CN111435926B - 一种mimo***信道预测方法、装置、介质和设备 - Google Patents
一种mimo***信道预测方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN111435926B CN111435926B CN201910027634.9A CN201910027634A CN111435926B CN 111435926 B CN111435926 B CN 111435926B CN 201910027634 A CN201910027634 A CN 201910027634A CN 111435926 B CN111435926 B CN 111435926B
- Authority
- CN
- China
- Prior art keywords
- mimo
- neural network
- network model
- mimo system
- cir
- 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
Links
Images
Classifications
-
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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
- H04L25/0212—Channel estimation of impulse response
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线技术领域,特别涉及一种多入多出(MIMO)***信道预测方法、装置、介质和设备。本发明方案中,可以根据MIMO***中部分MIMO链路的CIR,利用该MIMO***对应的预先建立的神经网络模型,得到其他MIMO链路的CIR。即可以基于MIMO***中各MIMO链路之间的相关性,通过神经网络模型从已知MIMO链路CIR上推算出未知MIMO链路CIR,相对于MIMO信道估计方法,无需解算全部导频,甚至无需在全部天线上发送导频,从而可以减少运算量,并可以减少无线资源的占用,有效提高频谱效率和能效。且即使在信道变化很快的情况下,也可以保证预测时延较小,并有效地保证预测的准确性。
Description
技术领域
本发明涉及无线技术领域,特别涉及一种多入多出(MIMO)***信道预测方法、装置、介质和设备。
背景技术
MIMO是现代无线移动通信的基础技术,在确定MIMO链路的信道冲击响应(CIR)时,MIMO信道估计一直是研究的热点。
目前的MIMO正交频分复用(OFDM)通信***中,MIMO信道估计主要通过预先设定好的时频域资源,在所有的天线上,周期性地发送导频,通过信道估计算法,获得每个MIMO链路的信道冲击响应。这里可以是基站发送导频,终端做测量和估计;也可以是终端发送导频,基站做测量和估计。真实无线通信时,假设这些信道在一定时间内,一段频点上,变化不大,即,这些导频推导出来的单频点单时间点的CIR,在相关时间(coherence time)和相关带宽(coherence bandwidth)之内,可以被认为是准确的,基站和终端再使用信道估计得到的CIR进行后续的物理层数据处理,比如信道预编码,数字编解码等。
但是,基于MIMO信道估计确定信道冲击响应时,需要在所有天线上,周期性发送导频,会占用大量无线资源,且运算量较大,造成频谱效率和能效的低下。
此外,第五代移动通信***(5G)关键技术中,例如,大规模天线技术(MassiveMIMO)和毫米波(mmWave)技术中,可以看到天线数目在不断增加,并且信道的变化会非常快。
在这种情况下,如果在每个天线上都周期性发射导频进行MIMO信道估计,无线资源占用会更加显著,频谱效率和能效降低,且在高速场景下或者毫米波频段信道变化速度很快,需要强大的算力支撑大规模MIMO信道估计,传统的信道估计的算法复杂度高,很难保障估计时延,会对算法准确性产生负面影响。
发明内容
本发明实施例提供一种MIMO***信道预测方法、装置、介质和设备,用于解决通过信道估计确定MIMO链路信道冲击响应时,频谱效率和能效低的问题。
本发明提供一种多入多出MIMO***信道预测方法,所述方法包括:
确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;
根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
本发明还提供了一种多入多出MIMO***信道预测装置,所述装置包括:
确定模块,用于确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;
预测模块,用于根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
本发明还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有可执行程序,该可执行程序被处理器执行实现如上所述方法的步骤。
