[发明专利]一种对抗式无线通信信道模型估计和预测方法

说明书

本发明公开了一种对抗式无线通信信道模型估计和预测方法，属于无线通信信道模型辨识技术领域，包括下列步骤：数据初始化，从源数据中随机抽取N个历史无线信道模型作为样本数据集，对信道模型进行归一化；信道模型聚类，采用动态时间规整衡量两个长度不同的时间序列信道模型的相似度，基于动态时间规整对信道模型数据进行聚类；信道模型预测，基于LSTM动态循环神经网络递归模型进行信道模型预测模型；信道模型预测模型修正，基于对抗网络的信道模型预测模型增量修正方法对信号模型预测模型进行修正；该方法充分利用信道模型的时序特性，大大提高准确率。

技术领域

本发明属于无线通信信道模型辨识技术领域，尤其涉及一种对抗式无线通 信信道模型估计和预测方法。

背景技术

随着万物互联从愿景逐渐变为现实，无线通信的需求也随之激增，催生了 无线通信技术的飞速发展。在无线通信的多样化应用环境中，无线信道的多径 效应使得信号在传输过程中不可避免地产生失真和衰减，以及发射端和接收端 的相对运动所产生的多普勒效应，这都导致了从失真的信号中难以精确地恢复 出原始信息。从理论上，信道模型描述了信号的传播过程，为精确地恢复出无 线通信中的原始信息，需要精确地提供信道信息。在大数据时代，无线通信技 术研究者希望能够通过各种技术和方式去挖掘无线信道模型在不同场景下的规 律，从而提升频谱效率和能量效率。

在传统的无线信道模型估计中，有最大似然估计、最小二乘估计、最小均 方误差或者贝叶斯估计等经典方法。随着以深度学习为代表的机器学习技术的 进步，当前的无线信道模型预测的研究成果中，还出现了BP神经网络、支持向 量机、线性回归、灰色预测算法等。

比较有代表性的成果，如曹梦硕等人提出了使用基扩展模型并融合深度学 习的信道估计方法，把大量待估计的信道冲击响应转变为待估计少量的基系数， 减少了待估参数，降低了估算的复杂度，并使用深度神经网络离线学习的特性， 提升信道估计的精度。在考虑信道冲激响应转换成对基系数的估计后，结合基 系数的稀疏性，北京邮电大学李珊珊提出两步骤的信道估计方法，首先使用 SOMP算法对信道模型进行初步估计，接着使用分段线性平滑方法降低模型误 差，提升了信道模型估计的适应性。丁凡提出了使用压缩感知方法研究信道估 计，首先利用约束等距性质构建出稀疏信道模型中的测量矩阵，深度融合稀疏 度自适应匹配追踪重构算法，提出了自适应步长的稀疏度自适应匹配追踪算法 用于信道估计，该方法平衡了信道估计过程中的复杂度以及估计精度。

虽然上述方法都取得了一定的成果，但是这些方法未充分考虑信道模型强 时序性的特点，不能很好地利用时间序列的数据进行建模。

通过神经网络进行信道模型估计及预测涉及多方面的知识，比如矩阵，导 数等方面。当然，信道模型海量的历史数据集以及模型估计和预测方法才是最 主要的。神经网络可以更好地模仿人脑来对信道模型的短期走势进行预测。而 本发明专利采用神经网络对信道模型的短期变化态势进行分析研究。

传统的BP神经网络模型相邻层之间是全连接的，但是每层的各个节点是无 连接的，样本的处理在各个时刻独立，使其不能对时间序列上的变化建模。而 循环神经网络RNN中隐藏层之间的节点不再是无连接而是有连接的，并且隐藏 层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出，这使得循环 神经网络最大的特点是具有记忆功能。

对于当下比较热门的循环神经网络RNN的变种模型LSTM网络模型，这种 深度学习模型可以学习长期依赖信息，在很多问题中都取得相当巨大的成功并 得到了广泛的使用，特别是当下比较热门的图像处理、文本挖掘等人工智能方 面，因其善于发掘时间序列数据间的非线性关系，可考虑运用在信道模型时间 序列预测问题，因此本专利研究LSTM动态循环神经网络递归模型对信道模型时 间序列能否有效地进行预测。

发明内容

本发明的目的在于提供一种对抗式无线通信信道模型估计和预测方法，旨 在解决上述提出的问题。