行引起的矢量更新，即
Figure BDA0003719364470000068
其中，ξ～N(*)表示正太分布函数，
Figure BDA0003719364470000069
Figure BDA0003719364470000071
υ为缩放因子，σ为标准差，θ为调节系数；H表示伽马函数；由于伽马函数为数学中常见的非线性函数，本专利不再进一步解释其具体计算过程；
步骤G：第k个磷虾个体第n个迭代的空间矢量位置可以通过下式更新，即
Xk(n+1)＝Xk(n)+Zk(n+1)+Ck(n+1)+Vk(n+1) (26)
其中，Xk(n)表示第k个磷虾个体在第n次迭代的空间矢量位置，Zk(n)、Ck(n)和Vk(n)分别表示第k个磷虾个体在第n+1次迭代其他磷虾个体导致的运动矢量、觅食运动矢量和随机运动矢量；
步骤H：判断是否完成所有磷虾个体的状态更新或是否达到最大迭代次数；如果完成所有磷虾个体的状态更新或达到最大迭代次数，那么跳出迭代循环，输出最优权重结果；如否，那么k＝k+1，并返回步骤C。
第二方面，本发明提供一种基于循环储蓄学习网络的OFDM时域信道预测系统，包括：
信道估计模块，用于通过信道估计，获取OFDM无线通信系统导频子载波的频域信道状态信息；
网络分析仪模块，用于通过插值算法对子载波的信道状态信息进行插值，获取OFDM符号对应的频域信道状态信息，并通过反傅里叶变换进行频时转换，获取OFDM符号对应的信道脉冲响应采样值；
预处理模块，用于通过真实时延抽头辨识方法对信道脉冲响应中真实时延抽头进行辨识，对信道脉冲响应中真实时延抽头与其他时延抽头进行区分；
预测器模块，用于通过循环储蓄学习网络对信道脉冲响应中辨识出的每个真实时延抽头进行预测，获得每个真实时延抽头的下一时刻的预测值；
输出模块，用于将预测得到的各个时延抽头的下一时刻的信息进行汇总后，通过傅里叶变换进行时频转换，获得预测的频域信道信息。
进一步的，所述系统还包括：
损失函数计算模块：用于对损失函数进行计算，并采用扰动飞行磷虾优化算法对所述循环储蓄学习网络的输出权重矩阵进行计算，获得所述最优输出权重；
所述循环储蓄学习网络的损失函数为
Figure BDA0003719364470000081
其中，h表示预测步数，yj(k)表示第j步预测对应的第k个输出，x(k)表示第第k个输入，wj表示第j步预测对应的输出矩阵，λ表示惩戒参数，M(λ)是关于惩戒参数λ的非线性映射函数，通常定义为S型映射函数；
Figure BDA0003719364470000082
分别表示l2范数、l1范数和l1/2范数。
第三方面，本发明还提供了一种基于循环储蓄学习网络的OFDM时域信道预测系统，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明的OFDM无线通信系统的时域信道预测方法，可以利用循环储蓄学习系统对每个辨识出的真实时延抽头进行预测，准确性好，信道预测更加有效。
为了有效解决真实时延抽头辨识的问题，本发明公布了一种抽头平均功率比较的方法。
为了提高预测器对真实时延抽头复杂潜在动态特性的拟合性能，本发明公布了一种循环储蓄池的学习网络，并构造了一种用于估计输出权重矩阵的联调惩戒网络。
此外，本发明为了有效求解联调惩戒网络，公布了一种基于扰动飞行磷虾优化算法。因此，本发明可以实现很好的预测性能，还可以产生稀疏的输出权重解。
本发明对未来自适应通信技术，例如自适应编码、自适应调制和自适应预测等奠定了基础。
附图说明
图1是本发明实施例提供的一种设备连接图；
图2是本发明实施例提供的一种时域预测方法的流程示意图；
图3是本发明实施例提供的一种基于循环储蓄学习网络的OFDM无线通信系统的时域信道预测系统。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图2所示是本发明实施例提供的一种适用于OFDM无线通信系统的时域信道预测方法的流程示意图，该方法包括以下步骤：
步骤S1：通过信道估计，获取OFDM无线通信系统每个天线对的频域信道信息；
步骤S2：通过傅里叶逆变换，获取OFDM无线通信系统信道脉冲响应的抽头信息
Figure BDA0003719364470000091
l＝1,2,3,...,K，K是OFDM符号中子载波的总数目。
步骤S3：通过真实抽头辨识方法对信道脉冲响应中真实时延抽头进行辨识；
在本发明实施案例中，步骤S3具体可以通过以下方式实现：
步骤S31：计算第l个时延抽头复采样值的平均值
Figure BDA0003719364470000101
进一步计算平均值的强度
Figure BDA0003719364470000102
l＝1,2,3,...,Lcp，Lcp是循环前缀的长度。
步骤S32：对各个时延抽头的平均值强度进行从大到小排列。本专利定义前Ls平均值强度对应的时延抽头为真实时延抽头。
步骤S4：判断第l个时延抽头是否是真实时延抽头。如果否，那么跳到步骤S6；
步骤S5：利用第l个时延抽头复值采样点训练循环储蓄学习网络(该网络隶属于RNN的一种模型)；
在本发明实施案例中，步骤S5具体可以通过以下方式实现：
步骤S51：定义储蓄池的规模M，初始化储蓄池的内部连接权重矩阵
