CN115396055B - 信道预测方法及装置 - Google Patents
信道预测方法及装置 Download PDFInfo
- Publication number
- CN115396055B CN115396055B CN202211327001.8A CN202211327001A CN115396055B CN 115396055 B CN115396055 B CN 115396055B CN 202211327001 A CN202211327001 A CN 202211327001A CN 115396055 B CN115396055 B CN 115396055B
- Authority
- CN
- China
- Prior art keywords
- channel
- kernel
- dictionary
- sample data
- value
- 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 69
- 230000006870 function Effects 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000012937 correction Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 16
- 230000009471 action Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 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 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005307 time correlation function Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种信道预测方法及装置。所述方法包括:获取m个相邻的历史SRS周期对应的第一信道估计值;m为基于核递归最小二乘的信道预测模型的模型阶数;根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值;将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及更新信道预测模型的模型参数;基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测。该技术方案能够提升信道预测准确度,且适用于终端高速移动场景下对非线性时变信道的预测。
Description
技术领域
本说明书涉及通信技术领域,尤其涉及一种信道预测方法及装置。
背景技术
多天线技术可以充分利用空间维度资源,在不增加发射功率和带宽的前提下,成倍地提高无线通信系统的传输容量,同时波束赋形(Beamforming)技术因其能补偿无线传播过程中由空间损耗、多径效应引入的信号衰落与失真,降低同信道用户间的干扰而得到广泛应用。在TDD(Time Division Duplexing,时分双工)制式下,用户发送SRS(SoundingReference Signal,信道测量参考信号),基站通过信道估计获得上行CSI(Channel StateInformation,信道状态信息)。由于TDD系统存在信道互易性,可以直接将测量得到的上行信道CSI用于下行Beamforming设计,实现协同信号处理。然而,当终端处于高速移动时(如图1所示),点对点链路多普勒频移变大,信道相干时间减小,信道时变性剧烈,测量得到上行信道CSI过时,无法代表33 SRS周期内的真实信道状态,从而导致根据估计所得CSI设计的下行Beamforming与实际信道失配,性能下降。
为了克服信道时变性剧烈带来的性能下降,现有技术中,通过降低系统的SRS周期增加信道状态信息的刷新频率,然而高速场景下,信道相干时间远小于目前SRS周期的应用值,并且SRS周期的过度降低会占用过多的时频资源,从而限制系统性能,不具备可行性。
为解决上述问题,一种可行的办法是根据已知的信道估计值对未来的信道状态进行预测,根据信道的预测值设计波束赋形算法,从而匹配时变的下行信道。常用的信道预测算法有:1)基于无线电参数的信道预测方法;2)基于自回归模型的预测方法;3)基于神经网络的信道预测方法。其中,基于无线电参数的信道预测方法假设了较为理想的信道模型,默认静态参数在预测时间内保持不变,然而静态参数的有效时间和终端移动速度成反比,使得基于无线电参数的信道预测难以在高速场景中应用。基于自回归模型的预测方法具有复杂度低等优势,但是对于具有非线性时间特性的信道预测性能受限。基于神经网络的信道预测算法往往复杂度较高。可见,亟需提供一种能够适用于终端高速移动场景中的信道预测方法。
发明内容
本申请实施例的目的是提供一种信道预测方法及装置,用以解决终端高速移动场景中无法准确预测信道的问题。
为解决上述技术问题,本申请实施例是这样实现的:
一方面,本申请实施例提供一种信道预测方法,包括:
获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
另一方面,本申请实施例提供一种信道预测装置,包括:
第一获取模块,用于获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
第一确定模块,用于根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
第一更新模块,用于将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
预测模块,用于基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
再一方面,本申请实施例提供一种信道预测设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述信道预测方法。
