信道预测方法和设备的利记博彩app
【专利摘要】本发明公开一种包含时变无线信道的通信网络中的信道预测方法和设备。信道预测方法包括：确定预测策略；按照预测策略，从分别对应于时域中的一个符号的候选信道样本中，选择一定数目的信道样本；按照预测策略和时变无线信道的统计性质，确定预测权重；和用确定的预测权重，对选择的信道样本加权，以获得作为预测结果的预测信道样本。
【专利说明】信道预测方法和设备
【技术领域】
[0001] 本发明涉及通信技术，更具体地，涉及通信网络中的信道预测方法和设备。
【背景技术】
[0002] 目前，在存在时间变化的情况下，利用在先信道样本来获得最新信道的信道预测 正吸引众多的研究工作，并已成为无线通信系统设计中的关键特征之一。
【发明内容】
[0003] 本发明提出一种通信网络中的信道预测方法和设备。
[0004] 在本发明的一个方面，提供一种包含时变无线信道的通信网络中的信道预测方 法，所述方法包括：确定预测策略；按照预测策略，从分别对应于时域中的一个符号的候选 信道样本中，选择一定数目的信道样本；按照预测策略和时变无线信道的统计性质，确定预 测权重；和用确定的预测权重，对选择的信道样本加权，以获得作为预测结果的预测信道样 本。
[0005] 在本发明的另一个方面，提出一种包含时变无线信道的通信网络中的信道预测设 备，所述设备包括：预测策略确定单元，所述预测策略确定单元被配置成确定预测策略；第 一选择单元，所述第一选择单元被配置成按照预测策略，从分别对应于时域中的一个符号 的候选信道样本中，选择一定数目的信道样本；预测权重确定单元，所述预测权重确定单元 被配置成按照预测策略和时变无线信道的统计性质，确定预测权重；和加权单元，所述加权 单元被配置成用确定的预测权重，对选择的信道样本加权，以获得作为预测结果的预测信 道样本。
【专利附图】
【附图说明】
[0006] 根据结合附图进行的关于本发明的非限制实施例的以下详细说明，本发明的上述 和其它目的、特征和优点将变得更清晰，附图中：
[0007] 图1是常规的自适应信道预测器的一般结构的方框图；
[0008] 图2是常规的经验信道预测器的一般结构的方框图；
[0009] 图3是按照本申请的实施例的信道预测设备的方框图；
[0010] 图4是图解说明预测策略的示图；
[0011] 图5是0FDM通信系统中的典型AR信道预测器的方框图；
[0012] 图6是图解说明按照本申请的实施例的逐个符号的预测方案的示图；
[0013] 图7是图解说明是基于块的传输中实现的逐个符号的预测方案的示图；
[0014] 图8是按照本申请的实施例的逐个符号的预测方案的格子图；
[0015] 图9是图解说明提出的信道预测器在TDD中的预测数据方案的例子的示图；
[0016] 图10是图解说明提出的信道预测器在FDD中的预测数据方案的例子的示图；
[0017] 图11是图解说明按照本申请的实施例的改进Viterbi算法的示图；
[0018] 图12是图解说明按照本申请的实施例的LPE算法的示图；
[0019] 图13是图解说明按照本申请的实施例的信道预测方法的流程图；
[0020] 图14是图解说明按照本申请的实施例的逐个符号的格子AR信道预测器的处理的 示图；
[0021] 图15-32表示在各种场景和速度下，TDD/FDD LTE中的模拟结果。
【具体实施方式】
[0022] 在下面的详细说明中，参考了构成所述说明的一部分的附图。在下面的说明中，一 些实施例只是用于举例说明，这些实施例不应被理解成对本申请的任何限制，而只是本申 请的例子。在可能模糊本发明的理解的时候，常规结构或构造将被省略。
[0023] 在信道预测中，引入了各种数学模型，以便拟合（fit)时变无线信道中的变化。在 线性的意义上，这些数学模型可被分成两类：线性模型和非线性模型。线性信道预测中最 常使用的模型是自回归（AR)模型，在该模型内，在先信道样本被用作输入样本，并按照它 们各自与预测样本的相关性，被赋予不同的权重。可利用归一化最小均方（NLMS)算法、递 归最小二乘（RLS)算法或者它们的变形，自适应地调整预测权重（参考文献[1]_[4])。在 基于流的传输中，根据数据流中始终已知的连续信道样本，连续进行调整。在基于块的传输 中，根据只在训练期中已知的连续信道样本，伪连续地进行调整，以致作为结果的模型能够 拟合信道变化，从而用于预测后续信道。图1中描述了常规的自适应信道预测方法。
[0024] 作为一种备选方案，也可根据信道相关性，获得预测权重。最直接的方法是根据经 验，分析信道相关性（参考文献[5]_[6])。换句话说，通过大量信道样本的时间平均，总结 和计算相关性。结果，获得能够拟合信道变化的预测模型。图2中图解说明典型的经验信道 预测器的一般结构。另一方面，非线性信道预测采用诸如投影近似子空间跟踪（PAST)(参 考文献[7])、神经网络（NNs)(参考文献[8])、支持向量机（SVM)(参考文献[9])之类的模 型。
[0025] 上述非线性信道预测方法包含非常复杂的运算和处理，从而对实际可行性造成极 大的挑战。另一方面，AR模型相当易于实现，同时拥有优良的拟合效果，以及长拟合范围。 优于非线性模型的这些明显优点导致多数的现有信道预测解决方案选择AR模型作为其预 测模型的事实。因此，本申请的实施例将主要集中于与AR模型相关的信道预测。
[0026] 在多数通信系统中，为了便于存储、处理和传输，数据信号或数据流被分成数据 块。任何数据块内的不同数据符号拥有不同的位置，即，位置分集，这导致它们各自与已知 的信道样本的相关性可能不同。然而，现有的信道预测器未能利用基于块的数据结构的这 种位置分集。这通常导致一些问题，比如不能获得预期的预测性能，或者关于某些数据符号 的预测性能显著降低，从而削弱实际通信系统中的对应预测效果。
[0027] 就现有的自适应信道预测器来说，如下举例说明大大限制其应用的几种显著缺 占 ·
[0028] 1.从图1中可看出，训练阶段是获取能够拟合信道变化的模型权重所必需的。现 有系统中的训练阶段增大了系统复杂性和处理等待时间；
[0029] 2.预测权重需要很长的调整来实现收敛。另外，它们易于过时，从而不能跟上时 间变化。显然，长期调整需要大量的连续信道样本，在大量获取连续数据块的基于块的传输 中，这是能够容易地满足的，而在只能获得几个连续数据块的情况下，这几乎不可能。前者 的例子是频分双工（FDD)通信系统，后者的例子是时分双工（TDD)通信系统；
[0030] 3.自适应信道预测器仅仅是对时间变化的短期适应，在长期统计的意义上并不适 用。
[0031] 从而，只要预测权重未被给予持续的调整，即使从足够的训练阶段获得了权重，预 测误差也会随着预测的继续而显著增大。
[0032] 就现有的经验信道预测器来说，如下举例说明了大大限制其应用的几种显著缺 占 ·
[0033] 1.需要在存储器中保存非常大量的信道样本，以便分析信道相关性，这会导致极 大的存储器占用，较大的处理负荷和等待时间；
[0034] 2.信道相关性是利用时间平均获得的，需要定期更新，以便跟上信道变化。从而产 生处理负荷的显著增大，和有效预测持续时间的减小；
[0035] 3.与其它线性信道预测器相比，预测性能不是非常有吸引力。
[0036] 为了克服现有解决方案的上述缺点中的至少一个缺点，本申请的实施例提出一种 通信网络中的信道预测设备。
[0037] 图3是按照本发明的实施例的信道预测设备300的方框图。设备300在包含时变 无线信道的通信网络中工作。在这种情况下，设备300可以是网络中的有信道预测能力的 任何节点，比如（但不限于）基站或移动站。
[0038] 如图所示，设备300包含预测策略确定单元310、第一选择单元320、预测权重确定 单元330和加权单元340。本领域的技术人员会理解，设备300还可包含为设备的操作所必 需的其它单元/组件，这里省略了这些其它单元/组件的说明，以便不模糊本发明的原理。 另外，每个单元310?340可用硬件、固件或软件实现，S卩，用专用电路组件或用适当编程的 处理器实现。
[0039] 预测策略确定单元310被配置成确定预测策略。
[0040] 第一选择单元320被配置成按照预测策略，从分别对应于时域中的一个符号的候 选修道样本中，选择一定数目的信道样本。
[0041] 预测权重确定单元330被配置成按照预测策略和时变无线信道的统计性质，确定 预测权重。
[0042] 加权单元340被配置成用确定的预测权重，对选择的信道样本加权，以获得作为 预测结果的预测信道样本。
[0043] 按照本申请的实施例，与现有的解决方案相比，可以提高预测精度和范围。
[0044] 在本申请中，"符号"表示每个信道样本对应于的时域中的一个符号。每个符号上 的信道样本可以是向量，维度是不同频率的数目。在这种情况下，可以利用时间相关性和频 率相关性。另一方面，每个符号上的信道样本也可以是标量。在这种情况下，将只利用时间 相关性。
[0045] 此外，如图4中图解所示，信道样本可被分成两类：
[0046] 1.将利用信道预测来预测的预测信道样本，它也可被称为未知信道样本；和
[0047] 2.表示信道样本池的候选信道样本，选择的信道样本（也称为获得的信道样本） 出自其中，它也可被称为已知信道样本。
[0048] 作为非限制性例子，候选信道样本可包含先前预测的信道样本。
[0049] 考虑到图3,并且作为非限制性例子，下面进一步详细说明设备300中的各个单元 的操作和功能。
[0050] 首先，为了更容易地理解本公开的以下说明，将参考图5说明典型的AR信道预测 器的原理。