Figure BDA0003719364470000103
其中，初始化储蓄池的内部连接权重矩阵的方式为
Wl＝αS(I) (4)
其中，α为0-1之间的随机数，S(*)表示矩阵转移函数，
Figure BDA0003719364470000104
表示单位矩阵。通过谱半径ρl对储蓄池的内部连接权重矩阵进行缩放。计算公式如下：
Wl＝Wl*(1/ρl) (5)
步骤S52：对第l个真实时延抽头定义预测器的输入和输出矩阵，即
Figure BDA0003719364470000105
其中，
Figure BDA0003719364470000106
表示第k次状态更新过程中第l个真实时延抽头第z个实际复值采样点，k＝1,2,3,...,Ns，Ns是在训练过程中储蓄池的更新次数。[*]T表示转置操作。
步骤S53：利用下式更新循环储蓄学习网络的内部状态，
Figure BDA0003719364470000107
其中，xl(k)表示利用第l个真实时延抽头对储蓄池第k次状态更新对应的储蓄池状态。tanh(*)表示非线性映射函数，
Figure BDA0003719364470000111
表示对应第l个真实时延抽头的循环储蓄学习网络中输入层与储蓄池之间的连接矩阵。[:]表示矩阵连接操作，Wout,l表示第l个真实时延抽头对应的循环储蓄学习网络中输出权重矩阵。
步骤S54：为了方便阐述输出权重矩阵的计算过程，本专利对此解释部分的部分符号进行适当修订。本专利利用下式估算循环储蓄学习网络的输出权重矩阵，即
Figure BDA0003719364470000112
其中，h表示预测步数，yj(k)表示第j步预测对应的第k个输出，x(k)表示第第k个输入，wj表示第j步预测对应的输出矩阵，λ表示惩戒参数，M(λ)是关于惩戒参数λ的非线性映射函数，通常定义为S型映射函数。
Figure BDA0003719364470000113
分别表示l2范数、l1范数和l1/2范数。
优选地，所述损失函数(8)可以进一步推导为
Figure BDA0003719364470000114
进一步可以表示为
Figure BDA0003719364470000115
其中，Jl,j表示对于第l个真实时延抽头第j个最优化求解问题，j＝1,2,3,...,h。基于公式(10)，可以进一步获得
Figure BDA0003719364470000121
其中，
Figure BDA0003719364470000122
Figure BDA0003719364470000123
Figure BDA0003719364470000124
λc＝λsign((1+M(λ))1/2)-1 (15)
λS＝λ(1+M(λ))-1/4 (16)
Wout＝[Wout,1,Wout,2,...,Wout,h] (17)
其中，sign(*)是符号函数。λc和λs都是中间变量，不再单独定义。
步骤S6：本专利采用扰动飞行磷虾优化算法对所述的损失函数进行求解，获得所述公式(11)的最优解，进一步获得循环储蓄学习网络的最优输出权重矩阵。
在本发明实施案例中，步骤S6具体可以通过以下方式实现：
步骤S61：初始化相关超参数，如磷虾的个体数目P，最大迭代次数G，觅食速度Vf，最大速度Nmax。在特定的范围内随机初始化磷虾个体的状态空间
Figure BDA0003719364470000125
计算各个磷虾个体在公式(11)的适应值F。
步骤S62：定义并初始化磷虾个体的标签k＝1。
步骤S63：对于第k个磷虾个体找到历史最佳的空间矢量位置
Figure BDA0003719364470000131
找到磷虾群个体全局最佳矢量位置Fglo，k＝1,2,3,...,P；
步骤S64：对于第k个磷虾个体，通过下式更新由其他磷虾个体导致的运动矢量，即
Figure BDA0003719364470000132
其中，
Figure BDA0003719364470000133
Figure BDA0003719364470000134
Figure BDA0003719364470000135
和
Figure BDA0003719364470000136
分别表示第k个磷虾个体被其他磷虾个体引起的局部吸引作用和最优磷虾个体引起的全局吸引作用。
Figure BDA00037193644700001310
和μ均为0和1之间的随机数。ε为一个极小的超参数。Xglo和Fglo分别为全局最优磷虾个体的空间矢量位置和适应值。
步骤S65：对于第k个磷虾个体，通过下式更新由觅食运动引起的矢量更新，即
Figure BDA0003719364470000137
Figure BDA0003719364470000138
其中，βk(n)为中间变量，不做单独定义。Xfood(n)和Ffood(n)分别为第n次迭代时估计的食物源的空间矢量和对应的适应值。Xbest和Fbest分别为第k个磷虾个体在历次迭代最优的适量空间和适应值。
步骤S66：对于第k个磷虾个体，通过下式更新随机飞行引起的矢量更新，即
Figure BDA0003719364470000139
其中，ξ～N(*)表示正太分布函数，
Figure BDA0003719364470000141