再一方面,本申请实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现上述信道预测方法。
采用本申请实施例的技术方案,通过获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值;将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及,更新信道预测模型的模型参数;其中,更新后的核字典包括第一样本数据;基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测。可见,该技术方案在基于历史信道估计值预测本次SRS周期内的信道估计值时,能够通过基于核递归最小二乘的信道预测模型进行预测,确保信道估计值和真实信道值之间的误差最小,提升信道预测的准确度;并且,通过基于核字典中的元素数量来更新信道预测模型的字典,使得核字典中的样本数据量能够被有效控制,避免样本数据量不断增加时导致对持续到来的信号处理计算量增加的问题,从而大大降低信道预测的运算量,提升信道预测的实时性。因此,该技术方案通过高效、实时地信道预测,使得即使在终端高速移动场景下,仍然能够对非线性时变信道进行准确预测。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例,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的附图。
图1是根据本说明书一实施例的一种信道预测方法的示意性场景图;
图2是根据本说明书一实施例的一种信道预测方法的示意性流程图;
图3是根据本说明书另一实施例的一种信道预测方法的示意性流程图;
图4是根据本说明书一实施例的一种信道预测方法的示意性效果图;
图5是根据本说明书另一实施例的一种信道预测方法的示意性效果图;
图6是根据本说明书一实施例的一种信道预测装置的示意性框图;
图7是根据本说明书一实施例的一种信道预测设备的示意性框图。
具体实施方式
本申请实施例提供一种信道预测方法及装置,用以解决终端高速移动场景中无法准确预测信道的问题。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
图2是根据本申请一实施例的一种信道预测方法的示意性流程图,如图2所示,该方法包括:
S202,获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数。
其中,m个相邻的历史SRS周期,通常选择据当前周期最近的m个历史SRS周期。历史SRS周期对应的第一信道估计值,指的是历史SRS周期对应的、通过准确测量得到的信道估计值。
S204,根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值。
S206,将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及,更新信道预测模型的模型参数;其中,更新后的核字典包括第一样本数据。
可选地,根据第一样本数据和信道预测模型的核字典中的元素数量更新信道预测模型的核字典时,需确保核字典中的元素数量不超过对应的预设元素数量阈值,若超过,则在更新核字典时,需要删除核字典中的部分样本数据,以使更新后的核字典的元素数量不超过预设元素数量阈值,从而达到控制样本数据量的效果。
S208,基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测,得到第二信道估计值。
本实施例中,模型阶数m,是指下一个SRS周期内的信道估计值与前m个历史SRS周期内的信道估计值相关,则构成一组输入输出对:。其中,,表示第i个信道估计值。, M为核字典的预设元素数量阈值,表示核字典中能够存储样本数据量的最大值。
本实施例中,在使用信道估计模型进行信道预测之前,可对信道估计模型进行初始化。具体地,首先确定信道预测模型的模型属性信息,模型属性信息包括模型阶数、核函数以及核字典;然后,获取信道的初始信道估计值,并根据该初始信道估计值,对信道预测模型的模型参数进行初始化,模型参数包括中间矩阵、权重系数和遗忘矩阵。其中,初始信道估计值,指的是第一次测量信道得到的信道估计值。本实施例可选择任一种现有的核函数,比如高斯径向基核函数、线性核函数或者多项式核函数等等。线性核函数适用于新旧信道线性相关的场景,多项式核函数适用于新旧信道多次幂相关的场景,高斯核函数适用于新旧信道高阶非线性相关的场景。
假设初始化信道预测模型的中间矩阵、权重系数、遗忘矩阵和核字典,具体地,令=1,即利用第一个信道估计值(即初始信道估计值)预测第二个信道估计值,则中间矩阵,其中,为防止过拟合引入的正则化参数,为遗忘因子,表示核函数。权重系数,遗忘矩阵,核字典。
采用本申请实施例的技术方案,通过获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值;将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及,更新信道预测模型的模型参数;其中,更新后的核字典包括第一样本数据;基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测。可见,该技术方案在基于历史信道估计值预测本次SRS周期内的信道估计值时,能够通过基于核递归最小二乘的信道预测模型进行预测,确保信道估计值和真实信道值之间的误差最小,提升信道预测的准确度;并且,通过基于核字典中的元素数量来更新信道预测模型的字典,使得核字典中的样本数据量能够被有效控制,避免样本数据量不断增加时导致对持续到来的信号处理计算量增加的问题,从而大大降低信道预测的运算量,提升信道预测的实时性。因此,该技术方案通过高效、实时地信道预测,使得即使在终端高速移动场景下,仍然能够对非线性时变信道进行准确预测。
在一个实施例中,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,具体可执行为以下动作:
动作A1、若核字典中的元素数量小于核字典的预设元素数量阈值,则根据第一样本数据与核字典中的各元素之间的相关性,更新核字典。
动作A2、若核字典中的元素数量大于或等于预设元素数量阈值,则根据第一样本数据与核字典中的各元素的核函数值,更新核字典。
假设核字典中的元素数量用L表示,L为大于或等于1的整数。
在上述动作A1中,首先计算第一样本数据和核字典中的各元素之间的相关度,得到L个相关度。其次,若L个相关度中的最大相关度大于预设相关度阈值,则删除核字典中与最大相关度对应的元素,并将第一样本数据作为新元素添加至核字典中,得到更新后的核字典;若最大相关度小于或等于预设相关度阈值,则将第一样本数据作为新元素添加至核字典中,得到更新后的核字典。
可选地,相关度可以使用投影角余弦、相关系数等进行表征。例如使用如下公式(1)所表示的投影角余弦来表征相关度。
其中, 、 表示和分别与其他样本的带入核函数组成的向量。投影角余弦取决于使用的核函数以及核字典中的元素。若最大的投影角余弦(即最大相关值)大于预设相关度阈值,即满足如下公式(2)所表示的条件,则从核字典中删除具有最大投影角余弦的元素,并将第一样本数据加入核字典,更新后的核字典为,“\”表示删除,即删除元素。若最大的投影角余弦小于或等于预设相关度阈值,即满足如下公式(3)所表示的条件,则直接将第一样本数据加入核字典,更新后的核字典为。
在上述动作A2中,首先,根据信道预测模型的核函数,计算第一样本数据与核字典中的各元素的核函数值,得到L个核函数值。其次,若L个核函数值中存在至少一个核函数值大于预设核函数阈值,则从核字典中删除核函数值大于预设核函数阈值、且满足预设删除条件的元素,并将第一样本数据作为新元素添加至核字典中,得到更新后的核字典。若每个核函数值均小于或等于预设核函数阈值,则从核字典中删除最大核函数值对应的元素,并将第一样本数据作为新元素添加至核字典中,得到更新后的核字典。
以表示第一样本数据,以表示核字典中的元素,则第一样本数据与核字典中的各元素的核函数值可表示为:。假设预设核函数阈值为,则如果存在,使得,则从核字典中删除满足该表达式(即核函数值大于预设核函数阈值)、且满足预设删除条件的元素。如果不存在,使得,则从核字典中删除最大核函数值对应的元素。
动作B1,针对核函数值大于预设核函数阈值的待选元素,将第一样本数据作为核中心,计算每个待选元素对应的输出值的加权平均值。
在动作B1中,将核函数值大于预设核函数阈值的所有元素作为待选元素,所有待选元素组成了待选元素集。假设待选元素集为,则以第一样本数据为核中心,计算每个待选元素对应的输出值的加权平均值可按照如下公式(4)计算。
其中,n为待选元素集中的待选元素的数量。
动作B2,确定每个待选元素对应的输出值与加权平均值之间的差值,计算多个差值中的最大差值和最小差值的乘积。
动作B3,若最大差值和最小差值的乘积大于预设阈值,则从核字典中删除最大差值对应的待选元素;若最大差值和最小差值的乘积小于或等于预设阈值,则从核字典中删除最小差值对应的待选元素。
以表示预设阈值,若乘积,则从核字典中删除对应的待选元素,从而删除可能是小概率出现的样本数据。若乘积,则从核字典中删除对应的待选元素,从而删除和第一样本数据信息量重复的样本数据。假设核字典中删除的元素为,则更新后的核字典为:。 “\”表示删除,即删除元素。
本实施例中,基于核字典中的元素数量与预设元素数量阈值之间的大小差异,采取对应的核字典更新方式更新核字典,使得核字典中的元素(即样本数量)始终不超过预设元素数量阈值。从而有效避免样本数据量不断增加时导致对持续到来的信号处理计算量增加的问题,大大降低信道预测的运算量,提升信道预测的实时性。
在一个实施例中,更新信道预测模型的核字典之后,更新信道预测模型的模型参数。其中,模型参数包括中间矩阵、初始系数、遗忘矩阵中的至少一项。具体地,更新信道预测模型的核字典之后,判断更新后的核字典中的元素数量是否增加,若是,则更新中间矩阵、权重系数和遗忘矩阵;若否,则更新中间矩阵和权重系数,同时遗忘矩阵保持不变。
本实施例中,对于更新后的核字典中的元素数量增加的情况,需更新中间矩阵、权重系数和遗忘矩阵。具体的更新过程如下:
首先,计算如下公式(5):
对于更新后的核字典中的元素数量没有增加的情况,需更新中间矩阵和权重系数。以T表示核矩阵,则中间矩阵为上一个核矩阵T的逆矩阵。由于核字典的元素数量没变,但核字典中的元素做了更新,因此需要把被删除元素的核函数信息也一并删除。具体地,T中与相关的核函数信息位于第行和第列,通过行变换和列变换,可以将第行和第列移到第一行和第一列,得到,则的逆矩阵可以通过做相应的列变换和行变换得到。
在一个实施例中,基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测,得到第二信道估计值之后,还可执行如图3所示的步骤S210-S216:
S210,根据最近一次历史SRS周期对应的第一信道估计值,确定最近一次历史SRS周期对应的第一历史预测误差。
S212,根据第一历史预测误差,对信道预测模型对应的第一历史预测误差组进行更新,得到第二历史预测误差组;第二历史预测误差组包括第一历史预测误差。
S214,根据第二历史预测误差组,并通过基于高斯过程回归的误差估计模型确定信道预测模型的本次预测误差。
S216,根据本次预测误差,对第二信道估计值进行误差补偿,得到第二信道估计值对应的信道修正值。
具体地,假设误差估计模型的模型阶数为n,误差样本组中误差样本的窗口大小为。根据最近一次历史SRS周期对应的第一信道估计值,确定出最近一次历史SRS周期对应的第一历史预测误差表示为,组成新的误差样本。若第一历史预测误差组的空间大小已经为,则将新的误差样本加入第一历史预测误差组,同时删除历史预测误差组中留存时间最长的误差样本,得到更新后的第二历史预测误差组:。若第一历史预测误差组的空间大小小于,则直接将新的误差样本加入第一历史预测误差组,得到更新后的第二历史预测误差组:。
然后,根据第二历史预测误差组确定信道预测模型的本次预测误差。具体地,选定核函数,计算误差向量的协方差矩阵P,矩阵P的第i行第j列的元素。计算向量。然后,利用贝叶斯后验概率,即可计算出本次预测误差为:。
