基于GAPSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)無(wú)線信道參數(shù)預(yù)測(cè)

胡喆馨，卜凡亮，丁丹丹

(中國(guó)人民公安大學(xué) 信息網(wǎng)絡(luò)安全學(xué)院，北京 100032)

0 引言

隨著無(wú)線通信技術(shù)日新月異的變化與發(fā)展,信道數(shù)據(jù)在時(shí)間、頻率、場(chǎng)景等多個(gè)維度上不斷擴(kuò)展,呈現(xiàn)出包括大體量(volume)、多樣性(variety)、時(shí)效性(velocity)、準(zhǔn)確性(veracity)和大價(jià)值(value)[1]等大數(shù)據(jù)5V屬性。數(shù)據(jù)的激增現(xiàn)象和信息時(shí)代對(duì)海量快速通信數(shù)據(jù)的交換需求,對(duì)無(wú)線通信系統(tǒng)提出了更高層面的技術(shù)要求,而掌握相應(yīng)環(huán)境下的無(wú)線信道傳播規(guī)律是后續(xù)進(jìn)行精確定位等相關(guān)工作的必要前提[2],其中,準(zhǔn)確掌握無(wú)線信道基本特征信息至關(guān)重要。特別是在復(fù)雜的非視距(Non-Line-of-Sight,NLoS)環(huán)境中,NLoS的影響將給信道參數(shù)的測(cè)量提取帶來(lái)更大的挑戰(zhàn)。隨著無(wú)線通信的發(fā)展,信道特性的描述精確到幅度、延遲、角度域參數(shù)和多普勒等多維特征。信道參數(shù)的提取可以避免直接處理大規(guī)模信道矩陣,能有效提高對(duì)信道性能的評(píng)判[3]。然而傳統(tǒng)的參數(shù)提取方法不能很好地適應(yīng)復(fù)雜場(chǎng)景下信道多變性的特點(diǎn),面對(duì)龐大的信道數(shù)據(jù)量,急需尋找另一種高速、準(zhǔn)確的無(wú)線信道特征參數(shù)提取方法。在5G技術(shù)不斷發(fā)展的今天,如何充分結(jié)合人工智能技術(shù),高效完成復(fù)雜環(huán)境下信道參數(shù)的提取任務(wù),值得不斷研究。

神經(jīng)網(wǎng)絡(luò)擁有良好的學(xué)習(xí)能力,是近年來(lái)人工智能領(lǐng)域中的研究熱點(diǎn),能夠很快地從較有限的數(shù)據(jù)中挖掘出相關(guān)的隱式特征。文獻(xiàn)[4]利用神經(jīng)網(wǎng)絡(luò),使用前饋神經(jīng)網(wǎng)絡(luò)對(duì)MIMO信道進(jìn)行了建模。文獻(xiàn)[5]結(jié)合主成分分析法和基于徑向的神經(jīng)網(wǎng)絡(luò)對(duì)信道特征進(jìn)行分析,訓(xùn)練信道參數(shù)并進(jìn)行較為準(zhǔn)確的預(yù)測(cè),但模型相對(duì)復(fù)雜,且存在不能有效集中地存儲(chǔ)大量數(shù)據(jù)等問(wèn)題。文獻(xiàn)[6]通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練來(lái)獲得接收功率和均方根延遲擴(kuò)展等信道參數(shù)。文獻(xiàn)[7]基于卷積神經(jīng)網(wǎng)絡(luò),通過(guò)發(fā)射機(jī)和接收機(jī)的坐標(biāo)輸出信道的參數(shù)和接收功率、方位角和延遲。文獻(xiàn)[8]通過(guò)建立基于自適應(yīng)粒子群優(yōu)化(Particle Swarm Optimization, PSO)的RBF神經(jīng)網(wǎng)絡(luò)信道參數(shù)預(yù)測(cè)模型,對(duì)部分信道參數(shù)進(jìn)行了學(xué)習(xí)和預(yù)測(cè)并取得了較好的結(jié)果,雖然這些研究的重點(diǎn)是利用神經(jīng)網(wǎng)絡(luò)的方法來(lái)解決無(wú)線信道參數(shù)上的問(wèn)題,但在預(yù)測(cè)準(zhǔn)確度方面仍有很大提升空間。文獻(xiàn)[9]基于BP神經(jīng)網(wǎng)絡(luò)建立OFDM系統(tǒng)信道估計(jì)模型,對(duì)估計(jì)性能進(jìn)行整體的分析比較,但缺少針對(duì)具體參數(shù)的分析。