Figure BDA0003719364470000142
υ为缩放因子，σ为标准差，θ为调节系数。H表示伽马函数。由于伽马函数为数学中常见的非线性函数，本专利不再进一步解释其具体计算过程。
步骤S67：第k个磷虾个体第n个迭代的空间矢量位置可以通过下式更新，即
Xk(n+1)＝Xk(n)+Zk(n+1)+Ck(n+1)+Vk(n+1) (26)
其中，Xk(n)表示第k个磷虾个体在第n次迭代的空间矢量位置，Zk(n)、Ck(n)和Vk(n)分别表示第k个磷虾个体在第n+1次迭代其他磷虾个体导致的运动矢量、觅食运动矢量和随机运动矢量。
步骤S68：判断是否达完成所有磷虾个体的状态更新。如否，那么k＝k+1，并返回步骤S63；
步骤S69：判断是否达到最大迭代次数。如是，那么跳出迭代循环，输出最优权重结果。
步骤S7：设置第l个时延抽头下一个采样预测值为0；
步骤S8：汇集各个时延抽头的下一个采样预测值，利用傅里叶变换获得频域信道状态信息的预测值；
步骤S9：输出预测结果。
实施例二：
如图3所示，本实施例提供了一种基于循环储蓄学习网络的OFDM时域信道预测系统，包括：
频域信道估计模块201，用于通过信道估计，获取OFDM频域信道信息；
预处理模块202，用于获取信道脉冲响应的抽头采样数据；
真实时延抽头辨识模块203，用于对信道脉冲响应的真实时延抽头进行辨识；
初始化储蓄池学习网络计算模块204，用于初始化用于真实时延抽头预测的储蓄池学习网络预测器；
优化算法运算模块205，用于初始化随机飞行扰动磷虾优化算法的相关参数，并对储蓄池学习网络的损失函数进行求解；
真实时延抽头信息预测模块206，用训练好的储蓄池学习网络对真实时延抽头进行预测；
输出模块207，用于将预测得到的真实时延抽头的下一时刻的信道信息进行汇总后，利用傅里叶变换转换为预测的频域信道信息。
其中，各模块的具体实施方式可以参考上述方法实施例一的描述，本发明实施例将不再复述。
实施例三：
提供了一种基于循环储蓄学习网络的OFDM时域信道预测系统，包括：
信道估计模块：用于通过信道估计，获取OFDM无线通信导频OFDM符号的频域信道状态信息；
变换模块：用于通过傅里叶逆变换所述频域信道状态信息，获取对应的信道脉冲响应采样值；
辨识模块：用于通过真实时延抽头辨识方法对所述信道脉冲响应采样值的真实时延抽头进行辨识和选择，辨识出真实时延抽头和非真实时延抽头；
预测模块：用于利用训练好的循环储蓄学习网络对辨识出的真实时延抽头进行预测，获取真实时延抽头下一个时刻的采样预测值，以及预测获得非真实时延抽头的下一个时刻的采样预测值；
输出模块：用于汇集各个时延抽头的下一个采样预测值，利用傅里叶变换获得频域信道状态信息的预测值，并输出预测结果。
优选地，所述系统还包括：
损失函数计算模块：用于对损失函数进行计算，并采用扰动飞行磷虾优化算法对所述循环储蓄学习网络的输出权重矩阵进行计算，获得所述最优输出权重。
本实施例还提供了一种基于循环储蓄学习网络的OFDM时域信道预测系统，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于循环储蓄学习网络的OFDM时域信道预测方法，其特征包括：
通过信道估计，获取OFDM无线通信系统导频子载波的频域信道状态信息；
通过插值算法对子载波的信道状态信息进行插值，获取OFDM符号对应的频域信道状态信息，并通过反傅里叶变换进行频时转换，获取OFDM符号对应的信道脉冲响应采样值；
通过真实时延抽头辨识方法对信道脉冲响应中真实时延抽头进行辨识，对信道脉冲响应中真实时延抽头与其他时延抽头进行区分；
通过循环储蓄学习网络对信道脉冲响应中辨识出的每个真实时延抽头进行预测，获得每个真实时延抽头的下一时刻的预测值；
将预测得到的各个时延抽头的下一时刻的信息进行汇总后，通过傅里叶变换进行时频转换，获得预测的频域信道信息。
2.根据权利要求1所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，真实时延抽头的辨识方法包括：
计算第l个时延抽头复值采样点的平均值，即
Figure FDA0003719364460000011
其中，l＝0,1,2,...,Lcp，Lcp是循环前缀的长度，E(*)表示平均值函数；
对各个时延抽头平均值的强度进行排列，ls个最大时延抽头定义被真实时延抽头，其他时延抽头被定义为非真实时延抽头，ls是真实时延抽头的个数。
3.根据权利要求1所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，对辨识出的真实时延抽头的预测过程包括：
Figure FDA0003719364460000012
其中，
Figure FDA0003719364460000013
表示第l个辨识真实时延抽头的第z个采样点的实际复值增益，
Figure FDA0003719364460000021
表示第l个辨识真实时延抽头的第(z+L+1)个预测采样点的复增益值，F(*)表示循环储蓄学习网络预测器，l＝0,1,2,...,K-1，K表示OFDM符号中包含子载波的总数目；
