[go: up one dir, main page]

CN111541505B - 一种面向ofdm无线通信系统的时域信道预测方法及系统 - Google Patents

一种面向ofdm无线通信系统的时域信道预测方法及系统 Download PDF

Info

Publication number
CN111541505B
CN111541505B CN202010260603.0A CN202010260603A CN111541505B CN 111541505 B CN111541505 B CN 111541505B CN 202010260603 A CN202010260603 A CN 202010260603A CN 111541505 B CN111541505 B CN 111541505B
Authority
CN
China
Prior art keywords
learning machine
extreme learning
tap
delay tap
important
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
CN202010260603.0A
Other languages
English (en)
Other versions
CN111541505A (zh
Inventor
何怡刚
隋永波
时国龙
何鎏璐
张朝龙
邵晖
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010260603.0A priority Critical patent/CN111541505B/zh
Publication of CN111541505A publication Critical patent/CN111541505A/zh
Priority to US17/098,433 priority patent/US11381442B2/en
Application granted granted Critical
Publication of CN111541505B publication Critical patent/CN111541505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
    • 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • 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
    • H04L25/022—Channel estimation of frequency 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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2626—Arrangements specific to the transmitter only
    • H04L27/2627—Modulators
    • H04L27/2628—Inverse Fourier transform modulators, e.g. inverse fast Fourier transform [IFFT] or inverse discrete Fourier transform [IDFT] modulators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0001—Arrangements for dividing the transmission path
    • H04L5/0003—Two-dimensional division
    • H04L5/0005—Time-frequency
    • H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A) or DMT
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2602—Signal structure
    • H04L27/2605—Symbol extensions, e.g. Zero Tail, Unique Word [UW]
    • H04L27/2607—Cyclic extensions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种面向OFDM无线通信系统的时域信道预测方法及系统，属于无线通信自适应传输技术领域，其中，在频域的信道信息通过反傅里叶变换转换为时域抽头信息。对每个时域抽头信息，实现基于极限学习机的抽头信息预测，最后将预测的抽头信息通过傅里叶变换转换为频域信道信息。其中，为了提高信道预测器的泛化能力，本发明通过l2正则化和l1/2正则化结合的方式对极限学习机的输出权重进行惩戒。本发明可以提供满意的预测性能，而且可以输出稀疏的输出权重，减小了对内存存储的要求。本发明为实现无线通信的自适应传输和自适应编码等提供了保障。

