基于Elman神经网络的移动通信系统智能预测方法

王 涵，徐凌伟，林文忠

(1.澳门城市大学 数据科学研究院,澳门 999078；2.青岛科技大学 信息科学技术学院,山东 青岛 266061；3.闽江学院 福建省信息处理与智能控制重点实验室，福建 福州 350108)

0 引言

近年来，随着用户数量的爆炸性增长，第五代移动通信技术受到了广泛的关注[1]。随着5G移动技术的快速发展，不断涌现各类新的设备和应用场景，业务类型也日益多样化，导致了通信业务数据迅速膨胀、移动用户空时分布不均、多网异构共存的复杂通信环境[2]。当前移动通信领域面临着智能化、宽带化、多元化、综合化等诸多技术挑战。因此，复杂多变的移动通信环境，使得用户对移动通信提出了更高的通信质量要求，例如超大容量、高速移动接入以及超低时延等，成为5G移动通信技术面临的关键问题[3]。

为了提高5G移动通信的通信质量，协作分集和大规模多发多收(multiple input multiple output，MIMO)技术得到了广泛研究[4-6]。南京大学王夕予等人在Rayleigh信道下，基于随机几何理论和次序统计理论，分析了非正交多址接入上行传输系统性能[7]。针对集中式MIMO雷达多目标跟踪问题，空军工程大学的李正杰等人提出一种基于后验克拉美罗下界的功率和带宽联合分配方案[8]。在阴影莱斯和Nakagami-m信道下，孔槐聪等人分析了基于中继选择的星地协作传输系统的性能，推导了中断概率(outage probability，OP)闭合表达式[9]。在Rayleigh信道下，德国的Han Vinck等人提出了天线选择策略，研究了MIMO系统的容量性能问题，推导了容量上限的闭合表达式[10]。针对物理层安全问题，Anshul Pandey等人在2-Rayleigh信道下，分析了系统安全中断概率性能，推导了闭合表达式[11]。

目前，在医疗、交通、车联网等应用领域,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[12-14]。但是，无线移动通信环境变得日益复杂多样和动态多变，机器学习在无线通信的研究还处于早期探索阶段[15]。因此，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。

基于上述研究分析，本文提出了一种基于Elman神经网络的OP性能智能预测方法。首先，在2-Nakagami信道下，利用放大转发(amplify-and-forward，AF)协作通信技术，建立了移动协作通信系统模型，研究了移动协作通信系统的OP性能。然后，针对发射天线选择(transmit antenna selection，TAS)方案，推导了系统OP性能的闭合表达式。最后，基于Elman神经网络,提出了一种OP性能智能预测方法。和现有的径向基函数(radial basis function，RBF)，局部加权线性回归(locally weighted linear regression，LWLR)，小波神经网络(wavelet neural network，WNN)等方法进行了比较。仿真结果表明：本文理论推导的正确性得到了验证，而且所提算法的预测效果更好。

1 系统模型

移动协作通信系统如图1所示，包括一个有Nt根发射天线的移动信源(MS)，多个单天线的移动中继(MR)，和一个有Nr根接收天线的移动目的端(MD)。通信信道是2-Nakagami信道[16]。为了表示MS → MR，MS → MD,MR → MD 3个链路的信道增益，我们定义了变量h=hg，gSR，SD，RD。我们用GSR，GSD，GRD分别表示MS→MR，MS→MD，MR→MD链路的位置增益。GSD=1。

MDj接收信噪比计算为

γSCij=max(γSDij,γSRDij),

(1)

(2)

(3)

但是我们很难推导(3)式的闭合表达式。因此，这里推导了一个上限值为[17]

(4)

(1) 中的接收信噪比计算为

γij=max(γSDij,γupij)。

(5)

MD的接收信噪比计算为

(6)

TAS方案是选择发射天线g，使直接链路MSg→MDj的接收信噪比最大，即

(7)

2 TAS方案的OP性能

TAS方案的OP性能计算为

F=Pr(γg<γth)=Pr(γSDg<γth,γupg<γth)=Pr(γSDg<γth)Pr(γupg<γth)=Q1Q2,

(8)

其中γth是中断阈值。

我们计算Q1如

(9)

我们计算Q2如

(10)

3 OP性能的智能预测

3.1 数据选择

3.2 Elman神经网络

Elman神经网络的结构如图2所示[18]。

图2 Elman 神经网络结构

3.3 评价准则

4 数值仿真

我们定义μ=GSR/GRD为相对位置增益，E=1，每次仿真参数设定为10000次。

图3 TAS方案的OP性能

表1 仿真系数

在图3中，我们针对不同的情况，研究了TAS方案的OP性能，我们在表1中给出了仿真系数。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，Nt从1增加到3，OP性能是不断改善的。

表2 仿真系数

在图4-7中，我们比较了RBF[19]，WNN[20]，LWLR[21]和Elman神经网络四种算法的预测效果。我们使用了2500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，Elman神经网络的MSE是0.0002，比其他3种算法都要小，这也说明本文使用的Elman神经网络算法获得了更好的预测效果。和RBF，WNN，LWLR算法相比较，Elman算法的预测精度提高了96%。这是因为Elman神经网络是一种动态递归神经网络，在隐含层增加了一个承接层，从而使系统具有适应时变特性的能力，增强了网络的全局稳定性，具有更强的计算能力。

图4 Elman神经网络的预测效果

图5 RBF的预测效果

图6 WNN的预测效果

图7 LWLR的预测效果

5 结论

针对复杂多变的通信环境，本文在2-Nakagami信道下，研究了移动通信系统的OP性能智能预测方法。首先采用TAS方案，推导了OP的闭合表达式。然后提出了基于Elman神经网络的OP性能智能预测方法。仿真结果表明,在复杂的通信环境下，和RBF，WNN，LWLR算法相比，本文提出的Elman神经网络算法具有更好的OP性能预测效果，验证了本文所提方法的可行性与有效性。

深度学习技术，例如卷积神经网络和长短期记忆(Long-ShortTermMemory，LSTM)网络，具有更好的学习能力，可以更好的适应复杂多变的通信环境。因此，在未来的研究中，我们将基于深度学习技术，对系统的性能进行预测研究。