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方案

本发明专利技术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，本发明专利技术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，本发明专利技术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；本发明专利技术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。本发明专利技术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。自适应传输和自适应编码等提供了保障。自适应传输和自适应编码等提供了保障。

【技术实现步骤摘要】
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


[0001]本专利技术属于无线通信自适应传输
，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。

技术介绍

[0002]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。
[0003]针对于OFDM无线通信系统的时域信道预测，参考申请号202010260603.0的技术专利技术专利公开了一种基于极限学习机的时域信道预测方法。该技术专利技术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l
1/2
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。该技术专利技术专利可以解决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l
1/2
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。

技术实现思路

[0004]本专利技术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。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术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：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]进一步的，真实时延抽头的辨识方法包括：
[0013]计算第l个时延抽头复值采样点的平均值，即
[0014][0015]其中，l＝0,1,2,...,L
cp
，L
cp
是循环前缀的长度，E(*)表示平均值函数；
[0016]对各个时延抽头平均值的强度进行排列，l
s
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，l
s
是真实时延抽头的个数。
[0017]进一步的，对辨识出的真实时延抽头的预测过程包括：
[0018][0019]其中，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，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；
[0020]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。
[0021]进一步的，对其他时延抽头的预测过程包括：
[0022][0023]即对其他时延抽头的第(z+L+1)个预测采样点直接设为0。
[0024]进一步的，所述循环储蓄学习网络的训练方法包括：
[0025]定义储蓄池的规模M，初始化储蓄池的内部连接权重矩阵其中，初始化储蓄池的内部连接权重矩阵的方式为：
[0026]W
l
＝αS(I)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0027]其中，α为0
‑
1之间的随机数，S(*)表示矩阵转移函数，表示单位矩阵；通过谱半径ρ
l
对储蓄池的内部连接权重矩阵进行缩放，计算公式如下：
[0028]W
l
＝W
l
*(1/ρ
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]对第l个真实时延抽头定义预测器的输入和输出矩阵，即
[0030][0031]其中，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,...,N
s
，N
s
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
[0032][0033]其中，x
l
(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，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，W
out,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。
[0034]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：
[0035][0036]其中，h表示预测步数，y
j
(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，w
j
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；分别表示l2范数、l1范数和l
1/2
范数；
[0037]所述损失函数可以进一步推导为
[0038][0039]进一步可以表示为
[0040][0041]其中，J
l,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
[0042][0043]其中，
[0044][0045][0046][0047]λ
c
＝λsign((1+M(λ))
1/2
)<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，即其中，l＝0,1,2,...,L
cp
，L
cp
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，l
s
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，l
s
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：其中，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，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：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其中，初始化储蓄池的内部连接权重矩阵的方式为：W
l
＝αS(I)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，α为0
‑
1之间的随机数，S(*)表示矩阵转移函数，表示单位矩阵；通过谱半径ρ
l
对储蓄池的内部连接权重矩阵进行缩放，计算公式如下：
W
l
＝W
l
*(1/ρ
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)对第l个真实时延抽头定义预测器的输入和输出矩阵，即其中，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,...,N
s
，N
s
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，即其中，x
l
(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，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，W
out,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：其中，h表示预测步数，y
j
(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，w
j
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；||*||和分别表示l2范数、l1范数和l
1/2
范数；所述损失函数可以进一步推导为进一步可以表示为其中，J
l,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
其中，其中，其中，λ
c
＝λsign((1+M (λ))
1/2
)
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)λ
S
＝λ(1+M (λ))
‑
1/4
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)W
out

【专利技术属性】
技术研发人员：隋永波，高辉，蒋国平，陈璐，徐霄，杨璐彤，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：