[0051] 如图5中所示，AR信道预测器根据按照它们各自与预测信道样本的相关性被加权 的所选信道样本之和，获得预测信道样本：
[0052]
【权利要求】
1. 一种包含时变无线信道的通信网络中的信道预测方法，所述方法包括： -确定预测策略； -按照预测策略，从分别对应于时域中的一个符号的候选信道样本中，选择一定数目的 信道样本； -按照预测策略和时变无线信道的统计性质，确定预测权重；和 -用确定的预测权重，对所选择的信道样本加权，以获得作为预测结果的预测信道样 本。
2. 按照权利要求1所述的信道预测方法，其中候选信道样本包含先前预测的信道样 本。
3. 按照权利要求1所述的信道预测方法，其中预测策略包括3个参数的三元组 (M，I，P)，其中Μ表示所选择的信道样本的数目，I表示候选信道样本中的2个连续选择的 信道样本之间的距离，Ρ表示预测信道样本和最接近预测信道样本的所选择的信道样本之 间的距离。
4. 按照权利要求1所述的信道预测方法，其中时变无线信道的统计性质包括频率间隔 时间间隔相关性。
5. 按照权利要求4所述的信道预测方法，其中频率间隔时间间隔相关性基于时变无线 信道的时延功率谱和时间间隔相关函数。
6. 按照权利要求1所述的信道预测方法，其中确定预测权重的步骤包括： -预先根据统计性质，计算对应于所有可能的预测策略的预测权重；和 -选择对应于确定的预测策略的预测权重。
7. 按照权利要求1所述的信道预测方法，其中确定预测权重的步骤包括： -按照确定的预测策略，根据统计性质，计算预测权重。
8. 按照权利要求1所述的信道预测方法，其中确定预测策略的步骤包括： -在相应的预测误差方面，训练候选信道样本的一些在先信道样本，以确定预测策略。
9. 按照权利要求8所述的信道预测方法，其中在训练中使用Viterbi算法。
10. 按照权利要求3所述的信道预测方法，其中I和P被固定，并且逐个符号地递增M。
11. 按照权利要求1-10任意之一所述的信道预测方法，其中信道预测方法是逐个符号 地进行的。
12. 按照权利要求11所述的信道预测方法，其中在每个符号上，预测策略不同。
13. -种包含时变无线信道的通信网络中的信道预测设备，所述设备包括： -预测策略确定单元，所述预测策略确定单元被配置成确定预测策略； -第一选择单元，所述第一选择单元被配置成按照预测策略，从分别对应于时域中的一 个符号的候选信道样本中，选择一定数目的信道样本； -预测权重确定单元，所述预测权重确定单元被配置成按照预测策略和时变无线信道 的统计性质，确定预测权重；和 -加权单元，所述加权单元被配置成用确定的预测权重，对所选择的信道样本加权，以 获得作为预测结果的预测信道样本。
14. 按照权利要求13所述的信道预测设备，其中候选信道样本包含先前预测的信道样 本。
15. 按照权利要求13所述的信道预测设备，其中预测策略包括3个参数的三元组 (M，I，P)，其中Μ表示所选择的信道样本的数目，I表示候选信道样本中的2个连续选择的 信道样本之间的距离，Ρ表示预测信道样本和最接近预测信道样本的所选择的信道样本之 间的距离。
16. 按照权利要求13所述的信道预测设备，其中时变无线信道的统计性质包括频率间 隔时间间隔相关性。
17. 按照权利要求16所述的信道预测设备，其中频率间隔时间间隔相关性基于时变无 线信道的时延功率谱和时间间隔相关函数。
18. 按照权利要求13所述的信道预测设备，其中预测权重确定单元包括： -第一计算单元，所述第一计算单元被配置成预先根据统计性质，计算对应于所有可能 的预测策略的预测权重；和 -第二选择单元，所述第二选择单元被配置成选择对应于确定的预测策略的预测权重。
19. 按照权利要求13所述的信道预测设备，其中预测权重确定单元包括： -第二计算单元，所述第二计算单元被配置成按照确定的预测策略，根据统计性质，计 算预测权重。
20. 按照权利要求13所述的信道预测设备，其中预测策略确定单元包括： -训练单元，所述训练单元被配置成在相应的预测误差方面，训练候选信道样本的一些 在先信道样本，以确定预测策略。
21. 按照权利要求20所述的信道预测设备，其中在训练中使用Viterbi算法。
22. 按照权利要求15所述的信道预测设备，其中I和P被固定，并且逐个符号地递增 M〇
23. 按照权利要求13-22任意之一所述的信道预测设备，其中信道预测设备逐个符号 地进行信道预测。
24. 按照权利要求23所述的信道预测设备，其中在每个符号上，预测策略不同。
【文档编号】H04L25/02GK104067582SQ201180075290
【公开日】2014年9月24日 申请日期:2011年10月19日 优先权日:2011年10月19日
【发明者】张自香 申请人:奥普蒂斯蜂窝技术有限责任公司