Description

一种面向OFDM无线通信系统的时域信道预测方法及系统
技术领域
本发明属于无线通信自适应传输技术领域，更具体地，涉及一种面向OFDM无线通信系统的时域信道预测方法及系统。
背景技术
随着科技的发展，无线通信的自适应传输是未来发展的趋势。在自适应正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)系统中，由于衰落信道的快速变化，从接收端反馈到发送端的信道信息容易过期。信道预测是支持OFDM系统自适应传输的必要技术。
参考申请号为201510473741.6的发明专利，公开了一种基于复数神经网络的信道预测方法，参考申请号为201911240969.5的发明专利，公开了一种面向OFDM无线通信系统的信道预测系统及方法。上述的预测方法皆为频域预测方法。考虑到OFDM系统的时频特性，时域预测比频域预测有更好的性能。因此，为OFDM系统提供一种有效的时域预测具有重要的意义。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种面向OFDM无线通信系统的时域信道预测方法及系统，由此解决如何为OFDM系统提供一种有效的时域预测的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种面向OFDM无线通信系统的时域信道预测方法，包括：
通过信道估计，获取OFDM频域信道信息，对所述OFDM频域信道信息通过反傅里叶变换，获取时域抽头信息；
根据所述时域抽头信息筛选信道脉冲响应中的重要时延抽头；
利用训练好的极限学习机对筛选出的各所述重要时延抽头进行预测，获得各所述重要时延抽头的下一时刻的时域抽头信息；
将预测得到的各所述重要时延抽头的下一时刻的时域抽头信息进行汇总后，利用傅里叶变换转换为预测的频域信道信息。
优选地，所述根据所述时域抽头信息筛选信道脉冲响应中的重要时延抽头，包括：
保留Lcp内的时延抽头作为重要时延抽头，丢弃Lcp+1到K的时延抽头，其中，Lcp为OFDM系统循环前缀的长度，K为OFDM符号中子载波数目。
优选地，所述训练好的极限学习机的训练过程为：
设置输入层和隐含层神经元数目Np和L，随机生成输入权重和偏置；
由Aiβi＝Bi对极限学习机进行训练，其中，
Figure BDA0002439142940000021
Figure BDA0002439142940000022
NT是训练的OFDM符号数，并且Ai为第i个重要时延抽头的极限学习机隐含层输出，βi为第i个重要时延抽头的极限学习机的输出权重矩阵，Bi为第i个重要时延抽头的极限学习机的输出矩阵，g(*)为激活函数，hi为第i个重要时延抽头的极限学习机的输入数据，μi为第i个重要时延抽头的极限学习机的输入层的权重，νi为第i个重要时延抽头的极限学习机的偏置。
优选地，所述极限学习机的损失函数为：
Figure BDA0002439142940000031
其中，Ji表示对应于第i个重要时延抽头的极限学习机的损失函数，λ2为l2正则化的正则化系数，λ1/2为l1/2正则化的正则化系数。
优选地，所述方法还包括：
采用坐标下降法对所述极限学习机的损失函数进行计算，获得所述极限学习机的输出权重。
按照本发明的另一方面，提供了一种面向OFDM无线通信系统的时域信道预测系统，包括：
频域信道估计模块，用于通过信道估计，获取OFDM频域信道信息；
时域抽头信息获取模块，用于对所述OFDM频域信道信息通过反傅里叶变换，获取时域抽头信息；
抽头筛选模块，用于根据所述时域抽头信息筛选信道脉冲响应中的重要时延抽头；
时域抽头信息预测模块，用于利用训练好的极限学习机对筛选出的各所述重要时延抽头进行预测，获得各所述重要时延抽头的下一时刻的时域抽头信息；
频域信道信息处理模块，用于将预测得到的各所述重要时延抽头的下一时刻的时域抽头信息进行汇总后，利用傅里叶变换转换为预测的频域信道信息。
优选地，所述抽头筛选模块，用于保留Lcp内的时延抽头作为重要时延抽头，丢弃Lcp+1到K的时延抽头，其中，Lcp为OFDM系统循环前缀的长度，K为OFDM符号中子载波数目。
优选地，所述系统还包括：
初始化极限学习机模块，用于设置输入层和隐含层神经元数目Np和L，随机生成输入权重和偏置；
训练模块，用于由Aiβi＝Bi对极限学习机进行训练，其中，
Figure BDA0002439142940000041
Figure BDA0002439142940000042
