1.一种联合深度学习与基扩展模型的信道预测方法,其特征在于,包括以下步骤:步骤1,根据历史时刻的信道信息来获取信道的相关矩阵;
步骤2,对信道相关矩阵进行特征值分解,获得最优基函数;
步骤3,基于最优基函数,利用基扩展模型对信道进行建模;
步骤4,基于历史接收的导频信号与步骤2获得的最优基函数,获取历史信道的基系数估计值;
步骤5,根据历史基系数估计值构建训练样本集;
步骤6,基于随机初始化的网络参数,利用训练样本集对BP神经网络进行训练;
步骤7,获得具有最优权重和阈值参数的信道预测模型;
步骤8,基于步骤7获得的信道预测网络模型进行线上预测;
步骤9,根据推导的基系数与频域信道的转换公式,获得频域信道矩阵。
2.根据权利要求1所述的一种联合深度学习与基扩展模型的信道预测方法,其特征在于,所述步骤1的具体内容如下:根据历史时刻的信道信息来获取信道的相关矩阵为式中,Hm=[H1,m,...Hk,m,...,HK,m],其中Hk,m是对接收的导频信号采用最小二乘估计和线性插值得到的第m个符号第k个子载波的频域信道系数,N是OFDM符号的长度。
3.根据权利要求2所述的一种联合深度学习与基扩展模型的信道预测方法,其特征在于,所述步骤2的具体内容如下:对信道相关矩阵进行特征值分解,获得最优基函数Bm=Um(:,1:Q)
式中,Um为从大到小顺序排列的特征值对应的特征向量矩阵,Um(:,1:Q)是Um的前Q列组成的向量,Q是基函数的个数。
4.根据权利要求3所述的一种联合深度学习与基扩展模型的信道预测方法,其特征在于,所述步骤5的具体内容如下:根据历史基系数估计值构建训练样本集,即式中,J表示训练样本数, 表示D维实数集, 表示A维实数集, 表示由第m个时刻的基系数估计构造的第j个输入样本, 表示第(m+1)个时刻理想基系数构造的第j个输出样本,其可以表示为
式中, 为将复数转换为实数的操作,即 其中Re(·)和Im(·)分别为取实部和虚部操作, 是第(m+1)个时刻理想基系数组成的第j个样本,是第m个时刻的基系数估计组成的第j个样本,即式中, 表示l径第m个时刻上第q个基函数所对应的基系数。
5.根据权利要求4所述的一种联合深度学习与基扩展模型的信道预测方法,其特征在于,所述步骤8的具体内容如下:基于步骤7获得的信道预测网络模型进行线上预测,将第m个时刻的基系数估计值xm送入网络,然后利用网络的非线性函数Ψ(·),可得到第(m+1)个时刻的基系数预测值具体表示为
式中, 为将实数转化为复数的操作。
6.根据权利要求5所述的一种联合深度学习与基扩展模型的信道预测方法,其特征在于,所述步骤9的具体内容如下:根据推导的基系数与频域信道的转换公式,获得频域信道矩阵 具体表示为式中,