本发明属于通信技术领域，特别涉及一种信道预测方法，可用于时间相关的mimo系统中。
背景技术：
在无线通信中，反射，绕射和散射普遍存在于各种环境中，不可避免的存在多径传播现象；发射端和接收端的相对移动又不可避免的产生多普勒扩展，使无线信道呈现频率选择性和时变特性。频率选择性和时变特性导致的衰落被视为两种不同的失真。前者取决于多径扩展，由相干带宽表征；后者取决于信道的时间变化，由相干时间进行表征。为了降低系统误码率，通常利用估计得到的信道状态信息均衡接收到的信号。但是对于快变信道，传统的基于判决反馈的信道估计得到的信道状态信息是过时的信息。
为解决由于信道时变特性导致的信道状态信息过时的问题，近年来在mimo系统中使用信道预测技术得到广泛的关注。基站端利用以往时刻的信道状态信息估计得到的上行链路信道状态信息来预测当前时刻或之后更长时间内下行链路信道状态信息，以期利用预测得到的信道状态信息进行自适应处理，进一步提高系统性能。
目前，时变衰落信道预测的研究主要集中在线性预测算法中，如线性动态ar模型等。但由于时变衰落信道具有非常复杂的非线性特性，非线性预测算法的引入也越来越受到研究者的关注，其中支持向量机和神经网络就是目前广泛应用的两种非线性算法。
支持向量机，是由vapnik与其领导的贝尔实验室的研究小组一起开发出来的，它是基于结构风险最小化准则的一种新的机器学习技术，其通过非线性变换将输入样本空间变换到一个高维特征空间，然后在这个新空间中求取最优超平面，较好地解决了学习方法的小样本、非线性、高维数、局部极小点等实际问题，并具有很强的泛化能力。但是，支持向量机的预测精度过于依赖其参数的选择,其取值主要依据经验与试运算,没有统一的规则，由于支持向量机模型结构难以确定，易出现过度训练或训练不足等情况，容易陷入局部最小且对连接权值都比较敏感，并且过度依赖设计技巧，训练大规模样本时复杂度较高，且在求解最优化问题时需要求解二次规划，计算较为复杂。神经网络算法，作为人工智能和模式识别的有力工具，神经网络有许多种类的算法，经常使用的有bp网络、rbp网络、hopfield网络等等。与传统的预测方法相比，神经网络预测方法的预测精度会更好一些，但是传统神经网络算法的网络参数都为实数，而mimo信道状态信息是复数数据，所以传统神经网络算法并不适用于信道预测。并且现有的非线性预测算法都只单独考虑每个发送接收天线对上的信道状态信息，没有将每个发送接收天线对之间的内在联系考虑进去，导致训练样本不充分，预测效果差等问题。
技术实现要素：
本发明的目的在于针对上述现有技术的不足，提出一种基于多任务学习的时间相关mimo系统信道预测的方法，以减小由时变信道下信道状态信息过时造成的信道状态信息与当前时刻信道状态信息不匹配状态，提高信道预测的预测精度。
本发明的技术方案是：根据对信道测量获得时间相关的mimo系统信道状态信息观测值，利用多任务学习算法训练，得到多任务学习算法的模型参数，将该模型参数带入多任务学习算法中进行预测，得到相邻时刻发送接收天线对上的信道状态信息，其实现步骤包括如下：
(1)在正式通信前通过对信道进行测量，得到nt×nr的mimo系统的信道状态信息历史观测值h(1),h(2)…h(r)…h(m)，nt表示mimo系统发送天线的数目，nr表示mimo系统接收天线的数目，r为1到m的整数，m为样本序列总个数；
(2)初始化多任务学习算法的模型参数：设置样本维度q；
(3)根据(1)中得到的信道状态信息观测值，按照训练数据比例q将信道状态信息观测值分为训练数据x1(n)和测试数据x2(n)，n为大于1的正整数；
(4)根据(2)中的样本维度q，对训练数据x1(n)和测试数据x2(n)进行划分，分别得到训练数据的训练样本集xt(n)，期望输出集dt(n)和测试数据的测试样本集xs(n)，期望输出集ds(n)；
(5)将训练数据的训练样本集xt(n)作为多任务学习算法的输入，将训练数据的期望输出集dt(n)作为多任务学习算法的输出，把训练数据x1(n)输入到多任务学习算法中进行训练，获得多任务学习算法模型参数拉格朗日乘数α和系数b；
(6)将(4)中测试数据x2(n)的测试样本集xs(n)和(5)中得到的多任务学习算法模型参数拉格朗日乘数α和系数b，输入到多任务学习算法中，预测得到第m个时刻的信道状态信息的预测值。
本发明采用多任务学习算法框架下的多任务最小二乘支持向量机建立模型，将多任务学习应用到mimo系统信道预测上，充分利用每个发送接收天线对上信道状态信息之间的内在联系，克服了现有信道预测算法中对样本数据学习不充分的问题，通过多任务学习算法对多个发送接收天线对的信道状态信息进行充分学习，建立更加完善的特征空间，提高了预测精度。