NT是训练的OFDM符号数，并且Ai为第i个重要时延抽头的极限学习机隐含层输出，βi为第i个重要时延抽头的极限学习机的输出权重矩阵，Bi为第i个重要时延抽头的极限学习机的输出矩阵，g(*)为激活函数，hi为第i个重要时延抽头的极限学习机的输入数据，μi为第i个重要时延抽头的极限学习机的输入层的权重，νi为第i个重要时延抽头的极限学习机的偏置。
优选地，所述极限学习机的损失函数为：
Figure BDA0002439142940000043
其中，Ji表示对应于第i个重要时延抽头的极限学习机的损失函数，λ2为l2正则化的正则化系数，λ1/2为l1/2正则化的正则化系数。
优选地，所述系统还包括：
损失函数计算模块，用于采用坐标下降法对所述极限学习机的损失函数进行计算，获得所述极限学习机的输出权重。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如上述任一所述的面向OFDM无线通信系统的时域信道预测方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明的OFDM无线通信系统的时域信道预测，可以利用改进的极限学习机对筛选时延抽头进行预测。其中，为了提高极限学习机的性能，本发明通过l2正则化和l1/2正则化结合的方式估计极限学习机的输出权重。因此本发明可以实现很好的预测性能，还可以产生稀疏的输出权重解。对未来自适应通信技术，例如自适应编码、自适应调制和自适应预测等奠定了基础。
附图说明
图1是本发明实施例提供的一种设备连接图；
图2是本发明实施例提供的一种时域预测方法的流程示意图；
图3是本发明实施例提供的一种在不同信噪比下的性能。
图4是本发明实施例提供的一种面向OFDM无线通信系统的时域信道预测系统。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示为本发明实施例的OFDM无线通信系统，包括：
发射天线，用于发射无线信号；
接收天线，用于接收无线信号；
网络分析仪，用于对接收天线得到的无线信号进行解析；
信号处理器，用于信道估计获取OFDM符号频域信道信息；
信道预测模块，用于进行信道预测操作。
如图2所示是本发明实施例提供的一种面向OFDM无线通信系统的时域信道预测方法的流程示意图，该方法包括以下步骤：
步骤S1：通过信道估计，获取OFDM频域信道信息
Figure BDA0002439142940000061
其中，K为OFDM符号中子载波数目，N为导频OFDM符号数；
步骤S2：对信道估计获取得到的频域信道信息进行反傅里叶变换，获取时域抽头信息
Figure BDA0002439142940000062
步骤S3：根据获取的时域抽头信息筛选信道脉冲响应中的重要时延抽头；
在本发明实施例中，使用的重要时延抽头选择方案为保留Lcp内的时延抽头，丢弃Lcp+1到K的时延抽头，其中，Lcp为OFDM系统循环前缀的长度。
步骤S4：定义抽头标签i＝1；
步骤S5：利用改进的极限学习机对步骤S3筛选保留的第i个时延抽头进行预测，获得第i个时延抽头的下一时刻的时域抽头信息；
其中，对于Lcp+1到K的时延抽头，预测的时延抽头信息直接设置为0。
在本发明实施例中，步骤5具体可以通过以下方式实现：
步骤51：设置输入层和隐含层神经元数目Np和L；
步骤52：在一定范围随机生成输入权重和偏置；
步骤53：改进极限学习机的训练过程为：
Aiβi＝Bi (1)
其中，
Figure BDA0002439142940000063
Figure BDA0002439142940000071
其中，NT是训练的OFDM符号数，并且Ai,βi和Bi分别为极限学习机隐含层输出，输出权重矩阵和输出矩阵，g(*)为激活函数，hi,μi和νi分别为对应于第i个时延抽头的改进极限学习机的输入数据，输入层的权重和偏置。
为了提高极限学习机的泛化能力，本发明实施例中使用l2正则化和l1/2正则化结合方式来估计输出权重，即
Figure BDA0002439142940000072
其中，Ji表示对应于第i个时延抽头的改进极限学习机的损失函数，Bi(j)表示对应于第i个时延抽头的改进极限学习机的输出矩阵，即Bi(j)＝hi(j)，Ai(j)＝[hi(j-1),hi(j-2),...,hi(j-Np)]，j＝1,2,...,NT。λ2为l2正则化的正则化系数，λ1/2为l1/2正则化的正则化系数。
利用坐标下降法求解第i个时延抽头的改进极限学习机的输出权重，即：
Figure BDA0002439142940000073
