瑞利衰落信道预测通过深度学习

文摘

本文提出一种多通道预测系统基于反向传播(BP)神经网络与multi-hidden层,可以有效地预测信道信息,有利于大规模分布式天线性能、功率控制、人工噪声物理层安全方案设计。同时,早期停止策略介绍了BP神经网络,以避免过度拟合。通过比较预测的归一化均方误差(NMSE),仿真结果表明,该方案的性能极其改善。此外,稀疏信道样本提出了施工方法,有效地节省了系统资源没有表现疲软。

1。介绍

未来无线通信(5克)提出高速传输的要求,快速访问、高可靠性和强大的安全通信(1]。因此,应该引进新技术,以满足高速和高效传输和访问要求5克(2]。巨大的天线系统,非正交的多路访问(诺)和紧密合作无线节点先生预计将成为未来5 g系统的关键技术。大规模分布式天线的主要限制,诺玛和协调多点(CoMP)系统信道状态信息(CSI)知识发射机,可获得部分的信道预测技术。与此同时,物理层安全方法利用通道互惠和多样性来完成所谓的“加密”物理层(3,4]。与传统的加密技术相比,在相同的安全要求,在物理层安全密钥长度大大减少,甚至不需要,特别适用于快速访问系统。不幸的是,物理层安全传输只依赖于物理CSI。对无线衰落信道,信道信息的变化不利于物理天线系统的实现,合作,和安全。如图1通道信息不断变化是由于法律接收机的位置的变化,这使得基站无法执行可靠的预编码或波束形成等。因此,该频道的预测是这类问题的关键。

通道参数预测上有相当多的研究成果。文献[5- - - - - -8)采用最优线性算法和自回归预测跟踪算法平坦衰落信道,信道脉冲响应的预测是由线性结合当前CSI与过去。在[5),性能分析进行长期预测(含)实际的信道模型和平稳随机相位模型。复数神经网络讨论t .丁和a . Hirose预测时变通道和应用的硬件(9]。出错率,与传统方法相比,取得了进展。这篇文章(10)利用回声状态网络预测信道,提出了固定重量的方法,以减少计算复杂度。文献[11)提出了一种新的支持向量机方法来预测更复杂的环境。音乐频道预测算法研究(12]。然而,上述算法要么缺乏估计误差率高或遭受高复杂性。这些方法的主要缺陷,他们只预测下一刻没有提供预测的参数后的CSI多重的时刻。

本文提出的多通道预测系统是利用单隐层BP神经网络。辛顿提出了深度学习的概念在2006年,这实际上是multi-hidden-layer多传感器神经网络,包括BP神经网络和卷积网络(13]。深度学习通常是用于计算机视觉,模式识别,图像分类(13- - - - - -15]。在本文中,我们采用无线信道预测深度学习,而早期停止策略是用来避免过度拟合(16]。此外,两个示例施工方案,即稀疏采样方案(精原细胞)和正常样本建设方案(nsc)提出,可以降低计算成本,保证预测精度。

我们采用LTE标准的框架结构,框架的长度设置为10 ms。具体地说,每一帧分层为10子帧,每个子帧包含两个时段。我们假设每个时间段使用1/3头顶梳式飞行员。一次通道预测系统可以节省1/10的飞行员资源,它可以节省1/60的系统资源。多次算法提出我们可以节省1/2或2/3飞行员资源,也可以节省1/6或2/9系统资源。所以我们提出的算法是很有意义的和有用的。

本文的结构如下。部分2介绍了瑞利衰落信道模型和BP神经网络,将我们的新方法的基础。多通道预测系统可以预测信道信息在多个时刻提出了部分3。部分4包括仿真结果和分析。结论给出了部分5。

2。初步

本文将简要描述中使用的符号。大写粗体字母用于矩阵和向量的小写粗体字母。下标的字母所代表的元素,而不是大胆的。的向量和样品与圆括弧的标。

2.1。瑞利衰落信道模型

任何无线信道的传播视线外视距(LOS)传播或传播仿真结果)。的概率密度函数(PDF)接收信号在环境遵循Rician分布,而PDF接收信号的仿真结果环境服从瑞利分布。我们可以形成一个瑞利信道的散射组件没有直接路径,可表示如下(17- - - - - -19]: 在哪里多路径的数量和吗的振幅是吗路径。 , 代表的多普勒频移和阶段路径,分别。多普勒频移是表示为 ,在那里是用户的移动速度。是光速,是载波频率,之间的角度是用户的移动方向和入射电波角。