即针对第l个辨识真实时延抽头，发射端可以利用过去L个采样点预测下一个采样点的值；L表示发射端预测下一个采样点所使用的历史采样点数目。
4.根据权利要求1所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，对其他时延抽头的预测过程包括：
Figure FDA0003719364460000022
即对其他时延抽头的第(z+L+1)个预测采样点直接设为0。
5.根据权利要求1所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，所述循环储蓄学习网络的训练方法包括：
定义储蓄池的规模M，初始化储蓄池的内部连接权重矩阵
Figure FDA0003719364460000023
其中，初始化储蓄池的内部连接权重矩阵的方式为：
Wl＝αS(I) (4)
其中，α为0-1之间的随机数，S(*)表示矩阵转移函数，
Figure FDA0003719364460000024
表示单位矩阵；
通过谱半径ρl对储蓄池的内部连接权重矩阵进行缩放，计算公式如下：
Wl＝Wl*(1/ρl) (5)
对第l个真实时延抽头定义预测器的输入和输出矩阵，即
Figure FDA0003719364460000025
其中，
Figure FDA0003719364460000026
表示第k次状态更新过程中第l个真实时延抽头第z个实际复值采样点，k＝1,2,3,...,Ns，Ns是在训练过程中储蓄池的更新次数；[*]T表示转置操作；循环储蓄学习网络的内部状态可以通过下式进行更新，即
Figure FDA0003719364460000027
其中，xl(k)表示利用第l个真实时延抽头对储蓄池第k次状态更新对应的储蓄池状态；tanh(*)表示非线性映射函数，
Figure FDA0003719364460000031
表示对应第l个真实时延抽头的循环储蓄学习网络中输入层与储蓄池之间的连接矩阵；[:]表示矩阵连接操作，Wout,l表示对应第l个真实时延抽头的循环储蓄学习网络中输出权重矩阵；输出权重矩阵利用动态统一收缩网络进行估计。
6.根据权利要求5所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，所述针对于第l个真实时延抽头的循环储蓄学习网络的损失函数为：
Figure FDA0003719364460000032
其中，h表示预测步数，yj(k)表示第j步预测对应的第k个输出，x(k)表示第第k个输入，wj表示第j步预测对应的输出矩阵，λ表示惩戒参数，M(λ)是关于惩戒参数λ的非线性映射函数，通常定义为S型映射函数；
Figure FDA0003719364460000033
||*||和
Figure FDA0003719364460000034
分别表示l2范数、l1范数和l1/2范数；
所述损失函数可以进一步推导为
Figure FDA0003719364460000035
进一步可以表示为
Figure FDA0003719364460000036
其中，Jl,j表示对于第l个真实时延抽头第j个最优化求解问题，j＝1,2,3,...,h；基于公式(10)，可以进一步获得
Figure FDA0003719364460000041
其中，
Figure FDA0003719364460000042
Figure FDA0003719364460000043
Figure FDA0003719364460000044
λc＝λsign((1+M (λ))1/2)-1 (15)
λS＝λ(1+M (λ))-1/4 (16)
Wout＝[Wout,1,Wout,2,...,Wout,h] (17)
其中，sign(*)是符号函数；λc和λs都是中间变量。
7.根据权利要求6所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，所述损失函数的最优化问题(11)可以进一步通过采用扰动飞行磷虾优化算法对所述的损失函数进行求解。
8.根据权利要求7所述的基于循环储蓄学习网络的OFDM时域信道预测方法，其特征在于，所述扰动飞行磷虾优化算法的计算过程包括：
步骤A：初始化相关超参数，如磷虾的个体数目P，最大迭代次数G，觅食速度Vf，最大速度Nmax；在特定的范围内随机初始化磷虾个体的状态空间
Figure FDA0003719364460000045
计算各个磷虾个体在公式(11)的适应值F；
步骤B：定义并初始化磷虾个体的标签k＝1；
步骤C：对于第k个磷虾个体找到历史最佳的空间矢量位置
Figure FDA0003719364460000051
找到磷虾群个体全局最佳矢量位置Fglo，k＝1,2,3,...,P；
步骤D：对于第k个磷虾个体，通过下式更新由其他磷虾个体导致的运动矢量，即
Figure FDA0003719364460000052
其中，
Figure FDA0003719364460000053
Figure FDA0003719364460000054
Figure FDA0003719364460000055
和
Figure FDA0003719364460000056
