[发明专利]一种基于集成神经网络模型的信道估计方法

权利要求书

1.一种基于集成神经网络模型的信道估计方法，其特征在于，包括以下步骤：

步骤1：获取接收信号并对接收信号进行移除循环和傅里叶变换处理，得到由实部和虚部组成的接收信号；

步骤2：采用BP神经网络作为个体学习器，确定BP神经网络内部参数，并对BP神经网络进行相应改进，在调整权值和阈值时加上一个附加动量来避免训练过程陷入局部极小，并采用自适应学习速率的方法来加速神经网络的训练过程，缩短响应时间，使BP神经网络能够适用于MIMO-OFDM通信系统的信道估计；

步骤3：从接收信号中提取信道估计所需的导频信号，将导频信号作为训练数据，将原始导频信号作为目标数据，训练数据与目标数据一一对应并作为初始数据集，并对初始数据集进行有放回的采样，每次采样得到N个数据组成一个训练子集，重复M次共得到M个训练子集；

步骤4：利用这M个训练子集，对M个BP神经网络进行并行训练，提取接收导频与原始导频之间的非线性模型即信道模型，得到M个个体神经网络模型；

步骤5：计算神经网络模型之间的整体差异度，若差异度值大于0.5则增加神经网络个数，重复上述过程，在满足差异度要求的前提下结合算数平均法对其集成得到集成神经网络模型；

步骤6：利用集成神经网络模型对除导频之外的数据信号进行补偿恢复，完成信道估计过程；

所述步骤2中对BP神经网络进行相应改进，使BP神经网络能够适用于MIMO-OFDM通信系统的信道估计，具体包括：首先导频信号是由实部和虚部共同组成，而神经网络无法处理虚部，需要将其实部与虚部分开作为两个输入，对应神经网络的输入层和输出层均包含2个神经元，激励函数采用tanh函数，损失函数采用二次型误差准则函数，学习算法为梯度下降算法；

所述步骤2中针对个体学习器损失函数的局部极小对最终结果可能产生的影响，利用附加动量的思路来改进权值和阈值的修正过程，附加动量的主要内容就是在权值和阈值的的变化量上增加一个调节因子，具体为：在权值和阈值的变换量上增加一个正比于前一次变化量的附加动量，利用附加动量项来限制权值和阈值的变化量，当学习算法接近局部极小时，有了该附加动量的作用，可以帮助学习算法跳出局部极小，进而达到全局最小，得到最优的神经网络模型；

所述步骤2采用自适应学习速率调整的方法，在神经网络训练过程中将本来固定不变的学习速率，根据误差准则函数的变化做相应的调节，具体做法是：对自适应学习速率在每次训练完成后做出调整，使得学习速率在训练的过程中不再是固定不变的，而是不断变化以适应当前训练过程的，其值是该增大还是减小，判断标准是在当前学习速率下损失函数得出的误差值是否真正降低了，具体调整如下：

η(k+1)表示下一次训练过程中学习速率的值，其中E(k)为第w步误差，k为当前训练次数，然后再重复前向传播过程，使得修改后的网络的输出能更加接近期望值，当E(k)的值达到设置的目标值时或者达到最大迭代次数后，训练过程完成；

所述步骤5计算神经网络模型之间的整体差异度具体包括：神经网络之间的两两差异度根据训练过程中的均方误差来计算，即：式中V_i,j代表第i个子神经网络和第j个子神经网络的两两差异度，y_i-mse和y_j-mse分别为第i和j个神经网络在训练数据上的均方误差；

V_j代表第j个神经网络的整体差异度；

可根据公式计算出整体差异度，V代表集成神经网络内部的整体差异度。

2.根据权利要求1所述的一种基于集成神经网络模型的信道估计方法，其特征在于，所述步骤1：获取接收信号并对接收信号进行移除循环前缀操作，即将其中用作抑制符号间干扰的循环前缀信号移除，并对余下的数据信号和导频信号进行傅里叶变换处理，可根据傅里叶变换公式计算结果，得到由实部和虚部组成的接收信号，在软件处理的过程中可直接通过FFT命令来完成。

3.根据权利要求1所述的一种基于集成神经网络模型的信道估计方法，其特征在于，所述步骤6利用集成神经网络模型对除导频之外的数据信号进行补偿恢复，具体包括：

结合算数平均法对每个神经网络的输出结果进行处理，得出集成神经网络最终的信道估计结果：其中M是神经网络的个数，是第i个神经网络的估计结果。