[发明专利]一种基于三层神经网络的列车通信信道预测方法

权利要求书

1.一种基于三层神经网络的列车通信信道预测方法，其特征在于，包括训练阶段及预测阶段：

1)训练阶段:

S11，对列车行进过程中的信道情况进行等时间间隔采样；

S12，记录前N个采样时刻t_x-N+1、t_x-N+2、…、t_x-1、t_x的信道多径衰落参数α_x-N+1、α_x-N+2、…、α_x-1、α_x、 多普勒频移参数f_x-N+1、f_x-N+2、…、f_x-1、f_x、速度v_x-N+1、v_x-N+2、…、v_x-1、v_x，以及第N+1个时刻t_x+1的信道多径衰落参数α_x+1、多普勒频移参数f_x+1和信道状态所维持平稳的时长τ_x+1；

S13，选定三层神经网络为初始网络，初始网络具有输入层、隐层和输出层；隐层的层数为三层，分别为第一隐层、第二隐层和第三隐层；获得各隐层的初始参数；

获得各隐层的初始参数的具体方法为；将前N个时刻t_x-N+1、t_x-N+2、…、t_x-1、t_x的速度v_x-N+1、v_x-N+2、…、v_x-1、v_x、 多径衰落参数α_x-N+1、α_x-N+2、…、α_x-1、α_x、 多普勒频移参数f_x-N+1、f_x-N+2、…、f_x-1、f_x作为输入层的输入，并经输入层传送至第一隐层，对初始网络的第一隐层进行无监督学习，获得第一隐层的输出，第一隐层的输出作为第一隐层的初始参数；以第一隐层的输出作为第二隐层的输入，对第二隐层进行无监督训练，获得第二隐层的输出；以第二隐层的输出作为第三隐层的输入，对第三隐层进行无监督训练，获得第三隐层的输出，第三隐层的输出作为预测下一时刻多径衰落参数、多普勒频移、信道平稳时长的节点数据；

S14，将前N个时刻t_x-N+1、t_x-N+2、…、t_x-1、t_x的速度v_x-N+1、v_x-N+2、…、v_x-1、v_x、多径衰落参数α_x-N+1、α_x-N+2、…、α_x-1、α_x、多普勒频移参数f_x-N+1、f_x-N+2、…、f_x-1、f_x作为输入层的输入，第N+1个时刻t_x+1的信道多径衰落参数α_x+1、多普勒频移参数f_x+1和信道状态所维持平稳的时长τ_x+1为输出层的输出，对通过步骤S13构建的具有三层隐层的初始网络进行微调，即利用有监督训练对步骤S13中所获得的初始参数进行调整，从第三隐层到第一隐层的顺序进行调整，进而获得预测网络模型；

2)预测阶段：

S21，对于行进中的列车，利用传统信道估计方法获得各个时刻的速度、多径衰落参数和多普勒频移参数；当列车运行至时刻T时，将包括时刻T在内的前N个连续时刻的速度、多径衰落参数和多普勒频移参数作为预测网络模型的输入，通过预测网络模型对行进中的列车即将迎来的下一时刻T+1的信道状态情况进行预测，预测网络模型的输出为下一时刻的多径衰落参数预测值多普勒频移参数预测值和信道平稳预测时长下一时刻的多径衰落参数预测值多普勒频移参数预测值和信道平稳预测时长共同构成下一时刻的信道状态预测值；

当列车运行至时刻T+1，且经过信道平稳预测时长后；也就是说，当通过预测网络模型获得的下一时刻的信道平稳预测时长结束后，将T+1重新赋值给T，重复步骤S21，对列车实现新一轮信道状态预测；

在每次使用预测网络模型进行预测后，对于获得的信道平稳预测时长在信道平稳预测时长所对应的时间段内信道视为状态平稳，在状态平稳时不需要进行额外的信道估计。