分别表示第k个磷虾个体被其他磷虾个体引起的局部吸引作用和最优磷虾个体引起的全局吸引作用；
Figure FDA0003719364460000057
和μ均为0和1之间的随机数；ε为超参数；Xglo和Fglo分别为全局最优磷虾个体的空间矢量位置和适应值；
步骤E：对于第k个磷虾个体，通过下式更新由觅食运动引起的矢量更新，即
Figure FDA0003719364460000058
Figure FDA0003719364460000059
其中，βk(n)为中间变量，不做单独定义；Xfood(n)和Ffood(n)分别为第n次迭代时估计的食物源的空间矢量和对应的适应值；Xbest和Fbest分别为第k个磷虾个体在历次迭代最优的适量空间和适应值；
步骤F：对于第k个磷虾个体，通过下式更新随机飞行引起的矢量更新，即
Figure FDA00037193644600000510
其中，ξ～N(*)表示正太分布函数，
Figure FDA0003719364460000061
Figure FDA0003719364460000062
υ为缩放因子，σ为标准差，θ为调节系数；H表示伽马函数；由于伽马函数为数学中常见的非线性函数，本专利不再进一步解释其具体计算过程；
步骤G：第k个磷虾个体第n个迭代的空间矢量位置可以通过下式更新，即
Xk(n+1)＝Xk(n)+Zk(n+1)+Ck(n+1)+Vk(n+1) (26)
其中，Xk(n)表示第k个磷虾个体在第n次迭代的空间矢量位置，Zk(n)、Ck(n)和Vk(n)分别表示第k个磷虾个体在第n+1次迭代其他磷虾个体导致的运动矢量、觅食运动矢量和随机运动矢量；
步骤H：判断是否完成所有磷虾个体的状态更新或是否达到最大迭代次数；如果完成所有磷虾个体的状态更新或达到最大迭代次数，那么跳出迭代循环，输出最优权重结果；如否，那么k＝k+1，并返回步骤C。
9.一种基于循环储蓄学习网络的OFDM时域信道预测系统，其特征在于，包括：
信道估计模块，用于通过信道估计，获取OFDM无线通信系统导频子载波的频域信道状态信息；
网络分析仪模块，用于通过插值算法对子载波的信道状态信息进行插值，获取OFDM符号对应的频域信道状态信息，并通过反傅里叶变换进行频时转换，获取OFDM符号对应的信道脉冲响应采样值；
预处理模块，用于通过真实时延抽头辨识方法对信道脉冲响应中真实时延抽头进行辨识，对信道脉冲响应中真实时延抽头与其他时延抽头进行区分；
预测器模块，用于通过循环储蓄学习网络对信道脉冲响应中辨识出的每个真实时延抽头进行预测，获得每个真实时延抽头的下一时刻的预测值；
输出模块，用于将预测得到的各个时延抽头的下一时刻的信息进行汇总后，通过傅里叶变换进行时频转换，获得预测的频域信道信息。
10.根据权利要求8所述的基于循环储蓄学习网络的OFDM时域信道预测系统，其特征在于，所述系统还包括：
损失函数计算模块：用于对损失函数进行计算，并采用扰动飞行磷虾优化算法对所述循环储蓄学习网络的输出权重矩阵进行计算，获得所述最优输出权重；
所述循环储蓄学习网络的损失函数为
Figure FDA0003719364460000071
其中，h表示预测步数，yj(k)表示第j步预测对应的第k个输出，x(k)表示第第k个输入，wj表示第j步预测对应的输出矩阵，λ表示惩戒参数，M(λ)是关于惩戒参数λ的非线性映射函数，通常定义为S型映射函数；
Figure FDA0003719364460000072
||*||和
Figure FDA0003719364460000073
分别表示l2范数、l1范数和l1/2范数。
CN202210745981.7A 2022-06-29 2022-06-29 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统 Active CN115189990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210745981.7A CN115189990B (zh) 2022-06-29 2022-06-29 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210745981.7A CN115189990B (zh) 2022-06-29 2022-06-29 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统

Publications (2)

Publication Number Publication Date
CN115189990A true CN115189990A (zh) 2022-10-14
CN115189990B CN115189990B (zh) 2023-05-30

Family

ID=83514469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210745981.7A Active CN115189990B (zh) 2022-06-29 2022-06-29 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统

