CN108337057B - 一种基于三层神经网络的列车通信信道预测方法 - Google Patents

一种基于三层神经网络的列车通信信道预测方法 Download PDF

Info

Publication number
CN108337057B
CN108337057B CN201810126639.2A CN201810126639A CN108337057B CN 108337057 B CN108337057 B CN 108337057B CN 201810126639 A CN201810126639 A CN 201810126639A CN 108337057 B CN108337057 B CN 108337057B
Authority
CN
China
Prior art keywords
channel
prediction
hidden layer
train
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810126639.2A
Other languages
English (en)
Other versions
CN108337057A (zh
Inventor
何怡刚
时国龙
李志刚
李晨晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201810126639.2A priority Critical patent/CN108337057B/zh
Publication of CN108337057A publication Critical patent/CN108337057A/zh
Application granted granted Critical
Publication of CN108337057B publication Critical patent/CN108337057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

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***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。

Description

一种基于三层神经网络的列车通信信道预测方法
技术领域
本发明涉及通信领域，具体涉及一种基于三层神经网络的列车通信信道预测方法。
背景技术
近年来，我国高速铁路的快速发展对高速移动环境下的列车无线通信***提出了新的挑战，要求通信***能够适应高速变化的通信环境，为列车旅客和列车控制***提供大容量、高质量的信息服务。列车的高速移动使得无线通信信道急剧变化，带来大多普勒频移、严重的多径衰落以及频繁的小区切换，这些问题给列车高速移动信道的信道参数估计造成极大困难，难以准确快速的补偿信道频偏和跟踪信道变化。
传统的信道估计方法中，需要不断地探测信道以获得多径衰落参数、多普勒频移参数，信道估计开销较大。由于列车周而复始运行在同一路线上，相近的通信环境不断出现，因此不必在通信的每一刻进行信道估计。
现有关于列车通信信道估计的专利中，如“车地通信中列车速度和位置的信道估计和分集方法”(CN201010542351.7)，公开了一种基于列车速度和位置来获得信道参数的方法，其通过事先构建信道状态经验信息库，根据列车当前运行速度和位置查询信息库中对应的信道状态作为初步的信道状态，然后再利用参考信号进行验证。该方法需要通过两步才能确定信道状态信息，且在验证中需要在数据帧中***参考信号，降低了信道利用率，限制了信道容量。“一种针对有轨交通的无线信道预测方法”(CN200810112082.3)，提出了利用信道测量的手段，记录轨道沿线的信道状态信息和对应的位置，构建大数据量样本库，然后在实际中基于列车位置和速度进行信道估计，并采用发送导频的方式进行辅助。该方法需要时时刻刻进行基于导频的信道估计，降低通信效率且构建数据样本库时需要存储大数据量样本，查询耗时较长。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种信道利用率高的基于三层神经网络的列车通信信道预测方法。
由于列车行进路线固定，列车周而复始地行进在此路线上，因此相近的通信环境不断出现。当列车以相近的速度经过相同的环境时，其多径衰落及多普勒频移情况相似。针对此，本发明提出一种基于三层神经网络的列车通信信道预测方法，对信道情况进行预测，并获得信道平稳时长。在信道平稳时长内，将不再进行信道估计，大大提高信道利用率。具体的方法如下：
本方法采用基于神经网络的学***稳时长为输出的三层网络模型，并将该网络模型应用于列车通信时的信道估计。
本发明解决其技术问题所采用的技术方案是：
一种基于三层神经网络的列车通信信道预测方法，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
Figure GDA0002525366990000031
多普勒频移参数预测值
Figure GDA0002525366990000032
和信道平稳预测时长
Figure GDA0002525366990000033
下一时刻的多径衰落参数预测值
Figure GDA0002525366990000034
多普勒频移参数预测值
Figure GDA0002525366990000035
和信道平稳预测时长
Figure GDA0002525366990000036
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
Figure GDA0002525366990000037
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。
进一步，步骤S13中，获得各隐层的初始参数的具体方法为：
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，并经输入层传送至第一隐层，对初始网络的第一隐层进行无监督学***稳时长的节点数据。
本发明基于列车通信的规律特点，采用基于神经网络的方法与传统信道估计方法相结合，进行信道预测，它不需要建立大容量的数据库，能够根据列车运行速度的变化及时预测信道状态信息，预测到的信道状态信息包括多径衰落参数预测值和多普勒频移参数预测值，在信道平稳预测时长所对应的时间段内不需要进行额外的信道估计。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，使用本发明，可获得精确的信道状态信息，以利于提高信道估计效率，降低对信道估计的使用频率，减少导频信道的***，节约信道带宽，提升铁路通信***的通信容量，达到提升信道总体利用率的效果。
附图说明
图1为本发明所采用的三层神经网络模型图。
具体实施方式
本发明采用基于神经网络的学***稳时长为输出的三层网络模型。因此，需要在前期训练阶段进行样本采集及学习。一种基于三层神经网络的列车通信信道预测方法，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；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，并经输入层传送至第一隐层，对初始网络的第一隐层进行无监督学***稳时长的节点数据；
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
Figure GDA0002525366990000051
多普勒频移参数预测值
Figure GDA0002525366990000052
和信道平稳预测时长
Figure GDA0002525366990000053
下一时刻的多径衰落参数预测值
Figure GDA0002525366990000054
多普勒频移参数预测值
Figure GDA0002525366990000055
和信道平稳预测时长
Figure GDA0002525366990000056
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
Figure GDA0002525366990000057
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。
使用本发明，可对下一时刻信道状况及信道平稳时长进行预测，利用获得的多径衰落参数预测值、多普勒频移参数预测值对信道频偏进行补偿。在信道平稳时长内，信道可视为维持在一个平稳状态，多径衰落参数、多普勒频移参数维持在一个稳定的值，因此不需要再进行信道估计，以利于减小探测开销，提高信道利用率。
传统的信道估计方法中，需要不断地探测信道获得多径衰落参数、多普勒频移参数，信道估计开销较大。本发明基于列车通信的规律特点，采用基于神经网络的方法与传统信道估计方法相结合，进行信道预测，它不需要建立大容量的数据库，能够根据列车运行速度的变化及时预测信道状态信息，预测到的信道状态信息包括多径衰落参数预测值和多普勒频移参数预测值，在信道平稳预测时长所对应的时间段内不需要进行额外的信道估计。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，使用本发明，可获得精确的信道状态信息，以利于提高信道估计效率，降低对信道估计的使用频率，减少导频信道的***，节约信道带宽，提升铁路通信***的通信容量，达到提升信道总体利用率的效果。