符合给定的锋利的瑞利衰落信道多普勒频谱是由复杂的正弦波合成,就像厕所的通道模型(20.]。厕所的最后通道信息模型是复数的,这是由以下几点:

本文深入学习样本在不同的传输时间取样槽,和相关的复值战略与国际研究中心h(t)可分为实部和虚部。因此,我们预测的实际价值和虚值分别信道状态信息。相关的加工过程是由以下几点:

然后,我们构造深度学习样本获取频道信息 , 。最后,采用BP神经网络来预测信道信息在稍后的时间基于学习的频道信息过去的时段。

2.2。反向传播(BP)神经网络

Hornik证明包含足够的多层前馈网络隐层神经元可以任意复杂度和精度的方法一个连续函数(21]。深度学习技术已广泛应用于计算机视觉,模式识别,图像分类(13- - - - - -15]。本文深入学习是利用匹配衰落信道变化的轨迹,实现信道预测。反向传播(BP)算法的多层前馈神经网络预测模型用于预测衰落信道。图2演示了一个典型的多输入神经网络,其中包括一个输入层、隐藏层和输出层。在机器学习领域,神经网络,如图2通常被称为两层神经网络输入层不计数),或一个单隐层神经网络。我们将采用这种说法。

给定的训练样本集, 在哪里 , 表示输入样本和分别输出示例。和基于“增大化现实”技术的输入样本的维数和输出样本,分别。正如上面所讨论的,我们使用括号上标小写粗体字母,例如, 代表了输入输出样本。

然后我们得到了输入样本矩阵, 和输出样本矩阵, 任何节点的输入值神经网络神经元前乘以重量加上阈值,然后激活的激活函数。不失一般性,以k隐藏神经元为例, (13]。本文将使用向量化描述神经网络的传输公式。神经网络向前传播向量化表示如下: 在哪里 权重矩阵连接输入层和隐层,然后呢 权重矩阵连接隐藏层和输出层。 是隐藏层阈值矩阵由隐层阈值向量和 是输出层阈值矩阵由输出层阈值向量 。 是隐藏层输入矩阵和是隐层输出矩阵。输出层的输入矩阵。输出层的输出向量也是最后的神经网络的输出。 , 是隐藏层和输出层的激活函数,分别。请注意,总是乙状结肠激活函数和是purelin激活函数。操作的函数向量或矩阵分别作用于每个元素(例如, )。此外,它的尺寸是一样的原来的向量或矩阵。 损失函数。我们采用输出的均方误差(MSE)作为损失函数。 是成本函数,它等于损失函数的平均值样本。神经网络迭代更新网络权重矩阵和阈值向量通过最小化代价函数 。

我们得到了通过向前传播,然后更新权重矩阵 , 和阈值向量 , 通过反向传播梯度下降的方法。为了方便,成本函数的偏导数 输出用 ,这是 。神经网络反向传播的向量化表示迭代由以下公式给出: 的象征表示矩阵中的元素(或矢量)和相应的增加。意味着矩阵转置。代表函数推导,向量满足方程 。参数更新规则表示为 。例如,参数自适应更新的形式 ,在那里是学习速率。

正如我们所知,正规化,辍学,和早期停止策略是用来防止过度拟合的神经网络21,22]。本文采用早期停止策略来避免过度拟合的风险;我们将输入和输出样本分为训练集,验证集和测试集,训练集用于计算梯度和更新链接权重和阈值。验证设置用于估计错误。如果训练集误差随验证集误差增加,培训过程将停止相关权重和阈值最小的验证设置错误将返回。

总之,结合早期停止策略,梯度下降法用于神经网络不断更新信息,即。、体重矩阵 , 和阈值向量 , 。一旦参数更新完成后,神经网络将准备预测信道状态信息(CSI)。

3所示。瑞利衰落信道预测方法

多通道预测系统与单隐层有效地预测信道信息在多个时刻,和提出了深度学习预测系统的多层神经网络可以应付更复杂的信道信息的预测。

3.1。预测计划

3.1.1。一次预案

文献[10)提出了信道预测的预测计划通过回声状态网络(ESN)。在[10),第一的频道信息时刻被视为输入样本和频道信息时刻作为输出样本。和样本预测系统的建设方案在本节将遵循这个程序。让输出层的维度,这是上面所提到的,等于1。这将是一次通道预测系统。此外,我们添加信道状态信息的估计误差,这是 在哪里是高斯白噪声,其差异是什么 。我们构建以下神经网络训练样本(10]:

为输入和输出样本集 ,输入样本代表了信道信息样本时间和下一个 次,输出示例通道信息样本吗时间。我们选择训练样本训练神经网络。并给出训练集矩阵 测试集矩阵组成的将测试样品的神经网络,如下所示: 训练集 用于训练神经网络,测试集吗 将用来测量神经网络的性能。

3.1.2。多次预测系统

现有的信道预测研究(5- - - - - -12要么就是不够准确,执行在资源受限的传感器网络太复杂。回声状态网络(ESN)信道预测(10大大提高了系统正确预测性能,减少了系统的复杂性。但它只能在下一时刻预测信道信息。在本节中,一个多次预测系统是利用预测信道信息在多个时段。实现一个更强大的工程性能。此外,我们提出两个示例施工方法,例如,稀疏采样方案(精原细胞)和正常样本施工方案(nsc)。在接下来,我们将详细讨论这两种方案。

(一)正常样本建设方案(nsc)。正常样本建设方案是一个连续施工方法示例。它只是增加了更多的输出Y。赵的计划。的输入和输出样本表达如下: nsc充分利用信道的信息,但它增加了计算量。例如,当 , 4990年,我们可以构建训练样本抽样值从5000频道信息。只有一个通道数据区别两个相邻的训练样本。

(b)稀疏样本建设方案(精原细胞)。为了降低计算复杂度,我们提出一个稀疏的样本建设方案。也就是说,没有重复的信道状态信息任何两个输入样本信息,如下:

精原细胞只需要500个样本来遍历5000频道信息样本值,如果 , 。两个方案的模拟和分析,分别。所表达的预测性能指标归一化均方误差(NMSE)。的NMSE时间段是由以下几点:

此外,我们采用早期多通道停止战略预测系统,以避免过度拟合。更具体地说,早期停止将样本集划分为训练集 ,验证集 和测试集 。训练集 用于计算梯度和更新链接权重矩阵 , 和阈值 , 。验证组仅用于估算成本 。如果训练集错误减少和验证集误差增加,培训将会停止和连接权重 , 和阈值 , 将返回。中所示的特定算法的算法1和算法2。

3.1.3。多输入和多输出通道多层神经网络预测系统

深层神经网络可以有效地预测当信道环境复杂的信道信息。更重要的是,深层神经网络具有更好的性能比其他处理方式。与此同时,深用更少的神经元神经网络达到相同的性能。如图3,有一个三层神经网络结构与双隐层,用于预测一个更复杂的通道。

三层神经网络的参数更新几乎一样的两层神经网络。采用反向传播算法,除了前需要更新三个权重矩阵和三个阈值向量在一个时代。

3.2。复杂性分析

在本节中,我们比较现有算法的计算复杂度与深度学习的方法。现有的方法,如基于“增大化现实”技术的方法(6[],DWT-AR-LR方法9],切入方法[10),而支持向量机预测方法(10),下面会提到。基于“增大化现实”技术方法的计算复杂度 ,在哪里表示基于“增大化现实”技术的顺序。ESN预测方法的复杂性 ,在哪里是变量的数量,是中间层权重矩阵的非零元素的数量,然后呢中间层是变量的数量。DWT-AR-LR方法的复杂性在哪里 , ,和代表样本的数量和AR和LR的顺序,分别。

注意,传播权重矩阵 , 和阈值向量 , 本文提出的神经网络预测算法计算离线。此外,它的开销非常小。的数学运算的计算复杂度 , 和 在神经网络中 , 和 ,分别。因此,神经网络的计算复杂度信道预测系统 ,在哪里 , , 神经元的数量输入层、隐藏层和输出层,分别。在本文中,神经元的数量是非常小的(例如,d = 10, q = 10, p = 10),尤其是在多层神经网络。和有低复杂性。

4所示。模拟

4.1。一次信道预测

首先,我们使用厕所模型来模拟三个通道预测系统(20.]。通道功率是固定的 。在模拟中,我们组34 ( 500)散射组件( )频道信息样本,采样间隔 。最大的多普勒频移 。阶段观察均匀分布,即 。我们获得400神经网络样本通过500频道信息样本。将训练样本 、测试样品 、学习速率 ,和目标错误 。图4描述了振幅和相位的模拟和预测渠道下厕所模型。我们可以看到,通道预测的BP神经网络是几乎相同的厕所的模拟信道模型。

NMSE是衡量工作表现;图5不同的预测方法的比较。x轴是信道的信噪比(信噪比)的信息和噪音 ,轴是NMSE。三角形的红线是一次的性能预测系统采用两层BP神经网络。丰富的神经元信息摘要长期通道记忆能力。因此,它能有效地执行信道预测。如图5,BP神经网络的预测算法的NMSE逐渐减少随着信噪比的增加,最终达到零。较低的计算复杂度,摘要的准确性方法比其他方法(即好。、支持向量机、ESN DWT-AR-LR)。

