一種基於相空間重構的RBF神經網絡信道預測方法與流程
2023-08-01 12:58:46
本發明屬於信道預測技術領域,尤其涉及一種基於相空間重構的rbf神經網絡信道預測方法。
背景技術:
隨著高清視頻和物聯網等數據通信業務的迅速增長,以lte為主流的4g和未來的5g需要在有限的頻帶內,實現更高速率上的可靠數據傳輸;而無線信道的惡劣特性和複雜多變的系統內外的幹擾,給lte系統中高頻帶利用率和高功率利用率信息傳輸技術的研究提出嚴峻的挑戰。為了適應現在和未來移動通信系統所面臨的這些技術挑戰,在lte系統中已開展了大量有關基於信道信息調度的鏈路自適應技術(amc)的研究。該技術是通過自適應調整用戶和基站鏈路的參數,動態地適應無線信道和幹擾的時變特性,可有效地提高鏈路傳輸的頻帶利用率。由於lte系統傳輸中存在著固有時延,因此想要進行較為準確amc必須對信道質量進行預測,而信道係數與信道質量密切相關,因此,可以通過進行信道係數的預測,來改善系統自適應性能。具體來說:在td-lte上行系統中,為了實現自適應編碼調製,基站需要根據當前時刻以及前一段時間內的信道狀態,對下一上行時刻的信道進行預測,並將預測結果轉換成mcs反饋到用戶端,從而選擇最佳的編碼調製方式進行上行傳輸。信道預測本質上屬於統計信號處理中的估計,跟蹤與預測理論,相關的算法主要包括:ar模型。ar模型是一種線性預測,即已知n個數據,可由模型推出第n點前面或後面的數據,具有計算量小的特點,但是不適合進行長期預測。sos模型。在基於sos(sum-of-sinusoids)模型的算法中,主要思想是基於物理信道模型建模首先,估計出與之相關的各個參數;然後,根據估計出的參數計算出將來的信道值。sos模型一般使用譜估計的方法來確定上面表達式中的參數,如music,esprit等。與ar模型相比,這些算法比較複雜,計算量也較大。自適應信道預測。該算法在接收端利用自適應信號處理的方法來克服以往需要長時間實現的信道自先關函數的估計問題;且可以通過迭代計算,每次只需要進行少量的更新就是那,減小了計算量;此外,自適應算法可以部分彌補信道非平穩帶來的一些問題,此時信道預測算法具有了一定程度的跟蹤信道參數變化的能力。自適應求解ar模型係數的辦法主要有:nlms和rls。此外自適應算法還有kalman濾波器算法。該算法需要較多的訓練數據,且由於迭代運算較慢無法很好地滿足實時性要求較高的場合。此外,人工神經網絡是由大量簡單的神經元相連而組成的複雜系統,模擬人類神經網絡的工作,一般包括輸入層、隱含層和輸出層。通過調整人工神經網絡層之間的連接權重,就可以很好地解決非線性演化問題。rbf神經網絡具有單隱含層,其輸入層和隱含層的映射是非線性的,隱含層採用高斯徑向基函數(rbf)作為激活函數,網絡層到輸出層是線性映射。該算法的優點在於不存在陷入局部最小值的情況。混沌理論認為,看似不具有規律的運動,如果變換到高緯相空間中,其可能具有總體穩定性,符合一定的運動規律。混沌時間序列理論認為:隨著時間推移,相空間中的運動狀態具有向吸引子靠攏的趨勢,具有很強的穩定性。因此,吸引子內外的任一狀態點與其相鄰的狀態點具有共同的運動趨勢;因此,可以預測臨近狀態點和後續狀態點的函數關係,並用其代替預測點和其後續狀態點的函數關係,即可以實現時間序列的預測。而預測點的鄰域點的選擇主要和距離有關,距離越近的點與預測點的相關性越大。
綜上所述,現有技術存在的問題是:目前的信道預測方法存在信道預測時間較短,神經網絡計算量較大。
技術實現要素:
針對現有技術存在的問題,本發明提供了一種基於相空間重構的rbf神經網絡信道預測方法。
