[发明专利]一种基于三层神经网络的列车通信信道预测方法

摘要

一种基于三层神经网络的列车通信信道预测方法，本发明采用基于神经网络的学习方法对信道变化情况进行学习，建立以前N个时刻的速度、多径衰落参数、多普勒频移参数的状态量为输入；以预测多径衰落参数、预测多普勒频移参数及信道平稳时长为输出的网络模型。该网络模型可应用于高速行进列车下一时刻的信道参数估计。鉴于列车运行路线的固定性及重复性，本发明充分利用列车信道变化的内在规律性，降低信道估计的使用频率，达到了提升信道总体利用率的效果。

主权项

1.一种基于三层神经网络的列车通信信道预测方法，其特征在于，包括训练阶段及预测阶段：1)训练阶段:S11，对列车行进过程中的信道情况进行等时间间隔采样；S12，记录前N个采样时刻tx‑N+1、tx‑N+2、…、tx‑1、tx的信道多径衰落参数αx‑N+1、αx‑N+2、…、αx‑1、αx、多普勒频移参数fx‑N+1、fx‑N+2、…、fx‑1、fx、速度vx‑N+1、vx‑N+2、…、vx‑1、vx，以及第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1；S13，选定三层神经网络为初始网络，初始网络具有输入层、隐层和输出层；隐层的层数为三层，分别为第一隐层、第二隐层和第三隐层；获得各隐层的初始参数；S14，将前N个时刻tx‑N+1、tx‑N+2、…、tx‑1、tx的速度vx‑N+1、vx‑N+2、…、vx‑1、vx、多径衰落参数αx‑N+1、αx‑N+2、…、αx‑1、αx、多普勒频移参数fx‑N+1、fx‑N+2、…、fx‑1、fx作为输入层的输入，第N+1个时刻tx+1的信道多径衰落参数αx+1、多普勒频移参数fx+1和信道状态所维持平稳的时长τx+1为输出层的输出，对通过步骤S13构建的具有三层隐层的初始网络进行微调，即利用有监督训练对步骤S13中所获得的初始参数进行调整，从第三隐层到第一隐层的顺序进行调整，进而获得预测网络模型；2)预测阶段：S21，对于行进中的列车，利用传统信道估计方法获得各个时刻的速度、多径衰落参数和多普勒频移参数；当列车运行至时刻T时，将包括时刻T在内的前N个连续时刻的速度、多径衰落参数和多普勒频移参数作为预测网络模型的输入，通过预测网络模型对行进中的列车即将迎来的下一时刻T+1的信道状态情况进行预测，预测网络模型的输出为下一时刻的多径衰落参数预测值多普勒频移参数预测值和信道平稳预测时长下一时刻的多径衰落参数预测值多普勒频移参数预测值和信道平稳预测时长共同构成下一时刻的信道状态预测值；当列车运行至时刻T+1，且经过信道平稳预测时长后；也就是说，当通过预测网络模型获得的下一时刻的信道平稳预测时长结束后，将T+1重新赋值给T，重复步骤S21，对列车实现新一轮信道状态预测；在每次使用预测网络模型进行预测后，对于获得的信道平稳预测时长在信道平稳预测时长所对应的时间段内信道视为状态平稳，在状态平稳时不需要进行额外的信道估计。