其中，
Figure BDA0002439142940000074
为了求解公式(2)，本发明给出坐标下降法的推导公式，即：
Figure BDA0002439142940000081
其中，βi,ρ和
Figure BDA0002439142940000082
分别为第i个时延抽头的改进极限学习机的输出权重的坐标下降第ρ个变量和其他固定变量，
Figure BDA0002439142940000083
表示坐标下降中第ρ个变量对应的输入变量，上述公式可以写为：
Figure BDA0002439142940000084
通常来说，下式一般都是成立的，即
Figure BDA0002439142940000085
因此，
Figure BDA0002439142940000091
进一步可以获得
Figure BDA0002439142940000092
本发明实施例中有下定义，即
Figure BDA0002439142940000093
因此，有
Figure BDA0002439142940000101
其中，
Figure BDA0002439142940000102
其中，步骤5中坐标下降法的流程步骤为：
1)初始化权重矩阵β和零矩阵βint；
2)β＝βint；
3)定义标签n＝1；
4)βint＝β；
5)按照公式(11)计算βn；
6)判断
Figure BDA0002439142940000103
若满足，则n＝n+1，执行步骤4)，否则，执行步骤5)。
步骤S6：判断i是否等于最大时延抽头数Lcp；如果否，则i＝i+1，跳回步骤S5；
步骤S7：对预测的时域抽头信息
Figure BDA0002439142940000104
利用傅里叶变换获取频域预测信息
Figure BDA0002439142940000105
为了验证本发明的有效性，按照IEEE802.11ah标准中2MHz模式设置导频OFDM符号相关参数，设置单发单收天线。图3为不同信噪比下的预测性能对比。其中，发明1为“一种面向OFDM无线通信系统的信道预测系统及方法”(申请号：201911240969.5)。可以看到，本发明公布的时域信道预测方法具有更好的性能。
如图4所示，在本发明的另一实施例中，还提供了一种面向OFDM无线通信系统的时域信道预测系统，包括：
频域信道估计模块201，用于通过信道估计，获取OFDM频域信道信息；
时域抽头信息获取模块202，用于对OFDM频域信道信息通过反傅里叶变换，获取时域抽头信息；
抽头筛选模块203，用于根据时域抽头信息筛选信道脉冲响应中的重要时延抽头；
时域抽头信息预测模块204，用于利用训练好的极限学习机对筛选出的各所述重要时延抽头进行预测，获得各重要时延抽头的下一时刻的时域抽头信息；
频域信道信息处理模块205，用于将预测得到的各重要时延抽头的下一时刻的时域抽头信息进行汇总后，利用傅里叶变换转换为预测的频域信道信息。
其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
在本发明的另一实施例中，还提供了一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现如上述的面向OFDM无线通信系统的时域信道预测方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向OFDM无线通信系统的时域信道预测方法，其特征在于，包括：
通过信道估计，获取OFDM频域信道信息，对所述OFDM频域信道信息通过反傅里叶变换，获取时域抽头信息；
根据所述时域抽头信息筛选信道脉冲响应中的重要时延抽头，保留Lcp内的时延抽头作为重要时延抽头，丢弃Lcp+1到K的时延抽头，其中，Lcp为OFDM系统循环前缀的长度，K为OFDM符号中子载波数目；
利用训练好的极限学习机对筛选出的各所述重要时延抽头进行预测，获得各所述重要时延抽头的下一时刻的时域抽头信息，所述极限学习机的损失函数为：
Figure FDA0002893667520000011
其中，Ji表示对应于第i个重要时延抽头的极限学习机的损失函数，λ2为l2正则化的正则化系数，λ1/2为l1/2正则化的正则化系数，βi为第i个重要时延抽头的极限学习机的输出权重矩阵，Bi为第i个重要时延抽头的极限学习机的输出矩阵，NT是训练的OFDM符号数，Ai为第i个重要时延抽头的极限学习机隐含层输出；
将预测得到的各所述重要时延抽头的下一时刻的时域抽头信息进行汇总后，利用傅里叶变换转换为预测的频域信道信息。