本发明还提供了一种多入多出MIMO***信道预测设备,包括存储器、处理器、收发器以及总线接口;所述处理器,用于读取存储器中的程序,执行:
通过所述收发器确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
根据本发明实施例提供的方案,可以根据MIMO***中部分MIMO链路的CIR,利用该MIMO***对应的预先建立的神经网络模型,得到其他MIMO链路的CIR。即可以基于MIMO***中各MIMO链路之间的相关性,通过神经网络模型从已知MIMO链路CIR上推算出未知MIMO链路CIR,相对于MIMO信道估计方法,无需解算全部导频,甚至无需在全部天线上发送导频,从而可以减少运算量,并可以减少无线资源的占用,有效提高频谱效率和能效。且即使在信道变化很快的情况下,也可以保证预测时延较小,并有效地保证预测的准确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的MIMO***信道预测方法的流程示意图;
图2为本发明实施例一提供的2x2的MIMO***的信道示意图;
图3为本发明实施例二提供的MIMO***信道预测方法的流程示意图;
图4为本发明实施例二提供的MIMO***信道预测仿真结果示意图;
图5为本发明实施例二提供的双向RNN网络的时间展开表达示意图;
图6为本发明实施例二提供的采用time-distributed算法的模型示意图;
图7为本发明实施例三提供的MIMO***信道预测装置的结构示意图;
图8为本发明实施例四提供的MIMO***信道预测设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
本发明实施例一提供一种MIMO***信道预测方法,该方法的步骤流程可以如图1所示,包括:
步骤101、确定部分MIMO链路的CIR。
在进行MIMO***信道预测时,在本步骤中,可以确定MIMO***中至少两个MIMO链路的CIR。
本实施例的执行主体可以理解为神经网络模型的使用实体设备。
需要说明的是,神经网络模型的使用实体设备可以为任意实体设备(可以理解为任意网络节点)。考虑到MIMO***中至少两个MIMO链路的CIR可以直接由基站进行测量和估计(即由终端发送导频,由基站进行测量和估计)得到,也可以由终端测量和估计(即由基站发送导频,由终端进行测量和估计)得到,如果神经网络模型的使用实体设备不是基站或者终端,那么其可以接收基站或终端发送的MIMO***中至少两个MIMO链路的CIR,从而确定该数据。而如果神经网络模型的使用实体设备是基站(或者终端),那么其可以接收终端(或基站)发送的MIMO***中至少两个MIMO链路的CIR,从而确定该数据,也可以直接进行测量和估计得到该数据,从而确定该数据。
步骤102、进行信道预测。
在本步骤中,可以根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
考虑到神经网络模型的训练数据为时间序列数据,所述神经网络模型可以采用深度循环神经网络模型,例如,深度长短期记忆网络(LSTM)模型,以保证信道预测的准确性。
进一步的,所述深度循环神经网络模型还可以采用双向Bidirectional算法和/或时间分布time-distributed算法,以进一步提高信道预测的准确性。
所述神经网络模型可以通过以下方法训练得到:
确定周期性采集的所述MIMO***中每个MIMO链路的CIR作为训练样本;
利用确定出的训练样本,训练得到所述神经网络模型。
需要说明的是,训练样本的周期性是可配置的,例如,可以根据信道变化快慢和/或可存储的数据量大小(可以理解为,神经网络模型的训练实体设备的可存储的数据量大小)等来综合确定训练样本的配置周期。此外需要说明的是,由于训练样本数据量可能较大,因此训练样本数据的存储或上报、转发时都需要考虑数据量问题。
确定出训练样本之后,可以对训练样本中的每一类历史数据(即,MIMO***中每个MIMO链路的CIR)进行数据对齐。并利用数据对齐得到的历史数据进行模型训练,通过有监督的机器学习,得到训练好的神经网络模型。
以一个2x2的MIMO***为例,信道示意图可以如图2所示。在进行神经网络模型训练时,可以用任意三个MIMO链路上的CIR预测出余下的MIMO链路上的CIR。例如,只需要知道H11(对应发送端天线1(Tx Antenna1)和接收端天线1(Rx Antenna1)之间的MIMO链路),H12(对应发送端天线1(Tx Antenna1)和接收端天线2(Rx Antenna2)之间的MIMO链路)和H21(对应发送端天线2(Tx Antenna2)和接收端天线1(Rx Antenna1)之间的MIMO链路)上的CIR,就可以直接推算出H22(对应发送端天线2(Tx Antenna2)和接收端天线2(RxAntenna2)之间的MIMO链路)上的CIR,因此完全不需要在RX antenna 2去解析Tx Antenna2发来的相关导频,减少运算,提高了能效。
