[发明专利]基于信道识别和信道分类的多载波系统链路自适应方法

说明书

本发明提出了一种基于信道识别和信道分类的多载波系统链路自适应方法，首先获取不同信道类型的信道样本以及每一个信道样本对应的最优MCS，多载波系统接收端在接收经每个信道样本传输的数据帧后，估计所有子载波的信噪比和信道样本的信道系数，将信道参数和信道类型组成训练集利用随机森林算法获得信道识别分类器，将子载波信噪比和最优MCS组成训练集利用随机森林算法获得信道分类分类器，利用信道识别分类器和信道。

技术领域

本发明属于通信技术领域，涉及一种多载波系统链路自适应方法，具体涉及一种基于信道识别和信道分类的多载波系统链路自适应方法，可用于无线通信、移动通信等多种通信系统。

背景技术

多载波调制是利用频分复用实现串行数据的并行传输的一种技术,它能实现数据的高速传输，支持多用户接入。

由于通信系统的信道容量是有限的，所以如何高效的利用信道资源是一个很重要的问题，链路自适应技术可以实现信道资源的合理利用。链路自适应是一种根据通信系统的接收端反馈的信道信息，发送端自适应地选择调制编码方式MCS的技术。当信道条件较好时用户设备可以选择传输高阶调制信号获得更高的传输速率，在信道条件较差时选择低阶调制信号保证传输不会出错，从而避免重传，减小了时延。链路自适应是通过吞吐量来评价不同实现方法的好坏。

传统的链路自适应方法是基于查表法进行的。查表法是事先测得各个MCS在不同信噪比下的误帧率曲线，再根据误帧率曲线在不同信道质量指示CQI下选择MCS的一种链路自适应方法。这个方法的优点是简单明了，易于操作，但是它也有许多缺点，比如系统吞吐量提升较少、消耗许多硬件资源等。近年来，一些改进的链路自适应方案相继被提出，其中，基于神经网络、Q学习的链路自适应方法对信道进行了分类，相对于传统的查表法有一定的吞吐量提升，然而，这些方法并没有考虑到在实际中信道类型会产生变化导致信道资源没有被最大化利用。S.Wu等人在2020年8月在PIMRC上发表论文“Q-Learning based LinkAdaptation in 5G”中提出了用基于Q学习的链路自适应方法，它使用Q学习对信道空间进行探索，完成了信道质量的分类，但是它的系统吞吐量提升不高。

基于信道识别的链路自适应方法通过信道识别技术对信道类型进行分类，有效利用了信道资源，但是其识别精度低，在低信噪比下系统吞吐量提升较小，例如，E.Kurniawan等人在2018年11月在APCC上发表论文“Machine Learning-based Channel-TypeIdentification for IEEE 802.11ac Link Adaptation”中，提出了基于前导法的链路自适应方案，它通过采用前导法对信道类型进行识别来挖掘信道信息，但是前导法在低信噪比下识别精度较低，而且没有对信道质量进行分类，导致多载波系统吞吐量较低。

综上所述，由于信道类型在实际通信中会随着散射体、用户位置的不同而随时间变化，所以链路自适应中对信道类型的实时分类是必要的，同时，对于同一种信道，也存在信道质量好与坏的差别，所以链路自适应还需要准确地对信道进行分类。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于信道识别和信道分类的多载波系统链路自适应方法，旨在通过对信道识别和信道质量分类的结合，并提高信道的识别精度，提高多载波系统的吞吐量。

实现本发明的基本思路是：首先获取不同信道类型的信道样本以及每一个信道样本对应的最优MCS，多载波系统的接收端在接收经每个信道样本传输的数据帧后，估计所有子载波的信噪比和信道样本的信道系数，将信道参数和信道类型组成训练集利用随机森林算法获得信道识别分类器，将子载波信噪比和最优MCS组成训练集利用随机森林算法获得信道分类分类器，利用信道识别分类器和信道分类分类器实现链路自适应方法。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取蜂窝小区不同信道类型的信道样本和每个信道样本的最优调制编码方式：