2.根据权利要求1所述的方法，其特征在于，所述训练好的极限学习机的训练过程为：
设置输入层和隐含层神经元数目Np和L，随机生成输入权重和偏置；
由Aiβi＝Bi对极限学习机进行训练，其中，
Figure FDA0002893667520000021
Figure FDA0002893667520000022
NT是训练的OFDM符号数，并且Ai为第i个重要时延抽头的极限学习机隐含层输出，βi为第i个重要时延抽头的极限学习机的输出权重矩阵，Bi为第i个重要时延抽头的极限学习机的输出矩阵，g(*)为激活函数，hi为第i个重要时延抽头的极限学习机的输入数据，μi为第i个重要时延抽头的极限学习机的输入层的权重，νi为第i个重要时延抽头的极限学习机的偏置。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
采用坐标下降法对所述极限学习机的损失函数进行计算，获得所述极限学习机的输出权重。
4.一种面向OFDM无线通信系统的时域信道预测系统，其特征在于，包括：
频域信道估计模块，用于通过信道估计，获取OFDM频域信道信息；
时域抽头信息获取模块，用于对所述OFDM频域信道信息通过反傅里叶变换，获取时域抽头信息；
抽头筛选模块，用于根据所述时域抽头信息筛选信道脉冲响应中的重要时延抽头，保留Lcp内的时延抽头作为重要时延抽头，丢弃Lcp+1到K的时延抽头，其中，Lcp为OFDM系统循环前缀的长度，K为OFDM符号中子载波数目；
时域抽头信息预测模块，用于利用训练好的极限学习机对筛选出的各所述重要时延抽头进行预测，获得各所述重要时延抽头的下一时刻的时域抽头信息，所述极限学习机的损失函数为：
Figure FDA0002893667520000031
其中，Ji表示对应于第i个重要时延抽头的极限学习机的损失函数，λ2为l2正则化的正则化系数，λ1/2为l1/2正则化的正则化系数，βi为第i个重要时延抽头的极限学习机的输出权重矩阵，Bi为第i个重要时延抽头的极限学习机的输出矩阵，NT是训练的OFDM符号数，Ai为第i个重要时延抽头的极限学习机隐含层输出；
频域信道信息处理模块，用于将预测得到的各所述重要时延抽头的下一时刻的时域抽头信息进行汇总后，利用傅里叶变换转换为预测的频域信道信息。
5.根据权利要求4所述的系统，其特征在于，所述系统还包括：
初始化极限学习机模块，用于设置输入层和隐含层神经元数目Np和L，随机生成输入权重和偏置；
训练模块，用于由Aiβi＝Bi对极限学习机进行训练，其中，
Figure FDA0002893667520000032
Figure FDA0002893667520000033
NT是训练的OFDM符号数，并且Ai为第i个重要时延抽头的极限学习机隐含层输出，βi为第i个重要时延抽头的极限学习机的输出权重矩阵，Bi为第i个重要时延抽头的极限学习机的输出矩阵，g(*)为激活函数，hi为第i个重要时延抽头的极限学习机的输入数据，μi为第i个重要时延抽头的极限学习机的输入层的权重，νi为第i个重要时延抽头的极限学习机的偏置。
6.根据权利要求5所述的系统，其特征在于，所述系统还包括：
损失函数计算模块，用于采用坐标下降法对所述极限学习机的损失函数进行计算，获得所述极限学习机的输出权重。
CN202010260603.0A 2020-04-03 2020-04-03 一种面向ofdm无线通信系统的时域信道预测方法及系统 Active CN111541505B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010260603.0A CN111541505B (zh) 2020-04-03 2020-04-03 一种面向ofdm无线通信系统的时域信道预测方法及系统
US17/098,433 US11381442B2 (en) 2020-04-03 2020-11-15 Time domain channel prediction method and time domain channel prediction system for OFDM wireless communication system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260603.0A CN111541505B (zh) 2020-04-03 2020-04-03 一种面向ofdm无线通信系统的时域信道预测方法及系统