附图说明
图1为本发明实现总流程图；
图2为本发明中多任务学习子流程图；
图3为本发明实例中mimo系统的信道状态信息的误差图。
具体实施方式
以下结合附图对本发明进行进一步说明，包括如下步骤：
本发明中使用多任务机器学习算法框架。多任务学习是和单任务学习相对的一种机器学习方法。在机器学习领域，标准的算法理论是一次学习一个任务。复杂的学习问题先被分解成理论上独立的子问题，然后分别对每个子问题进行学习，最后通过对子问题学习结果的组合建立复杂问题的数学模型。多任务学习是一种联合学习，多个任务同时学习，结果相互影响。所谓多任务学习，就是同时求解多个问题。本发明通过将多任务学习与mimo系统信道预测技术相结合，实现对信道预测精度的提高。
参照图1，本发明的实现步骤如下：
步骤1，获取mimo系统的信道状态信息。
在正式通信前对信道进行测量，得到mimo系统信道状态信息的历史观测值h(1),h(2)…h(r)…h(m)，mimo系统中有nt×nr个发送接收天线对，其中h(r)是nt×nr个发送接收天线对第r时刻的信道状态信息观测值所组成的信道状态信息矢量，具体形式如下：
hi(r)表示mimo系统中第i个发送接收天线对上第r个时刻的信道状态信息，nt表示mimo系统发送天线的数目，nr表示mimo系统接收天线的数目，nt和nr都为大于1的整数，i为1到nt×nr的整数,r为1到m的整数，m为样本序列总个数,[]t中t表示转置运算。本实例借助matlabr2014a软件中自带的模块comm.mimochannel生成时间相关的mimo信道，其步骤如下：
1.1)设置参数：包括采样频率fs、最大多普勒频移fd、发射天线数目nt、接收天线数目nr，路径延迟td，发射天线的相关矩阵rt和接收天线的相关矩阵rr，本实例考虑4g频率波段，设置fd＝100，fs＝1000，本实例以2×2mimo为例，设置nt＝2，nr＝2，td设置为1，rt和rr设置为二阶的单位矩阵；
1.2)将上述参数输入到comm.mimochannel模块中，输出的pathgains即为本实例中需要的信道状态信息，将pathgains中的数据提取出来，得到信道状态信息序列h(1),h(2)…h(r)…h(m)，其中h(r)是第r时刻的信道状态信息，r为1到m的整数，m为样本序列总个数，本实例中m＝150。
步骤2，对得到的信道状态信息观测值进行预处理。
由于信道状态信息是复数数据，因而需要对信道状态信息观测值进行数据预处理，其步骤如下：
2.1)分别对信道状态信息进行取实部和虚部处理，然后对实部数据和虚部数据分别进行训练和测试数据的划分：
2.1.1)对实部数据进行处理：将上述步骤1得到的信道状态信息观测值按照时间先后顺序进行排序，通过设置训练数据比例q将信道实部数据分为训练数据xrt(n)和测试数据xrv(n)，分别表示为：
xrt(n)＝[h(1)h(2)…h(r)…h(m*q)],r＝1,2…m*q，
xit(n)＝[h(m*q+1)h(m*q+2)…h(r)…h(m)],r＝m*q+1,m*q+2…m；
2.1.2)设置样本维度q，将训练数据xrt(n)和测试数据xrv(n)进行划分，分别得到训练数据的训练样本集xrt_t(n)、期望输出集drt_t(n)和测试数据的测试样本集xrv_s(n)，期望输出集drv_s(n)，其表示如下：
其中nt表示mimo系统发送天线的数目，nr表示mimo系统接收天线的数目，nt和nr都为大于1的正整数，hi(k)表示第i个发送接收天线对上第k个时刻的信道状态信息，i为1到nt×nr的正整数,k为1到q的正整数,m为样本序列总个数，q为训练数据比例,本实例中nt＝2，nr＝2，i是从1到4的正整数，q＝10,q＝70％；
2.2)对信道状态信息取虚部处理，然后对虚部数据的处理步骤如下：
2.2.1)将上述步骤1得到的信道状态信息观测值取虚部数据之后按照时间先后顺序进行排序，通过设置训练数据比例q将信道虚部数据分为训练数据xit(n)和测试数据xiv(n)，分别表示为：
xit(n)＝[h(1)h(2)…h(r)…h(m*q)],r＝1,2…m*q，
xiv(n)＝[h(m*q+1)h(m*q+2)…h(r)…h(m)],r＝m*q+1,m*q+2…m；
2.2.2)设置样本维度q，将训练数据xit(n)和测试数据xiv(n)进行划分，分别得到训练数据的训练样本集xit_t(n)，期望输出集dit_t(n)和测试数据的测试样本集xit_s(n)，期望输出集dit_s(n)，其表示形式如下：