Country Status (1)

Country Link
CN (1) CN115189990B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115767756A (zh) * 2022-11-02 2023-03-07 南京邮电大学 一种低信噪比下重要多径分量的辨识方法、系统及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102265572A (zh) * 2008-12-23 2011-11-30 三星电子株式会社 用于无线通信系统的信道估计方法和装置
US20150043926A1 (en) * 2013-08-08 2015-02-12 Multiphy Ltd. Blind channel estimation method for an mlse receiver in high speed optical communication channels
CN107248967A (zh) * 2016-07-21 2017-10-13 武汉芯泰科技有限公司 一种应用于ofdm系统的信道估计方法及装置
CN107483091A (zh) * 2017-07-06 2017-12-15 重庆邮电大学 一种fdd大规模mimo‑ofdm系统下的信道信息反馈算法
CN109617850A (zh) * 2019-01-07 2019-04-12 南京邮电大学 基于自适应压缩感知的ofdm稀疏信道估计方法
CN110995379A (zh) * 2019-12-06 2020-04-10 武汉大学 一种面向ofdm无线通信系统的信道预测系统及方法
CN111683024A (zh) * 2020-06-01 2020-09-18 西北工业大学 一种基于深度学习的时变ofdm系统信道估计方法
CN111817757A (zh) * 2020-06-08 2020-10-23 武汉大学 一种用于mimo无线通信系统的信道预测方法及系统
CN113285899A (zh) * 2021-05-20 2021-08-20 南京邮电大学 一种基于深度学习的时变信道估计方法及系统
CN113595941A (zh) * 2021-07-08 2021-11-02 武汉大学 深度学习的压缩感知大规模mimo信道估计方法及系统
WO2021228075A1 (zh) * 2020-05-15 2021-11-18 维沃移动通信有限公司 导频信息符号发送方法、信道估计方法及通信设备
CN113906719A (zh) * 2019-04-23 2022-01-07 迪普西格有限公司 使用机器学习网络处理通信信号
CN114268388A (zh) * 2021-12-22 2022-04-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102265572A (zh) * 2008-12-23 2011-11-30 三星电子株式会社 用于无线通信系统的信道估计方法和装置
US20150043926A1 (en) * 2013-08-08 2015-02-12 Multiphy Ltd. Blind channel estimation method for an mlse receiver in high speed optical communication channels
CN107248967A (zh) * 2016-07-21 2017-10-13 武汉芯泰科技有限公司 一种应用于ofdm系统的信道估计方法及装置
CN107483091A (zh) * 2017-07-06 2017-12-15 重庆邮电大学 一种fdd大规模mimo‑ofdm系统下的信道信息反馈算法
CN109617850A (zh) * 2019-01-07 2019-04-12 南京邮电大学 基于自适应压缩感知的ofdm稀疏信道估计方法
CN113906719A (zh) * 2019-04-23 2022-01-07 迪普西格有限公司 使用机器学习网络处理通信信号
CN110995379A (zh) * 2019-12-06 2020-04-10 武汉大学 一种面向ofdm无线通信系统的信道预测系统及方法
US20210176093A1 (en) * 2019-12-06 2021-06-10 Wuhan University Channel prediction system and channel prediction method for ofdm wireless communication system
WO2021228075A1 (zh) * 2020-05-15 2021-11-18 维沃移动通信有限公司 导频信息符号发送方法、信道估计方法及通信设备
CN111683024A (zh) * 2020-06-01 2020-09-18 西北工业大学 一种基于深度学习的时变ofdm系统信道估计方法