Claims (1)

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；
获得各隐层的初始参数的具体方法为；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，并经输入层传送至第一隐层，对初始网络的第一隐层进行无监督学***稳时长的节点数据；
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
Figure FDA0002525366980000021
多普勒频移参数预测值
Figure FDA0002525366980000022
和信道平稳预测时长
Figure FDA0002525366980000023
下一时刻的多径衰落参数预测值
Figure FDA0002525366980000024
多普勒频移参数预测值
Figure FDA0002525366980000025
和信道平稳预测时长
Figure FDA0002525366980000026
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
Figure FDA0002525366980000027
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。
CN201810126639.2A 2018-02-08 2018-02-08 一种基于三层神经网络的列车通信信道预测方法 Active CN108337057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810126639.2A CN108337057B (zh) 2018-02-08 2018-02-08 一种基于三层神经网络的列车通信信道预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810126639.2A CN108337057B (zh) 2018-02-08 2018-02-08 一种基于三层神经网络的列车通信信道预测方法

Publications (2)

Publication Number Publication Date
CN108337057A CN108337057A (zh) 2018-07-27
CN108337057B true CN108337057B (zh) 2020-08-14

Family

ID=62928566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810126639.2A Active CN108337057B (zh) 2018-02-08 2018-02-08 一种基于三层神经网络的列车通信信道预测方法

Country Status (1)