本文將遺傳算法(Genetic Algorithm,GA)與PSO算法相結(jié)合,利用GA在搜索最優(yōu)解方面的優(yōu)勢(shì)與PSO算法加快收斂的特點(diǎn),創(chuàng)造性地以通過(guò)比較適應(yīng)度值的方式擇優(yōu)選擇種群對(duì)信道參數(shù)的高效精確提取展開(kāi)了研究。首先,利用了5G仿真平臺(tái)QuaDriGa來(lái)實(shí)現(xiàn)信道仿真,利用空間交替的廣義期望最大化(Space Alternating Generalized Expectation Maximization,SAGE)算法對(duì)得到的信道沖激響應(yīng)(Channel Impulse Response,CIR)提取出延遲擴(kuò)展、到達(dá)/離開(kāi)方位角和到達(dá)/離開(kāi)俯仰角等信道特征參數(shù)。再將得到的信道特征矩陣輸入到經(jīng)聯(lián)合算法優(yōu)化后的反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)即GAPSO-BPNN模型之中進(jìn)行訓(xùn)練。最終將驗(yàn)證結(jié)果與空間交替廣義期望最大化算法的提取結(jié)果以及BPNN的預(yù)測(cè)效果進(jìn)行比較,驗(yàn)證了優(yōu)化算法在NLoS環(huán)境下信道參數(shù)預(yù)測(cè)的優(yōu)越性。

1 信道仿真與數(shù)據(jù)生成

1.1 準(zhǔn)確定性無(wú)線信道生成器

QuaDRiGa仿真平臺(tái)的開(kāi)發(fā)是為了實(shí)現(xiàn)針對(duì)特定網(wǎng)絡(luò)配置的無(wú)線電信道的建模,該平臺(tái)支持具有多個(gè)發(fā)射器和接收器且可自由配置的網(wǎng)絡(luò)布局,支持450 MHz～100 GHz。不同于經(jīng)典的射線追蹤方法,該平臺(tái)并沒(méi)有使用環(huán)境的精確幾何表示,而是隨機(jī)分布散射簇的位置,通過(guò)這些散射簇的統(tǒng)計(jì)特征來(lái)仿真特定場(chǎng)景的信道,兼具確定和統(tǒng)計(jì)建模的特征。QuaDriGa仿真平臺(tái)主要有6種仿真模型,可針對(duì)25種不同的場(chǎng)景進(jìn)行模擬[10]。國(guó)內(nèi)外的一些大學(xué)、研究所先后對(duì)QuaDriGa平臺(tái)進(jìn)行了研究驗(yàn)證[11-13],結(jié)果均展現(xiàn)出該平臺(tái)進(jìn)行信道模擬的有效性與準(zhǔn)確性。本文采用Matlab進(jìn)行模擬仿真,生成NLoS環(huán)境下的信道場(chǎng)景。