在一个实施例中,根据本次预测误差对第二信道估计值进行误差补偿,得到第二信道估计值对应的信道修正值之后,还可执行如图3所示的步骤S218-S220:
S218,根据最近一次历史SRS周期对应的第一信道估计值和信道修正值进行维纳滤波,得到滤波结果。
其中,最近一次历史SRS周期,指的是m个相邻的历史SRS周期中距离当前周期最近的一次历史SRS周期。维纳滤波可使用二阶维纳滤波或更高阶的维纳滤波,区别在于,使用更高阶的维纳滤波的性能相对更高,但计算量和资源消耗较多。
S220,根据滤波结果,确定本次SRS周期内的每个时隙SRS周期内的目标信道估计值,该目标信道估计值包括本次SRS周期内的每个时隙SRS周期内的不同时隙的信道估计值。
具体地,S220可执行为以下动作C1-C3:
动作C1,根据信道的大尺度信息,确定信道在时间维度上的自相关信息。
假设根据信道的大尺度信息,确定出信道在时间维度上的自相关估计值为如下公式(10):
动作C2,根据信道在时间维度上的自相关信息和预设的维纳滤波函数,确定本次SRS周期内的每个时隙对应的插值权重。
动作C3,根据第二信道估计值、信道修正值以及每个时隙对应的插值权重,确定本次SRS周期内的每个时隙的信道估计值。
假设信道在时间维度上的自相关信息为上述公式(10)所表示的时间相关性函数,预设的维纳滤波函数为二阶维纳滤波函数,则本次SRS周期内的第p个时隙的插值权重表示为:
基于上述分析,可确定本次SRS周期内的第p个时隙的信道估计值为:
以图1所示场景中的城市道路为例,假设移动速度为20km/h。在此场景下,按照如下方式执行本申请提供的信道预测方法。
然后,初始信道预测模型的模型参数,包括以下动作:设定预设相关度阈值为0.8,预设核函数阈值为0.5,差值乘积对应的预设阈值为0.5,误差修正因子为0.8,正则化参数为0.8,遗忘因子为0.9。令=1,将第一组信道估计值作为样本输入信道预测模型,初始化中间矩阵,初始化权重系数,遗忘矩阵,核字典。
然后,执行上述S204。具体如下:
当3时,将新的信道估计值组成新样本(即第一样本数据)输入信道预测模型,信道预测模型更新核字典。核字典数量小于核字典的预设元素数量阈值4,执行上述动作A1,计算与核字典中各元素的核向量投影角余弦得到0.23,该值小于或等于预设相关度阈值0.8,因此将新样本加入核字典。
然后更新信道预测模型的模型参数,并对下一次信道估计值进行预测。由于核字典大小增加,因此需要更新中间矩阵、权重系数和遗忘矩阵,然后再计算下一个SRS周期(即本次SRS周期)的信道估计值。
然后,根据历史预测误差,并利用高斯过程回归对本次预测误差进行估计并补偿。如上述步骤S210- S216,根据新的信道估计值(即最近一次历史SRS周期对应的第一信道估计值)获得前一次的历史预测误差,组成新的误差样本,假设原误差样本的空间大小小于窗口大小4,则将新的误差样本加入误差样本空间。根据选定的核函数计算误差向量的协方差矩阵及核向量,并结合新的误差样本求得本次预测误差,进而将本次预测误差与误差修正因子0.8相乘,以对信道估计值进行修正。
然后,根据最近一次历史SRS周期对应的第一信道估计值修正后得到的信道修正值,进行二阶维纳滤波,以获取SRS周期内不同时隙的信道预测。
当7时,将新的信道估计值组成新样本(即第一样本数据)输入信道预测模型,信道预测模型更新核字典。核字典数量大于或等于核字典的预设元素数量阈值4,执行上述动作A2,计算与核字典中各元素的核函数,其中,最大核函数值为0.47,由于不存在核函数值大于预设核函数阈值0.5,因此可直接删除最大核函数值对应的字典元素,同时将新样本加入核字典。
然后更新信道预测模型的模型参数,并对下一次信道估计值进行预测。由于核字典大小不变,因此需要更新中间矩阵和权重系数,同时保持遗忘矩阵不便,然后计算下一个SRS周期的信道估计值。
然后,根据历史预测误差,并利用高斯过程回归对本次预测误差进行估计并补偿。如上述步骤S210- S216,根据新的信道估计值(即最近一次历史SRS周期对应的第一信道估计值)获得前一次的历史预测误差,组成新的误差样本,假设原误差样本的空间大小等于窗口大小4,则将新的误差样本加入误差样本空间,同时剔除掉误差样本空间中存留时间最长的误差样本。根据选定的核函数计算误差向量的协方差矩阵及核向量,并结合新的误差样本求得本次预测误差,进而将本次预测误差与误差修正因子0.8相乘,以对信道估计值进行修正。
然后,根据最近一次历史SRS周期对应的第一信道估计值修正后得到的信道修正值,进行二阶维纳滤波,以获取SRS周期内不同时隙的信道预测。
附图4和附图5分别为终端移动速度为60km/h和120km/h情况下,采用本申请提供的信道预测方法的实施效果。附图4和附图5中,实线标识最近一次测量的信道值,即最近一次SRS周期内的信道测量值;虚线表示采用本申请提供的信道预测方法所预测出的信道估计值。由图中可以看出,与最近一次SRS周期内的信道测量值相比,本申请提供的信道预测方法能够提高与真实信道的相关性。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本申请实施例提供的信道预测方法,基于同样的思路,本申请实施例还提供一种信道预测装置。
图6是根据本申请一实施例的一种信道预测装置的示意性框图,如图6所示,该装置包括:
第一获取模块61,用于获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
第一确定模块62,用于根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
第一更新模块63,用于将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
预测模块64,用于基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
在一个实施例中,所述第一更新模块63包括:
第一更新单元,用于若所述元素数量小于所述核字典的预设元素数量阈值,则根据所述第一样本数据与所述核字典中的各元素之间的相关性,更新所述核字典;