在进行神经网络模型训练时,还可以通过任意两个MIMO链路上的CIR预测出余下两个MIMO链路上的CIR,例如,只需要知道H11和H12上的CIR,即可以预测出H21和H22上的CIR,那么就可以省去在Tx antenna2上发送导频信息,节省了时频域资源,还省去了对应的信道估计运算,同时提高了谱效和能效。
以根据H11和H12上的CIR,预测出H21和H22上的CIR为例,在进行神经网络模型训练时,输入数据可以为H11和H12上的CIR,输出数据可以为H21和H22上的CIR。
对训练样本中的每一类历史数据按照时间顺序进行排列,可以假设每一类输入数据每次输入M个(M为正整数),每一类输出数据每次输出M个,进行数据对齐,那么神经网络模型一次可以接收的时间序列训练样本可以表示如下:
输入(input):【H11t,H11t+1,…,H11t+M-1】和【H12t,H12t+1,…,H12t+M-1】
输出(output):【H21t,H21t+1,…,H21t+M-1】和【H22t,H22t+1,…,H22t+M-1】
神经网络模型下一次可以接收的时间序列训练样本可以表示如下:
输入(input):【H11t+1,H11t+2,…,H11t+M】和【H12t+1,H12t+2,…,H12t+M】
输出(output):【H21t+1,H21t+2,…,H21t+M】和【H22t+1,H22t+2,…,H22t+M】
以此类推。
经过训练后,如果损失(loss)函数达到设定的阈值,损失函数可以但不限于为预测值和真实值之间的最小均方差(MSE),那么就可以认为神经网络模型训练完成,可以利用该神经网络模型进行信道预测。
在利用该神经网络模型进行信道预测时,可以根据确定出的H11和H12上的CIR,得到H21和H22上的CIR。从而得到完整的MIMO***中每个MIMO链路的CIR,并可以用于后续的信道编码等物理层过程。
当然,进行信道预测时,作为模型输入的部分MIMO链路的CIR的周期配置,与进行模型训练时,训练样本的周期配置是相同的。且作为模型输出的MIMO***中其它MIMO链路的CIR的周期配置,也与进行模型训练时,训练样本的周期配置相同。
需要说明的是,神经网络模型可以由神经网络模型的训练实体设备训练得到。
神经网络模型的训练实体设备也可以为任意的实体设备(可以理解为任意网络节点)。考虑到MIMO***中每个MIMO链路的CIR可以直接由基站进行测量和估计(即由终端发送导频,由基站进行测量和估计)得到,也可以由终端测量和估计(即由基站发送导频,由终端进行测量和估计)得到,如果神经网络模型的训练实体设备为不是基站和终端,那么其可以接收终端或基站发送的MIMO***中每个MIMO链路的CIR,从而确定出训练样本,对神经网络模型进行训练。而如果神经网络模型的训练实体设备为基站(或终端),那么其可以接收终端(或基站)发送的MIMO***中每个MIMO链路的CIR,从而确定出训练样本,对神经网络模型进行训练。也可以直接进行测量和估计得到MIMO***中每个MIMO链路的CIR,从而确定出训练样本,对神经网络模型进行训练。
需要进一步说明的是,在本发明实施例提供的方案中,为了节约神经网络模型的使用实体设备的算力和资源,神经网络模型的训练实体设备与神经网络模型的使用实体设备可以为不同的两个实体设备。当然,神经网络模型的训练实体设备与神经网络模型的使用实体设备可以为同一个实体设备,本发明实施例对此不作限定。
优选的,在步骤101和步骤102执行过程中,本实施例还可以进一步包括步骤103,图1中,为了示意方便,将步骤103写在步骤102之后:
步骤103、确定关键绩效指标(KPI)。
在本步骤中,可以确定实时监控得到的终端KPI,在所述KPI不满足设定条件时,利用MIMO信道估计方法确定所述MIMO***中每个MIMO链路的CIR。
所述KPI可以但不限于为吞吐量、数据流数(rank)、调制编码制式(mcs)中的至少一种。
可以理解为在进行信道预测过程中,还可以实时监控终端KPI。如果根据终端KPI,发现MIMO***的性能恶化,还可以回退到现有的MIMO信道估计方法来确定MIMO***中每个MIMO链路的CIR,以保证***可靠性。
可以理解为,如果MIMO***的性能突然恶化,可以回退到传统的MIMO信道估计方法,如果MIMO***的性能无剧烈变化,则可以保持利用预先建立的神经网络模型进行信道预测。
需要进一步说明的是,在步骤101之前,所述方法还可以进一步包括步骤100:
步骤100、触发预先建立的神经网络模型的优化。
由于神经网络模型是预先建立的,在利用该预先建立的神经网络模型进行信道预测时,无线环境可能相对于建立该神经网络模型时发生了变化,因此,优选的,在预先建立的神经网络模型使用之前,可以对该预先建立的神经网络模型进行优化,使得优化后的神经网络模型可以更加适应当前的无线环境。因此在本步骤中,可以触发对所述MIMO***对应的预先建立的神经网络模型进行优化。可以理解为神经网络模型的使用实体设备可以触发对所述神经网络模型进行优化。