Publications (2)

Publication Number Publication Date
CN111541505A CN111541505A (zh) 2020-08-14
CN111541505B true CN111541505B (zh) 2021-04-27

Family

ID=71978538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260603.0A Active CN111541505B (zh) 2020-04-03 2020-04-03 一种面向ofdm无线通信系统的时域信道预测方法及系统

Country Status (2)

Country Link
US (1) US11381442B2 (zh)
CN (1) CN111541505B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
CN113381953B (zh) * 2021-06-11 2022-04-22 西华大学 基于可重构智能表面辅助的极限学习机的信道估计方法
CN113660184B (zh) * 2021-07-19 2022-09-09 武汉大学 一种基于并行深度学习网络的ofdm信道预测方法和系统
CN115632730B (zh) * 2022-12-07 2023-03-21 南京中网卫星通信股份有限公司 一种无线通信的时域传输特性分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050027204A (ko) * 2003-05-01 2005-03-18 박평일 느릅나무 어린잎차
CN109582003A (zh) * 2018-12-03 2019-04-05 东北林业大学 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
CN110138475A (zh) * 2019-05-08 2019-08-16 南京邮电大学 一种基于lstm神经网络的自适应门限信道占用状态预测方法

Family Cites Families (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5452015A (en) * 1994-02-10 1995-09-19 Philips Electronics North America Corporation Method and apparatus for combating co-channel NTSC interference for digital TV transmission
KR100222680B1 (ko) * 1996-07-09 1999-10-01 윤종용 고선명 텔레비젼 시스템의 동작 모드 절환 방법 및 장치
US6922680B2 (en) * 2002-03-19 2005-07-26 Koninklijke Philips Electronics N.V. Method and apparatus for recommending an item of interest using a radial basis function to fuse a plurality of recommendation scores
EP1355467B8 (en) * 2002-04-16 2005-12-07 Sony Deutschland Gmbh Orthogonal frequency division multiplexing (OFDM) system with channel transfer function prediction
DE10350362B4 (de) * 2003-10-29 2008-06-19 Infineon Technologies Ag Verfahren zum Vorhersagen eines Kanalkoeffizienten
US7356096B2 (en) * 2004-07-15 2008-04-08 Nokia Corporation Multiple hypothesis channel estimation and prediction for OFDM systems
KR100656384B1 (ko) * 2004-10-29 2007-02-28 전자부품연구원 가상 부반송파를 가진 ｏｆｄｍ　통신 시스템에서선형예측을 이용한 채널 추정 방법 및 장치
US20060293045A1 (en) * 2005-05-27 2006-12-28 Ladue Christoph K Evolutionary synthesis of a modem for band-limited non-linear channels
KR101218495B1 (ko) * 2006-02-21 2013-01-18 삼성전자주식회사 직교 주파수 분할 다중화/시분할 듀플렉스 방식의 이동통신시스템에서 상향링크 사전등화를 위한 하향링크 채널변화에 따른 적응채널 예측 장치 및 방법
GB2473674A (en) * 2009-09-22 2011-03-23 Sony Corp OFDM receiver with a plurality of prediction filters to reduce noise in channel transfer function estimates
US8842750B2 (en) * 2010-12-21 2014-09-23 Intel Corporation Channel estimation for DVB-T2 demodulation using an adaptive prediction technique
US9107105B2 (en) * 2011-10-19 2015-08-11 Optis Cellular Technology, Llc Method and apparatus for channel predicting
KR101901757B1 (ko) * 2011-11-24 2018-09-28 엘지디스플레이 주식회사 유기발광 다이오드 표시장치 및 그 구동방법
US20140181171A1 (en) * 2012-12-24 2014-06-26 Pavel Dourbal Method and system for fast tensor-vector multiplication
US20160013773A1 (en) * 2012-11-06 2016-01-14 Pavel Dourbal Method and apparatus for fast digital filtering and signal processing
US9288094B2 (en) * 2013-12-18 2016-03-15 Intel Corporation Adaptive channel prediction and mitigating interference in OFDM systems
US9509455B2 (en) * 2014-04-29 2016-11-29 Altiostar Networks, Inc. Autonomous channel quality information prediction
CN105142177B (zh) 2015-08-05 2018-08-21 西安电子科技大学 复数神经网络信道预测方法
CN105550649B (zh) * 2015-12-09 2019-03-08 武汉工程大学 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统
ITUA20163986A1 (it) * 2016-05-31 2017-12-01 Tenova Spa Metodo ed apparato per la produzione di ghisa, ghisa prodotta secondo detto metodo
US9893941B1 (en) * 2016-07-29 2018-02-13 Qualcomm Incorporated Unit sourcing
CN106332277B (zh) * 2016-09-05 2019-06-04 中南大学 一种基于信道状态信息分布的室内定位方法
WO2018104929A1 (en) * 2016-12-07 2018-06-14 Arilou Information Security Technologies Ltd. System and method for using signal waveform analysis for detecting a change in a wired network
