基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统,提出了 一种基扩展模型(basis expansion model,BEM)下基于长短期记忆(long short-term memory,LSTM)神经网络的时变信道预测方法.为了降低传统BEM的建模误差,根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点,首先基于历史时刻的信道状态信息获取最优的基函数,并利用该基函数对信道进行建模.然后,通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息,大大降低了计算复杂度.在线下训练中,将网络的逼近目标设置为信道估计值,而不是理想的信道信息,以增强预测模型的实用性.仿真结果表明,相比现有方法,新方法的计算复杂度较低,且预测精度较高.