Country Link
CN (1) CN108337057B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200143999A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 인공신경망 기반의 채널 보상 장치 및 그 방법
CN112333671B (zh) * 2020-11-03 2022-03-18 合肥工业大学 一种车对车mimo信道的非平稳特征提取方法
CN112822130B (zh) * 2020-12-28 2022-11-29 南京邮电大学 一种5g高速移动***中基于深度学习的多普勒频偏估计方法
CN113259276A (zh) * 2021-05-13 2021-08-13 电子科技大学 基于神经网络的gmsk脉冲多普勒频移测量方法
CN115642972B (zh) * 2022-12-23 2023-03-21 鹏城实验室 动态信道通信检测方法、装置、设备及可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1845538A (zh) * 2005-04-08 2006-10-11 上海奇普科技有限公司 一种时域信道同步***
CN1893313A (zh) * 2005-07-04 2007-01-10 上海原动力通信科技有限公司 确定上行信道冲激响应的方法及多用户联合检测的方法
CN101277278A (zh) * 2008-05-21 2008-10-01 清华大学 一种针对有轨交通的无线信道预测方法
CN101640649A (zh) * 2008-08-01 2010-02-03 上海华为技术有限公司 信道预测时确定信道预测系数的方法、装置及信道预测器
CN102014084A (zh) * 2010-11-12 2011-04-13 西南交通大学 车地通信中基于列车速度和位置的信道估计和分集方法
US8254393B2 (en) * 2007-06-29 2012-08-28 Microsoft Corporation Harnessing predictive models of durations of channel availability for enhanced opportunistic allocation of radio spectrum
CN102811083A (zh) * 2012-07-06 2012-12-05 上海交通大学 一种高速铁路环境下信道信息预获方法
CN103516638A (zh) * 2012-06-25 2014-01-15 华为技术有限公司 一种获取自干扰信道的信道响应的方法及全双工信机
CN105142177A (zh) * 2015-08-05 2015-12-09 西安电子科技大学 复数神经网络信道预测方法
CN105656825A (zh) * 2016-02-26 2016-06-08 北京交通大学 一种用于轨道交通高速移动场景的多普勒频移校正方法
CN105760658A (zh) * 2016-02-03 2016-07-13 华东交通大学 一种区间神经网络的高速列车噪声预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1845538A (zh) * 2005-04-08 2006-10-11 上海奇普科技有限公司 一种时域信道同步***
CN1893313A (zh) * 2005-07-04 2007-01-10 上海原动力通信科技有限公司 确定上行信道冲激响应的方法及多用户联合检测的方法
US8254393B2 (en) * 2007-06-29 2012-08-28 Microsoft Corporation Harnessing predictive models of durations of channel availability for enhanced opportunistic allocation of radio spectrum
CN101277278A (zh) * 2008-05-21 2008-10-01 清华大学 一种针对有轨交通的无线信道预测方法
CN101640649A (zh) * 2008-08-01 2010-02-03 上海华为技术有限公司 信道预测时确定信道预测系数的方法、装置及信道预测器
CN102014084A (zh) * 2010-11-12 2011-04-13 西南交通大学 车地通信中基于列车速度和位置的信道估计和分集方法
CN103516638A (zh) * 2012-06-25 2014-01-15 华为技术有限公司 一种获取自干扰信道的信道响应的方法及全双工信机
CN102811083A (zh) * 2012-07-06 2012-12-05 上海交通大学 一种高速铁路环境下信道信息预获方法
CN105142177A (zh) * 2015-08-05 2015-12-09 西安电子科技大学 复数神经网络信道预测方法
CN105760658A (zh) * 2016-02-03 2016-07-13 华东交通大学 一种区间神经网络的高速列车噪声预测方法
CN105656825A (zh) * 2016-02-26 2016-06-08 北京交通大学 一种用于轨道交通高速移动场景的多普勒频移校正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A channel state prediction for multi-secondary users in a cognitive radio based on neural network;Nakisa Shamsi;《2013 International Conference on Electronics, Computer and Computation (ICECCO)》;20140123;200-203 *
基于神经网络的无线信道的辨识与预测;刘彪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20030315;I136-331 *

Also Published As

Publication number Publication date
CN108337057A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN108337057B (zh) 一种基于三层神经网络的列车通信信道预测方法
Zeng et al. Federated learning on the road autonomous controller design for connected and autonomous vehicles
CN101977423B (zh) 一种车载WiFi设备选择访问点的方法
CN109526021B (zh) 一种高速铁路无线信道场景的分类方法及识别方法
CN107613532B (zh) 车辆异构网络中基于逗留时间预测的模糊垂直切换方法
CN104780573B (zh) 一种链路切换方法及装置
CN111343680B (zh) 一种基于参考信号接收功率预测的切换时延减少方法
CN113285896B (zh) 基于堆栈式elm的时变信道预测方法
CN107240252A (zh) 一种交叉口的主动式车辆调度方法
CN106102099A (zh) 一种基于驻留时间的异构车联网切换方法
CN105791181B (zh) 一种用于轨道交通高速移动场景的信道估计与均衡方法
Shi et al. A user mobility prediction method to reduce unnecessary handover for ultra dense network
CN113923737A (zh) 一种lte-m***智能越区切换方法
Toufga et al. Effective prediction of V2I link lifetime and vehicle's next cell for software defined vehicular networks: A machine learning approach
Kuruvatti et al. Mobility context awareness to improve Quality of Experience in traffic dense cellular networks
CN116939711A (zh) 协同通信中基于鞅的预测性多用户联合中继选择策略
CN115190546A (zh) 基于神经网络预测的lte-m***越区切换方法
CN105406927B (zh) 一种用于高速铁路的信道预测的方法
CN113727360A (zh) 一种基于cu平面分离和波束赋形的5G无缝切换方法
Su et al. Analysis of channel non-stationarity for v2v and v2i communications at 5.9 ghz in urban scenarios
Thai et al. Exploiting the forecast channels for power allocation in high-speed railway communications
CN110881201B (zh) 一种软件定义网络的小区预切换方法
JP6149471B2 (ja) 再生装置、制御方法および制御プログラム
Asad et al. Context-aware handover skipping for train passengers in next generation wireless networks
CN107801190B (zh) 一种基于hdp-nshmm的频谱感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant