5G移動通信系統(tǒng)性能分析與預(yù)測方法研究

周新鵬,徐凌偉,2

(1.青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島 266061；2.蘭州交通大學(xué) 光電技術(shù)與智能控制教育部重點實驗室，甘肅 蘭州 730070)

0 引言

近年來,物聯(lián)網(wǎng)、人工智能等新一代信息技術(shù)已成為支撐國家“互聯(lián)網(wǎng)+”戰(zhàn)略的支柱性產(chǎn)業(yè),第五代(5G)移動通信技術(shù)受到了廣泛的關(guān)注[1]。2019年2月，第33屆世界移動通信大會在西班牙巴塞羅那舉行，5G、人工智能成為了本屆大會的最大亮點，華為、中興等中國各廠商都在會上發(fā)布了5G物聯(lián)網(wǎng)相關(guān)產(chǎn)品，中國技術(shù)吸引了全世界的眼球[2]。隨著5G技術(shù)的發(fā)展，移動用戶數(shù)量逐年增加，用戶服務(wù)質(zhì)量不斷提高。5G移動通信面臨著諸多技術(shù)挑戰(zhàn)[3]。

為了提高5G移動通信的通信質(zhì)量,大規(guī)模多發(fā)多收(multiple input multiple output,MIMO)技術(shù)得到了廣泛研究[4-6]。東南大學(xué)的洪偉等人討論了MIMO和毫米波技術(shù)在5G中的應(yīng)用及核心作用[7]。針對MIMO短包傳輸問題,華北電力大學(xué)的鮑慧等人提出一種交替迭代算法優(yōu)化功率分配[8]。楊貴德等人基于虛擬信道，分析了空時優(yōu)化MIMO系統(tǒng)的誤碼率性能[9]?；趲缀坞S機散射理論,北京交通大學(xué)的陶成等人提出了一種高速鐵路協(xié)作MIMO信道模型,提高了系統(tǒng)容量[10]。針對物理層安全問題，Zhangyu Li等人采用混合聲學(xué)和磁感應(yīng)強度技術(shù),分析了水下協(xié)作MIMO通信系統(tǒng)的性能[11]。

目前,在教育、交通、醫(yī)療等應(yīng)用領(lǐng)域,以機器學(xué)習(xí)為代表的新一代人工智能技術(shù)已得到了廣泛應(yīng)用[12]。南京郵電大學(xué)的桂冠教授團隊研究了基于機器學(xué)習(xí)的物理層無線通信技術(shù)[13]。河南大學(xué)的周毅教授團隊研究了基于深度強化學(xué)習(xí)提出了復(fù)雜動態(tài)場景下無人機自主部署和能效優(yōu)化策略[14]。但是,移動通信環(huán)境復(fù)雜多變,機器學(xué)習(xí)在無線通信的研究還處于早期探索階段[15]。復(fù)雜多變的移動通信環(huán)境給智能移動通信帶來了巨大挑戰(zhàn)。

為了實現(xiàn)復(fù)雜通信環(huán)境下智能移動通信的增強，對移動通信系統(tǒng)的性能進行分析和預(yù)測是非常重要的。因此,本文研究了移動通信系統(tǒng)平均符號誤碼率(average symbol error probability,ASEP)性能的分析與預(yù)測。首先,在2-Rayleigh信道下,利用多天線通信技術(shù),建立了移動通信系統(tǒng)模型。然后分析了移動通信系統(tǒng)的ASEP性能,推導(dǎo)了系統(tǒng)ASEP性能的閉合表達式。最后,基于廣義回歸(generalized regression,GR)神經(jīng)網(wǎng)絡(luò),提出了一種ASEP性能智能預(yù)測方法。和徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò),極限學(xué)習(xí)機(extreme learning machine，ELM),小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network，WNN)等方法進行了比較，仿真結(jié)果表明:本文所提出的預(yù)測算法性能更好,預(yù)測精度提高了24.3%。

1 系統(tǒng)模型

在本文中,移動通信系統(tǒng)包括一個移動信源(MS)和一個移動目的端(MD)。通信信道是2-Rayleigh信道[16]。MS有1根發(fā)射天線,MD有L根接收天線。

在接收端,對于第i個接收天線,其接收信號為

yi=his+n，

(1)

其中hi表示第i個接收天線的信道增益，s表示發(fā)射信號,n為加性復(fù)高斯噪聲。ES表示系統(tǒng)的發(fā)射功率，N0表示n的功率譜密度，所以其瞬時接收信噪比為

(2)

平均接收信噪比為

(3)

(4)

其中K0()表示0階第2類修正貝塞爾函數(shù)。

(5)

其中K1()表示1階第二類修正貝塞爾函數(shù)。

當(dāng)移動通信系統(tǒng)的接收機采用選擇合并接收時，接收端的瞬時信噪比SC為[17]

γSC=max(γ1,γ2,…,γL)，

(6)

這里假設(shè)所有信道是獨立同分布的,其平均接收信噪比為

(7)

γSC的概率密度函數(shù)推導(dǎo)為

(8)

累計分布函數(shù)表示為

(9)

2 ASEP性能分析

脈沖幅度調(diào)制(PAM)的誤碼率表示為[18]

(10)

其中q表示PAM調(diào)制的階數(shù)。

定理1系統(tǒng)的ASEP表示為

(11)

證明系統(tǒng)的ASEP計算為

(12)

I1表示為

(13)

同理，I2表示為

(14)

3 ASEP性能的智能預(yù)測

3.1 數(shù)據(jù)集

X=(x1,x2,…,x5)，

(15)

然后利用X，通過公式(11)就計算得到了輸出y。

本文選取了P個訓(xùn)練樣本(Xi,yi),i=1,2,…,P，來訓(xùn)練GR神經(jīng)網(wǎng)絡(luò)。

3.2 GR神經(jīng)網(wǎng)絡(luò)

GR神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示[19]。對于模式層的第i個神經(jīng)元,其輸出為

(16)

σ為擴展因子。

對于求和層的S和D神經(jīng)元,其輸出分別為

(17)

(18)

GR神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出為

(19)

圖1 GR 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2 預(yù)測算法流程圖

3.3 評價準則

本文使用均方誤差(Mean Squared Error，MSE)來評價不同算法的預(yù)測性能。MSE表示為

(20)

其中PP是測試集的數(shù)目,dz表示理想的ASEP。

3.4 算法流程

圖3 不同信道下的ASEP性能

算法流程如圖2所示。首先,初始化GR神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),調(diào)整擴展因子σ。然后,對數(shù)據(jù)進行歸一化,輸入到GR神經(jīng)網(wǎng)絡(luò),得到預(yù)測ASEP。利用理想ASEP,計算MSE。如果MSE滿足精度要求,就可以獲得最佳的MSE；如果不滿足精度要求,重復(fù)上述過程,直至滿足精度要求。最后,得到最佳的GR神經(jīng)網(wǎng)絡(luò),用來進行ASEP性能的預(yù)測。

5 數(shù)值仿真

這里定義E=1,每次仿真參數(shù)設(shè)定為10000次。

在圖3中,針對不同的信道,即Rayleigh和2-Rayleigh，研究了系統(tǒng)的ASEP性能。從圖3可以看出,Monte-Carlo仿真值非常吻合理論值,這驗證了推導(dǎo)的理論閉合表達式的正確性。隨著信噪比的增加，ASEP性能是不斷改善的。在相同的信噪比時，2-Rayleigh信道的ASEP性能要比Rayleigh信道的ASEP性能差。這是因為，2-Rayleigh信道的衰弱程度要大于Rayleigh信道。

表2 仿真系數(shù)

在圖4-7中,比較了RBF[20]，WNN[21]，ELM[22]和GR神經(jīng)網(wǎng)絡(luò)四種算法的預(yù)測效果。使用了800組數(shù)據(jù)用來訓(xùn)練,50組用來測試。仿真系數(shù)如表2所示。在圖4- 7中，GR神經(jīng)網(wǎng)絡(luò)的MSE是0.00000384,比其他3種算法都要小，這也說明本文使用的GR神經(jīng)網(wǎng)絡(luò)算法獲得了更好的預(yù)測效果,預(yù)測精度提高了24.3%。GR神經(jīng)網(wǎng)絡(luò)以徑向基網(wǎng)絡(luò)為基礎(chǔ)，具有良好的非線性逼近性能，收斂速度快，運行時間也很少。

圖4 GR神經(jīng)網(wǎng)絡(luò)的預(yù)測效果

圖5 RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測效果

圖6 ELM的預(yù)測效果

圖7 WNN的預(yù)測效果

6 結(jié)論

針對復(fù)雜多變的通信環(huán)境,本文研究了移動通信系統(tǒng)ASEP性能的分析與預(yù)測。首先,采用PAM調(diào)制,推導(dǎo)了ASEP的閉合表達式。然后利用分析結(jié)果，建立數(shù)據(jù)集，提出了基于GR神經(jīng)網(wǎng)絡(luò)的ASEP性能智能預(yù)測方法。仿真結(jié)果表明,在復(fù)雜的通信環(huán)境下,和ELM，WNN和RBF算法相比,本文提出的算法具有更好的ASEP性能預(yù)測效果,預(yù)測精度提高了24.3%。