5G高速移动场景中堆栈式ELM时变信道预测方法探究

5G高速移动场景中堆栈式ELM时变信道预测方法探究

 戎安

中国移动通信集团设计院有限公司安徽分公司 230001

摘要

目前，我国高铁速度可达300km/h，随着5G通信系统的应用，高铁运行速度将达到500km/h甚至更高。在未来的5GHSR方案中，列车速度越高，多普勒频移越大，这将导致信道的快速时变。在快速时变信道中，由于反馈和处理时延的存在，传统信道估计方法获得的信道状态信息会老化，这将导致高铁通信系统性能的严重退化。因此，为了保证5GHSR环境下的通信质量，本文提出了一种新的基于堆栈ELM的时变信道预测方法。首先，利用堆栈ELM方法从历史信道中提取信道的深层特征，并得到网络的初始输出权值；然后，为了适应信道的变化，新方法基于新构建的历史信道样本和初始输出权重实时更新网络的输出权重，并基于更新后的输出权重获得当前时刻的信道。仿真结果表明，该方法具有较高的预测精度，适用于高速移动场景。

关键词：5G场景；堆栈ELM；时变信道

1.引言

参考文献[1]给出了基于单隐层前馈神经网络的信道预测方法（以下简称ELM方法）。该方法首先随机生成隐层权重，计算隐层输出，然后通过求解最小二乘问题得到网络输出权重，从而得到最终的预测网络。然而，作为一种浅层结构，ELM在处理具有复杂特征的原始数据时有一定的局限性。文献[2]给出了一种基于叠加泛化原理的预测模型，称为叠加ELM方法。该方法结合ELM方法得到的预测结果，对原始输入样本进行随机移位，并利用核函数对移位后的特征矩阵进行修改，得到新的特征矩阵。参考文献[3]给出了在线顺序ELM（OS-ELM）的信道预测方法，该方法首先使用ELM方法获得网络输出权重，然后使用新的训练样本使用递归方法更新网络输出权重。然而，该方法采用浅层ELM，无法从原始数据中提取有用的深层特征，信道预测精度有待进一步提高。

本文重点介绍了现有的基于神经网络的信道预测方法。针对现有基于神经网络的信道预测方法在提取原始数据和固定网络模型的复杂特征方面能力有限的问题，提出了一种新的基于堆栈ELM的时变信道预测方法。在离线测试中，该方法利用Stack-ELM模型从历史信道中提取有用的深层特征和网络输出权重；在线预测中，使用新的历史信道训练样本更新网络输出权重，然后根据更新后的输出权重获取当前时刻的信道信息。

2.信号模型

考虑具有N个发射天线和N个接收天线的mimo-OFDMA系统，假设SM是频域中的第m个发射OFDMA符号，并且Sm=[Sm（1）t，SM（2）t，…，Sm（nT）t]t，其中Sm（n1）t表示第N个发射天线上的第m个发射OFDMA符号，Sm（nT）=[S（nT）（m，0），S（nT）（m，1），…，S（nT）（m，N-1）]T，其中，S（nT）（m，K）表示第i个传输天线上的第m个OFDMA符号的第K个子载波上的传输信号，N是OFDM符号长度。在Sm（nT）上执行N点IFFT，以获得时域传输信号，如下所示：

在高铁方案中，基站都建在铁路轨道附近，这将具有很强的直接分量。因此，在HSR环境中，通常使用rice信道作为信道模型，并且用户与第nr个接收天线之间的rice信道为

其中，A0（nT）（m，n）是信道的服务水平路径分量，A1（nT）（m，n），L=1，……，L-1是散射分量路径，遵循瑞利分布，L是多径rice信道的路径数，τ1是第一条路径的归一化延迟，以及rice因子的定义

3.新型的基于堆栈式ELM的时变信道预测方法

3.1堆栈式ELM基本原理

作为堆栈式模型，堆栈式ELM由多个ELM组成。在每个ELM模块中，基于原始特征矩阵，采用ELM方法获得相应的输出，然后根据输出对原始特征矩阵进行随机移位，并使用核函数作为下一个ELM模块的输入，生成新的特征矩阵，以此类推。可以通过使用当前结果对原始特征矩阵进行随机移位并使用核函数对移位后的特征矩阵进行更改来获得新的特征矩阵X2。这样，可以得到特征矩阵Xj+1为

其中G（·）是一个S形函数，投影矩阵W2j∈Rp×D随机抽样在正态分布n（0,1）中，λ是控制随机偏移程度的权重参数。

3.2新方法原理

新方法是基于Stack-ELM方法挖掘历史信道的深层特征，获得网络的初始输出权值，然后利用递推公式更新输出权值，从而实现时变信道的预测。离线培训阶段主要是从历史渠道中提取渠道的深层特征。基于深度特征，通过求解最小二乘问题得到网络的初始输出权值；在在线预测阶段，为了适应信道的变化，新方法首先根据新构建的历史信道样本和初始输出权重更新网络输出权重，然后根据更新后的输出权重获得当前时刻的信道。

