买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于Koopman算子和机器学习的信道预测方法、系统、终端及介质，包括：基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息。本发明基于利用通信基站储存的有效信息、Koopman算子理论及机器学习原理，提高了机器学习方法预测的准确性。

主权项：1.基于Koopman算子和机器学习的信道预测方法，其特征在于，包括：基于基站存储设备，对临近历史时刻的信道状态信息X进行保存；采集不同信噪比下的信道状态的训练数据集，并基于采集到的训练数据集对卷积神经网络进行训练；基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；基于所获取的历史时刻映射变量Υ推导出Koopman算子，基于Koopman算子得到目标时刻不变子空间的映射向量；基于全连接网络，将目标时刻不变子空间的映射向量转变为目标时刻的信道状态信息；所述基于Koopman算子理论和经过训练的卷积神经网络，将历史时刻信道状态信息X映射至线性变化的不变子空间中，得到历史时刻映射变量Υ；具体为：卷积神经网络对历史时刻信道状态信息X进行卷积处理，使其映射至线性不变子空间中，得到映射变量Υ；其中，历史时刻信道状态信息N为发射端天线数，T为历史时间窗宽，C为输出的通道数，此处为2，即信道状态信息的实部和虚部；卷积神经网络中使用大小为2×3的卷积核，卷积神经网络的padding设置为1,0,1,1；使用的激活函数为LeakyRelu如公式2所示： 其中，σ∈0,1实现对数据的非线性映射；卷积神经网络包含L层卷积操作Conv，卷积神经网络的输出为将每一个时间步的数据进行全连接操作FC，输出映射变量Υ如公式3所示：Υ＝EncoderX＝FCConvX3其中，是T-L×Cout×N的矩阵，Cout为输出通道数，L为卷积神经网络的层数，输入的窗宽满足T-LCout×N+1；Υ是第L+1到T时刻的隐变量的集合；在窗宽T-L中的所有时刻的隐变量近似满足线性变化，如公式4所示：yt+1＝ytK4其中，K是Cout×N×Cout×N的矩阵；所述基于Koopman算子得到目标时刻不变子空间的映射向量，具体为：基于映射变量Υ计算Koopman算子在不变子空间的有限维估计K，通过有限维估计K得到目标时刻在不变子空间的映射向量；将映射变量Υ的第L+1到T-1时刻的向量组合为矩阵，记为Υ1，第L+2到T时刻的向量组合为矩阵Υ2，Υ1和Υ2的表达式如公式5和公式6所示： 若不考虑噪声，Υ1和Υ2的关系如公式7所示：Υ2＝Υ1K7在噪声满足高斯分布的假设下，矩阵K满足如公式8条件： 矩阵K通过最小二乘法如公式9、公式10和公式11得到： 通过K得到后S时间步的隐变量

全文数据：

权利要求：

百度查询： 杭州勒贝格智能系统有限责任公司 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质