CN107483091B (zh) * 2017-07-06 2020-12-22 重庆邮电大学 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法
US10755188B2 (en) * 2017-10-18 2020-08-25 Nxgen Partners Ip, Llc Unified nonlinear modeling approach for machine learning and artificial intelligence (attractor assisted AI)
US11553843B2 (en) * 2017-10-18 2023-01-17 Nxgen Partners Ip, Llc Topological features and time-bandwidth signature of heart signals as biomarkers to detect deterioration of a heart
US10305766B1 (en) * 2017-11-07 2019-05-28 Amazon Technologies, Inc. Coexistence-insensitive presence detection
EP3879298A3 (en) * 2017-12-01 2021-12-08 Origin Wireless, Inc. Method, apparatus, and system for object tracking and navigation
US10638482B2 (en) * 2017-12-15 2020-04-28 Qualcomm Incorporated Methods and apparatuses for dynamic beam pair determination
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
US11394586B2 (en) * 2018-03-09 2022-07-19 Nec Corporation Wireless apparatus and channel prediction method
CN108809458A (zh) * 2018-03-26 2018-11-13 上海聚星仪器有限公司 一种基于fpga的信道模拟器及其模拟方法
US11086317B2 (en) * 2018-03-30 2021-08-10 Intel Corporation Emotional adaptive driving policies for automated driving vehicles
WO2020032664A1 (ko) * 2018-08-10 2020-02-13 엘지전자 주식회사 복수의 링크를 지원하는 무선랜 시스템에서 복수의 링크를 제어하는 방법 및 장치
US11723094B2 (en) * 2018-08-10 2023-08-08 Lg Electronics Inc. Method and device for transmitting signal through multi-link in wireless LAN system
US11632817B2 (en) * 2018-08-10 2023-04-18 Lg Electronics Inc. Method and device for transmitting information for operating station in wireless local area network system supporting multiple bands
WO2020040587A1 (ko) * 2018-08-23 2020-02-27 엘지전자 주식회사 무선랜 시스템에서 링크에 관한 정보를 송신 또는 수신하는 방법 및 장치
CN110890930B (zh) * 2018-09-10 2021-06-01 华为技术有限公司 一种信道预测方法、相关设备及存储介质
US12373731B2 (en) * 2018-10-12 2025-07-29 Massachusetts Institute Of Technology Elastic strain engineering of materials
US20200136700A1 (en) * 2018-10-31 2020-04-30 Huawei Technologies Co., Ltd. Channel Prediction for Adaptive Channel State Information (CSI) Feedback Overhead Reduction
CN109510676B (zh) * 2019-01-11 2021-09-21 杭州电子科技大学 一种基于量子计算的无线信道预测方法
CN111698789B (zh) * 2019-03-15 2022-05-13 华为技术有限公司 通信系统中的调度方法、装置及存储介质
US11222242B2 (en) * 2019-08-23 2022-01-11 International Business Machines Corporation Contrastive explanations for images with monotonic attribute functions
US10979097B2 (en) * 2019-09-05 2021-04-13 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission using neural networks or recurrent neural networks
KR102780228B1 (ko) * 2019-10-10 2025-03-14 삼성전자 주식회사 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치
CN110995379B (zh) * 2019-12-06 2021-03-30 武汉大学 一种面向ofdm无线通信系统的信道预测系统及方法
US11128498B2 (en) * 2020-02-25 2021-09-21 Nokia Solutions And Networks Oy Communication-channel tracking aided by reinforcement learning
US11936452B2 (en) * 2020-02-28 2024-03-19 Qualcomm Incorporated Neural network based channel state information feedback
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
CN111490954B (zh) * 2020-04-03 2021-08-10 武汉大学 信道脉冲响应的重要时延抽头选择方法及系统
US11496339B2 (en) * 2020-04-03 2022-11-08 Samsung Electronics Co., Ltd. Doppler spread estimation based on supervised learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050027204A (ko) * 2003-05-01 2005-03-18 박평일 느릅나무 어린잎차
CN109582003A (zh) * 2018-12-03 2019-04-05 东北林业大学 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
CN110138475A (zh) * 2019-05-08 2019-08-16 南京邮电大学 一种基于lstm神经网络的自适应门限信道占用状态预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multistage decoding-aided channel estimation and equalization for DVB-H in single-frequency networks;Luca Rugini等;《2009 IEEE 10th Workshop on Signal Processing Advances in Wireless Communications》;20090724;全文 *
基于深度学习的OFDM系统信道估计研究;姚泰;《中国优秀硕士学位论文全文数据库》;20200315;I136-563 *