第二更新单元,用于若所述元素数量大于或等于所述预设元素数量阈值,则根据所述第一样本数据与所述核字典中的各元素的核函数值,更新所述核字典。
在一个实施例中,所述第一更新单元用于:
计算所述第一样本数据和所述核字典中的各元素之间的相关度,得到L个相关度;其中,L为所述元素数量,L为大于或等于1的整数;
若所述L个相关度中的最大相关度大于预设相关度阈值,则删除所述核字典中与所述最大相关度对应的元素,并将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典;
若所述最大相关度小于或等于所述预设相关度阈值,则将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典。
在一个实施例中,所述第二更新单元用于:
根据所述信道预测模型的核函数,计算所述第一样本数据与所述核字典中的各元素的核函数值,得到L个核函数值;其中,L为所述元素数量,L为大于或等于1的整数;
若所述L个核函数值中存在至少一个核函数值大于预设核函数阈值,则从所述核字典中删除所述核函数值大于所述预设核函数阈值、且满足预设删除条件的元素,并将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典;
若每个所述核函数值均小于或等于所述预设核函数阈值,则从所述核字典中删除最大核函数值对应的元素,并将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典。
在一个实施例中,所述第二更新单元用于:
针对所述核函数值大于所述预设核函数阈值的待选元素,将所述第一样本数据作为核中心,计算每个所述待选元素对应的输出值的加权平均值;
确定每个所述待选元素对应的所述输出值与所述加权平均值之间的差值,计算多个差值中的最大差值和最小差值的乘积;
若所述乘积大于预设阈值,则从所述核字典中删除所述最大差值对应的所述待选元素;
若所述乘积小于或等于所述预设阈值,则从所述核字典中删除所述最小差值对应的所述待选元素。
在一个实施例中,所述模型参数包括中间矩阵、权重系数、遗忘矩阵中的至少一项;
所述第一更新模块63包括:
判断单元,用于判断所述更新后的核字典中的元素数量是否增加;
第三更新单元,用于若是,则更新所述中间矩阵、所述权重系数和所述遗忘矩阵;若否,则更新所述中间矩阵和所述权重系数。
在一个实施例中,所述装置还包括:
第二确定模块,用于所述基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值之后,根据最近一次所述历史SRS周期对应的所述第一信道估计值,确定最近一次所述历史SRS周期对应的第一历史预测误差;
第二更新模块,用于根据所述第一历史预测误差,对所述信道预测模型对应的第一历史预测误差组进行更新,得到第二历史预测误差组;所述第二历史预测误差组包括所述第一历史预测误差;
第三确定模块,用于根据所述第二历史预测误差组,并通过基于高斯过程回归的误差估计模型确定所述信道预测模型的本次预测误差;
补偿模块,用于根据所述本次预测误差,对所述第二信道估计值进行误差补偿,得到所述第二信道估计值对应的信道修正值。
在一个实施例中,所述装置还包括:
滤波模块,用于所述根据所述本次预测误差,对所述第二信道估计值进行补偿,得到所述第二信道估计值对应的信道修正值之后,根据最近一次所述历史SRS周期对应的所述第一信道估计值和所述信道修正值进行维纳滤波,得到滤波结果;
第四确定模块,用于根据所述滤波结果,确定所述本次SRS周期内的每个时隙SRS周期内的目标信道估计值;所述目标信道估计值包括所述本次SRS周期内的每个时隙SRS周期内的不同时隙的信道估计值。
在一个实施例中,所述第四确定模块包括:
第一确定单元,用于根据所述信道的大尺度信息,确定所述信道在时间维度上的自相关信息;
第二确定单元,用于根据所述自相关信息和预设的维纳滤波函数,确定所述本次SRS周期内的每个时隙对应的插值权重;
第三确定单元,用于根据所述第二信道估计值、所述信道修正值以及所述每个时隙对应的插值权重,确定所述本次SRS周期内的每个时隙的信道估计值。
在一个实施例中,所述装置还包括:
第五确定模块,用于所述获取m个相邻的历史SRS周期对应的第一信道估计值之前,确定所述信道预测模型的模型属性信息,所述模型属性信息包括所述模型阶数、核函数以及所述核字典;
第二获取模块,用于获取所述信道的初始信道估计值;
初始化模块,用于根据所述初始信道估计值,对所述信道预测模型的模型参数进行初始化。
采用本申请实施例的装置,通过获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值;将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及,更新信道预测模型的模型参数;其中,更新后的核字典包括第一样本数据;基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测。可见,该装置在基于历史信道估计值预测本次SRS周期内的信道估计值时,能够通过基于核递归最小二乘的信道预测模型进行预测,确保信道估计值和真实信道值之间的误差最小,提升信道预测的准确度;并且,通过基于核字典中的元素数量来更新信道预测模型的字典,使得核字典中的样本数据量能够被有效控制,避免样本数据量不断增加时导致对持续到来的信号处理计算量增加的问题,从而大大降低信道预测的运算量,提升信道预测的实时性。因此,该装置通过高效、实时地信道预测,使得即使在终端高速移动场景下,仍然能够对非线性时变信道进行准确预测。
本领域的技术人员应可理解,图6中的信道预测装置能够用来实现前文所述的信道预测方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本申请实施例还提供一种信道预测设备,如图7所示。信道预测设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对信道预测设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在信道预测设备上执行存储器702中的一系列计算机可执行指令。信道预测设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706。