优化预先建立的神经网络模型的过程,可以理解为与该神经网络模型的训练过程相同,但是采用的是实时的信道CIR作为输入,保证信道不是过时的。
具体的,可以确定周期性采集的所述MIMO***中每个MIMO链路的CIR作为优化样本;利用确定出的优化样本,对预先建立的神经网络模型进行优化。
如果执行了步骤100,那么在步骤102中,可以根据所述至少两个MIMO链路的CIR,利用优化后得到的所述MIMO***对应的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
需要进一步说明的是,在步骤101之前(如果包括步骤100,则可以理解为在步骤100之前),所述方法还可以进一步包括步骤100’:
步骤100’、确定对应的神经网络模型是否已经预先建立。
可以理解为,如果需要利用预先建立的神经网络模型进行信道预测,那么在本实施例中,还可以先判断对应的神经网络模型是否已经预先建立。
如果确定所述MIMO***对应的神经网络模型已经预先建立,那么可以执行步骤101(当然,如果包括步骤100,则可以理解为先执行步骤100)。
如果确定所述MIMO***对应的神经网络模型尚未预先建立,那么还可以触发建立所述MIMO***对应的神经网络模型,并可以在得到所述MIMO***对应的神经网络模型之后,执行步骤101(当然,如果包括步骤100,则可以理解为先执行步骤100)。
根据本发明实施例一提供的方案,可以根据历史的MIMO***信道测量,采用机器学习的RNN模型,按照特定的时间顺序以及训练数据的准备方法,有监督地学习出信道预测模型。可以减少在部分天线上发送导频,或者减少导频发送频次,从而相对于现有的实时信道估计算法实现简化。
此外,本发明实施例一提供的信道预测方案,可以减少使用传统统计模型带来的不准确因素,并可以降低使用确定性模型的运算复杂性,且因为考虑到用户特性和真实的传输环境,还可以使得预测更加准确。
且本发明实施例一提供的信道预测方案,可以应用于真实传输,相对于现有的基于信道估计确定MIMO链路CIR的方案,可以减少导频开销,即可以只需部分天线上和部分时频资源上发送导频即可。
下面通过一个具体的实例对本发明实施例一提供的方案进行说明。
实施例二
本发明实施例二提供一种MIMO***信道预测方法,以通过基站测量和估计得到MIMO***每个MIMO链路的CIR,以实现模型训练和优化,并由基站测量和估计得到MIMO***部分MIMO链路的CIR,以实现信道预测为例进行说明,该方法的步骤流程可以如图3所示,包括:
步骤201、确定是否存在对应的模型。
在本步骤中,神经网络模型的使用实体可以判断是否存在对应的神经网络模型。
可以理解为,终端接入基站之后,基站可以通知神经网络模型的使用实体,神经网络模型的使用实体可以判断是否存在与对应的神经网络模型。具体的,神经网络模型的使用实体可以在存储器中,查找是否存在与该终端和该基站组成的MIMO***对应的神经网络模型。
在一种可能的实现方式中,可以理解为,如果一个终端首次接入一个基站,则该终端可以在所有天线上向该基站发送导频,该基站可以测量和估计得到MIMO***中每个MIMO链路的CIR,并可以将测量和估计得到的数据发送给神经网络模型的训练实体,由其训练得到该终端和该基站组成的MIMO***对应的神经网络模型,并可以将训练得到的神经网络模型存储在神经网络模型的使用实体。这样,当该终端再次接入该基站时,那么神经网络模型的使用实体就已经存储有对应的神经网络模型。
即,若一个终端首次接入一个基站时,则神经网络模型的使用实体不会存储有对应的神经网络模型,而如果一个终端非首次接入一个基站,则神经网络模型的使用实体会存储有对应的神经网络模型。
如果确定已经存储有对应的神经网络模型,则跳转执行步骤203,否则执行步骤202。
步骤202、触发进行神经网络模型训练。
如果神经网络模型的使用实体判断出不存在与对应的神经网络模型,则可以通知基站采集训练样本。基站可以接收该终端发送的导频,测量和估计得到MIMO***每个MIMO链路的CIR,并可以将测量和估计得到的该部分数据发送至神经网络模型的训练实体设备进行模型训练。
在模型训练完成后,可以将离线训练得到的神经网络模型存储到神经网络模型的使用实体设备,并可以继续执行步骤203。
步骤203、触发优化神经网络模型。
考虑到无线环境会发生变化,因此,在本实施例中,在使用预先建立的神经网络模型之前,会对预先建立的神经网络模型进行在线优化,使得后续可以使用优化后的神经网络模型进行信道预测,进一步保证信道预测的准确性。
在本步骤中,神经网络模型的使用实体可以通知基站采集优化样本。基站可以接收所述终端发送的导频,测量和估计得到所述MIMO***每个MIMO链路的CIR,并可以将测量和估计得到的该部分数据发送至神经网络模型的训练实体设备进行模型在线优化。
在模型在线优化完成后,可以将优化后得到的神经网络模型存储到神经网络模型的使用实体设备。
当然,可以理解为神经网络模型的训练实体设备也可以对预先训练好的神经网络模型进行存储,在模型在线优化后,还可以将存储的神经网络模型更新为优化后得到的神经网络模型。并可以将自身存储的优化后的神经网络模型,转发给神经网络模型的使用实体设备进行存储,用于其进行信道预测。