Also Published As

Publication number Publication date
US11381442B2 (en) 2022-07-05
US20210314206A1 (en) 2021-10-07
CN111541505A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111541505B (zh) 一种面向ofdm无线通信系统的时域信道预测方法及系统
Martin et al. A blind adaptive TEQ for multicarrier systems
CN112861927B (zh) 基于自适应特征提取与融合的信号调制分类方法
US20100046599A1 (en) Apparatus and method for acquiring initial coefficient of decision feedback equalizer using fast fourier transform
CN111817757A (zh) 一种用于mimo无线通信系统的信道预测方法及系统
JP2003519962A (ja) 有限精度演算アプリケーションで通信チャネルから受信したデータを処理する方法
CN110995379B (zh) 一种面向ofdm无线通信系统的信道预测系统及方法
CN105072072B (zh) 一种低papr的ofdm-tdcs波形设计方法
CN111431832A (zh) 一种基于多维ofdm的信号调制方法和系统及mimo通信系统
CN115171713A (zh) 语音降噪方法、装置、设备及计算机可读存储介质
CN116760491A (zh) 一种基于深度学习的信噪比估计方法
KR20110081995A (ko) Ｏｆｄｍ 수신기에서의 채널 예측
CN106027431A (zh) 一种信道估计方法
CN114884777B (zh) 一种基于变换域的信道估计方法
CN101989971B (zh) 一种带外功率抑制方法及装置
CN113660184B (zh) 一种基于并行深度学习网络的ofdm信道预测方法和系统
CN114070354A (zh) 基于gs迭代法的自适应分段矩阵逆跟踪mimo检测方法
CN116915555B (zh) 一种基于自监督学习的水声信道估计方法及装置
CN114143145A (zh) 一种基于深度学习的信道估计方法
US20030151469A1 (en) Method for determining the filter coefficients of a digital time domain equalizer for a multicarrier frequency signal
KR101837609B1 (ko) Gfdm 시스템 기반의 필터 파형 설계 방법
CN112671419B (zh) 一种无线信号重建方法、装置、系统、设备和存储介质
EP4072088B1 (en) Channel estimation method and apparatus, and device and storage medium
CN103379053B (zh) 一种信道估计的方法及装置
JP3201350B2 (ja) 適応等化器タップ係数のトレーニング方法およびトレーニング装置

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