复数神经网络信道预测方法

摘要

本发明公开了一种复数神经网络信道预测方法，主要解决MIMO系统中由于信道时变而导致的信道衰落问题。其技术方案是，1.基站对信道进行测量得到含有估计误差的信道系数训练序列；2.根据得到的信道系数序列得到相应的训练样本和期望输出；3.输入训练样本进行复数小波神经网络训练，得到最终的网络权值；4.基站利用训练后的复数小波神经网络进行信道系数预测。本方法简便易行，效果良好，适用于减少由信道时变对MIMO系统信道的影响。

主权项

一种复数神经网络信道预测方法，包括如下步骤：(1)在正式通信前基站BS对信道进行测量，得到含有估计误差的信道系数训练序列h(1),h(2),h(r),…,h(N)，r为1到N的整数，N为训练序列总个数；(2)初始化复数神经网络的输入层节点个数p＝4、隐含层节点个数m＝10、输出层节点个数q＝1，学习概率η＝0.01，动量因子α＝0.935，隐含层节点j与输出层节点k之间的网络权值w_jk为0到1之间随机复数，输入层节点i与隐含层节点j之间的网络权值v_ij为0到1之间随机复数，其中i为1到p的整数，j为1到m的整数，k为1到q的整数，神经元函数Ψ_C(t)采用复数变化后的Morlet小波函数，初始化小波伸缩平移参数{a,b}为0到1之间随机数；(3)根据信道系数训练序列，分别得到训练样本集和期望输出集x(n)＝{h(n),h(n+1),…,h(n+p‑1)}，d(n)＝h(n+p)，其中，n为1到w的整数，w为训练样本总个数；(4)输入训练样本x(n)，利用神经元函数Ψ_C(t)分别计算隐含层节点j的输出y_j(n)和输出层节点k的输出O_k(n)：$\begin{array}{c}{y}_j\left(n\right)={\psi }_C\left(s_j\left(n\right)\right)={\psi }_C\left(\underset{i=1}{\overset{p}{\Sigma }}{v}_{ij}\left(n\right)x_i\left(n\right)\right)\\ ={\psi }_C\left(\underset{i=1}{\overset{p}{\Sigma }}\left[\left({v^R}_{ij}\left(n\right){x^R}_i\left(n\right)-{v^I}_{ij}\left(n\right){x^I}_i\left(n\right)\right)+i\left({v^R}_{ij}\left(n\right){x^I}_i\left(n\right)+{v^I}_{ij}\left(n\right){x^R}_i\left(n\right)\right)\right]\right)\end{array}$$\begin{array}{c}{O}_k\left(n\right)={\psi }_C\left(L_k\left(n\right)\right)={\psi }_C\left(\underset{j=1}{\overset{m}{\Sigma }}{w}_{jk}\left(n\right)y_j\left(n\right)\right)\\ ={\psi }_C\left(\underset{i=1}{\overset{m}{\Sigma }}\left[\left({w^R}_{jk}\left(n\right){y^R}_j\left(n\right)-{w^I}_{jk}\left(n\right){y^I}_j\left(n\right)\right)+i\left({w^R}_{jk}\left(n\right){y^I}_j\left(n\right)-{w^I}_{jk}\left(n\right){y^R}_j\left(n\right)\right)\right]\right)\end{array}$其中，ψ_C(s_j(n))为s_j(n)输入到神经元函数得到的输出，ψ_C(L_k(n))为L_k(n)输入到神经元函数得到的输出，s_j(n)为隐含层节点j的输入，L_k(n)为输出层节点k的输入，v_ij(n)，w_jk(n)为输入训练样本x(n)时的网络权值，参数上标I表示复数虚数部分，R表示复数实数部分，x_i(n)为输入层第i节点的输入信道系数；(5)根据输出层节点k的输出O_k(n)和期望输出d_k(n)得到误差信号：e_k(n)＝d_k(n)‑O_k(n)；(6)根据误差信号得到误差能量和ε(n)，并将该误差能量和ε(n)作为网络训练的代价函数：$ϵ\left(n\right)=\frac{1}{2}\underset{k=1}{\overset{q}{\Sigma }}[{\left({d_k}^R\right(n)-{O_k}^R(n\left)\right)}^2+{\left({d_k}^I\right(n)-{O_k}^I(n\left)\right)}^2];$(7)根据得到的代价函数构建隐含层节点j与输出层节点k之间的网络权值调整公式Δw_jk(n)和输入层节点i与隐含层节点j之间的网络权值调整公式Δv_ij(n)；(8)根据得到的权值调整公式分别对隐含层节点j与输出层节点k之间的网络权值w_jk(n)和输入层节点i与隐含层节点j之间的网络权值v_ij(n)进行修改，修改完成后输入训练样本x(n+1)，返回步骤(4)，直到所有w个训练样本输入完毕，得到最终修改后的隐含层节点j与输出层节点k之间的网络权值w_jk′(n)和输入层节点i与隐含层节点j之间的网络权值v_ij′(n)；(9)在时刻，输入信道系数序列根据最终修改后的隐含层节点j与输出层节点k之间的网络权值w_jk′(n)和输入层节点i与隐含层节点j之间的网络权值v_ij′(n)，得到时刻后的q个时刻的信道系数其中，为隐含层节点j的输出，为输入层第i节点的输入信道系数。