具体在本实施例中,信道预测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对信道预测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
采用本申请实施例的技术方案,通过获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值;将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及,更新信道预测模型的模型参数;其中,更新后的核字典包括第一样本数据;基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测。可见,该技术方案在基于历史信道估计值预测本次SRS周期内的信道估计值时,能够通过基于核递归最小二乘的信道预测模型进行预测,确保信道估计值和真实信道值之间的误差最小,提升信道预测的准确度;并且,通过基于核字典中的元素数量来更新信道预测模型的字典,使得核字典中的样本数据量能够被有效控制,避免样本数据量不断增加时导致对持续到来的信号处理计算量增加的问题,从而大大降低信道预测的运算量,提升信道预测的实时性。因此,该技术方案通过高效、实时地信道预测,使得即使在终端高速移动场景下,仍然能够对非线性时变信道进行准确预测。
本申请实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述信道预测方法实施例的各个过程,并具体用于执行:
获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
采用本申请实施例的技术方案,通过获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;根据m个第一信道估计值,确定信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;第一样本数据包括m个第一信道估计值;将第一样本数据输入信道预测模型,根据第一样本数据和信道预测模型的核字典中的元素数量,更新信道预测模型的核字典,以及,更新信道预测模型的模型参数;其中,更新后的核字典包括第一样本数据;基于更新后的核字典和模型参数,并通过信道预测模型对本次SRS周期内的信道进行预测。可见,该技术方案在基于历史信道估计值预测本次SRS周期内的信道估计值时,能够通过基于核递归最小二乘的信道预测模型进行预测,确保信道估计值和真实信道值之间的误差最小,提升信道预测的准确度;并且,通过基于核字典中的元素数量来更新信道预测模型的字典,使得核字典中的样本数据量能够被有效控制,避免样本数据量不断增加时导致对持续到来的信号处理计算量增加的问题,从而大大降低信道预测的运算量,提升信道预测的实时性。因此,该技术方案通过高效、实时地信道预测,使得即使在终端高速移动场景下,仍然能够对非线性时变信道进行准确预测。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种信道预测方法,其特征在于,包括:
获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,包括:
若所述元素数量小于所述核字典的预设元素数量阈值,则根据所述第一样本数据与所述核字典中的各元素之间的相关性,更新所述核字典;
若所述元素数量大于或等于所述预设元素数量阈值,则根据所述第一样本数据与所述核字典中的各元素的核函数值,更新所述核字典。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一样本数据与所述核字典中的各元素之间的相关性,更新所述核字典,包括:
计算所述第一样本数据和所述核字典中的各元素之间的相关度,得到L个相关度;其中,L为所述元素数量,L为大于或等于1的整数;
若所述L个相关度中的最大相关度大于预设相关度阈值,则删除所述核字典中与所述最大相关度对应的元素,并将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典;
若所述最大相关度小于或等于所述预设相关度阈值,则将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一样本数据与所述核字典中的各元素的核函数值,更新所述核字典,包括:
根据所述信道预测模型的核函数,计算所述第一样本数据与所述核字典中的各元素的核函数值,得到L个核函数值;其中,L为所述元素数量,L为大于或等于1的整数;
若所述L个核函数值中存在至少一个核函数值大于预设核函数阈值,则从所述核字典中删除所述核函数值大于所述预设核函数阈值、且满足预设删除条件的元素,并将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典;
若每个所述核函数值均小于或等于所述预设核函数阈值,则从所述核字典中删除最大核函数值对应的元素,并将所述第一样本数据作为新元素添加至所述核字典中,得到所述更新后的核字典。
5.根据权利要求4所述的方法,其特征在于,所述从所述核字典中删除所述核函数值大于所述预设核函数阈值、且满足预设删除条件的元素,包括:
针对所述核函数值大于所述预设核函数阈值的待选元素,将所述第一样本数据作为核中心,计算每个所述待选元素对应的输出值的加权平均值;
确定每个所述待选元素对应的所述输出值与所述加权平均值之间的差值,计算多个差值中的最大差值和最小差值的乘积;
若所述乘积大于预设阈值,则从所述核字典中删除所述最大差值对应的所述待选元素;
若所述乘积小于或等于所述预设阈值,则从所述核字典中删除所述最小差值对应的所述待选元素。
6.根据权利要求1所述的方法,其特征在于,所述模型参数包括中间矩阵、权重系数、遗忘矩阵中的至少一项;
所述更新所述信道预测模型的模型参数,包括:
判断所述更新后的核字典中的元素数量是否增加;
若是,则更新所述中间矩阵、所述权重系数和所述遗忘矩阵;