US11121788B1 (en) * 2020-06-08 2021-09-14 Wuhan University Channel prediction method and system for MIMO wireless communication system
CN111817757A (zh) * 2020-06-08 2020-10-23 武汉大学 一种用于mimo无线通信系统的信道预测方法及系统
CN113285899A (zh) * 2021-05-20 2021-08-20 南京邮电大学 一种基于深度学习的时变信道估计方法及系统
CN113595941A (zh) * 2021-07-08 2021-11-02 武汉大学 深度学习的压缩感知大规模mimo信道估计方法及系统
CN114268388A (zh) * 2021-12-22 2022-04-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONGBO SUI等: "Broad Echo State Network for Channel Prediction in MIMO-OFDM Systems" *
隋永波: "基于回声状态网络的自适应OFDM系统非线性信道预测方法研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115767756A (zh) * 2022-11-02 2023-03-07 南京邮电大学 一种低信噪比下重要多径分量的辨识方法、系统及介质

Also Published As

Publication number Publication date
CN115189990B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN111860982B (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111464465B (zh) 一种基于集成神经网络模型的信道估计方法
CN111817757B (zh) 一种用于mimo无线通信系统的信道预测方法及系统
CN110110862A (zh) 一种基于适应性模型的超参数优化方法
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
CN109067427B (zh) 一种基于优化型小波神经网络的跳频序列预测方法
CN113361777A (zh) 基于vmd分解和ihho优化lstm的径流预测方法及系统
CN113595666B (zh) 大规模mimo系统基于时频联合相关性的信道预测方法和系统
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN113206809B (zh) 一种联合深度学习与基扩展模型的信道预测方法
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN114897144A (zh) 基于复值神经网络的复值时序信号预测方法
CN115189990B (zh) 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统
CN114745233B (zh) 一种基于导频设计的联合信道估计方法及装置
Eom et al. Hybrid neural network-based fading channel prediction for link adaptation
Yarotsky et al. Machine learning-assisted channel estimation in massive MIMO receiver
Su et al. Channel estimation in massive MIMO systems using a modified Bayes-GMM method
Zhang et al. Massive MIMO CSI reconstruction using CNN‐LSTM and attention mechanism
CN116383656A (zh) 用于大规模mimo定位的半监督表征对比学习方法
CN116780506A (zh) 一种家庭微电网能量管理方法、装置、设备及存储介质
CN116742795A (zh) 基于迁移学习与自注意力特征融合的非侵入式负荷监测方法
CN114759997B (zh) 一种基于数据模型双驱动的mimo系统信号检测方法
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
Shi et al. Automatic Neural Network Construction-Based Channel Estimation for IRS-Aided Communication Systems
Zhu et al. Application of machine learning in wireless communications

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