1.2 空間交替廣義期望最大化算法

信道參數(shù)估計(jì)指從接收的信號(hào)數(shù)據(jù)中將信道模型中的相關(guān)信道參數(shù)提取出來(lái)以表征無(wú)線信道特性的過(guò)程。多徑時(shí)延、角度域參數(shù)等都是描述無(wú)線信道統(tǒng)計(jì)特性的參數(shù),對(duì)它們的準(zhǔn)確提取能有效提高對(duì)信道性能的評(píng)判。傳統(tǒng)的信道參數(shù)估計(jì)方法主要包括波束成形法、子空間法和確定參數(shù)估計(jì)算法。其中,SAGE算法是確定參數(shù)估計(jì)算法中的典型算法之一,能應(yīng)用于多種復(fù)雜場(chǎng)景,該算法簡(jiǎn)化了復(fù)雜的多維優(yōu)化問(wèn)題,算法復(fù)雜度低、收斂速度快,相較于其他算法具有明顯優(yōu)勢(shì),因此應(yīng)用十分廣泛[14-15]。

利用SAGE算法對(duì)由QuaDriGa仿真平臺(tái)生成的CIR進(jìn)行處理。假設(shè)一個(gè)完整且獨(dú)立的信號(hào)數(shù)據(jù)集Xl(f),l=1,2,3,…,估計(jì)參數(shù)矩陣θl的對(duì)數(shù)似然函數(shù)為:

(1)

式中:SH(f′;θl)是第l路徑上的傳輸信號(hào),發(fā)送信號(hào)和噪聲信號(hào)共同構(gòu)成第l路徑上的信號(hào)。θl的最大似然估計(jì)為:

(2)

(3)

在SAGE的算法框架當(dāng)中,往往通過(guò)進(jìn)一步分解優(yōu)化的過(guò)程來(lái)降低額外的復(fù)雜度。將原始的參數(shù)矩陣記為θl=[tl,φl(shuí),αAOA,l,αAOD,l,φEOA,l,φEOD,l],其中,t表示時(shí)延,φ表示復(fù)振幅,αAOA與αAOD為水平方向上的到達(dá)角與離開(kāi)角,φEOA與φEOD為垂直方向上的到達(dá)角與離開(kāi)角。將該矩陣分為若干個(gè)子集,在每次迭代的過(guò)程中保持多數(shù)子集不變,只對(duì)部分子集進(jìn)行更新,將每個(gè)子集的參數(shù)通過(guò)最大似然法進(jìn)行估計(jì),通過(guò)不斷迭代得到最終所需的估計(jì)參數(shù)矩陣θl:

(4)

(5)

2 基于GAPSO-BPNN的信道參數(shù)預(yù)測(cè)

2.1 BPNN

BPNN結(jié)構(gòu)由輸入層、隱含層和輸出層組成,作為神經(jīng)網(wǎng)絡(luò)中最經(jīng)典的模型之一,有著廣泛的應(yīng)用場(chǎng)景。將神經(jīng)網(wǎng)絡(luò)運(yùn)用于無(wú)線信道領(lǐng)域來(lái)解決信道參數(shù)提取的問(wèn)題,可以更好地應(yīng)對(duì)龐大多變的信道數(shù)據(jù)量,充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。BPNN通用模型如圖1所示。

圖1 BPNN通用模型Fig.1 General model of BPNN

(6)

本文隱含層使用的激活函數(shù)為tansig,輸出層的激活函數(shù)為purelin。雙曲正切函數(shù)tansig的輸入可以取任意值,輸出值為-1～1;purelin為線性函數(shù),輸入與輸出可取到任意值。記訓(xùn)練次數(shù)為t,誤差函數(shù)為η(t),則網(wǎng)絡(luò)權(quán)值矩陣w(t)與網(wǎng)絡(luò)閾值矩陣b(t)的更新過(guò)程表示為:

(7)

(8)

式中:λ表示步長(zhǎng)因子。通過(guò)將輸出的誤差按照從輸出層到隱含層再到輸入層的方向進(jìn)行反向傳遞,來(lái)調(diào)整輸出值與期望值之間的差距,將誤差分?jǐn)偨o各個(gè)層里的單元。調(diào)整各個(gè)單元權(quán)值的依據(jù)是各層的誤差情況,通過(guò)更新權(quán)值和閾值的方式來(lái)使誤差沿著梯度方向不斷下降。