若否,则更新所述中间矩阵和所述权重系数。
7.根据权利要求1所述的方法,其特征在于,所述基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值之后,所述方法还包括:
根据最近一次所述历史SRS周期对应的所述第一信道估计值,确定最近一次所述历史SRS周期对应的第一历史预测误差;
根据所述第一历史预测误差,对所述信道预测模型对应的第一历史预测误差组进行更新,得到第二历史预测误差组;所述第二历史预测误差组包括所述第一历史预测误差;
根据所述第二历史预测误差组,并通过基于高斯过程回归的误差估计模型确定所述信道预测模型的本次预测误差;
根据所述本次预测误差,对所述第二信道估计值进行误差补偿,得到所述第二信道估计值对应的信道修正值。
8.根据权利要求7所述的方法,其特征在于,所述根据所述本次预测误差,对所述第二信道估计值进行补偿,得到所述第二信道估计值对应的信道修正值之后,所述方法还包括:
根据最近一次所述历史SRS周期对应的所述第一信道估计值和所述信道修正值进行维纳滤波,得到滤波结果;
根据所述滤波结果,确定所述本次SRS周期内的每个时隙SRS周期内的目标信道估计值;所述目标信道估计值包括所述本次SRS周期内的每个时隙SRS周期内的不同时隙的信道估计值。
9.根据权利要求8所述的方法,其特征在于,所述根据所述滤波结果,确定所述本次SRS周期内的目标信道估计值,包括:
根据所述信道的大尺度信息,确定所述信道在时间维度上的自相关信息;
根据所述自相关信息和预设的维纳滤波函数,确定所述本次SRS周期内的每个时隙对应的插值权重;
根据所述第二信道估计值、所述信道修正值以及所述每个时隙对应的插值权重,确定所述本次SRS周期内的每个时隙的信道估计值。
10.根据权利要求6所述的方法,其特征在于,所述获取m个相邻的历史SRS周期对应的第一信道估计值之前,所述方法还包括:
确定所述信道预测模型的模型属性信息,所述模型属性信息包括所述模型阶数、核函数以及所述核字典;
获取所述信道的初始信道估计值;
根据所述初始信道估计值,对所述信道预测模型的模型参数进行初始化。
11.一种信道预测装置,其特征在于,包括:
第一获取模块,用于获取m个相邻的历史SRS周期对应的第一信道估计值;其中,m为基于核递归最小二乘的信道预测模型的模型阶数,且m为大于或等于1的整数;
第一确定模块,用于根据m个所述第一信道估计值,确定所述信道预测模型对本次SRS周期内的信道进行预测的第一样本数据;所述第一样本数据包括m个所述第一信道估计值;
第一更新模块,用于将所述第一样本数据输入所述信道预测模型,根据所述第一样本数据和所述信道预测模型的核字典中的元素数量,更新所述信道预测模型的核字典,以及,更新所述信道预测模型的模型参数;其中,更新后的核字典包括所述第一样本数据;
预测模块,用于基于所述更新后的核字典和模型参数,并通过所述信道预测模型对所述本次SRS周期内的信道进行预测,得到第二信道估计值。
12.一种信道预测设备,其特征在于,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求1-10任一项所述的信道预测方法。
13.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-10任一项所述的信道预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327001.8A CN115396055B (zh) | 2022-10-27 | 2022-10-27 | 信道预测方法及装置 |
PCT/CN2023/125215 WO2024088134A1 (zh) | 2022-10-27 | 2023-10-18 | 信道预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327001.8A CN115396055B (zh) | 2022-10-27 | 2022-10-27 | 信道预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115396055A CN115396055A (zh) | 2022-11-25 |
CN115396055B true CN115396055B (zh) | 2023-01-10 |
Family
ID=84115076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211327001.8A Active CN115396055B (zh) | 2022-10-27 | 2022-10-27 | 信道预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115396055B (zh) |
WO (1) | WO2024088134A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396055B (zh) * | 2022-10-27 | 2023-01-10 | 中兴通讯股份有限公司 | 信道预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103379058A (zh) * | 2012-04-23 | 2013-10-30 | 马维尔国际有限公司 | 基于维纳滤波的信道估计方法和装置 |
CN109510610A (zh) * | 2018-11-07 | 2019-03-22 | 电子科技大学 | 一种基于软投影加权核递归最小二乘的核自适应滤波方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2571385C (en) * | 2006-12-18 | 2015-11-24 | University Of Waterloo | Adaptive channel prediction system and method |