其中nt表示mimo系统发送天线的数目，nr表示mimo系统接收天线的数目，nt和nr都为大于1的正整数，hi(k)表示第i发送接收天线对上第k个时刻的信道状态信息，i为1到nt×nr的正整数,k为1到q的正整数，m为样本序列总个数，q为训练数据比例,本实例中nt＝2，nr＝2，i是从1到4的正整数，q＝10,q＝70％。
步骤3，训练多任务学习算法模型参数。
参考图2，本发明对多任务学习算法的训练，实现步骤如下：
3.1)将实部数据中训练数据的训练样本集xrt_t(n)作为多任务学习算法的输入，将实部数据中训练数据的期望输出集drt_t(n)作为多任务学习算法的输出，把训练数据xrt(n)输入到多任务学习算法中进行训练，本发明中是nt×nr的mimo系统，总共有nt×nr个发送接收天线对，将每个发送接收天线对上的信道状态信息看做是一个任务，则本发明中有nt×nr个学习任务，通过多任务学习算法，利用每个发送接收天线对上信道状态信息之间的内在联系，充分学习所有发送接收天线对上的信道状态信息，通过设置参数：描述任务相似性的lambda，径向基核函数的宽度p，惩罚因子gamma等，获得多任务学习算法模型参数拉格朗日乘数α_real和系数b_real,本发明的实例设置的参数为p＝0.001，gamma＝10000和lambda＝0.00000001；
3.2)将虚部数据中训练数据的训练样本集xit_t(n)作为多任务学习算法的输入，将训练数据的期望输出集dit_t(n)作为多任务学习算法的输出，把训练数据xit(n)输入到多任务学习算法中进行训练，本发明中是nt×nr的mimo系统，总共有nt×nr个发送接收天线对，将每个发送接收天线对上的信道状态信息看做是一个任务，则本发明中有nt×nr个学习任务，通过多任务学习算法，利用每个发送接收天线对上信道状态信息之间的内在联系，充分学习所有发送接收天线对上的信道状态信息，通过设置参数：描述任务相似性的lambda，径向基核函数的宽度p，惩罚因子gamma等，获得多任务学习算法模型参数拉格朗日乘数α_imag和系数b_imag,本发明的实例设置的参数为p＝0.001，gamma＝10000和lambda＝0.00000001；
步骤4，利用步骤3得到的模型参数进行多任务预测。
参考图2，本步骤的实现步骤如下：
4.1)对实部数据的预测：
本发明中将步骤2中得到的实部数据的测试数据xrv(n)的测试样本集xrv_s(n)和步骤3中得到的任务学习算法模型参数拉格朗日乘数
4.2)对虚部数据的预测：
将步骤2中得到的虚部数据的测试数据xiv(n)的测试样本集xiv_s(n)和步骤3中得到的多任务学习算法模型参数拉格朗日乘数
本发明的效果可以通过以下仿真进一步说明：
1、仿真条件和内容：
1a)软件平台为：matlabr2014a，仿真参数设计为：利用matlab软件中自带的模块comm.mimochannel生成时间相关的mimo信道，设置发送天线nt＝2，接收天线nr＝2，根据奈奎斯特采样定理，本实例考虑4g频段，设置最大多普勒频移fd，采样率fs，对每一组最大多普勒频移和采样率随机生成1000组信道进行训练和预测，最后取1000次的误差平均值作为这一组数据的误差；
1b)设置ratio为最大多普勒频移fd与采样率fs的比值，本实例中保持最大多普勒频移fd＝100不变，ratio从0.01到0.1，取值间隔为0.01，总共有十个ratio值，进而根据ratio＝fd/fs得到十个采样频率，重复1a)步骤，得到十个预测误差；
1c)取横坐标为ratio，纵坐标为与之对应的每次预测的信道状态信息的均方根误差，绘制信道预测的误差曲线图，结果如图3所示，其中图3(a)为实部数据的信道状态信息预测误差变化图，图3(b)为虚部数据信道状态信息预测误差变化图。
2、仿真结果
图3(a)和图3(b)表明，随着ratio数值的增大，均方根误差rmse也呈现逐步上升的趋势，在最大多普勒频移确定的情况下，ratio数值越小，采样频率越快，即采样的间隔时间越短，在单位时间内计算机得到的样本数据就越多，对信号的表示也越精确，得到预测的信道状态信息的误差越小。
从图3可以看出，实部信道状态信息数据和虚部信道状态信息数据随着ratio的变化，整体上呈现出基本相同的误差走势图，并且两种情况下预测的信道状态信息误差的量级都比较小，验证了本发明算法在mimo信道预测上的有效性。