[发明专利]链路自适应方法、电子装置及计算机可读存储介质

说明书

一种链路自适应方法、电子装置及计算机可读存储介质，其中，该链路自适应方法包括：发射机对目标信息进行信源编码处理和信道编码处理，得到信道传输信息；接收机获取所述信道传输信息，并对所述信道传输信息进行时间同步，快速傅里叶变换FFT和信道估计，得到所述信道传输信息的信道估计系数和噪声估计信息；网络训练单元将所述信道估计系数和所述噪声估计信息作为特征输入进行训练，获得预测的自适应调制与编码AMC方案，将所述预测的MAC方案反馈至所述发射机，使得所述发射机根据预测得到的AMC方案进行自适应调整。

技术领域

本申请涉及电子技术领域，尤其涉及一种链路自适应方法、电子装置及计算机可读存储介质。

背景技术

在无线通信领域中，确定的无线通信链路的频谱效率在效能预测上通常跟通信信道的时变性一致。具体地说，多输入多输出正交频分复用(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing MIMO-OFDM，MIMO-OFDM)链路需要合适的自适应调制与编码(adaptive modulation and coding，AMC)，也就是在确定的误包率(packet error rate，PER)条件约束下，基于信道状态信息(channel stateinformation，CSI)选择合适的调制编码方案(modulation and coding scheme，MCS)来最大限度地提高系统吞吐量。每个MCS包含了正交振幅调制(Quadrature AmplitudeModulation，QAM)的调试阶数和编码速率。值得注意的是，在MIMO-OFDM系统中，AMC并不是一个简单的问题。因为实际的MIMO-OFDM系统中可能同时受到很多复杂因素的影响，比如OFDM调制、MIMO信道、卷积编码、位交织、无线信道效应以及电路的非线性等。因此，基于数学模型来假设尽可能近似的AMC方法，不足以精确地考虑到所有影响MIMO-OFDM系统性能的因素

基于机器学习的AMC算法直接从之前观察到的信道信息进行学习、训练数据，没有做任何的数学近似。因此它们有可能具备可靠的性能，但前提是在复杂的MIMO-OFDM系统中，使用机器学习的方法必须具有足够的能力来捕获正确的输入输出关系。特别是在现有技术中中提出的链路自适应k-NN分类算法，它基于所有的OFDM子载波的每个空间流排序的SNR，使用了一种启发式的方法来降低特征集的维度。证明了使用启发式方法来降维比使用平均SNR、有效指数SNR(EESM)映射的方法表现更加出色。然而，这种启发式方法在降维过程需要付出很大的计算代价和可靠的数据集。此外，当使用k-NN来预测新的数据时，整个训练集数据都被存储在用户的设备上，并且需要计算所有新数据的特征和样本集特征之间的距离，这是不切合实际的，特别是在大量训练数据的时候。最重要的是，特征集降维可能会丢失很多原系统中有用的特征信息以致影响k-NN算法预测的准确率。

发明内容

本申请实施例提供一种链路自适应方法、电子装置及计算机可读存储介质，用于根据到MIMO-OFDM系统的特性，较好地预测到合适的调试编码方案。

本申请实施例第一方面提供一种链路自适应方法，包括：

所述方式应用于多输入多输出正交频分复用MIMO-OFDM系统，所述系统包括发射机、接收机和网络训练单元；

所述发射机对目标信息进行信源编码处理和信道编码处理，得到信道传输信息；

所述接收机获取所述信道传输信息，并对所述信道传输信息进行时间同步，快速傅里叶变换FFT和信道估计，得到所述信道传输信息的信道估计系数和噪声估计信息；

所述网络训练单元将所述信道估计系数和所述噪声估计信息作为特征输入进行训练，获得预测的自适应调制与编码AMC方案，并将所述预测的AMC方案反馈至所述发射机，使得所述发射机预测的AMC方案进行自适应调整。

进一步地，所述发射机对目标信息进行信源编码处理和信道编码处理，包括：