一种基于并行深度学习网络的ofdm信道预测方法和系统
阅读说明：本技术 一种基于并行深度学习网络的ofdm信道预测方法和系统 (OFDM channel prediction method and system based on parallel deep learning network ) 是由 何怡刚 隋永波 王枭 黄源 何鎏璐 程彤彤 于 2021-07-19 设计创作，主要内容包括：本发明公开了一种基于并行深度学习网络的OFDM无线通信系统信道预测方法和系统,属于无线通信自适应传输技术领域。通过并行深度学习网络对导频OFDM符号子载波的信道状态信息进行训练,实现导频OFDM符号信道状态信息的有效预测。为了提高对输入信道状态信息的泛化能力,提供一种包含数个平行的网络单元的并行深度学习网络的信道预测器,每个网络包含多个网络层。为了引入稀疏性,提供一种群组前向变量选择的输出权重估计方法。本发明公开的并行深度学习的信道预测器对导频子载波的信道状态信息具有良好的泛化能力,可以输出稀疏的输出权重矩阵,可以很好地实现OFDM信道预测,可以为自适应OFDM无线通信的自适应传输和自适应编码等提供保障。(The invention discloses a channel prediction method and a channel prediction system of an OFDM (orthogonal frequency division multiplexing) wireless communication system based on a parallel deep learning network, belonging to the technical field of wireless communication self-adaptive transmission. And training the channel state information of the pilot frequency OFDM symbol sub-carrier through a parallel deep learning network to realize effective prediction of the channel state information of the pilot frequency OFDM symbol. In order to improve generalization capability of input channel state information, a channel predictor of a parallel deep learning network comprising a plurality of parallel network elements is provided, each network comprising a plurality of network layers. In order to introduce sparsity, an output weight estimation method for group forward variable selection is provided. The channel predictor for parallel deep learning disclosed by the invention has good generalization capability on channel state information of pilot subcarriers, can output sparse output weight matrixes, can well realize OFDM channel prediction, and can provide guarantee for self-adaptive transmission, self-adaptive coding and the like of self-adaptive OFDM wireless communication.)
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，涉及一种基于并行深度学习网络的OFDM信道预测方法和系统。
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。
深度学习是一种非常有效的机器学习方法。在无线通信领域，已将深度学习方法应用于信道预测，如公开号为CN112737987A的发明专利申请公开了一种基于深度学习的时域信道状态信息预测器。在该发明中，申请人利用单一的深度学习网络对无线通信系统的时域信道状态信息进行训练和预测，而单一的深度学习网络对时域信道状态信息的泛化能力是有限的。因此，如何对深度学习网络进行改进，提供一种更有效的OFDM信道预测器，对自适应OFDM的发展具有重要的意义。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于并行深度学习网络的OFDM信道预测方法和系统，由此解决如何基于深度学习为OFDM系统提供一种更有效信道预测的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于并行深度学习网络的OFDM信道预测方法，包括：