本發明是這樣實現的,一種基於相空間重構的rbf神經網絡信道預測方法,所述基於相空間重構的rbf神經網絡信道預測方法包括:獲得信道係數,建立樣本訓練數據集;求解相空間重構參數;對樣本訓練數據集進行相空間重構;在重構相空間中選擇鄰域點;利用鄰域點進行rbf神經網絡的訓練;利用訓練好的神經網絡進行預測;將預測結果轉化到原始空間得到預測值。
進一步,所述基於相空間重構的rbf神經網絡信道預測方法包括以下步驟:
步驟一,獲得lte上行鏈路信道係數,建立訓練樣本數據集及測試樣本數據集;
步驟二,對訓練樣本及測試樣本進行歸一化處理;
步驟三,求解訓練樣本的相空間重構參數;
步驟四,對訓練樣本進行相空間重構;
步驟五,依據距離準則尋找相空間中最後一個相點的鄰域點;
步驟六,利用步驟五中找到的鄰域點進行rbf神經網絡的訓練;
步驟七,將測試樣本輸入步驟六得到的rbf神經網絡,如果預測結果滿足誤差要求,則執行步驟八,否則執行步驟三和步驟五;
步驟八,對預測數據進行反歸一化。
進一步,所述將訓練樣本進行歸一化處理,即將其歸一化成為均值為0、方差為1的數據。
進一步,所述步驟三具體包括:
(1)根據c-c算法求解出嵌入維m1和最佳時延τ;c-c算法利用關聯積分同時估計出時間延遲τ和嵌入窗寬τω,然後由τω=(m-1)·τ求出嵌入維m1;
(2)如果c-c算法無法得到較為準確的嵌入維時,則採用假臨近算法求得嵌入維為m2;
(3)根據步驟七的要求,圍繞m2,對最佳時延進行重新選擇。
進一步,所述步驟四對訓練樣本進行相空間重構;
原始時間序列為:x={xi|i=1,2,…,n},嵌入維為m,最佳時延為τ,則得到重構後的相空間為:
x={xs|s=1,2,…,m};
xs=(xs,xs+τ,…,xs+(m-1)τ)t;
m=n-(m-1)τ;
其中,m是相空間中的點的個數,每個相點xs都是一個m的矢量。
進一步,所述步驟五具體包括:
(1)根據歐氏距離求出最後一個相點的鄰域點;
||xs-xm||≤k·||xs-xm||,s=1,2,…,m-1;
其中||·||表示兩點的歐氏距離,k∈[0,1]是鄰域點佔全部相點的比例;
(2)根據步驟七的要求,調整k。
進一步,所述步驟六結合matlab軟體自帶的函數來解釋rbf神經網絡訓練的輸入輸出:
net=newrbe(r,t,spread);
設訓練樣本中原始時間序列長度為10,嵌入維m為3,最佳時延τ為2;
則輸入矢量為:r=[x1,x2,x3,x4,x5]3×5;
目標矢量為:t=[x6,x7,x8,x9,x10]1×5;
net是訓練得到的rbf神經網絡。
進一步,所述步驟七包括:
(1)結合matlab軟體自帶的函數對得到的rbf神經網絡net進行預測;原始時間序列長度為11,嵌入維m為3,最佳時延τ為2,要預測第11個數據:
tpre=sim(net,rpre);
輸入矢量為:rpre=[x6]3×1;
預測數據為:tpre=[x11]1×1;
net訓練得到的rbf神經網絡;
將新預測的點歸入輸入矢量rpre;
(2)在訓練rbf神經網絡的階段,給定系統預測目標為:mse≤γ;未能滿足時,執行步驟三和步驟五,調整相空間重構參數和鄰域點個數。
本發明的另一目的在於提供一種利用所述基於相空間重構的rbf神經網絡信道預測方法的lte上行鏈路中的信道預測系統。
本發明的優點及積極效果為:本發明的相空間重構參數的選擇結合了c-c算法和假臨近算法,並且會根據預測效果對最佳時延參數進行選擇;相比只採用一種算法的情況,可以得到更為準確的重構參數。本發明中在對rbf神經網絡進行訓練時,使用的是鄰域點,而不是全部相點,可以減少rbf神經網絡的計算量,且能保持計算精度無顯著降低。