2.2 遺傳優(yōu)化算法

在訓(xùn)練和學(xué)習(xí)的過(guò)程中,單純的BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值,存在收斂較為緩慢等問(wèn)題[16]。GA作為一種模擬自然環(huán)境中生物體遺傳和進(jìn)化過(guò)程的自適應(yīng)全局優(yōu)化算法,具備與問(wèn)題領(lǐng)域無(wú)關(guān)、并行潛質(zhì)、搜索過(guò)程簡(jiǎn)單以及能與其他算法結(jié)合的可擴(kuò)展性等優(yōu)點(diǎn)[17],能夠更好地解決非線性和多目標(biāo)函數(shù)優(yōu)化問(wèn)題,在尋找最優(yōu)解方面具有很大的優(yōu)勢(shì)。

在神經(jīng)網(wǎng)絡(luò)當(dāng)中,權(quán)值w和閾值b是其主要的模型參數(shù),對(duì)模型訓(xùn)練的有效性有著重要的作用。利用GA對(duì)BPNN的優(yōu)化過(guò)程主要是基于建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),利用GA來(lái)不斷優(yōu)化權(quán)值和分配閾值,最后再利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型,即GAPSO-BPNN模型進(jìn)行信道參數(shù)的預(yù)測(cè)。GA的實(shí)現(xiàn)主要包括選擇、交叉、變異等關(guān)鍵操作,其中選擇操作以及交叉操作主要用于對(duì)空間中的最優(yōu)解進(jìn)行搜索,而變異操作則能較好地解決易陷入局部最小值等問(wèn)題[18],因此GA能夠優(yōu)化神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能。

2.3 PSO算法

PSO算法利用個(gè)體之間的信息交互對(duì)搜索過(guò)程進(jìn)行不斷優(yōu)化,具有擬合精度較高、識(shí)別時(shí)間更短的優(yōu)勢(shì)。

若粒子在N維空間中搜索最優(yōu)解,記錄空間中每個(gè)粒子的位置與速度,通過(guò)個(gè)體和種群的最優(yōu)值不斷迭代更新自身的位置與速度。通過(guò)慣性權(quán)重取值的大小來(lái)尋求全局搜索能力、解的精度與收斂速度之間的平衡。利用動(dòng)態(tài)取值法來(lái)獲取較快的收斂速度與較為精確的解:

(9)

式中:ω為慣性權(quán)重,k為迭代次數(shù)。

2.4 GAPSO-BPNN算法實(shí)現(xiàn)

由于GA全局搜索能力更強(qiáng)但過(guò)程相對(duì)復(fù)雜,而PSO算法操作過(guò)程相對(duì)簡(jiǎn)單且收斂速度更快,因此提出經(jīng)改進(jìn)的GAPSO算法優(yōu)化的BPNN信道參數(shù)提取算法,即GAPSO-BPNN模型,將二者通過(guò)比較適應(yīng)度值的方式擇優(yōu)選擇種群來(lái)實(shí)現(xiàn)算法的優(yōu)化,并將其運(yùn)用于神經(jīng)網(wǎng)絡(luò)信道參數(shù)的預(yù)測(cè),以處理復(fù)雜NLoS環(huán)境下信道參數(shù)高效準(zhǔn)確的預(yù)測(cè)問(wèn)題。其主要思想是通過(guò)比較所有種群中的粒子經(jīng)2種算法的更新機(jī)制優(yōu)化后的適應(yīng)度值來(lái)?yè)駜?yōu)選擇種群,并與原父輩種群進(jìn)行對(duì)比,挑選最優(yōu)種群進(jìn)行下一次迭代更新,反復(fù)迭代選擇直至滿(mǎn)足適應(yīng)度條件時(shí)結(jié)束,并將優(yōu)化后的結(jié)果作為神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值。GAPSO-BPNN模型預(yù)測(cè)信道參數(shù)的主要流程步驟如下:

① 模型搭建與數(shù)據(jù)初始化

利用SAGE算法對(duì)由QuaDriGa平臺(tái)仿真得到的NLoS環(huán)境下CIR提取出的延遲擴(kuò)展、到達(dá)/離開(kāi)方位角和到達(dá)/離開(kāi)俯仰角等信道特征參數(shù),作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集;構(gòu)建神經(jīng)網(wǎng)絡(luò)并對(duì)其權(quán)值與閾值初始化。

② 算法優(yōu)化與選擇

初始化種群,將期望的結(jié)果與實(shí)際結(jié)果間的誤差絕對(duì)值作為個(gè)體的適應(yīng)度值M:

(10)

式中:I為神經(jīng)網(wǎng)絡(luò)的總結(jié)點(diǎn)數(shù),di、pi分別為第i個(gè)節(jié)點(diǎn)的期望輸出與實(shí)際輸出,k為系數(shù)。

針對(duì)GA,將適應(yīng)度更好的個(gè)體組成新的種群,選擇算子的公式為:

(11)

(12)

式中:L為種群中個(gè)體總數(shù)。隨機(jī)在種群中選擇2個(gè)個(gè)體以一定概率進(jìn)行交叉操作,并在種群中選擇一個(gè)個(gè)體以一定概率進(jìn)行變異操作,得到新的種群與適應(yīng)度值M1。

針對(duì)PSO算法,種群中的個(gè)體不斷更新優(yōu)化自身的位置n和速度v,更新方式為:

vt+1=ωvt+c1r1(gt-nt)+c2r2(ht-nt),

(13)

nt+1=nt+vt+1,

(14)

式中:t為迭代次數(shù),g、h分別為個(gè)體最優(yōu)值與群體最優(yōu)值,c1、c2為學(xué)習(xí)因子,r1、r2為隨機(jī)值,一般取值為0～1。通過(guò)迭代更新得到最優(yōu)種群與適應(yīng)值M2。

比較適應(yīng)度值M1與M2,擇優(yōu)選擇種群并驗(yàn)證是否滿(mǎn)足條件,若不滿(mǎn)足則將該種群作為新的父輩種群開(kāi)啟下一輪迭代更新。

③ 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

將獲得的最優(yōu)權(quán)值與閾值帶入神經(jīng)網(wǎng)絡(luò)進(jìn)行信道參數(shù)預(yù)測(cè),計(jì)算誤差并調(diào)整各層參數(shù),重復(fù)此過(guò)程直至滿(mǎn)足條件得到最終的預(yù)測(cè)結(jié)果。

GAPSO-BPNN模型預(yù)測(cè)信道參數(shù)的簡(jiǎn)要流程如圖3所示。

圖2 GAPSO-BPNN算法流程Fig.2 Flowchart of GAPSO-BPNN algorithm

3 結(jié)果仿真與分析

3.1 仿真過(guò)程及參數(shù)設(shè)置

利用QuaDriGa仿真平臺(tái)生成室內(nèi)NLoS環(huán)境下的CIR,采用前文的SAGE算法提取延遲擴(kuò)展、到達(dá)角、出發(fā)角和仰角等信道參數(shù),獲得用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集。利用BP神經(jīng)網(wǎng)絡(luò)對(duì)提取的信道參數(shù)進(jìn)行重復(fù)訓(xùn)練。QuaDriGa仿真中的相關(guān)參數(shù)設(shè)置如表1所示。

表1 QuaDriGa仿真參數(shù)