为了验证算法的鲁棒性,我们提出各种不同瑞利衰落信道下仿真,例如,快速衰落信道克拉克/氮化镓的模型(23),著名的3 gpp空间信道模型(SCM) (24对MIMO系统)。

图6展示了预测归一化均方误差(NMSE)不同瑞利衰落信道下。正如我们所知,CSI满足零级贝塞尔函数的自相关。因此,一个糟糕的时域相关性导致信道预测更加困难。穷人的时域相关性,克拉克/氮化镓的CSI模型在频域采样和转换为时域传输线,导致可怜的信道预测性能。由于强大的时域相关性,厕所模型最佳的预测性能在不同信噪比的值。

不可否认的是,BP神经网络也面临这个问题,与其他算法,即CSI的贫穷的时域相关性,更难以预测未来的通道。总之,摘要算法执行优于其他两种算法,和厕所通道模型的预测性能是最好的。

4.2。多通道预测系统

同样,CSI是由多通道的厕所模型预测系统。我们使用的主要区别在于,5000频道信息样本,即, 。其他参数都是相同的一次信道预测系统。

我们研究两个示例施工方法(nsc和精原细胞)的多通道预测系统。在两种策略下,我们选择4000个样本和400个样本,分别和75%的训练样本,验证样本的15%,剩余的样品测试样品。样本的维数输入层 。隐层神经元的数目 。输出层神经元 和 ,分别。

4.2.1。准备比较两个示例施工方案和10-Input 10-Output (d = 10, p = 10)

多通道预测系统,随着预测时间的增加,相应的错误成指数增加。我们比较两种抽样方法的预测,即。nsc,精原细胞。

图7通常表明预测精度提高了随着时代的数量增加。由于早期停止策略,结果表明,正常样本建设方案停止后224时代,稀疏的样本预测计划停止后42时代。精原细胞的迭代计划已少于nsc的方案,可提高操作的速度和节省系统资源。

图8NMSE性能的两个示例施工方案。我们可以看到,nsc的性能优于精原细胞为代价的计算复杂性。另一方面,国家安全委员会之间的性能差异和精原细胞小于可以被忽略。此外,为了实现同一个目标NMSE,后者比前者更少的时代,哪个更实用。请注意,一个时代精原细胞比nsc花费更少的时间。总而言之,nsc和精原细胞我们提出满足要求25较低的估计误差。精原细胞有效降低资源消耗在不降低系统性能。

4.2.2。比较两个示例施工方案和10-Input 20-Output (d = 10, p = 20)

图9显示正常样本建设方案停止后86时代。稀疏的样本预测计划停止后61时代。图10是两个示例的NMSE施工方案。多次预测,就像10-input和10-output预测系统,误差增长指数与不同的时隙。细胞的性能比nsc的稍差。

然而,计算成本和时间比nsc的精原细胞要小得多。

4.2.3。精原细胞不同的噪声的性能

图11展示了在不同信噪比预测NMSE多次预测系统。削弱的时域相关性,不同时间段的预测误差成倍增加。

4.3。Multi-Hidden Multi-Moment预测系统

图12三层神经网络的预测性能比较和两层神经网络。它揭示了三层神经网络优于两层神经网络。然而,其效果并不明显,因为通道信息不是很复杂。

5。结论

multi-hidden层的BP神经网络引入信道预测的应用程序。小说多个时刻CSI预案提出了提高大规模分布式天线的性能,诺玛,排版和物理层安全方案。该预测方案可以执行有效地与一个简短的飞行员开销,适用于资源受限的通信场景。同时,我们提出了两个重要样本施工方法,极其改善预测性能和降低了计算复杂度。广泛的经验验证了该方案的有效性

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由国家自然科学基金委(不支持。61572114)、国家重大研发项目(没有。2018 yfb0904905),智利Conicyt Fondecyt项目没有。1181809。

