周新鵬,徐凌偉,2

(1.青島科技大學 信息科學技術(shù)學院，山東 青島 266061；2.蘭州交通大學 光電技術(shù)與智能控制教育部重點實驗室，甘肅 蘭州 730070)

0 引言

近年來,物聯(lián)網(wǎng)、人工智能等新一代信息技術(shù)已成為支撐國家“互聯(lián)網(wǎng)+”戰(zhàn)略的支柱性產(chǎn)業(yè),第五代(5G)移動通信技術(shù)受到了廣泛的關(guān)注[1]。2019年2月，第33屆世界移動通信大會在西班牙巴塞羅那舉行，5G、人工智能成為了本屆大會的最大亮點，華為、中興等中國各廠商都在會上發(fā)布了5G物聯(lián)網(wǎng)相關(guān)產(chǎn)品，中國技術(shù)吸引了全世界的眼球[2]。隨著5G技術(shù)的發(fā)展，移動用戶數(shù)量逐年增加，用戶服務(wù)質(zhì)量不斷提高。5G移動通信面臨著諸多技術(shù)挑戰(zhàn)[3]。

為了提高5G移動通信的通信質(zhì)量,大規(guī)模多發(fā)多收(multiple input multiple output,MIMO)技術(shù)得到了廣泛研究[4-6]。東南大學的洪偉等人討論了MIMO和毫米波技術(shù)在5G中的應(yīng)用及核心作用[7]。針對MIMO短包傳輸問題,華北電力大學的鮑慧等人提出一種交替迭代算法優(yōu)化功率分配[8]。楊貴德等人基于虛擬信道，分析了空時優(yōu)化MIMO系統(tǒng)的誤碼率性能[9]?；趲缀坞S機散射理論,北京交通大學的陶成等人提出了一種高速鐵路協(xié)作MIMO信道模型,提高了系統(tǒng)容量[10]。針對物理層安全問題，Zhangyu Li等人采用混合聲學和磁感應(yīng)強度技術(shù),分析了水下協(xié)作MIMO通信系統(tǒng)的性能[11]。

目前,在教育、交通、醫(yī)療等應(yīng)用領(lǐng)域,以機器學習為代表的新一代人工智能技術(shù)已得到了廣泛應(yīng)用[12]。南京郵電大學的桂冠教授團隊研究了基于機器學習的物理層無線通信技術(shù)[13]。河南大學的周毅教授團隊研究了基于深度強化學習提出了復雜動態(tài)場景下無人機自主部署和能效優(yōu)化策略[14]。但是,移動通信環(huán)境復雜多變,機器學習在無線通信的研究還處于早期探索階段[15]。復雜多變的移動通信環(huán)境給智能移動通信帶來了巨大挑戰(zhàn)。

為了實現(xiàn)復雜通信環(huán)境下智能移動通信的增強，對移動通信系統(tǒng)的性能進行分析和預(yù)測是非常重要的。因此,本文研究了移動通信系統(tǒng)平均符號誤碼率(average symbol error probability,ASEP)性能的分析與預(yù)測。首先,在2-Rayleigh信道下,利用多天線通信技術(shù),建立了移動通信系統(tǒng)模型。然后分析了移動通信系統(tǒng)的ASEP性能,推導了系統(tǒng)ASEP性能的閉合表達式。最后,基于廣義回歸(generalized regression,GR)神經(jīng)網(wǎng)絡(luò),提出了一種ASEP性能智能預(yù)測方法。和徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò),極限學習機(extreme learning machine，ELM),小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network，WNN)等方法進行了比較，仿真結(jié)果表明:本文所提出的預(yù)測算法性能更好,預(yù)測精度提高了24.3%。

1 系統(tǒng)模型

在本文中,移動通信系統(tǒng)包括一個移動信源(MS)和一個移動目的端(MD)。通信信道是2-Rayleigh信道[16]。MS有1根發(fā)射天線,MD有L根接收天線。

在接收端,對于第i個接收天線,其接收信號為

yi=his+n，

(1)

其中hi表示第i個接收天線的信道增益，s表示發(fā)射信號,n為加性復高斯噪聲。ES表示系統(tǒng)的發(fā)射功率，N0表示n的功率譜密度，所以其瞬時接收信噪比為

(2)

平均接收信噪比為

(3)

(4)

其中K0()表示0階第2類修正貝塞爾函數(shù)。

(5)

其中K1()表示1階第二類修正貝塞爾函數(shù)。

當移動通信系統(tǒng)的接收機采用選擇合并接收時，接收端的瞬時信噪比SC為[17]