利用SAGE算法提取該仿真的無(wú)線信道中時(shí)延擴(kuò)展和角度域的相關(guān)參數(shù),作為訓(xùn)練GAPSO-BPNN的數(shù)據(jù)集,其中訓(xùn)練集占80%,測(cè)試集和驗(yàn)證集分別占10%。由于當(dāng)隱含層過(guò)多時(shí),可能會(huì)發(fā)生梯度消失或彌散等現(xiàn)象,因此本文采用3層神經(jīng)網(wǎng)絡(luò)模型,并將隱含層的層數(shù)設(shè)置為1層,當(dāng)達(dá)到設(shè)定的迭代次數(shù)或者滿(mǎn)足設(shè)定的誤差閾值時(shí)停止訓(xùn)練。利用Matlab進(jìn)行GAPSO-BPNN模型的訓(xùn)練,具體的參數(shù)設(shè)置如表2所示。

表2 GAPSO-BPNN模型參數(shù)

3.2 仿真結(jié)果分析

圖3展示了在室內(nèi)NLoS環(huán)境下GAPSO-BPNN模型所預(yù)測(cè)的方位角、俯仰角等角度域參數(shù)以及時(shí)延擴(kuò)展和傳統(tǒng)SAGE算法提取參數(shù)的對(duì)比效果。橫軸表示接收端從起始點(diǎn)開(kāi)始連續(xù)運(yùn)動(dòng)50 m,縱軸表示角度。圖3(a)和圖3(b)分別是GAPSO-BPNN模型預(yù)測(cè)的水平維度的到達(dá)方位角(Azimuth of Arrival,AOA)、離開(kāi)方位角(Azimuth of Departure,AOD)和SAGE算法提取值的對(duì)比情況。

(a)AOA

(b)AOD

水平維度的方位角隨著收發(fā)機(jī)之間的距離增大而在0°～180°變化,反映出NLoS狀態(tài)下的隨機(jī)性?？梢杂?jì)算得到,經(jīng)GA優(yōu)化后的BPNN,即GAPSO-BPNN模型的預(yù)測(cè)參數(shù)值與實(shí)際仿真值之間的AOA、AOD的最大均方根誤差分別為2.45°、3.56°,與水平維度角度擴(kuò)展幅度相比很小,能夠較為精確地對(duì)水平維度的角度域參數(shù)進(jìn)行預(yù)測(cè),且明顯優(yōu)于未經(jīng)優(yōu)化的傳統(tǒng)BPNN以及GA、PSO算法單獨(dú)優(yōu)化的預(yù)測(cè)結(jié)果,平均誤差與傳統(tǒng)BPNN相比降低了約1.79倍。

圖4展示了垂直維度的到達(dá)俯仰角(Elevation of Arrival,EOA)與離開(kāi)俯仰角(Elevation of Departure,EOD)的預(yù)測(cè)情況。

(a)EOA

(b)EOD

由圖4可以看出,垂直維度的角度域參數(shù)隨著收發(fā)機(jī)距離的增大而減小,且清晰地展現(xiàn)出了GAPSO-BPNN模型的預(yù)測(cè)的優(yōu)越性。經(jīng)GAPSO后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的參數(shù)值與實(shí)際仿真值之間的EOA的最大均方根誤差為0.92°,EOD的最大均方根誤差為0.74°,與垂直方向上的角度擴(kuò)展10°～24°相比誤差很小,且誤差值明顯小于傳統(tǒng)的BPNN對(duì)信道參數(shù)的預(yù)測(cè),更貼近實(shí)際值,進(jìn)一步提高了參數(shù)預(yù)測(cè)的準(zhǔn)確度與在復(fù)雜NLoS環(huán)境下預(yù)測(cè)的魯棒性,能夠很好地對(duì)所提取的參數(shù)進(jìn)行預(yù)測(cè)。

