具体实施方式

下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

参照图1至图5，本发明采用的技术方案为一种适用于高速移动场景的基于深度学习的时变信道预测方法，旨在提高时变信道的预测精度和降低其计算复杂度。该方法基于BP神经网络进行线下训练与线上预测。在线下训练阶段，该方法通过预训练方法来获取期望的网络初始值，然后基于该初始值对BP神经网络进行再次训练，获得的信道预测网络模型，以降低BP神经网络随机初始化引起的性能损失；在线上预测阶段，该方法充分利用多输入多输出BP神经网络，基于训练网络实现未来单个以及多个时刻信道的预测。本发明采用的技术方案包括以下步骤：

步骤1：在数据和导频均已知的情况下，利用接收信号和LS方法获取时域信道估计值

步骤2：根据时域信道估计值构建预训练样本集C_p，即

式中，U表示预训练样本数，表示预训练阶段第u个输入输出样本集，其中为输入样本，其表示估计信道参数中第u个采样时刻和接下来的(D-1)个采样时刻的信道状态信息，为输出样本，其表示理想信道参数h(n)中第(u+D)个采样时刻以及之后的(P-1)个采样时刻的信道状态信息，即

式中，h(n)是理想时域信道参数。Γ(·)为将复数转换为实数的操作，即Γ(h(n))＝[Re(h(n)),Im(h(n))]，其中Re(·)和Im(·)分别为取实部和虚部操作；

步骤3：基于随机初始化的网络参数，利用预训练样本集C_p对BP神经网络进行预训练；

步骤4：获取具有权值参数为W_pre，V_pre和阈值参数为ξ_pre，θ_pre的神经网络；

步骤5：在仅有导频已知的情况下，利用接收信号r(n)、LS方法以及线性插值方法获取时域信道估计值

步骤6：根据步骤5中的时域信道估计值构建训练样本集C_T,即

式中，U表示训练样本数，表示训练阶段第u个输入输出样本集，构造为

式中，输入样本表示估计信道参数中第u个采样时刻和接下来的(D-1)个采样时刻的信道状态信息，输出样本表示理想信道参数h(n)中第(u+D)个采样时刻以及之后的(P-1)个采样时刻的信道状态信息，h(n)是理想时域信道参数；

步骤7：采用步骤4获得的权值参数W_pre，V_pre和阈值参数ξ_pre，θ_pre作为训练阶段网络的初始参数，利用训练样本集C_T再次训练该网络；

步骤8：获取最终的具有权值参数为W_train，V_train和阈值参数为ξ_train，θ_train的信道预测网络模型；

步骤9：基于步骤8获得的信道预测网络模型进行线上信道预测，给该网络输入前D个时刻的信道参数估计值x_E，即可获得之后P个时刻的信道预测值y_E，其中

y_E＝[Γ(h_pre(n)),Γ(h_pre(n+1)),...,Γ(h_pre(n+P-1))]

步骤10：将步骤9获得的预测值转化为复数，作为最终的信道预测值，即

h_pre＝Ξ(y_E)

式中，Ξ(·)为将实数转化为复数的操作，即Ξ(y_E)＝Re(y_E)+jIm(y_E)。

考虑一个单输入单输出的OFDM系统(即SISO-OFDM系统)，假设S_m为频域第m个发送的OFDM符号，且S_m＝[S(m,0),S(m,1),...,S(m,N-1)]^T，其中S(m,k)表示第m个OFDM符号第k个子载波上的发送信号，N是OFDM符号长度。对S_m进行N点IFFT得到时域发送信号为

在HSR通信环境中，由于基站均是沿铁轨附近建立，所以将存在一个很强的直射(LOS，line-of-sight)分量，因此在HSR环境中通常采用莱斯信道作为信道模型，即

式中，α₀(m,n)为信道的LOS径分量，α_l(m,n),l＝1,...,L-1为散射分量径，其服从瑞利分布，L为多径莱斯信道的径数，τ_l是第l径的归一化时延，莱斯因子定义为

假设循环前缀的长度大于无线传输信道的最大时延，且接收端考虑理想定时同步，则第m个OFDM符号第n个采样点的接收信号为

式中，z(m,n)是均值为0方差为的加性高斯白噪声(AWGN)。由于在此考虑的每个OFDM符号的信道预测方法是一样的，因此，下面的论述中将省略符号的序号标识m。

本发明采用了一个多输入多输出的三层BP神经网络，其中包括一个输入层，一个隐藏层，和一个输出层。假设该BP神经网络的输入层有D个神经元，隐藏层有Q个神经元，输出层有P个神经元。在此，定义该网络的训练样本集合为