步骤204、确定部分MIMO链路的CIR。
在本步骤中,可以确定对应的MIMO***中至少两个MIMO链路的信道冲击响应CIR。
具体的,在本实施例中,神经网络模型的使用实体可以接收基站发送的MIMO***中至少两个MIMO链路的信道冲击响应CIR。
步骤205、进行信道预测。
在本步骤中,神经网络模型的使用实体可以根据确定出的部分MIMO链路的CIR,利用在线优化后的神经网络模型,得到MIMO***中其它MIMO链路的CIR。
需要说明的是,在进行信道预测过程中,还可以实时监控终端KPI。在本实施例中,神经网络模型的使用实体可以确定实时监控得到的终端KPI,如果确定KPI不满足设定条件,可以停止利用神经网络模型进行信道预测,并可以回退到现有的MIMO信道估计方法来确定MIMO***中每个MIMO链路的CIR,即可以理解为可以通过基站确定对应的MIMO***中每个MIMO链路的CIR。
根据本发明实施例二提供的方案,可以通过判断一个终端是否首次接入一个基站,可以理解为该终端是该基站的新用户还是老用户,来确定是否存在对应的神经网络模型,进而针对新用户和老用户分别采取不同的流程来实现信道预测。
在训练一个MIMO***对应的神经网络模型时,可以利用MIMO***历史的每个MIMO链路的CIR作为训练数据,这些训练数据有时间顺序,且与终端所处传播环境有关,训练得到对应的神经网络模型。
在进行神经网络模型训练时,可以采用离线训练的方式,并可以在训练得到的神经网络模型使用过程中,通过实时监控终端KPI的方式,确定是否回退到现有的MIMO信道估计方式确定MIMO链路的CIR。
此外,根据本发明实施例二提供的方案,可以对预先离线训练得到的神经网络模型进行在线优化后,用于信道预测,使得优化后的神经网络模型更加适应当前的无线环境,进一步保证信道预测的准确性。
图4为MIMO***信道预测仿真结果示意图,如图4所示,以根据如图2所示的信道示意图中的H11、H12和H21上的CIR,得到H22上的CIR为例,在相同的归一化时延(normaliseddelay)下,H22上的CIR的预测值与真实值(均用归一化的幅度(Htime linear amptitude)表示)之间的差别较小,预测的准确度较高。其中,预测值的实部(prediction-real)与真实值的实部(original-real)之间的差别,以及预测值的虚部(prediction-imag)与真实值的虚部(original-imag)之间的差别可以分别如图4所示,可以看出差别均较小,预测的准确度较高。
仿真过程中,可以使用循环神经网络(RNN)模型。具体可以采用LSTM单元(cell)构建一个深度神经网络,使用LSTM为基础的深度神经网络模型。且可以使用bidirectional算法和time-distributed的算法,让训练的输入数据,中间变量和预测的输出数据可以正向和反向循环于模型中,更有利于找到数据之间的关联性,有益于模型的收敛和提高模型的性能。
如图5所示是双向RNN网络的时间展开表达示意图。如图5所示,采用bidirectional算法,输入层(Input Layer)和输出层(Output Layer)中的隐藏层有正向层(Forword Layer)和反向层(Backword Layer),即正向层输入和输出还是按照顺序的,例如,假设输入123,正向层接受的数据也是123,反向层接受的数据就变成321了,这样训练出的模型具有可以识别不同方向数据的特点。此外,如图5所示,采用bidirectional算法时,各层之间的系数可以用W1~W6来表示。
即,bidirectional算法的核心是将输入的数据和输出的数据,不仅按照喂给模型的顺序进行训练,还要按照倒序的顺序进行训练,迭代是双向的,模型的收敛也是双向有效的,因此可以更好地学习到数据之间的时间相关性。
此外,关于TimeDistributed算法,事实上,TimeDistributed层给予了模型一对多(one to many),多对一(many to one),多对多(many to many)的能力,而不只是一对一(one to one)的模式,增加了模型的维度。采用time-distributed算法的模型示意图可以如图6所示,模型的中间层(带阴影的模块)不再是只有权重可调,而是每一个模块还会有对应的输出值,可以用来模拟给定的历史输出数据。这样可以使得模型更加符合训练的数据,预测精度更高。
与实施例一、二基于同一发明构思,提供以下的装置。
实施例三
本发明实施例三提供一种MIMO***信道预测装置,该装置的结构可以如图7所示,包括:
确定模块11用于确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;
预测模块12用于根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
所述确定模块11还可以用于确定实时监控得到的终端关键绩效指标KPI;
所述预测模块12还可以用于在所述KPI不满足设定条件时,利用MIMO信道估计方法确定所述MIMO***中每个MIMO链路的CIR。