圖5顯示了GAPSO-BPNN模型預(yù)測(cè)的時(shí)延擴(kuò)展參數(shù)、BPNN模型預(yù)測(cè)的時(shí)延擴(kuò)展參數(shù)與SAGE算法的提取值的對(duì)比結(jié)果,可以直觀地看到GAPSO-BPNN具有更好的預(yù)測(cè)效果,更加貼近原始參數(shù)。GAPSO-BPNN模型預(yù)測(cè)值與提取值之間時(shí)延擴(kuò)展的最大均方根誤差為0.47,明顯小于未經(jīng)優(yōu)化的BPNN模型的預(yù)測(cè)誤差0.69,同時(shí)也優(yōu)于經(jīng)GA優(yōu)化的預(yù)測(cè)誤差0.58以及經(jīng)PSO算法優(yōu)化的0.61。即經(jīng)過(guò)GAPSO優(yōu)化后的BPNN模型可以更好地?cái)M合實(shí)際值,對(duì)NLoS環(huán)境下的信道參數(shù)預(yù)測(cè)效果較好。

圖5 時(shí)延擴(kuò)展Fig.5 Delay spread

表3展示了優(yōu)化前后神經(jīng)網(wǎng)絡(luò)對(duì)信道參數(shù)預(yù)測(cè)耗時(shí)相對(duì)于BPNN算法耗時(shí)提高的程度。

信號(hào)傳播多徑的特點(diǎn)與龐大的數(shù)據(jù)集對(duì)參數(shù)預(yù)測(cè)的高效性提出了挑戰(zhàn)。從表3中可以看出,在2種NLoS的環(huán)境下,GAPSO-BPNN模型的算法仿真時(shí)間優(yōu)于未經(jīng)優(yōu)化的BPNN模型,體現(xiàn)了GAPSO優(yōu)化后預(yù)測(cè)時(shí)間上的優(yōu)越性。

可以看到,GAPSO-BPNN模型不僅具有更好的泛化性能與預(yù)測(cè)精度,同時(shí)縮短了預(yù)測(cè)時(shí)間,充分結(jié)合了GA在搜索最優(yōu)解的優(yōu)勢(shì)與PSO算法加快收斂的特點(diǎn),提高了算法的精確度并縮短了運(yùn)行時(shí)間。因此,基于GAPSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型可以替代傳統(tǒng)的SAGE算法來(lái)提取信道參數(shù),進(jìn)行復(fù)雜多變場(chǎng)景下的信道參數(shù)預(yù)測(cè)。

4 結(jié)束語(yǔ)

為進(jìn)一步高效、準(zhǔn)確地掌握復(fù)雜場(chǎng)景下無(wú)線信道的基本特征信息,本文研究了基于QuaDriGa平臺(tái)的GAPSO-BPNN模型在信道參數(shù)提取中的應(yīng)用。依靠QuaDriGa仿真平臺(tái)生成復(fù)雜的NLoS場(chǎng)景下的信道脈沖響應(yīng),利用SAGE算法提取角度域和時(shí)延擴(kuò)展等相關(guān)參數(shù),并將數(shù)據(jù)用于提出的GAPSO-BPNN模型的訓(xùn)練。仿真結(jié)果表明,GAPSO-BPNN模型的預(yù)測(cè)結(jié)果與SAGE算法的參數(shù)提取值差異很小,且明顯優(yōu)于未經(jīng)優(yōu)化及單一算法優(yōu)化的BPNN預(yù)測(cè)效果,其普適性和靈活性可以與實(shí)際測(cè)量環(huán)境相匹配,有望彌補(bǔ)現(xiàn)有的建模方法和參數(shù)提取方法上存在的不足,替代傳統(tǒng)的SAGE算法來(lái)提取信道參數(shù),進(jìn)行復(fù)雜多變場(chǎng)景下的信道參數(shù)預(yù)測(cè)。

未來(lái)將對(duì)多種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果展開(kāi)研究,同時(shí)對(duì)更多種帶寬場(chǎng)景展開(kāi)討論,以尋求不同條件下無(wú)線信道參數(shù)預(yù)測(cè)的最優(yōu)解,來(lái)更好地滿(mǎn)足當(dāng)下無(wú)線通信系統(tǒng)復(fù)雜多變的需求。