通过信道估计，获取导频OFDM符号的信道状态信息；
利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，获得训练良好的并行深度学习网络预测器；
将训练良好的并行深度学习网络预测器对导频子载波下一个采样点的信道状态信息进行预测；
将预测得到的各个导频子载波的下一个采样点的信道状态信息进行合并，获取导频OFDM符号的预测信道状态信息。
在一些可选的实施方案中，所述并行深度学习网络包含数个平行的网络单元，每个网络单元包含多个网络层。
在一些可选的实施方案中，所述利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，包括：
通过得到第n个网络单元中第1个网络层的输出其中，Γ(·)为激活函数，X为输入的信道状态信息矩阵，为各个网络单元的输入权重矩阵，N为并行深度学习网络的网络单元数；
通过得到第n个网络单元中第q个网络层的输出 为第n个网络单元中第q-1个网络层的输出，为第n个网络单元中第q-1个网络层与第Q个网络层的连接权重，q＝1,2,3,...,Q-1，Q为每个网络单元中包含的网络层个数；
由第n个网络单元的各网络层的输出组成第n个网络单元的输出矩阵由得到各个网络单元的输出矩阵，然后通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵Wout。
在一些可选的实施方案中，所述通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵Wout，包括：
由得到第l次迭代的变量相关性其中，为需要筛选出的变量数目，Y为训练数据集对应的并行深度学习网络的输出，(·)T代表矩阵的转置操作，和分别代表带有激活数据集和非激活数据集的数据矩阵，激活数据集非激活数据集且 为第n个网络单元中第Q个网络层的神经元数目；
通过得到第l次迭代中估计的输出权重矩阵λ为正则化系数，I为单位矩阵；
在得到第l次迭代的变量相关性后，将从数据集中移除，并添加到数据集中；
经过次迭代后，获取各个迭代的输出权重矩阵 从中筛选最优的估计输出权重矩阵
按照本发明的另一方面，提供了一种基于并行深度学习网络的OFDM信道预测系统，包括：
信道估计模块，用于通过信道估计，获取导频OFDM符号的信道状态信息；
网络训练模块，用于利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练，获得训练良好的并行深度学习网络预测器；
输出权重矩阵估计模块，用于利用群组前向变量选择法对并行深度学习网络的输出权重矩阵进行估计；
在线预测模块，用于将训练良好的并行深度学习网络预测器对导频子载波下一个采样点的信道状态信息进行预测；将预测得到的各个导频子载波的下一个采样点的信道状态信息进行合并，获取导频OFDM符号的预测信道状态信息。
在一些可选的实施方案中，所述并行深度学习网络包含数个平行的网络单元，每个网络单元包含多个网络层。
在一些可选的实施方案中，所述网络训练模块，包括：
第一输出单元，用于通过得到第n个网络单元中第1个网络层的输出其中，Γ(·)为激活函数，X为输入的信道状态信息矩阵，为各个网络单元的输入权重矩阵，N为并行深度学习网络的网络单元数；
第二输出单元，用于通过得到第n个网络单元中第q个网络层的输出为第n个网络单元中第q-1个网络层的输出，为第n个网络单元中第q-1个网络层与第q个网络层的连接权重，q＝1,2,3,...,Q-1，Q为每个网络单元中包含的网络层个数；
第三输出单元，用于由第n个网络单元的各网络层的输出组成第n个网络单元的输出矩阵由得到各个网络单元的输出矩阵；
输出权重矩阵估计模块，用于通过群组前向变量选择法估计并行深度学习网络的输出权重矩阵Wout。
在一些可选的实施方案中，所述输出权重矩阵估计模块，包括：
变量相关性计算单元，用于由得到第l次迭代的变量相关性其中，为需要筛选出的变量数目，Y为训练数据集对应的并行深度学习网络的输出，(·)T代表矩阵的转置操作，和分别代表带有激活数据集和非激活数据集的数据矩阵，激活数据集非激活数据集且为第n个网络单元中第Q个网络层的神经元数目；
输出权重估计单元，用于通过得到第l次迭代中估计的输出权重矩阵λ为正则化系数，I为单位矩阵；
输出权重选择单元，用于在得到第l次迭代的变量相关性后，将从数据集中移除，并添加到数据集中；经过次迭代后，获取各个迭代的输出权重矩阵从中筛选最优的估计输出权重矩阵
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
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：