引用

1. m . Agiwal A·罗伊,n . Saxena“下一代5 g无线网络:一个全面的调查,“IEEE通信调查和教程,18卷,不。3、1617 - 1655年,2016页。视图:出版商的网站|谷歌学术搜索
2. w . Cheng x张,h·张,“Statistical-QoS驱动节能优化在绿色的5 g移动无线网络,“IEEE在选定地区通讯》杂志上,34卷,不。12日,第3107 - 3092页,2016年。视图:谷歌学术搜索
3. j·l·胡h .温家宝,b . Wu Tang和f·潘,“自适应安全传输无线网络物理层安全合作,”IEEE通信信,21卷,不。3、524 - 527年,2017页。视图:出版商的网站|谷歌学术搜索
4. l . Hu h .温家宝,b .吴et al .,“合作干扰对物理层安全增强在物联网中,“IEEE物联网,5卷,不。1,第228 - 219页,2018。视图:出版商的网站|谷歌学术搜索
5. a . Duel-Hallen h·哈伦,t·s·艾。杨”,长期预测和减少移动无线电反馈自适应OFDM系统中,“IEEE无线通信,5卷,不。10日,2723 - 2732年,2006页。视图:出版商的网站|谷歌学术搜索
6. p·沙玛和k·钱德拉”,在瑞利衰落信道预测的状态转换IEEE车辆技术卷,56号2、416 - 425年,2007页。视图:出版商的网站|谷歌学术搜索
7. 答:阿雷东多、k . r . Dandekar和g .徐”矢量信道建模和预测下行接收功率的提高,“IEEE通信,50卷,不。7,1121 - 1129年,2002页。视图:出版商的网站|谷歌学术搜索
8. m . Sternad和d . Aronsson”,为自适应OFDM下行信道估计和预测,”Proc。IEEE Veh学报》上。抛光工艺,2卷,第1287 - 1283页,2003年。视图:谷歌学术搜索
9. t·丁和a . Hirose”衰落信道预测基于复数神经网络和线性调频z变换的组合,”IEEE神经网络和学习系统,25卷,不。9日,第1695 - 1686页,2014年。视图:出版商的网站|谷歌学术搜索
10. y赵,h·高,数控。比尤利,z . Chen和h霁”,回声状态网络的快速通道预测在大米的场景中,“IEEE通信信,21卷,不。3、672 - 675年,2017页。视图:出版商的网站|谷歌学术搜索
11. x赵,c .侯问:王,“一个新的基于svm建模方法的小屋路径损耗预测,“国际期刊的天线和传播ID 279070条,卷。2013年,7页,2013。视图:出版商的网站|谷歌学术搜索
12. K.-T。金,D.-K。Seo, H.-T。金,“有效的雷达目标识别算法和使用音乐不变的特性,“IEEE天线和传播,50卷,不。3、325 - 337年,2002页。视图:出版商的网站|谷歌学术搜索
13. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
14. g . Arulampalam和A . Bouzerdoum“广义前馈神经网络分类和回归,架构”神经网络,16卷,不。5 - 6,561 - 568年,2003页。视图:出版商的网站|谷歌学术搜索
15. g . a .木匠,模式识别和联想记忆神经网络模型,卷2,爱思唯尔的科学有限公司,1989年版。
16. 早期l . Prechelt“自动停止使用交叉验证:量化的标准,“神经网络,11卷,不。4、761 - 767年,1998页。视图:出版商的网站|谷歌学术搜索
17. n·c·比尤利和y陈”,最大似然估计当地的平均信噪比ricean衰落通道”IEEE通信信,9卷,不。3、219 - 221年,2005页。视图:出版商的网站|谷歌学术搜索
18. y陈和n·c·比尤利”ricean K参数估计和当地的平均信噪比噪声相关频道样本,”IEEE无线通信》第六卷,没有。2、640 - 648年,2007页。视图:出版商的网站|谷歌学术搜索
19. g . l .存根移动通信原理提供参考,波士顿,马萨诸塞州,质量,美国,第二版,2001年版。
20. w . c .厕所微波移动通信威利,纽约,纽约,美国,1974年。
21. k . Hornik m . Stinchcombe和h白色,“多层前馈网络普遍接近者,”神经网络,卷2,不。5,359 - 366年,1989页。视图:出版商的网站|谷歌学术搜索
22. f . Girosi m·琼斯和方法,“正规化理论和神经网络架构,”神经计算,7卷,不。2、219 - 269年,1995页。视图:出版商的网站|谷歌学术搜索
23. r·h·克拉克“移动无线电信号的统计理论,贝尔实验室技术杂志卷,47号6,957 - 1000年,1968页。视图:出版商的网站|谷歌学术搜索
24. 3 gpp,空间通道模型。文中模拟25.996 V6.1.0, 2003,http://www.3gpp.org/。
25. h . j . Tang, l .胡锦涛et al。”将MIMO与安全码来实现波束形成无条件的通信安全,”专业的沟通,10卷,不。12日,第1531 - 1522页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 Run-Fa廖等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。