高空通信中宽带信号源轨迹预测算法研究.pdfVIP

高空通信中宽带信号源轨迹预测算法研究 摘 要 高空通信中宽带信号源被认为是第五代移动通信技术中扩大通信覆盖范围 的有效解决方案之一。然而，由于高空中气流、压强和风向等作用，高空平台(High Altitude Platform, HAP)通常处于不稳定状态，使得地面上的网关和HAP 无法实 现精确的波束形成，导致HAP 通信系统引起不必要的容量损耗。针对这一问题， 本文提出了一种基于DOA 估计算法和深度学习的宽带信号源轨迹预测算法，通 过DOA 估计和深度学习实现下一时刻高空通信中宽带信号源的状态信息进行精 准预测研究，论文的主要工作如下： 首先，本文介绍了无线通信网络发展历程、高空平台通信系统、宽带信号源 到达角参数估计、机器学习算法和深度学习算法的研究现状。针对高空通信中宽 带信号源轨迹预测算法的问题，提出了使用高空平台二维到达角的参数估计轨迹 数据，对高空平台的下一个轨迹位置进行预测方法。 然后，本文详细介绍了深度学习中的LSTM 和注意力模型网络的模型结构， 提出了一种基于深度学习模型的宽带信号源轨迹预测方法。在该方法中，首先通 过面板天线阵列的DOA 估计算法，获取宽带信号源的轨迹信息。然后，使用了 一系列的数据预处理方法，保证轨迹信息数据有效性和稳定性。最后，使用了 LSTM 和注意力模型模型搭建了不同通信场景下的仿真预测模型，从而实现了宽 带信号源下一时刻的状态信息进行精准预测。 最后，本文通过仿真两种不同智慧城市通信场景，展示了两种场景下LSTM 和注意力模型预测的仿真结果，通过对比两种不同智慧城市通信场景下不同方法 的预测结果从而保证准确率最高的预测模型。结果表明本文提出宽带信号源轨迹 预测算法具有较高的准确率，使网关和HAP 达到精确的波束成形，减少了不必 要的容量损耗，提高了5G 高空平台通信系统的可靠性。 关键词：智慧城市，DOA ，LSTM ，注意力模型，轨迹预测 I 目 录 摘 要 I ABSTRACT II 第一章 绪论 1 1.1 研究背景和意义 1 1.2 相关研究3 1.2.1 宽带信号源到达角参数估计3 1.2.2 基于机器学习轨迹预测算法4 1.2.3 基于深度学习轨迹预测算法6 1.3 研究思路8 1.4 本文组织结构9 第二章 相关理论和技术分析10 2.1 DOA 估计算法 10 2.1.1 L 型阵列中DOA 估计方法 11 2.1.2 面板阵列中DOA 估计方法 13 2.2 循环神经网络 17 2.2.1 神经网络的优化算法 17 2.2.2 多层感知机神经网络 18 2.2.3 循环神经网络20 2.3 本章总结23 第三章 宽带信号源轨迹预测24 3.1 数据预处理24 3.1.1 数据清洗24 3.1.2 ADF 检验25 3.1.3 数据整合26 3.1.4 数据归一化27 3.1.5 数据重构27 3.2 基于LSTM 轨迹预测算法27 3.2.1 LSTM 前向传播算法模型27 3.2.2 LSTM 反向传播算法模型29 3.3 基于注意力模型的轨迹预测算法31 3.3.1 编码-解码模型结构32 3.3.2 基于LSTM 的Attention 模型结构32 3.4 本章总结33 第四章 宽带信号源轨迹预测仿真验证35 4.1 实验环境35 4.2 智慧城市下的轨迹预测算法35 4.2.1 智慧城市下的LSTM 模型的轨迹预测算法36 4.1.2 智慧城市下的Attention 模型的轨迹预测算法39 4.2 跨智慧城市下的轨迹预测算法42 4.2.1 跨智慧城市下的LSTM 模型的轨迹预测算法42 4.2.2 跨智慧城市下的Attention 模型的轨迹预测算法45 4.3 实验结果对比47 4.4