γSC=max(γ1,γ2,…,γL)，

(6)

這里假設(shè)所有信道是獨立同分布的,其平均接收信噪比為

(7)

γSC的概率密度函數(shù)推導為

(8)

累計分布函數(shù)表示為

(9)

2 ASEP性能分析

脈沖幅度調(diào)制(PAM)的誤碼率表示為[18]

(10)

其中q表示PAM調(diào)制的階數(shù)。

定理1系統(tǒng)的ASEP表示為

(11)

證明系統(tǒng)的ASEP計算為

(12)

I1表示為

(13)

同理，I2表示為

(14)

3 ASEP性能的智能預(yù)測

3.1 數(shù)據(jù)集

X=(x1,x2,…,x5)，

(15)

然后利用X，通過公式(11)就計算得到了輸出y。

本文選取了P個訓練樣本(Xi,yi),i=1,2,…,P，來訓練GR神經(jīng)網(wǎng)絡(luò)。

3.2 GR神經(jīng)網(wǎng)絡(luò)

GR神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示[19]。對于模式層的第i個神經(jīng)元,其輸出為

(16)

σ為擴展因子。

對于求和層的S和D神經(jīng)元,其輸出分別為

(17)

(18)

GR神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出為

(19)

圖1 GR 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2 預(yù)測算法流程圖

3.3 評價準則

本文使用均方誤差(Mean Squared Error，MSE)來評價不同算法的預(yù)測性能。MSE表示為

(20)

其中PP是測試集的數(shù)目,dz表示理想的ASEP。

3.4 算法流程

圖3 不同信道下的ASEP性能

算法流程如圖2所示。首先,初始化GR神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),調(diào)整擴展因子σ。然后,對數(shù)據(jù)進行歸一化,輸入到GR神經(jīng)網(wǎng)絡(luò),得到預(yù)測ASEP。利用理想ASEP,計算MSE。如果MSE滿足精度要求,就可以獲得最佳的MSE；如果不滿足精度要求,重復上述過程,直至滿足精度要求。最后,得到最佳的GR神經(jīng)網(wǎng)絡(luò),用來進行ASEP性能的預(yù)測。

5 數(shù)值仿真

這里定義E=1,每次仿真參數(shù)設(shè)定為10000次。

在圖3中,針對不同的信道,即Rayleigh和2-Rayleigh，研究了系統(tǒng)的ASEP性能。從圖3可以看出,Monte-Carlo仿真值非常吻合理論值,這驗證了推導的理論閉合表達式的正確性。隨著信噪比的增加，ASEP性能是不斷改善的。在相同的信噪比時，2-Rayleigh信道的ASEP性能要比Rayleigh信道的ASEP性能差。這是因為，2-Rayleigh信道的衰弱程度要大于Rayleigh信道。

表2 仿真系數(shù)

在圖4-7中,比較了RBF[20]，WNN[21]，ELM[22]和GR神經(jīng)網(wǎng)絡(luò)四種算法的預(yù)測效果。使用了800組數(shù)據(jù)用來訓練,50組用來測試。仿真系數(shù)如表2所示。在圖4- 7中，GR神經(jīng)網(wǎng)絡(luò)的MSE是0.00000384,比其他3種算法都要小，這也說明本文使用的GR神經(jīng)網(wǎng)絡(luò)算法獲得了更好的預(yù)測效果,預(yù)測精度提高了24.3%。GR神經(jīng)網(wǎng)絡(luò)以徑向基網(wǎng)絡(luò)為基礎(chǔ)，具有良好的非線性逼近性能，收斂速度快，運行時間也很少。

圖4 GR神經(jīng)網(wǎng)絡(luò)的預(yù)測效果

圖5 RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測效果

圖6 ELM的預(yù)測效果

圖7 WNN的預(yù)測效果

6 結(jié)論

針對復雜多變的通信環(huán)境,本文研究了移動通信系統(tǒng)ASEP性能的分析與預(yù)測。首先,采用PAM調(diào)制,推導了ASEP的閉合表達式。然后利用分析結(jié)果，建立數(shù)據(jù)集，提出了基于GR神經(jīng)網(wǎng)絡(luò)的ASEP性能智能預(yù)測方法。仿真結(jié)果表明,在復雜的通信環(huán)境下,和ELM，WNN和RBF算法相比,本文提出的算法具有更好的ASEP性能預(yù)測效果,預(yù)測精度提高了24.3%。