[发明专利]一种利用宽带大规模天线阵列空间特性的信道预测方法

权利要求书

1.一种利用宽带大规模天线阵列空间特性的信道预测方法，其特征在于，包括以下步骤：

(1)筛选信道矩阵的主要元素：

首先将接收到的天线频率域信道处理为矩阵形式，通过反傅里叶变换将其变换为角度时延域信道响应矩阵；

然后基于角度时延域信道响应矩阵的稀疏性，根据接收的信噪比自适应选择能量最大的多个信道元素作为信道的主要元素，其余的元素作为信道的非主要元素；

(2)对主要信道元素进行预测包括以下两种方法：

方法一、构建空时自回归信道预测器，所述空时自回归信道预测模型是一个线性模型，输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列，通过模型参数的线性加权求和，输出为角度时延域主要信道元素的当前时刻的值；

利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数，并对信道的主要元素进行预测；

方法二、构建神经网络信道预测器，所述神经网络的基于为复数的全连接层，由输入层、发生器模块、压缩器模块以及输出层级联组成；网络的输入为角度时延域主要信道元素的历史时刻的信道值，输出为主要信道元素在当前时刻以及未来的值；

训练神经网络信道预测器，具体为构建网络的训练集，其由多个不同信道样本的主要元素的历史时刻值作为数据集，对应的主要元素的当前或者未来时刻值作为标签集组成，接着在训练集上训练神经网络直至收敛；

(3)使用信道预测器预测信道，具体为仅使用信道预测器对角度时延域信道响应矩阵中的主要信道元素进行逐个元素的信道预测，而非主要的信道元素的预测值直接设置为0；

对于方法一中所述空时自回归信道预测器，输入为历史时刻的信道值，输出为下一时刻的信道预测值，接着使用信道的预测值以及历史时刻的值，对信道进行连续的预测；

对于方法二中所述神经网络信道预测器，输入为历史时刻信道值，直接输出下一时刻或者未来多个时刻的信道值；

大规模MIMO上行传输系统，基站侧配置均匀面阵，天线之间的间隔为半波长，行天线数量为N，列天线数量为M，基站侧天线总数记为N_a＝MN；用户终端侧配置单根的全向天线；给定三维空间中到达角，其被分解为俯仰角0≤θ≤π以及方位角相应的三维阵列响应矢量表示为：

其中，表示克罗内克积；

其中，表示虚数单位，[·]^T表示矢量或者矩阵转置，e是自然常数；

在传输之前，信号经过子载波个数为N_c，循环前缀长度为N_g的正交频复用技术调制，并且N_g＜N_c；OFDM系统的采样间隔为T_s，信号带宽为B＝1/T_s；OFDM的符号持续时间记为T_c＝N_cT_s，循环前缀持续时间记为T_g＝N_gT_s；给定时延0＜τ≤τ_max，相应的时延响应矢量表示为

当用户终端相对基站移动时，时变的空间频率域信道表示为全空间上路径的叠加

其中，以及分别角度-时延元组对应的路径的复数增益、多普勒频率以及初始相位；

一种利用宽带大规模天线阵列空间特性的信道预测方法，具体包括以下步骤：

S1基站侧配置大规模天线阵列，在上行链路中通过导频发射、信道估计、信号处理获得角度时延域信道响应矩阵，并根据信噪比选择信道矩阵的主要元素；

S2构建空时自回归信道预测器，其输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列，通过模型参数的线性加权求和，输出为角度时延域主要信道元素的当前时刻的信道值；

S3利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数，并对信道的主要元素进行预测；

S4构建神经网络信道预测器，所用神经网络的基于为复数的全连接层，由输入层、发生器模块、压缩器模块以及输出层级联组成；

S5训练神经网络信道预测器，具体为构建网络的训练集，其由多个不同信道样本的主要元素的历史时刻值作为数据集，对应的主要元素的当前或者未来时刻值作为标签集组成，接着在训练集上训练神经网络直至收敛；

