神经网络应用于基于导频的OFDMA信道预测技术研究

摘要

LTE无线通信系统的下行链路采用正交频分多址(OFDMA)技术,通过基于动态比特分配的链路自适应技术最大化实现信道容量。实现链路自适应的前提是系统已知当前的信道状态,但采用信道估计算法得到的信道状态存在反馈延时误差,在信道时变很快的情况下,反馈延时误差会非常显著。
　　 信道预测技术通过预测算法预知将来某时刻的信道状态,从而减少反馈延时误差带来的影响。神经网络可以应用于信道状态预测,可以为链路自适应算法提供比较准确的信道状态预测信息。
　　 本文应用神经网络算法对LTE OFDMA信道进行基于导频的信道状态预测,提出了一种基于神经网络的信道状态预测模型:对于OFDMA信道的导频所在的每个子载波,将接收到的历史导频位置信道状态信息输入神经网络来预测将来某时刻导频位置的信道状态信息,通过统计过去一段时间的导频信道状态信息的平均值和平均预测误差来调整预测模型最终的输出。在本文预测模型中,神经网络算法选取了LM网络算法和RBF网络算法。
　　 本文采用下面的仿真方法验证该预测模型的预测准确度:在接收端,把该预测模型的输出在延时相应预测步长后作为信道估计算法的输入进行链路级仿真,得出系统的链路误码率和误块率,并把该结果与直接采用信道估计算法得到的链路误码率和误块率相比较,来验证导频位置信道状态预测结果的逼近程度。仿真结果表明,本论文提出的预测模型,在一定的预测步长内,得出的导频状态信息能够很好地逼近实际导频状态信息；通过链路仿真得到的链路误码率和误块率与直接进行信道估计得到的链路误码率和误块率相差比较小；另外,当采用不同的神经网络算法时,所需要的神经网络神经元数目、训练时间和预测时间不尽相同,所得到地链路性能仿真结果也有一定的差别,在实际应用过程中需要综合考虑资源消耗、信号处理时间长短和预测性能来选择合适的神经网络模型和算法。

目录

文摘

英文文摘

1 引言

1.1 LTE简介

1.2 信道预测的意义和现状

1.3 本论文研究内容及安排

2 LTE物理层下行OFDMA技术

2.1 OFDM原理

2.2 LTE下行时隙结构和物理资源划分

2.3 LTE下行参考信号

2.4 下行信道状态信息反馈

3 基于导频的OFDMA信道估计算法与分析

3.1 OFDM信道估计

3.2 OFDM信道估计算法

3.3 基于内插的信道估计算法

3.4 信道估计性能分析

4 神经网络应用于基于导频的LTE OFMDA信道预测技术研究

4.1 神经网络模型和学习算法介绍

4.2 神经网络应用于基于导频的OFMDA信道预测算法与分析

4.3 小结

5 结语

参考文献

致谢