所述确定模块11还可以用于确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR之前,触发对所述MIMO***对应的预先建立的神经网络模型进行优化;
所述预测模块12具体用于根据所述至少两个MIMO链路的CIR,利用优化后得到的所述MIMO***对应的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
所述确定模块11还可以用于确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR之前,确定所述MIMO***对应的神经网络模型已经预先建立。
基于同一发明构思,本发明实施例提供以下的设备和介质。
实施例四
本发明实施例四提供一种MIMO***信道预测设备,该设备的结构可以如图8所示,包括存储器21、处理器22、收发器23以及总线接口;所述处理器22,用于读取存储器21中的程序,执行:
通过所述收发器23确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
可选的,所述处理器22具体可以包括中央处理器(CPU)、特定应用集成电路(ASIC,application specific integrated circuit),可以是一个或多个用于控制程序执行的集成电路,可以是使用现场可编程门阵列(FPGA,fieldprogrammable gate array)开发的硬件电路,可以是基带处理器。
可选的,所述处理器22可以包括至少一个处理核心。
可选的,所述存储器21可以包括只读存储器(ROM,read only memory)、随机存取存储器(RAM,random access memory)和磁盘存储器。存储器21用于存储至少一个处理器22运行时所需的数据。存储器21的数量可以为一个或多个。
本发明实施例五提供一种非易失性计算机存储介质,所述计算机存储介质存储有可执行程序,当可执行程序被处理器执行时,实现本发明实施例一提供的方法。
在具体的实施过程中,计算机存储介质可以包括:通用串行总线闪存盘(USB,Universal Serial Bus flash drive)、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的存储介质。
在本发明实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性或其它的形式。
在本发明实施例中的各功能单元可以集成在一个处理单元中,或者各个单元也可以均是独立的物理模块。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备,例如可以是个人计算机,服务器,或者网络设备等,或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:通用串行总线闪存盘(universal serial bus flash drive)、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种多入多出MIMO***信道预测方法,其特征在于,所述方法包括:
确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;
根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR;
其中,所述神经网络模型通过以下方法训练得到:确定周期性采集的所述MIMO***中每个MIMO链路的CIR作为训练样本;利用确定出的训练样本,训练得到所述神经网络模型。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:确定实时监控得到的终端关键绩效指标KPI,在所述KPI不满足设定条件时,利用MIMO信道估计方法确定所述MIMO***中每个MIMO链路的CIR。
3.如权利要求1所述的方法,其特征在于,确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR之前,所述方法还包括:
触发对所述MIMO***对应的预先建立的神经网络模型进行优化;
根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR,包括:
根据所述至少两个MIMO链路的CIR,利用优化后得到的所述MIMO***对应的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR。
4.如权利要求1所述的方法,其特征在于,确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR之前,所述方法还包括:
确定所述MIMO***对应的神经网络模型已经预先建立。
5.如权利要求1所述的方法,其特征在于,所述神经网络模型采用深度循环神经网络模型。
