改进GA⁃BP神经网络的无线信道预测方法

无线信道建模与仿真中,实现一种高效率、高准确性的无线信道预测方法是具有非常重要意义的。针对该需求,提出一种基于多种群遗传算法(Multi-population genetic algorithm,MPGA)-反向传播(Back propagation,BP)神经网络的无线信道预测方法。该方法通过改进遗传算法,优化BP神经网络中神经元的权值和阈值,以此改善BP神经网络预测精度差的问题,从而极大提高了BP神经网络的预测性能。将射线跟踪算法的理论值和BP神经网络结合,实现更高效的无线信道预测方法。通过对比遗传算法(Genetic algorithm,GA)-BP神经网络模型和MPGA-BP神经网络模型的预测误差,发现MPGA-BP神经网络模型的预测结果优于GA-BP神经网络模型,证明了所提出无线信道预测方法具有良好的精确度,可以更高效地进行无线信道预测。

基于相空间重构方法的三维MIMO无线信道预测

第五代(5G)无线通信网络采用的大规模多输入多输出(MIMO)技术需要大量空口资源估计和反馈MIMO信道。除优化导频、估计和反馈设计外,对信道衰落的预测也是节约空口资源的有效途径。运用相空间重构方法研究三维信道模型相关的相空间重构参数,提出一种基于经验知识的小样本在线学习方法,对MIMO信道系数和信道容量进行预测。研究发现无线信道数据具有混沌性,相空间延迟时间和嵌入维数服从一定分布,因此可以作为实时预测的先验参数进行设定。实验结果表明,该方法预测效率比传统ARMA方法提升6倍左右,信道容量的平均误差最小为5.91%。最后,采用某市区的实测数据验证相空间重构方法的有效性,信道容量的预测平均误差最小为0.91%。

基于深度学习的无线衰落信道预测方法

分别从LSTM和Seq2Seq两方面对无线衰落信道进行预测。首先利用Rayleigh模型和Ricean模型产生不同衰落程度的衰落参数,利用Jakes模型生成信道模型;然后利用LSTM和Seq2Seq生成预测器并利用部分数据进行训练;最后用滑窗模型对信道进行预测、仿真、对比、分析。