[发明专利]基于多任务学习的时间相关MIMO系统信道预测方法

说明书

本发明公开了一种基于多任务学习的时间相关MIMO系统信道预测方法，主要解决MIMO系统中信道由于时变特性导致的信道状态信息与信道不匹配的问题。其实现方案是：1)通过对信道测量得到时间相关的MIMO信道状态信息历史观测值；2)将不同发送接收天线对上的信道状态信息看作是不同的任务，同时输入多任务学习算法中进行共同学习，利用多天线之间的内在联系，获得更加充分的特征空间，得到多任务学习算法参数；3)将测试的信道状态信息数据和多任务学习算法参数共同输入到多任务学习算法中进行信道预测，得到预测的信道状态信息。本发明简单易行，效果良好，计算量小，可用于时间相关的MIMO系统中。

技术领域

本发明属于通信技术领域，特别涉及一种信道预测方法，可用于时间相关的MIMO系统中。

背景技术

在无线通信中，反射，绕射和散射普遍存在于各种环境中，不可避免的存在多径传播现象；发射端和接收端的相对移动又不可避免的产生多普勒扩展，使无线信道呈现频率选择性和时变特性。频率选择性和时变特性导致的衰落被视为两种不同的失真。前者取决于多径扩展，由相干带宽表征；后者取决于信道的时间变化，由相干时间进行表征。为了降低系统误码率，通常利用估计得到的信道状态信息均衡接收到的信号。但是对于快变信道，传统的基于判决反馈的信道估计得到的信道状态信息是过时的信息。

为解决由于信道时变特性导致的信道状态信息过时的问题，近年来在MIMO系统中使用信道预测技术得到广泛的关注。基站端利用以往时刻的信道状态信息估计得到的上行链路信道状态信息来预测当前时刻或之后更长时间内下行链路信道状态信息，以期利用预测得到的信道状态信息进行自适应处理，进一步提高系统性能。

目前，时变衰落信道预测的研究主要集中在线性预测算法中，如线性动态AR模型等。但由于时变衰落信道具有非常复杂的非线性特性，非线性预测算法的引入也越来越受到研究者的关注，其中支持向量机和神经网络就是目前广泛应用的两种非线性算法。

支持向量机，是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的，它是基于结构风险最小化准则的一种新的机器学习技术，其通过非线性变换将输入样本空间变换到一个高维特征空间，然后在这个新空间中求取最优超平面，较好地解决了学习方法的小样本、非线性、高维数、局部极小点等实际问题，并具有很强的泛化能力。但是，支持向量机的预测精度过于依赖其参数的选择,其取值主要依据经验与试运算,没有统一的规则，由于支持向量机模型结构难以确定，易出现过度训练或训练不足等情况，容易陷入局部最小且对连接权值都比较敏感，并且过度依赖设计技巧，训练大规模样本时复杂度较高，且在求解最优化问题时需要求解二次规划，计算较为复杂。神经网络算法，作为人工智能和模式识别的有力工具，神经网络有许多种类的算法，经常使用的有BP网络、RBP网络、Hopfield网络等等。与传统的预测方法相比，神经网络预测方法的预测精度会更好一些，但是传统神经网络算法的网络参数都为实数，而MIMO信道状态信息是复数数据，所以传统神经网络算法并不适用于信道预测。并且现有的非线性预测算法都只单独考虑每个发送接收天线对上的信道状态信息，没有将每个发送接收天线对之间的内在联系考虑进去，导致训练样本不充分，预测效果差等问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多任务学习的时间相关MIMO系统信道预测的方法，以减小由时变信道下信道状态信息过时造成的信道状态信息与当前时刻信道状态信息不匹配状态，提高信道预测的预测精度。

本发明的技术方案是：根据对信道测量获得时间相关的MIMO系统信道状态信息观测值，利用多任务学习算法训练，得到多任务学习算法的模型参数，将该模型参数带入多任务学习算法中进行预测，得到相邻时刻发送接收天线对上的信道状态信息，其实现步骤包括如下：