附圖說明
圖1是本發明實施例提供的基於相空間重構的rbf神經網絡信道預測方法流程圖。
圖2是本發明實施例提供的基於相空間重構的rbf神經網絡信道預測方法的實現流程圖。
圖3是本發明實施例提供的相空間重構參數求解流程圖。
圖4是本發明實施例提供的預測性能(反歸一化前)示意圖。
圖5是本發明實施例提供的預測性能(反歸一化後)示意圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白,以下結合實施例,對本發明進行進一步詳細說明。應當理解,此處所描述的具體實施例僅僅用以解釋本發明,並不用於限定本發明。
下面結合附圖對本發明的應用原理作詳細的描述。
如圖1所示,本發明實施例提供的基於相空間重構的rbf神經網絡信道預測方法包括以下步驟:
s101:獲得lte上行鏈路信道係數,建立訓練樣本數據集及測試樣本數據集;
s102:對訓練樣本及測試樣本進行歸一化處理;
s103:求解訓練樣本的相空間重構參數;
s104:對訓練樣本進行相空間重構;
s105:依據距離準則尋找相空間中最後一個相點的鄰域點;
s106:利用步驟s105中找到的鄰域點進行rbf神經網絡的訓練;
s107:將測試樣本輸入步驟s106得到的rbf神經網絡,如果預測結果滿足誤差要求,則執行步驟s108,否則執行步驟s103和步驟s105;
s108:對預測數據進行反歸一化。
下面結合附圖對本發明的應用原理作進一步的描述。
本發明是對td-lte上行鏈路中信道係數進行預測的算法。信道係數獲得的仿真環境是:veha信道,帶寬1.4mhz,有6條多徑的快衰落信道,每個時隙有3個rb即36個子載波。
如圖2所示,本發明實施例提供的基於相空間重構的rbf神經網絡信道預測方法包括以下步驟:
步驟1:獲得lte上行鏈路信道係數,建立訓練樣本數據集及測試樣本數據集;
選擇第一個子載波,保存每隔子幀內的第一個符號上的信道係數(即第4和第11個符號上的信道係數),共13000次子幀上的數據。為了確保該事件序列進入了混沌狀態,選擇最後的310個數據作為樣本。其中前300個是訓練樣本數據集,後10個是測試樣本數據集。
步驟2:對訓練樣本及測試樣本進行歸一化處理;
將訓練樣本進行歸一化處理,即將其歸一化成為均值為0、方差為1的數據。
步驟3:求解訓練樣本的相空間重構參數;
如圖3所示,實現對相空間重構參數嵌入維m和最佳時延τ的選擇。c-c算法認為兩個參數之間是有關聯的,可以實現對二者的聯合選取。已有的理論研究表明,重構空間的維數m的取值範圍為:2≤m≤5。
步驟3.1:根據c-c算法求解出嵌入維m1和最佳時延τ;
c-c算法利用關聯積分同時估計出時間延遲τ和嵌入窗寬τω,然後由τω=(m-1)·τ求出嵌入維m1。
步驟3.2:如果c-c算法無法得到較為準確的嵌入維時,則採用假臨近算法求得嵌入維為m2;
當訓練樣本存在異常數據或混沌特性不明顯時,得到的嵌入窗寬τω較大,使得m遠大於5,此時對相空間的重構存在偏差。此外,c-c算法計算過程中假設混沌系統具有平均軌道周期,但嚴格來講混沌系統不存在周期性,因此c-c算法求解出的參數並不是完全正確的。
如果c-c求得的嵌入維數太大,就採用假臨近法對嵌入維進行重新求解,得到m2。
步驟3.3:根據步驟7的要求,圍繞m2,對最佳時延進行重新選擇。
在訓練rbf神經網絡的階段,在給定系統預測目標(如要求mse≤γ)未能滿足時,則在m2附近重新選擇嵌入維數。