C＝{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),...,(x^(U),y^(U))}

式中，U表示训练样本的个数，是第u个输入样本向量，是第u个输入样本向量中的第d个元素，即第d个输入神经元上的值。表示第u个输出样本向量，是第u个输出样本向量中的第p个元素，即第p个输出神经元上的值。

由于神经网络中任何节点的输入值是前一层的神经元的输出乘以权重再加上阈值，然后由激活函数激活得到该节点的输出值，因此，对于任意训练样本而言，第q个隐藏神经元的输出为

式中，g₁(·)为隐藏层激活函数，在此选择Sigmoid函数，即

为第q个隐藏神经元的输入

式中，x_d表示第d个输入神经元，W_d,q表示第q个隐藏神经元与第d个输入神经元之间的权重，ξ_q为第q个隐藏神经元的阈值。

在BP神经网络的输出层，第p个输出神经元的输出为

式中，g₂(·)为输出层激活函数，在此选择ReLU函数，即

是第p个输出神经元的输入为

式中，V_q,p为第q个隐藏层神经元和第p个输出层神经元之间的权重，θ_p为第p个输出神经元的阈值。

本发明技术将BP神经网络输出与理想信道值h(n)的均方误差(MSE)作为损失函数，采用梯度下降法更新权值与阈值矩阵，通过样本训练网络，以使误差满足设定精度。

仿真结果

下面结合仿真分析本发明的性能。在仿真中假设系统是一个单输入单输出的OFDM系统，其中FFT/IFFT长度为128，循环前缀长度为16，采用梳状导频结构，导频数目为32，且均匀分布。假设列车移动速度500km/h，信道采用多径莱斯信道，莱斯因子为5。载波频率考虑3.5GHz，子载波间隔为15kHz。样本的采样间隔T_s＝0.72×10^-4s。网络的输入神经元数目D＝10，隐藏层神经元数目Q＝5。网络的学习速率η＝0.001，训练的目标误差ε_goal＝1×10^-4，最大迭代次数设置为1000。在仿真中，考虑的训练样本数U＝5000。为了比较本发明的性能，仿真中还给出了基于AR模型的线性预测方法、基于回声状态网络的信道预测方法和传统的基于BP神经网络的信道预测方法的性能。

图3给出了本发明技术与现有信道预测方法在不同信噪比情况下的MSE性能曲线。图中，“理想值”是指理想情况下信道预测所能达到的最佳性能。从图中可以看出，随着信噪比的增大，各种预测方法的预测性能将得到改善，且相比于传统的信道预测方法，基于BP神经网络的信道预测方法和本发明技术均可以取得更好的预测性能，更加接近理想值。然而，由于本发明技术加入了预训练处理，其为训练阶段提供了较为理想的网络初始参数，避免了参数的随机初始化，因此本发明较传统的基于BP神经网络的信道预测方法具有更好的性能。

图4给出了本发明技术与传统的基于BP神经网络的信道预测方法在不同信噪比下实现多时刻预测的MSE性能曲线。图中，“P”是指输出层的神经元个数，表示输出未来“P”个时刻的信道预测值。从图中可以看出，无论是单时刻预测还是多时刻预测，随着信噪比的增加，本发明技术与传统的基于BP神经网络的信道预测方法的MSE性能均会变好，且当信噪比增加到一定程度，本发明技术的预测性能趋于稳定，利用本发明技术进行信道预测的MSE性能曲线在误差可允许的范围内略微浮动，但总体保持在稳定水平。但是，随着预测时刻数的增加，两种方法的MSE性能均会变差，这是因为随着时间间隔的增大，信道的相关性逐渐减弱，因而多时刻预测的MSE性能将随着预测时刻数的增加而变差。然而，本发明技术的性能始终要优于传统的BP神经网络，这也说明与现有方法相比，本发明技术可以更好地实现信道的多时刻预测功能。

图5给出了本发明技术和传统的基于BP神经网络的信道预测方法在不同隐藏层结构下实现信道预测的MSE性能曲线。图例中，“Q”是指隐藏层的神经元个数。从图中可以看出，无论基于何种隐藏层结构，随着信噪比的增加，本发明技术与传统的基于BP神经网络的信道预测方法的MSE性能均会变好。但是，增加隐藏层的层数对信道预测性能的改善效果不及增加隐藏层神经元数，因此，可通过适当增加隐藏层神经元数改善预测性能。然而，在相同隐藏层结构下，本发明技术的MSE性能始终要优于传统的基于BP神经网络的信道预测方法，这说明本发明技术对实现信道预测具有优越性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。