基于機(jī)器學(xué)習(xí)的SINR預(yù)測(cè)方法研究.pdf

1、對(duì)無(wú)線通信系統(tǒng)進(jìn)行優(yōu)化以確保為用戶提供穩(wěn)定可靠的傳輸服務(wù)質(zhì)量是一個(gè)有實(shí)際意義的重要工作。下行鏈路自適應(yīng)調(diào)制編碼技術(shù)是無(wú)線通信的關(guān)鍵技術(shù)之一，其依賴于終端進(jìn)行準(zhǔn)確、及時(shí)的信道質(zhì)量反饋。然而實(shí)際通信系統(tǒng)中下行鏈路信道質(zhì)量反饋存在延時(shí)問(wèn)題，制約了系統(tǒng)的性能。
　　本文圍繞下行鏈路的信道質(zhì)量反饋延時(shí)問(wèn)題，針對(duì)傳統(tǒng)預(yù)測(cè)方法不能很好地對(duì)非線性相關(guān)性序列建模、長(zhǎng)時(shí)預(yù)測(cè)效果較差的缺陷和不足，采用機(jī)器學(xué)習(xí)中深度神經(jīng)網(wǎng)絡(luò)方法，研究了兩種場(chǎng)景下的下行鏈

2、路SINR(Signalto Interference Noise Ratio)預(yù)測(cè)方法，提出基于深度神經(jīng)網(wǎng)絡(luò)的SINR預(yù)測(cè)模型，減小反饋延時(shí)對(duì)系統(tǒng)的影響。具體研究工作包括以下兩方面:
　　1.針對(duì)參數(shù)不變EPA(Extended PedestrianA model)信道下的下行鏈路SINR預(yù)測(cè)問(wèn)題，提出基于前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，實(shí)現(xiàn)了終端移動(dòng)速度固定、信道反饋延時(shí)較長(zhǎng)情況下的SINR預(yù)測(cè)。通過(guò)對(duì)參數(shù)不變EPA信道進(jìn)行衰落特性的

3、建模和仿真，分析了SINR序列的線性相關(guān)性與非線性相關(guān)性特性、整體相關(guān)性與短時(shí)相關(guān)性，為深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)超參數(shù)的取值范圍確定提供了有益的參考。同時(shí)采用網(wǎng)格搜索的方式確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)超參數(shù)。通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行基于閾值判別的處理，克服了神經(jīng)網(wǎng)絡(luò)輸出在SINR的波峰和波谷處出現(xiàn)的毛刺問(wèn)題。相比與傳統(tǒng)的時(shí)間序列預(yù)測(cè)模型，本文提出的基于前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型在多種終端移速固定的場(chǎng)景下，預(yù)測(cè)準(zhǔn)確性均有所提升。
　　2.針對(duì)參數(shù)

4、時(shí)變EPA信道下的下行鏈路SINR預(yù)測(cè)問(wèn)題，提出了基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組合的LSTM-FNN組合預(yù)測(cè)模型，實(shí)現(xiàn)了終端移動(dòng)速度動(dòng)態(tài)變化、信道反饋延時(shí)較長(zhǎng)情況下的SINR預(yù)測(cè)。通過(guò)將SINR序列按照終端移速的不同進(jìn)行分段建模，借鑒集成學(xué)習(xí)思想，使用LSTM(Long Short-Term Memory)網(wǎng)絡(luò)對(duì)多個(gè)獨(dú)立的FNN（Feedforward Neural Network）網(wǎng)絡(luò)進(jìn)行了結(jié)構(gòu)化組合，克服了基于FNN的預(yù)測(cè)模型表達(dá)能力不足的缺點(diǎn)