步驟4:對訓練樣本進行相空間重構;
如果原始時間序列為:x={xi|i=1,2,…,n}。嵌入維為m,最佳時延為τ。則依據takens提出的延遲坐標法進行相空間重構,可得到重構後的相空間為:
x={xs|s=1,2,…,m};
xs=(xs,xs+τ,…,xs+(m-1)τ)t;
m=n-(m-1)τ;
其中,m是相空間中的點(相點)的個數,每個相點xs都是一個m的矢量。重構系統與原動力系統在拓撲意義上等價。
步驟5:依據距離準則尋找相空間中最後一個相點的鄰域點;
步驟5.1:根據歐氏距離求出最後一個相點的鄰域點;
步驟4中最後一個相點xm=(xm,xm+τ,…,xn)t中有原始時間序列中的最後一點xn,也因此該相點被認為是用於時間序列的中心點。如果利用全部相點進行rbf神經網絡的訓練,則計算量較大。因此採用距離最近的原則選擇進行預測的相點。符合下麵條件的相點被選作鄰域點,用於進行神經網絡的預測:
||xs-xm||≤k·||xs-xm||,s=1,2,…,m-1;
其中||·||表示兩點的歐氏距離,k∈[0,1]是鄰域點佔全部相點的比例。
步驟5.2:根據步驟7的要求,調整k,重複步驟5.1。
在訓練rbf神經網絡的階段,在給定系統預測目標(如要求mse≤γ)未能滿足時,調整k,重新求解中心點的鄰域點。
步驟6:利用步驟5中找到的鄰域點進行rbf神經網絡的訓練;
rbf神經網絡只有三層:其輸入層由把網絡和它的環境連接起其輸入層由把網絡和它的環境連結起來的源節點組成;中間層是網絡裡的唯一的隱藏層;輸出層是線性的,提供對應用於輸入層的活動樣本的網絡響應。rbf神經網絡克服了bp神經網路的很多缺點,只要有足夠多的隱藏神經元,則rbf能以任意精度近似任何連續函數。
結合matlab軟體自帶的函數來解釋rbf神經網絡訓練的輸入輸出:
net=newrbe(r,t,spread);
設訓練樣本中原始時間序列長度為10,嵌入維m為3,最佳時延τ為2。
則輸入矢量為:r=[x1,x2,x3,x4,x5]3×5;
目標矢量為:t=[x6,x7,x8,x9,x10]1×5;
net就是訓練得到的rbf神經網絡。
步驟7:將測試樣本輸入步驟6得到的rbf神經網絡,如果預測結果滿足誤差要求,則執行步驟8,否則執行步驟3和步驟5;
步驟7.1:利用步驟6得到的rbf神經網絡進行預測;
結合matlab軟體自帶的函數來解釋如何用步驟6得到的rbf神經網絡net進行預測。仍設原始時間序列長度為11,嵌入維m為3,最佳時延τ為2,要預測第11個數據。
tpre=sim(net,rpre);
輸入矢量為:rpre=[x6]3×1;
預測數據為:tpre=[x11]1×1;
net就是步驟6訓練得到的rbf神經網絡。
將新預測的點歸入輸入矢量rpre,則可以實現多步預測。圖4是多步預測後的數據。
步驟7.2:當預測結果不滿足要求時,調整相空間重構參數和鄰域點個數。
在訓練rbf神經網絡的階段,給定系統預測目標為:mse≤γ。未能滿足時,執行步驟3和步驟5,調整相空間重構參數和鄰域點個數。
步驟8:對預測數據進行反歸一化。
步驟2將訓練樣本進行歸一化處理,即將其歸一化成為均值為0、方差為1的數據。此處進行反歸一化處理,回複數據的原始大小及量綱。圖5是反歸一化後的數據。
以上所述僅為本發明的較佳實施例而已,並不用以限制本發明,凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等,均應包含在本發明的保護範圍之內。