S6利用训练好的神经网络信道预测器对信道的主要元素进行预测；

步骤S1包含以下步骤：

S1.1定义以及为相移的离散傅里叶变换矩阵，其第(m,n)个元素分别为以及定义为DFT矩阵的前N_g列，其第(m,n)个元素为通过离散傅里叶反变换，将时变空间频率域信道响应矩阵G_k(t)变换为角度时延域信道响应矩阵：

其中，表示克罗内克积，(·)^H和(·)^*表示矩阵的共轭转置；

S1.2定义带有噪声的估计信道：

其中，代表噪声污染，其元素服从独立同分布的均值为0方差为的高斯分布；此时估计信道的信噪比表示为：

其中i,j是累加运算中被累加元素的下标；

基于角度时延域信道稀疏性，真实信道的能量约等于主要信道元素的能量之和，而噪声的总能量约等于非主要信道元素的能量之和；主要信道元素能量之和与噪声信道总能量的比值λ近似为：

定义角度时延域信道响应矩阵的主要元素的下标的集合为其中N_s＝|Ω_s|表示主要元素的个数；接着根据以下准则选择能量最大的多个信道元素作为主要信道元素：

步骤S2包含以下步骤：

S2.1实际系统中，通过导频获取到的信道往往是离散的；设信道的探测周期为ΔT,那么第k个用户在时刻t＝nΔT时的信道表示为：

当基站测配置均匀面阵时，解耦得到的角度时延域包含三个实际的物理维度：俯仰角、方位角以及时延；为了确定在这三个维度上相邻信道元素，将二维的角度时延与信道响应矩阵H_k重塑为三维的角度时延域信道响应张量

其中下标(q,i,j)分别表示第q个俯仰角、第i个方位角以及第j个时延；相应的，角度时延域信道响应张量的主要元素的下标的集合为其中并且(i_s,j_s)∈Ω_s，其中表示不大于x的最大整数，·_N表示模-N运算；

S2.2构建空时自回归信道预测器；以时刻n的角度时延域信道响应张量第(q,i,j)个元素[T_k[n]]_q,i,j的预测为例，使用V₁、V₂、H₁、H₂、D₁、D₂表示该元素的相邻元素的下标的范围，阶数为P的空时自回归的信道预测器表示为

其中，表示空时自回归信道预测器的参数，其数量表示为P′＝(V₂-V₁+1)(H₂-H₁+1)(D₂-D₁+1)P；

步骤S3包含以下步骤：

S3.1首先利用最小化均方误差的准则求解空时自回归信道预测器模型参数最优的闭式解；将表达式(13)改写成矩阵的形式

其中，和分别定义为

其中p′是辅助表达的下标，表示为

p′＝(v-V₁)(H₂-H₁+1)(D₂-D₁+1)P+(h-H₁)(D₂-D₁+1)P+(d-D₁)P+p-1 (17)

接着，使用最小均方误差准测计算空时自回归信道预测器的参数矢量表示为

根据正交准则，最优的参数估计值满足

求解上式，得到

其中

S3.2接着，利用最近的历史信道数据估计式(20)中的R_q,i,j以及v_q,i,j；根据式(21)以及式(22)，R_q,i,j和v_q,i,j由第(q,i,j)个信道元素的自相关函数以及其与相邻信道元素的互相关函数构成；给定长度为S的历史时刻信道数据其中S＞P，通过取平均的方法，信道元素的自相关函数以及互相关函数用下式估计：

其中，当(q,i,j)＝(q′,i′,j′)表示自相关函数的估计值，当(q,i,j)≠(q′,i′,j′)表示互相关函数的估计值；如此，R_q,i,j和v_q,i,j中的每个元素都通过估计对应的自相关函数/互相关函数获得；

S3.3在进行信道预测时，首先根据式(10)筛选信道的主要元素；接着，针对主要信道元素，利用式(23)估算相应的自相关/互相关函数，得到R_q,i,j和v_q,i,j；最后，利用式(20)计算空时自回归信道预测器的模型参数，利用式(13)对下一时刻的信道进行预测；对于连续的长度为L的信道预测，首先利用前P个探测周期的信道序列{T_k[n-P],T_k[n-P+1],…,T_k[n-1]}作为输入预测第n个时刻的信道接着，使用前P-1个时刻信道和第n个时刻预测的信道作为输入预测第n+1时刻的信道每次新的预测都使用到过去时刻的预测值，直到预测出

步骤S4包含以下步骤：

S4.1对于构建神经网络信道预测器，首先描述神经网络的输入输出形式；以时刻n的角度时延域信道响应矩阵第(i,j)个元素[H_k[n]]_i,j的预测为例，为了使复数的信道值符合神经网络的输入输出格式，首先将[H_k[n]]_i,j的实部和虚部拆开组合成二维的实向量：

其中，和分别表示对复数取实部和虚部；

随后使用前P时刻的时间序列{b_k,i,j[n-P],b_k,i,j[n-P+1],…,b_k,i,j[n-1]}作为神经网络的输入；所使用的神经网络采用复数值神经网络，其表示为非线性函数f_CVNN(·)，因此神经网络预测器的预测过程表示为

S4.2 CVNN网络f_CVNN(·)的整体结构，包括以CVFL为基础单元构建输入层、发生器模块、压缩器模块以及输出层；发生器模块包括四层神经元个数成倍递增的CVFL层，用于将输入层数据投影到高维空间中，解耦输入数据之间的空间相关性；压缩器模块包括三层神经元个数成倍递减的CVFL层，用于将发生器模块输出的高维特征进行压缩，去除冗余的特征；输入层和输出层均为一层的CVFL。输；层之前CVFL层之间采用复数全连接来连接底层的复数乘法和复数激活依次级联而成；压缩器模块与输出层之间的连接方式为不带复数激活的CVFC；

S4.3 CVFC由复数的乘法以及复数的激活函数级联而成；具体而言，给定复数的权重矩阵以及复数的输入特征向量那么复数的乘法表示为

其中，W′和h′分别为W和h对应的实数值的权重矩阵和向量；基于此，在构建神经网络的时候，将权重矩阵以及特征向量的实部虚度拆开为实数矩阵/向量，在前向传播以及反向传播的时候以式(26)中的实数的乘法代替复数的乘法；在复数的矩阵乘法之后，接上复数的激活函数以引入非线性特性；采用复数值的CReLU作为复数的激活函数；具体而言，给定复数值z，CReLU对其实部以及虚部进行分别的ReLU激活

步骤S5具体为：由于角度时延域信道响应矩阵中的非主要元素几乎不包含时间相关性的信息，因此使用主要元素构建训练集使得网络的训练更加有效；假设在训练阶段使用到的角度时延域信道响应矩阵序列的个数为K_train，每个信道序列中主要元素的个数为N_s；使用θ表示CVNN中可训练的参数，训练中的损失函数表示为

其中，||·||₁表示l₁-范数，计算为向量中各个元素绝对值之和，表示根据式(10)选择的第k个信道矩阵的主要元素；

所述步骤S6具体为：在进行信道预测时，首先根据式(10)筛选信道的主要元素；接着利用式(25)中训练好的神经网络对当前信道进行预测；对于连续的长度为L的信道预测，由于网络的输出的长度是可更改的，因此在网络构建时将网络的输出的长度修改为L，即

其中，f_CVNN-L(·)表示连续的长度为L的信道预测的CVNN的函数，其在输出层之前的网络结构与f_CVNN(·)相同，不同的是f_CVNN-L(·)输出层的长度为L＞1，而f_CVNN(·)的输出层的长度为1；接着，在训练完成后利用式(29)直接对长度为L的信道进行预测。