5G移动通信系统性能分析与预测方法研究

周新鹏,徐凌伟,2

(1.青岛科技大学 信息科学技术学院，山东 青岛 266061；2.兰州交通大学 光电技术与智能控制教育部重点实验室，甘肃 兰州 730070)

0 引言

近年来,物联网、人工智能等新一代信息技术已成为支撑国家“互联网+”战略的支柱性产业,第五代(5G)移动通信技术受到了广泛的关注[1]。2019年2月，第33届世界移动通信大会在西班牙巴塞罗那举行，5G、人工智能成为了本届大会的最大亮点，华为、中兴等中国各厂商都在会上发布了5G物联网相关产品，中国技术吸引了全世界的眼球[2]。随着5G技术的发展，移动用户数量逐年增加，用户服务质量不断提高。5G移动通信面临着诸多技术挑战[3]。

为了提高5G移动通信的通信质量,大规模多发多收(multiple input multiple output,MIMO)技术得到了广泛研究[4-6]。东南大学的洪伟等人讨论了MIMO和毫米波技术在5G中的应用及核心作用[7]。针对MIMO短包传输问题,华北电力大学的鲍慧等人提出一种交替迭代算法优化功率分配[8]。杨贵德等人基于虚拟信道，分析了空时优化MIMO系统的误码率性能[9]。基于几何随机散射理论,北京交通大学的陶成等人提出了一种高速铁路协作MIMO信道模型,提高了系统容量[10]。针对物理层安全问题，Zhangyu Li等人采用混合声学和磁感应强度技术,分析了水下协作MIMO通信系统的性能[11]。

目前,在教育、交通、医疗等应用领域,以机器学习为代表的新一代人工智能技术已得到了广泛应用[12]。南京邮电大学的桂冠教授团队研究了基于机器学习的物理层无线通信技术[13]。河南大学的周毅教授团队研究了基于深度强化学习提出了复杂动态场景下无人机自主部署和能效优化策略[14]。但是,移动通信环境复杂多变,机器学习在无线通信的研究还处于早期探索阶段[15]。复杂多变的移动通信环境给智能移动通信带来了巨大挑战。

为了实现复杂通信环境下智能移动通信的增强，对移动通信系统的性能进行分析和预测是非常重要的。因此,本文研究了移动通信系统平均符号误码率(average symbol error probability,ASEP)性能的分析与预测。首先,在2-Rayleigh信道下,利用多天线通信技术,建立了移动通信系统模型。然后分析了移动通信系统的ASEP性能,推导了系统ASEP性能的闭合表达式。最后,基于广义回归(generalized regression,GR)神经网络,提出了一种ASEP性能智能预测方法。和径向基函数(radial basis function,RBF)神经网络,极限学习机(extreme learning machine，ELM),小波神经网络(wavelet neural network，WNN)等方法进行了比较，仿真结果表明:本文所提出的预测算法性能更好,预测精度提高了24.3%。

1 系统模型

在本文中,移动通信系统包括一个移动信源(MS)和一个移动目的端(MD)。通信信道是2-Rayleigh信道[16]。MS有1根发射天线,MD有L根接收天线。

在接收端,对于第i个接收天线,其接收信号为

yi=his+n，

(1)

其中hi表示第i个接收天线的信道增益，s表示发射信号,n为加性复高斯噪声。ES表示系统的发射功率，N0表示n的功率谱密度，所以其瞬时接收信噪比为

(2)

平均接收信噪比为

(3)

(4)

其中K0()表示0阶第2类修正贝塞尔函数。

(5)

其中K1()表示1阶第二类修正贝塞尔函数。

当移动通信系统的接收机采用选择合并接收时，接收端的瞬时信噪比SC为[17]

γSC=max(γ1,γ2,…,γL)，

(6)

这里假设所有信道是独立同分布的,其平均接收信噪比为

(7)

γSC的概率密度函数推导为

(8)

累计分布函数表示为

(9)

2 ASEP性能分析

脉冲幅度调制(PAM)的误码率表示为[18]

(10)

其中q表示PAM调制的阶数。

定理1系统的ASEP表示为

(11)

证明系统的ASEP计算为

(12)

I1表示为

(13)

同理，I2表示为

(14)

3 ASEP性能的智能预测

3.1 数据集

X=(x1,x2,…,x5)，

(15)

然后利用X，通过公式(11)就计算得到了输出y。

本文选取了P个训练样本(Xi,yi),i=1,2,…,P，来训练GR神经网络。

3.2 GR神经网络

GR神经网络的结构如图1所示[19]。对于模式层的第i个神经元,其输出为

(16)

σ为扩展因子。

对于求和层的S和D神经元,其输出分别为

(17)

(18)

GR神经网络的预测输出为

(19)

图1 GR 神经网络结构

图2 预测算法流程图

3.3 评价准则

本文使用均方误差(Mean Squared Error，MSE)来评价不同算法的预测性能。MSE表示为

(20)

其中PP是测试集的数目,dz表示理想的ASEP。

3.4 算法流程

图3 不同信道下的ASEP性能

算法流程如图2所示。首先,初始化GR神经网络的结构,调整扩展因子σ。然后,对数据进行归一化,输入到GR神经网络,得到预测ASEP。利用理想ASEP,计算MSE。如果MSE满足精度要求,就可以获得最佳的MSE；如果不满足精度要求,重复上述过程,直至满足精度要求。最后,得到最佳的GR神经网络,用来进行ASEP性能的预测。

5 数值仿真

这里定义E=1,每次仿真参数设定为10000次。

在图3中,针对不同的信道,即Rayleigh和2-Rayleigh，研究了系统的ASEP性能。从图3可以看出,Monte-Carlo仿真值非常吻合理论值,这验证了推导的理论闭合表达式的正确性。随着信噪比的增加，ASEP性能是不断改善的。在相同的信噪比时，2-Rayleigh信道的ASEP性能要比Rayleigh信道的ASEP性能差。这是因为，2-Rayleigh信道的衰弱程度要大于Rayleigh信道。

表2 仿真系数

在图4-7中,比较了RBF[20]，WNN[21]，ELM[22]和GR神经网络四种算法的预测效果。使用了800组数据用来训练,50组用来测试。仿真系数如表2所示。在图4- 7中，GR神经网络的MSE是0.00000384,比其他3种算法都要小，这也说明本文使用的GR神经网络算法获得了更好的预测效果,预测精度提高了24.3%。GR神经网络以径向基网络为基础，具有良好的非线性逼近性能，收敛速度快，运行时间也很少。

图4 GR神经网络的预测效果

图5 RBF神经网络的预测效果

图6 ELM的预测效果

图7 WNN的预测效果

6 结论

针对复杂多变的通信环境,本文研究了移动通信系统ASEP性能的分析与预测。首先,采用PAM调制,推导了ASEP的闭合表达式。然后利用分析结果，建立数据集，提出了基于GR神经网络的ASEP性能智能预测方法。仿真结果表明,在复杂的通信环境下,和ELM，WNN和RBF算法相比,本文提出的算法具有更好的ASEP性能预测效果,预测精度提高了24.3%。