[发明专利]大规模MIMO系统基于时频联合相关性的信道预测方法和系统

权利要求书

1.一种大规模MIMO系统基于时频联合相关性的信道预测方法，其特征在于，移动端任一天线A向基站端任一天线B发送OFDM信号，所述OFDM信号同时包含OFDM导频和OFDM数据，基站端接收到OFDM信号后，对天线A和B之间的信道采用以下方法进行信道状态预测：

准备阶段：

移动端天线A在t时刻向基站端天线B发送OFDM导频信号s_t；基站端根据接收到导频信号估计当前信道在t时刻上各频点的信道状态信息H_t；重复n次传递，得到当前信道的信道状态信息矩阵H＝[H₁,H₂,…,H_n]；

对于每个H_t，取前k个时刻的信道状态信息[H_t-k,H_t-k+1,…,H_t-1]作为输入和H_t作为输出构成训练深度学习模型的一个样本，从而得到n-k对训练样本构成的训练集；

构建基于Convolutional LSTM的深度学习模型，所述基于Convolutional LSTM的深度学习模型为5层结构串联：第一层为输入层，最后一层为输出层，中间三层为ConvolutionalLSTM层，其中，

输入层的输入为3维张量，第一个维度为时间维度，后两个为频率维度；输出层的输出为2维向量，代表下一个时刻所有频点的CSI预测值；3层Convolutional LSTM层中的第一层和第二层用于提取信道的时频特征，第三层用于做出预测，每一层所用的过滤器数目分别为32、16和1，卷积核的尺寸分别为7*7、7*7和1*1；

训练阶段：采用所述训练集训练所述深度学习模型，使所述深度学习模型通过不断迭代训练学习当前信道的时频域相关性特征；

应用阶段：将已知的k个连续时刻所有频点上的信道状态信息输入至训练好的深度学习模型，输出下一时刻所有频点上信道状态信息的预测值。

2.如权利要求1所述的方法，其特征在于，所述根据接收到导频信号估计当前信道在t时刻上各频点的信道状态信息

其中，表示导频信号的第i个子载波上的导频信号，s_t(i)表示导频信号s_t的第i个子载波上的导频信号，m表示子载波个数。

3.如权利要求1或2所述的方法，其特征在于，训练阶段的损失函数如下：

其中，V表示训练时批量的大小，N_f表示向量h的长度，表示预测的CSI，h(·)表示真实的CSI，上标(v)表示当前批量的第v个训练样本，θ表示需要通过训练来优化的网络参数。

4.如权利要求3所述的方法，其特征在于，在训练的过程中通过梯度下降结合Adam优化算法对深度学习模型中的参数进行调整更新，使其达到最优，优化的目标即为使损失函数最小。

5.如权利要求1所述的方法，其特征在于，将信道状态信息分为实虚部分别进行训练和预测。

6.一种大规模MIMO系统基于时频联合相关性的信道预测系统，其特征在于，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的大规模MIMO系统基于时频联合相关性的信道预测方法。