3.3仿真与分析

为了验证新方法的性能，本节将对新方法进行模拟和分析。考虑一个OFDMA系统，其中FFT/IFFT长度为128，采用梳状导频结构，导频数为32，导频分布均匀。假设列车移动速度为500km/h，信道模型为多径莱斯信道，信道路径数为5，莱斯因子为5，载波频率考虑2.35GHz和3.5GHz，副载波间隔为15KHz。网络的输入神经元数为D=l0，隐层神经元数为Q=10，输出层神经元数为p=1。在模拟中，初始训练中的样本数为U=2000，自适应更新阶段的样本数为U

T=2000。为了与新方法的性能进行比较，在仿真中给出了文献[1-3]中方法的性能。文献[1]是基于ELM的预测方法，文献[2]是基于堆栈ELM的预测方法，文献[3]是基于OS-ELM的预测方法。

当载波频率为2.35GHz时，新方法和参考文献[2]在不同深度的叠加ELM方法下实现了信道预测的均方误差性能。无论基于何种预测方法，新方法和文献[2]的预测性能都会随着信噪比的增加而变得更好，而增加堆栈深度可以提高信道预测的性能，因为随着堆栈深度的增加，可以更好地从原始数据中提取出更多有用的特征表示。在相同深度的堆栈算法中，新方法的性能优于文献[2]，因为新方法充分利用了新的历史信道数据，实现了预测网络输出权重的实时更新，更接近当时的信道环境。

当载波频率为2.35GHz时，将新方法与现有信道预测方法的均方误差性能进行了比较。文献[2]采用了Deep-ELM模型，有利于提取复杂的数据特征，因此取得了更好的性能。文献[3]采用新的历史信道训练样本，采用递归算法更新网络的输出权值，具有较强的适应性，提高了性能。该方法采用Deep-ELM模型，利用新的历史信道实时更新预测网络的输出权重。它不仅可以从原始数据中提取有用的特征表示，而且可以充分利用历史信道来更新和调整预测网络的输出权重。因此，新方法具有更好的性能。

当载波频率为3.5GHz时，新方法和文献[2]在不同深度的叠加ELM方法下的均方误差性能曲线。

当载波频率为3.5GHz时，将新方法的均方误差性能与现有的信道预测方法进行了比较。由于多普勒频移的增加，各种信道预测方法的性能都会降低，但新方法的性能优于现有方法。

3.4复杂度分析

本节将主要分析新方法和现有的三种信道预测方法的计算复杂性。文献[1]中基于ELM算法的预测方法需要U[（p+D）×Q复数乘法和UQ复数加法，其中D、Q和p分别是网络输入层、隐藏层和输出层使用的神经元数，U代表离线训练样本数。

文献[2]中基于Stack-ELM算法的预测方法需要JU[D×Q+2（P×Q）+p2复数乘法和JU（Q+D）复数加法，其中j表示堆栈的深度。

文献[3]中基于OS-ELM的预测方法需要U[（D+P）×Q+Ut（Q4+Q3+3Q2+D×Q）次复数乘法和UQ+Ut（Q4+Q2+2Q+P)次复数加法），其中UT表示在线更新权重的训练样本数。

新方法需要JU[D×Q+2（P×Q）+p2]+UT（Q4+Q3+3Q2+D×Q]次复数乘法和JU（Q+D+UT（Q4+Q2+2Q+P）次复数乘法乘法。复杂加法。从表中可以看出，新方法的计算复杂度略高于现有信道预测方法，但新方法的预测性能优于现有方法。

结论

本文结合时变信道预测方法的分析和研究，降低信道预测方法的复杂度，固定网络模型，提出了一种新的基于Stack-ELM的时变信道预测方法。该方法基于单隐层神经网络，首先通过叠加ELM提取原始信道的深层特征表示，提高了预测精度。此外，新方法基于历史信道样本和初始输出权重更新网络的输出权重，充分利用历史信道信息，更新和调整预测网络的输出权重，使其更接近当前信道状态，这进一步提高了信道预测的准确性，适用于高速移动场景中获取时变信道信息。

参考文献

[1]HuangGB,ZhuQY,SiewC.K.E×tremelearningmachine:theoryanDapplicationS[J].Neurocomputing,2006,70:489-501.

[2]YuWC,ZhuangFZ,HeQ,etal.LearningDeeprepreSentationSviae×tremelearningmachineS[J].Neurocomputing,2015:308-315.

[3]LiangNY,HuangGB,SaratchanDranP,etal.AfaStanDaccurateonlineSeQuentialearningalgorithmforfeeDforwarDnetworkS[J].IEEETranSactionSonNeuralNetworkS,2006,17(6):1411-1423.