CN110890930B (zh) * | 2018-09-10 | 2021-06-01 | 华为技术有限公司 | 一种信道预测方法、相关设备及存储介质 |
CN113556772B (zh) * | 2020-04-26 | 2023-10-20 | 华为技术有限公司 | 信道预测方法及装置 |
CN113206809B (zh) * | 2021-04-30 | 2022-11-15 | 南京邮电大学 | 一种联合深度学习与基扩展模型的信道预测方法 |
CN115396055B (zh) * | 2022-10-27 | 2023-01-10 | 中兴通讯股份有限公司 | 信道预测方法及装置 |
-
2022
- 2022-10-27 CN CN202211327001.8A patent/CN115396055B/zh active Active
-
2023
- 2023-10-18 WO PCT/CN2023/125215 patent/WO2024088134A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103379058A (zh) * | 2012-04-23 | 2013-10-30 | 马维尔国际有限公司 | 基于维纳滤波的信道估计方法和装置 |
CN109510610A (zh) * | 2018-11-07 | 2019-03-22 | 电子科技大学 | 一种基于软投影加权核递归最小二乘的核自适应滤波方法 |
Non-Patent Citations (1)
Title |
---|
Generating Digital Radar Images Using Nonlinear;E. P. Petrov等;《2020 Dynamics of Systems, Mechanisms and Machines (Dynamics)》;20201112;全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2024088134A1 (zh) | 2024-05-02 |
CN115396055A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115396055B (zh) | 信道预测方法及装置 | |
CN111628946B (zh) | 一种信道估计的方法以及接收设备 | |
CN112905110B (zh) | 数据存储方法及装置、存储介质、用户设备、网络侧设备 | |
JP7009020B2 (ja) | 学習方法、学習システム、学習装置、方法、適用装置、及びコンピュータプログラム | |
CN111062884B (zh) | 一种图像增强方法、装置、存储介质和终端设备 | |
CN110807529A (zh) | 一种机器学习模型的训练方法、装置、设备及存储介质 | |
Lu et al. | Time series prediction using kernel adaptive filter with least mean absolute third loss function | |
CN110429921B (zh) | 一种变步长lms自适应滤波方法及其存储介质 | |
CN114449584B (zh) | 基于深度强化学习的分布式计算卸载方法及装置 | |
CN108901047B (zh) | 基于内容流行度变化的基站与终端协作缓存方法及装置 | |
JP2018116511A (ja) | 状態推定器、及びプログラム | |
CN112836829A (zh) | 一种个性化的隐私保护学习方法、装置以及设备 | |
Ren et al. | A new variable step-size affine projection sign algorithm based on a posteriori estimation error analysis | |
Fateh et al. | Kernel and linear adaptive methods for the BRAN channels identification | |
CN113127803A (zh) | 业务集群容量预估模型的建立方法、装置及电子设备 | |
CN112737717B (zh) | 直流干扰估计方法及装置、存储介质、终端 | |
WO2022127476A1 (zh) | 谐波消除方法及装置、存储介质、终端 | |
Cai et al. | An improved adaptive constrained constant modulus reduced-rank algorithm with sparse updates for beamforming | |
Zhang et al. | Low-Complexity l 0-Norm Penalized Shrinkage Linear and Widely Linear Affine Projection Algorithms | |
CN113163479A (zh) | 一种蜂窝物联网上行资源分配方法及电子设备 | |
CN114355439A (zh) | 基于拉格朗日算子动态变化的地震反演方法及系统 | |
CN112996015A (zh) | 一种指标关联关系的构建方法及装置 | |
Shu et al. | Set-membership LMS adaptive algorithms based on an error-estimation time-varying bound method | |
Agarwal et al. | Constrained complex correntropy applied to adaptive beamforming in non-Gaussian noise environment | |
CN112714165B (zh) | 一种基于组合机制的分布式网络协作策略优化方法和装置 |
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 |