本发明提供的OFDM无线通信系统信道预测方法，可以利用各个网络单元中的学习网络层实现输出信道状态信息的特征提取；此外，本发明提供的OFDM无线通信系统信道预测方法，可以利用群组前向变量选择法对输出变量进行筛选，进一步对输出权重矩阵引入了稀疏性。因此，本发明不但具有很好的预测性能，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基于并行深度学习网络的OFDM无线通信系统信道预测系统的结构示意图；
图2是本发明实施例提供的一种基于并行深度学习网络的OFDM无线通信系统信道预测方法的流程示意图；
图3是本发明实施例提供的一种基于并行深度学习网络的OFDM无线通信系统信道预测方法在不同信噪比下的性能。
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。
在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定的顺序或先后次序。
实施例一
如图1所示是本发明实施例提供的一种基于并行深度学习网络的OFDM无线通信系统的信道预测系统的结构示意图，包括：
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；
信道估计模块，用于信道估计获取导频OFDM符号的信道状态信息；
其中，信道估计模块，可以利用一些信道估计算法，如LS法和MMSE法，对OFDM无线通信系统中导频子载波的信道状态信息进行信道估计，获取导频OFDM符号的信道状态信息，用于对并行深度学习网络的信道预测器进行训练。
参数初始化模块，用于初始化并行深度学习网络的相关参数；
网络训练模块，用于利用获取的导频OFDM符号的信道状态信息对并行深度学习网络进行训练；
输出权重矩阵估计模块，用于利用群组前向变量选择法对并行深度学习网络的输出权重矩阵进行估计；
在线预测模块，用于将训练好的并行深度学习网络对导频子载波的信道状态信息进行预测。
如图2所示是本发明实施例提供的一种基于并行深度学习网络的OFDM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，获取导频OFDM符号的信道状态信息H；
步骤S2：定义抽头标签i＝1；
步骤S3：初始化并行深度学习网络的相关参数，如并行深度学习网络的网络单元数N，每个网络单元中包含Q个网络层，第n个网络单元中第q个网络层的神经元数目为输出层包含的神经元数目为M，随机初始化各个网络单元的输入权重矩阵初始化第n个网络单元中第q个网络层与第q+1个网络层的连接权重
步骤S4：利用第i个导频子载波的信道状态信息对并行深度学习网络进行训练；
在本发明实施例中，步骤S4具体可以通过以下方式实现：
步骤S41：通过下式(1)计算第n个网络单元中第1个网络层的输出即：
其中，Γ(·)为激活函数，如双曲正切函数tanh，X为输入的信道状态信息矩阵。
步骤S42：通过下式(2)计算第n个网络单元中第q个网络层的输出即：
其中，为第n个网络单元中第q-1个网络层的输出，为第n个网络单元中第q-1个网络层与第q个网络层的连接权重；
步骤S43：将由步骤S41和步骤S42得到的第n个网络单元的各网络层的输出组成第n个网络单元的输出矩阵以收集各个网络单元的输出矩阵，即：
步骤S5：利用群组前向变量选择方法估计输出权重矩阵Wout；
在本发明实施例中，步骤S5具体可以通过以下方式实现：
步骤S51：定义激活数据集非激活数据集且
步骤S52：通过下式计算第l次迭代的变量相关性，即：
其中，为需要筛选出的变量数目，Y为训练数据集(即获取的导频OFDM符号的信道状态信息)对应的并行深度学习网络的输出。在此处，Y具体定义为在训练过程中，导频子载波的信道状态信息，输出为并行深度学习网络的输出，即训练集对应的预测目标。(·)T代表矩阵的转置操作，和分别代表带有激活数据集和非激活数据集的数据矩阵。为在第l次迭代中估计的输出权重矩阵，即
其中，λ为正则化系数，I为单位矩阵；
步骤S53：当计算第l次迭代的变量相关性后，将从数据集中移除，并添加到数据集中；
步骤S54：经过次迭代后，获取各个迭代的输出权重矩阵，即：
步骤S55：基于利用Akaike信息标准进行筛选最优的估计输出权重矩阵
步骤S6：利用训练好的并行深度学习网络信道预测器对第i个导频子载波的下一个采样点的信道状态信息进行预测；
步骤S7：判断是否已经完成所有子载波的信道预测，即判断i是否大于K，K为导频子载波个数；如果否，那么i＝i+1，并跳回步骤S3；
步骤S8：输出预测的导频OFDM符号的信道状态信息。
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”(公开号：CN110995379A)。可以看到，本发明公布的信道预测方法具有更好的性能。
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无线通信系统的信道预测方法。
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。
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。
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。