论文部分内容阅读
对无线通信系统进行优化以确保为用户提供稳定可靠的传输服务质量是一个有实际意义的重要工作。下行链路自适应调制编码技术是无线通信的关键技术之一,其依赖于终端进行准确、及时的信道质量反馈。然而实际通信系统中下行链路信道质量反馈存在延时问题,制约了系统的性能。本文围绕下行链路的信道质量反馈延时问题,针对传统预测方法不能很好地对非线性相关性序列建模、长时预测效果较差的缺陷和不足,采用机器学习中深度神经网络方法,研究了两种场景下的下行链路SINR(Signal to Interference Noise Ratio)预测方法,提出基于深度神经网络的SINR预测模型,减小反馈延时对系统的影响。具体研究工作包括以下两方面:1.针对参数不变EPA(Extended Pedestrian A model)信道下的下行链路SINR预测问题,提出基于前馈神经网络的预测模型,实现了终端移动速度固定、信道反馈延时较长情况下的SINR预测。通过对参数不变EPA信道进行衰落特性的建模和仿真,分析了 SINR序列的线性相关性与非线性相关性特性、整体相关性与短时相关性,为深度神经网络的结构超参数的取值范围确定提供了有益的参考。同时采用网格搜索的方式确定神经网络的最优结构超参数。通过对神经网络输出结果进行基于阈值判别的处理,克服了神经网络输出在SINR的波峰和波谷处出现的毛刺问题。相比与传统的时间序列预测模型,本文提出的基于前馈神经网络的预测模型在多种终端移速固定的场景下,预测准确性均有所提升。2.针对参数时变EPA信道下的下行链路SINR预测问题,提出了基于神经网络结构组合的LSTM-FNN组合预测模型,实现了终端移动速度动态变化、信道反馈延时较长情况下的SINR预测。通过将SINR序列按照终端移速的不同进行分段建模,借鉴集成学习思想,使用LSTM(Long Short-Term Memory)网络对多个独立的FNN(Feedforward Neural Network)网络进行了结构化组合,克服了基于FNN的预测模型表达能力不足的缺点。本文设计了预训练-全局训练策略以及迭代更新训练超参数的训练算法,解决了 LSTM-FNN组合模型收敛困难的问题。仿真证明,在终端移速变化的场景下,本文提出的LSTM-FNN组合模型相对于传统ARIMA模型、单一 FNN和单一 LSTM神经网络模型,在准确性上有明显的提升,且时间复杂度在可接受范围内。