CN110708129A - 一种无线信道状态信息获取方法 - Google Patents

一种无线信道状态信息获取方法 Download PDF

Info

Publication number
CN110708129A
CN110708129A CN201910817115.2A CN201910817115A CN110708129A CN 110708129 A CN110708129 A CN 110708129A CN 201910817115 A CN201910817115 A CN 201910817115A CN 110708129 A CN110708129 A CN 110708129A
Authority
CN
China
Prior art keywords
prediction
channel
algorithm
channel state
precision
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.)
Granted
Application number
CN201910817115.2A
Other languages
English (en)
Other versions
CN110708129B (zh
Inventor
高晖
张洪星
粟欣
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910817115.2A priority Critical patent/CN110708129B/zh
Publication of CN110708129A publication Critical patent/CN110708129A/zh
Application granted granted Critical
Publication of CN110708129B publication Critical patent/CN110708129B/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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种无线信道状态信息获取方法，属于无线与移动通信技术领域，其特征之一在于，包括以下步骤：对信道估计得到的大量信道信息数据样本进行统一格式处理，形成训练样本；将上述样本数据输入到预测神经网络中，得到针对此数据集的一组最优的参数；再辅助以预测效果判断得到当前预测精度的实际状态，如若预测精度不满足需求，则训练进一步优化参数；预测网络所得的信道状态信息将应用于发端。其特征之二在于，所提出的自适应结构超限学习机(Adaptive Structure Extreme Learning Machine,ASELM)算法，该算法可以自适应的调整网络的结构匹配信道数据的变化特点。

Description

一种无线信道状态信息获取方法
技术领域
本发明涉及一种无线信道状态信息获取方法，属于无线与移动通信技术领域。
背景技术
以无人机通信场景为例，近年来，无人机被广泛应用于社会生产生活的诸多领域。在一些联合探测任务中，为了是无人机群更加有效的协同配合，无人机之间需要共享一些数据，因此，无人机之间有较多的通信需求。信道状态信息是无人机之间进行通信传输的一个关键参数。但是移动状态下信道状态变化很快，由于信道估计过程中的反馈时延，所得的信道状态信息存在过期的问题，这个问题会导致通信的中断。因此，高动态性给信道估计带来了巨大挑战，而信道预测为解决这类问题提供了潜在的可能性。为了解决以上问题，研究者在信道预测中投入了大量的精力。在传统的传输方案中，基于信道估计得到的历史信道状态信息的信道预测起到了提升***性能的效果。
研究人员设计了一些信道预测算法，经典的自回归(Autoregressive,AR)算法中信道冲激响应是用历史信道状态信息的线性组合来表示的，但是AR算法不能适应无人机通信过程中高多普勒频偏对信道预测效果明显有所下降。另外回声状态网络(Echo StateNetworks,ESN)也被用于预测瑞利信道的状态变化。然而从仿真效果上来看，ESN算法在无人机通信场景中的表现依然难以保证通信的可靠性。不同于AR和ESN算法，ASELM算法能够在预测过程中自适应的调整自身的预测网络结构来应对无人机通信过程中信道状态快速多变的问题。
发明内容
有鉴于此，本发明考虑了自适应调整预测神经网络的结构，并基于ELM算法提出了ASELM信道预测算法。其特征在于，所述算法含有以下过程，改进的ELM算法进行信道信息获取主要包括如下两个步骤：
训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足需求的隐藏神经元个数在一定区间内预测误差相近；因此，可以认为在一定隐藏神经元数量区间内，任意隐藏神经元数量值处的预测结果可以近似认为是整个组所有隐藏神经元数量值的对应的预测效果；故而可以采取分组搜索的方式(此处设置一定区间内相邻隐藏神经元数量值为一组，每一组内任取隐藏神经元数量值为典型值)进行最佳隐藏神经元个数的快速搜索，通过对比不同隐藏神经元数量典型值所对应的测试集的NMSE值，来判定是否该典型值的预测效果达到了需求预测精度；如果达到需求预测精度则立即停止搜索新的参数，即找到满足精度需求的最小的典型值，实验证明，该训练过程所需时间小于1秒。
预测过程：将算法的参数数设置为上面训练过程中得到的典型值，输出无人机平台间通信场景的信道预测结果；经验证，每一个节点的预测时间一般小于0.1秒。
根据本发明的方法，通过对信道***导频进行信道估计来获取信道状态信息数据作为所提算法的训练集，提取出信道状态数据的有关特征。在实际通信过程中，结合发送导频的方式，就可以使得信道预测与信道估计有效结合在一起，从而在数据发送过程中保证发端对信道状态的掌握。同时由于充分利用了信道状态信息的历史数据，所以可以避免信道状态过期带来的问题，有效克服了通信环境变化带来的信道状态快速多变的困难。
附图说明
图1是所提无线信道状态信息获取方法的算法流程图
图2是无人机通信的一种场景模型图，示出了无人机平台之间通信的信道随着无人机运动不断变化的情况。
图3是ELM算法的基本算法框图。
图4是信道预测的帧结构图。示出了信道预测与信道估计在数据传输过程中的联系。导频***的方式进行信道估计，获取历史信道状态信息，这些数据被用作预测神经网络的训练，训练好之后的信道预测网络，在数据传输过程中提供信道状态信息的预测值，从而保证发端在发送数据时对信道状态的了解，有效减少数据传输过程中因信道状态变化而引起的丢包误码乃至通信中断问题。
图5是ASELM算法与AR和ESN算法预测精度MATLAB仿真对比图。
图6是通信过程中，所提无线信道状态信息获取方法的完整工作过程的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
理论上，无线电波的传播路径和时间决定了信道状态信息，如果发射端和接收端都处于移动状态下，则会产生相当大的多普勒频偏，信道状态变化较快，信道状态信息的变化产生的数据量较大，这些数据的预测本质上是一个数学上的回归问题，ELM在处理回归问题时，具有泛化能力强和学习快速的特点，预测网络通过对这些信道状态数据的学习可以提取其中的数据特征，进而对数据变化趋势进行快速有效的预测。基于这些先验知识，我们对ELM算法进行了针对性的优化，提出了一种无线信道状态信息获取方法。
下面举例说明本发明在无人机平台通信的信道预测中的应用，使用复正弦信道模型来等效宽带无线信道模型，收发端的无人机处于3D的相对运动当中，其信道状态信息可以表示为
Figure BDA0002186646560000041
其中，t为时间，α表示复信道增益，fd表示多普勒频偏，多普勒频偏的变化取决于发射端和接收端的变化，aR是归一化接收矩阵导航矢量，aT是归一化发送矩阵导航矢量。(θR,φR)是到达角，(θT,φT)表示发射角，(θ,φ)表示波束指向，导航矢量a(θ,φ)可以表示为
Figure BDA0002186646560000042
其中Ωy＝kdy sin(θ)sin(φ)，Ωx＝kdx sin(θ)cos(φ)，波数k＝2π/λ，
Figure BDA0002186646560000043
表示的是克罗内克积。Ny和Nx分别表示的是2×2的MIMO平面阵列上的y方向和x方向上的天线阵元的数量。dx＝dy＝λ/2，分别表示y方向和x方向上天线阵元的间隔，此处间隔设置为半波长。Gant(·)表示的是辐射方向图，
Figure BDA0002186646560000044
其中θ和φ可以表示成
Figure BDA0002186646560000045
通过对***导频的方式，我们可以获得上述信道状态信息h(t)。通过对信道状态信息数据格式进行整理，从而获得算法训练和测试所需的训练集和测试集。
ASELM算法基于ELM算法的一种改进型算法，其中ELM算法是一种单层前馈神经网络(single-hidden layer feedforward neural networks，SLFNs)，该算法的结构清晰，层次分明，基本ELM算法过程如下：
假设给定一个训练集
Figure BDA0002186646560000046
激励函数g(x)，隐藏神经元个数N,
步骤1：任意输入权重wi和偏差bi，
Figure BDA0002186646560000047
步骤2：计算隐藏层输出矩阵H。
步骤3：计算输出权重β：
Figure BDA0002186646560000051
其中，隐藏层神经网络输出矩阵为
输出权重为
输出矩阵为
Figure BDA0002186646560000054
基于以上ELM算法，提出了ASELM算法。其特征在于，所述算法含有以下过程，改进的ELM算法进行信道信息获取主要包括如下两个步骤：
训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足需求的隐藏神经元个数在一定区间内预测误差相近。因此，可以认为在一定隐藏神经元数量区间内，任意隐藏神经元数量值处的预测结果可以近似认为是整个组所有隐藏神经元数量值的对应的预测效果。故而可以采取分组搜索的方式(此处设置一定区间内相邻隐藏神经元数量值为一组，每一组内任取隐藏神经元数量值为典型值)进行最佳隐藏神经元个数的快速搜索，通过对比不同隐藏神经元数量典型值所对应的测试集的NMSE值，来判定是否该典型值的预测效果达到了需求预测精度。如果达到需求预测精度则立即停止搜索新的参数，即找到满足精度需求的最小的典型值，实验证明，该训练过程所需时间小于1秒。
预测过程：将算法的参数数设置为上面训练过程中得到的典型值，输出无人机平台间通信场景的信道预测结果。经验证，每一个节点的预测时间一般小于0.1秒。
(1)ASELM算法的具体实现过程如图1所示。
(2)参见图2，在无人机通信模型中，包括收发端两个飞行中的无人机该模型等效于端到端信道模型；其中的带箭头的虚线表示无人机运动的方向和轨迹，棒状连接表示无人机的波束对准所建立的信道。
我们设计的目标是在保证无人机平台之间通信过程中对信道状态的有效预测。由于无人机是在做高速的3D运动，所以信道状态变化很快，想要对信道状态信息进行有效的预测是比较困难的，这不仅要求算法有良好的泛化能力，还要求算法具有学习快速的特点，过于复杂的预测算法将无法适应无人机通信场景的需求。
(3)参见图3，在该方法中，ELM算法框图中可以看出ELM是一种轻量级的单层神经网络。基于ELM算法而改进的ASELM算法也是一种轻量级算法，可以很好的避免耗费大量的运算和训练时间，节省计算资源和计算时间，进而为适应无人机之间的快速多变的信道状态奠定了基础。
(4)参见图4，在无人机通信***中，通信链路建立之后，通信***会首先通过***导频的方式进行信道估计，估计出信道的状态以后反馈到发端，但是信道快速多变的特点导致反馈回来的信道状态已经过期，故而不能直接应用到当前的数据发送中，此时就需要依据已经估计出来的历史信道状态信息来预测当前的信道状态。信道预测帧结构如图4所示，其中信道估计值为训练数据集，所预测出来的信道状态信息作为当前发端发送信号的依据。
(5)为了展示本发明中各种机制的实用性能，申请人进行了多次仿真试验。MATLAB仿真试验的结果如图5所示。
(6)参见图6，在无人机通信***中，图6展示的是一个完整的无线信道状态信息的获取流程。
以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (6)

1.一种无线信道状态信息获取方法：自适应结构超限学习机(ASELM)算法；其特征在于，通过对超限学习机(Extreme Learning Machine,ELM)算法中隐藏神经元数量进行优化从而使得ELM的网络结构能够有效适应信道状态数据的变化特点，进而取得更优的预测效果；
改进的ELM算法训练和预测过程如下：
训练过程：设定需求预测精度，设定预测窗口的长度，算法通过设定一定长度的预测窗口和预测窗口的滑动步长来取得良好的预测效果，经过训练，算法可以根据预测的精度需求自适应的调节其内部的神经网络结构，从而实现预测精度和预测时间联合优化，由于满足需求的隐藏神经元个数在一定区间内预测误差相近；因此，可以认为在一定隐藏神经元数量区间内，任意隐藏神经元数量值处的预测结果可以近似认为是整个组所有隐藏神经元数量值的对应的预测效果；故而可以采取分组搜索的方式(此处设置一定区间内相邻隐藏神经元数量值为一组，每一组内任取隐藏神经元数量值为典型值)进行最佳隐藏神经元个数的快速搜索，通过对比不同隐藏神经元数量典型值所对应的测试集的归一化均方误差(Normal-Mean-Square Error,NMSE)值，来判定是否该典型值的预测效果达到了需求预测精度。如果达到需求预测精度则立即停止搜索新的参数，即找到满足精度需求的最小的典型值，实验证明，该训练过程所需时间小于1秒；
预测过程：将算法的参数数设置为上面训练过程中得到的典型值，输出信道预测结果；经验证，每一个节点的预测时间一般小于0.1秒。
2.根据权利要求1所述的一种无线信道状态信息获取方法，其特征在于，通过分组搜索的方式，快速对参数进行筛选和优化，从获得满足需求预测精度的信道预测结果。
3.根据权利要求1所述的一种无线信道状态信息获取方法，其特征在于，所述算法基础思想是对ELM的隐藏神经元个数进行调整优化，从而实现对网络结构的调整。
4.根据权利要求1所述的一种无线信道状态信息获取方法，其特征在于，所述的信道预测方法通过重新训练的方式进行预测精度的校准。
5.根据权利要求1所述的一种无线信道状态信息获取方法，其特征在于，所述方法用于前向信道预测、后向信道预测、预编码、预均衡、天线选择、发端调度以及自适应传输中的任意一种。
6.根据权利要求2所述的一种无线信道状态信息获取方法，其特征在于，所述方法用于前向信道预测、后向信道预测、预编码、预均衡、天线选择、发端调度以及自适应传输中的任意一种。
CN201910817115.2A 2019-08-30 2019-08-30 一种无线信道状态信息获取方法 Active CN110708129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910817115.2A CN110708129B (zh) 2019-08-30 2019-08-30 一种无线信道状态信息获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910817115.2A CN110708129B (zh) 2019-08-30 2019-08-30 一种无线信道状态信息获取方法

Publications (2)

Publication Number Publication Date
CN110708129A true CN110708129A (zh) 2020-01-17
CN110708129B CN110708129B (zh) 2023-01-31

Family

ID=69194198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910817115.2A Active CN110708129B (zh) 2019-08-30 2019-08-30 一种无线信道状态信息获取方法

Country Status (1)

Country Link
CN (1) CN110708129B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112134816A (zh) * 2020-09-27 2020-12-25 杭州电子科技大学 一种基于智能反射表面的elm-ls联合信道估计方法
CN113285896A (zh) * 2021-04-30 2021-08-20 南京邮电大学 基于堆栈式elm的时变信道预测方法
CN113472412A (zh) * 2021-07-13 2021-10-01 西华大学 基于增强型elm的叠加csi反馈方法
WO2022033456A1 (zh) * 2020-08-13 2022-02-17 华为技术有限公司 一种信道状态信息测量反馈方法及相关装置
WO2022184010A1 (zh) * 2021-03-05 2022-09-09 维沃移动通信有限公司 信息上报方法、装置、第一设备及第二设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150170514A1 (en) * 2013-12-13 2015-06-18 Here Global B.V. Systems and Methods for Detecting Road Congestion and Incidents in Real Time
US20160110643A1 (en) * 2014-10-16 2016-04-21 Nanyang Technological University Systems and methods for classifying electrical signals
CN105761488A (zh) * 2016-03-30 2016-07-13 湖南大学 基于融合的实时极限学习机短时交通流预测方法
CN107528650A (zh) * 2017-08-30 2017-12-29 华南师范大学 一种基于gcv‑rbf神经网络的认知无线电网络频谱的预测方法
CN109902259A (zh) * 2019-02-25 2019-06-18 中国科学院地理科学与资源研究所 一种轻量级的缺失时空数据的重构方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150170514A1 (en) * 2013-12-13 2015-06-18 Here Global B.V. Systems and Methods for Detecting Road Congestion and Incidents in Real Time
US20160110643A1 (en) * 2014-10-16 2016-04-21 Nanyang Technological University Systems and methods for classifying electrical signals
CN105761488A (zh) * 2016-03-30 2016-07-13 湖南大学 基于融合的实时极限学习机短时交通流预测方法
CN107528650A (zh) * 2017-08-30 2017-12-29 华南师范大学 一种基于gcv‑rbf神经网络的认知无线电网络频谱的预测方法
CN109902259A (zh) * 2019-02-25 2019-06-18 中国科学院地理科学与资源研究所 一种轻量级的缺失时空数据的重构方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MAHESH GHATE 等: "Design and Fabrication of a Special Purpose Winding Machine for ELM Control Coils of JET", 《IEEE TRANSACTIONS ON APPLIED SUPERCONDUCTIVITY》 *
SHIVA NAVABI 等: "Predicting Wireless Channel Features Using Neural Networks", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 *
刘宁 等: "基于最优定界椭球-极限学习机算法自适应软测量建模的应用", 《科学技术与工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022033456A1 (zh) * 2020-08-13 2022-02-17 华为技术有限公司 一种信道状态信息测量反馈方法及相关装置
CN112134816A (zh) * 2020-09-27 2020-12-25 杭州电子科技大学 一种基于智能反射表面的elm-ls联合信道估计方法
CN112134816B (zh) * 2020-09-27 2022-06-10 杭州电子科技大学 一种基于智能反射表面的elm-ls联合信道估计方法
WO2022184010A1 (zh) * 2021-03-05 2022-09-09 维沃移动通信有限公司 信息上报方法、装置、第一设备及第二设备
CN113285896A (zh) * 2021-04-30 2021-08-20 南京邮电大学 基于堆栈式elm的时变信道预测方法
CN113472412A (zh) * 2021-07-13 2021-10-01 西华大学 基于增强型elm的叠加csi反馈方法
CN113472412B (zh) * 2021-07-13 2023-10-24 西华大学 基于增强型elm的叠加csi反馈方法