6.如权利要求5所述的方法,其特征在于,所述深度循环神经网络模型采用双向Bidirectional算法和/或时间分布time-distributed算法。
7.一种多入多出MIMO***信道预测装置,其特征在于,所述装置包括:
确定模块,用于确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;
预测模块,用于根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR;其中,所述神经网络模型通过以下方法训练得到:确定周期性采集的所述MIMO***中每个MIMO链路的CIR作为训练样本;利用确定出的训练样本,训练得到所述神经网络模型。
8.一种非易失性计算机存储介质,其特征在于,所述计算机存储介质存储有可执行程序,该可执行程序被处理器执行实现权利要求1~6任一所述方法的步骤。
9.一种多入多出MIMO***信道预测设备,其特征在于,包括存储器、处理器、收发器以及总线接口;所述处理器,用于读取存储器中的程序,执行:
通过所述收发器确定所述MIMO***中至少两个MIMO链路的信道冲击响应CIR;根据所述至少两个MIMO链路的CIR,利用所述MIMO***对应的预先建立的神经网络模型,得到所述MIMO***中其它MIMO链路的CIR;
其中,所述神经网络模型通过以下方法训练得到:确定周期性采集的所述MIMO***中每个MIMO链路的CIR作为训练样本;利用确定出的训练样本,训练得到所述神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027634.9A CN111435926B (zh) | 2019-01-11 | 2019-01-11 | 一种mimo***信道预测方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027634.9A CN111435926B (zh) | 2019-01-11 | 2019-01-11 | 一种mimo***信道预测方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111435926A CN111435926A (zh) | 2020-07-21 |
CN111435926B true CN111435926B (zh) | 2023-05-05 |
Family
ID=71580333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910027634.9A Active CN111435926B (zh) | 2019-01-11 | 2019-01-11 | 一种mimo***信道预测方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111435926B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022021421A1 (zh) * | 2020-07-31 | 2022-02-03 | Oppo广东移动通信有限公司 | 模型管理方法、***、装置、通信设备及存储介质 |
CN113114323B (zh) * | 2021-04-22 | 2022-08-12 | 桂林电子科技大学 | 一种mimo***的信号接收方法 |
CN115242581B (zh) * | 2022-06-16 | 2023-11-03 | 电子科技大学(深圳)高等研究院 | 卷积神经网络的sub-6GHz辅助mmWave信道估计方法、装置及电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1703034A (zh) * | 2005-06-10 | 2005-11-30 | 上海贝豪通讯电子有限公司 | 一种基于mimo-ofdm***的信道估计方法 |
EP2221992A1 (en) * | 2009-02-19 | 2010-08-25 | Imec | Method and system for analog beamforming in wireless communication systems |
CN105049383A (zh) * | 2015-07-01 | 2015-11-11 | 东南大学 | 一种fdd大规模mimo***下行链路训练序列设计方法 |
US10250309B2 (en) * | 2016-03-24 | 2019-04-02 | Huawei Technologies, Co., Ltd. | System and method for downlink channel estimation in massive multiple-input-multiple-output (MIMO) |
CN108512621B (zh) * | 2018-03-02 | 2020-12-29 | 东南大学 | 一种基于神经网络的无线信道建模方法 |
