28、基于自回归和神经网络模型的下行链路波束赋形预测

基于自回归和神经网络模型的下行链路波束赋形预测

1. 引言

智能天线系统（SAS）在无线通信基站中已被证明能显著提升容量和性能。空间特征向量或信道向量描述了智能天线系统天线阵列处信号的传播特性。在时分双工（TDD）系统的下行链路波束赋形中，传统上，SAS使用在上行链路间隔估计的最后已知空间特征作为权重向量。

当移动终端静止或移动距离小于两个波长时，空间特征变化不显著，到达方向（DOA）几乎不变。然而，当移动用户高速移动时，由于多径上的多普勒频移引起的快速衰落效应，空间特征向量会迅速变化，此时使用前一个上行时隙的空间特征作为下行链路权重向量可能导致性能下降。

本文旨在通过对上行链路空间特征向量进行时间延迟前馈神经网络（TDFN）建模、自适应线性神经元（ADALINE）网络建模和自回归（AR）建模，来预测下行链路权重向量，并比较这些模型在不同移动速度（V）和预测滤波器（延迟）阶数（P）下的性能。使用的性能指标是下行链路接收功率的信噪比（SNR）改善（∆SNR）和实际与预测空间特征之间误差向量的范数（相对误差改善，∆ε）。

2. 空间特征向量模型

移动单元发射的带限基带信号s(t)被基站的M元天线阵列接收，表达式为：
[x(t)=a(t)s(t)+I(t)+n(t)]
其中，a(t)是对应移动用户的空间特征向量或信道向量，I(t)是多址干扰，n(t)是复值噪声向量。移动用户到天线阵列的传输通常存在多径，每个多径都有一个到达方向（DOA），形成一个导向向量。空间特征向量决定了无线环境中的物理传播特性，可表示为导向向量的加权和：
[\mathbf{a}(t)=\sum_{i = 1}^{L}r_{i}\alpha_{