Also Published As

Publication number Publication date
CN110708129B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN110708129B (zh) 一种无线信道状态信息获取方法
CN111954228B (zh) 波束管理方法、装置、电子设备及计算机可读存储介质
Huang et al. Deep reinforcement learning for UAV navigation through massive MIMO technique
Zhang et al. Time-division ISAC enabled connected automated vehicles cooperation algorithm design and performance evaluation
Jiang et al. A comparison of wireless channel predictors: Artificial Intelligence versus Kalman filter
CN110708108B (zh) 一种多无人机毫米波网络的波束控制优化方法
CN111917508B (zh) 基于多天线抗干扰通信模型的***及动态空间谱抗干扰方法
Jiang et al. Multi-antenna fading channel prediction empowered by artificial intelligence
CN111245485B (zh) 机载毫米波通信波束赋形与位置部署方法
CN106788631B (zh) 一种基于局部校准的大规模mimo互易性校准方法
Li et al. How to mobilize mmwave: A joint beam and channel tracking approach
Evmorfos et al. Reinforcement learning for motion policies in mobile relaying networks
Dehkordi et al. Adaptive beam tracking based on recurrent neural networks for mmWave channels
Mai et al. A UAV air-to-ground channel estimation algorithm based on deep learning
Ye et al. Deep reinforcement learning assisted beam tracking and data transmission for 5g v2x networks
Wang et al. Multi-agent double deep Q-Learning for beamforming in mmWave MIMO networks
Long et al. Broad learning based hybrid beamforming for mm-wave MIMO in time-varying environments
Gu et al. Tune: Transfer learning in unseen environments for v2x mmwave beam selection
Zheng et al. Covert federated learning via intelligent reflecting surfaces
Hashida et al. IRS-aided communications without channel state information relying on deep reinforcement learning
Yang et al. Intelligent computation offloading for joint communication and sensing-based vehicular networks
Evmorfos et al. Deep actor-critic for continuous 3D motion control in mobile relay beamforming networks
Zhang et al. Training beam sequence design for mmWave tracking systems with and without environmental knowledge
Shahabodini et al. Recurrent neural network and federated learning based channel estimation approach in mmWave massive MIMO systems
Rahman et al. Deep Learning Based One Bit-ADCs Efficient Channel Estimation Using Fewer Pilots Overhead for Massive MIMO System

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