[发明专利]一种联合深度学习与基扩展模型的信道预测方法

权利要求书

1.一种联合深度学习与基扩展模型的信道预测方法，其特征在于，包括以下步骤：

步骤1，根据历史时刻的信道信息来获取信道的相关矩阵；

根据历史时刻的信道信息来获取信道的相关矩阵为

式中,H_m＝[H_1,m,...,H_k,m,...,H_N,m]，其中H_k,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数，N是OFDM符号的长度；

步骤2，对信道相关矩阵进行特征值分解，获得最优基函数；

对信道相关矩阵进行特征值分解，获得最优基函数

B_m＝U_m(:,1:Q)

式中，U_m为从大到小顺序排列的特征值对应的特征向量矩阵，U_m(:,1:Q)是U_m的前Q列组成的向量，Q是基函数的个数；

步骤3，基于最优基函数，利用基扩展模型对信道进行建模；

步骤4，基于历史接收的导频信号与步骤2获得的最优基函数，获取历史信道的基系数估计值；

步骤5，根据历史基系数估计值构建训练样本集；

根据历史基系数估计值构建训练样本集，即

式中，J表示训练样本数，表示D维实数集，表示A维实数集，表示由第m个时刻的基系数估计构造的第j个输入样本，表示第(m+1)个时刻理想基系数构造的第j个输出样本，其可以表示为

式中，为将复数转换为实数的操作，即其中Re(·)和Im(·)分别为取实部和虚部操作，是第(m+1)个时刻理想基系数组成的第j个样本，是第m个时刻的基系数估计组成的第j个样本，即

式中，表示l径第m个时刻上第q个基函数所对应的基系数，L为信道抽头数；

步骤6，基于随机初始化的网络参数，利用训练样本集对BP神经网络进行训练；

步骤7，获得具有最优权重和阈值参数的信道预测模型；

步骤8，基于步骤7获得的信道预测网络模型进行线上预测；

基于步骤7获得的信道预测网络模型进行线上预测，将第m个时刻的基系数估计值x_m送入网络，然后利用网络的非线性函数Ψ(·)，可得到第(m+1)个时刻的基系数预测值具体表示为

式中，为将实数转化为复数的操作；

步骤9，根据推导的基系数与频域信道的转换公式，获得频域信道矩阵；

根据推导的基系数与频域信道的转换公式，获得频域信道矩阵具体表示为

式中，F为傅里叶变换矩阵，M_q是基函数矩阵，