CN108494710A (zh) * | 2018-03-30 | 2018-09-04 | 中南民族大学 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
CN108737301B (zh) * | 2018-05-23 | 2020-08-07 | 南通大学 | 一种基于b样条神经网络的宽带通信发射机指纹估计方法 |
CN108833313A (zh) * | 2018-07-12 | 2018-11-16 | 北京邮电大学 | 一种基于卷积神经网络的无线信道估计方法及装置 |
-
2019
- 2019-01-11 CN CN201910027634.9A patent/CN111435926B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111435926A (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111435926B (zh) | 一种mimo***信道预测方法、装置、介质和设备 | |
Unnikrishnan et al. | Algorithms for dynamic spectrum access with learning for cognitive radio | |
CN103503359A (zh) | 用于确定ue移动性状况的方法和设备 | |
CN111478783B (zh) | 一种配置无线传输参数的方法和设备 | |
WO2017096954A1 (zh) | Cqi估计、sinr确定方法及相关设备 | |
CN101431778A (zh) | 一种多入多出模式自适应切换方法及装置 | |
EP2343837A1 (en) | Channel state information feedback using a hierarchical codebook for vector quantisation | |
CN110199485A (zh) | 无线设备、服务网络节点及其相应的用于彼此通信的方法 | |
CN110166091B (zh) | 多用户配对方法、装置及基站 | |
US9197301B2 (en) | Method and apparatus for configuring transmission mode | |
WO2017114513A1 (zh) | 一种csi反馈方法及装置 | |
Konstantinov et al. | Fading channel prediction for 5g | |
US20230155705A1 (en) | Methods, Apparatus and Machine-Readable Media Relating to Channel Quality Prediction in a Wireless Network | |
Diouf et al. | Channel quality prediction in 5G LTE small cell mobile network using deep learning | |
JP2024512358A (ja) | 情報報告方法、装置、第1機器及び第2機器 | |
CN116996142A (zh) | 无线信道参数预测方法、装置、电子设备及存储介质 | |
CN111479258B (zh) | 一种用户划分的方法和设备 | |
RU2615998C1 (ru) | Способ и устройство для переключения режима передачи и компьютерный носитель данных | |
Stojanović et al. | A comparative performance analysis of extreme learning machine and echo state network for wireless channel prediction | |
Bai et al. | AI-Based Beam Management in 3GPP: Optimizing Data Collection Time Window for Temporal Beam Prediction | |
CN115642943B (zh) | 预编码矩阵确定方法、装置、设备及存储介质 | |
WO2024012130A1 (zh) | 参考信号的接收方法、发送方法和通信设备 | |
CN115987340B (zh) | 一种5g物联网信道相干且有限反馈条件下的用户调度方法 | |
WO2024037339A1 (zh) | 信道状态信息处理方法、装置、通信节点及存储介质 | |
Kim | 5G Throughput Prediction Using Machine Learning |
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 |