一种适用于反向散射通信网络的信道选择方法

技术领域

本发明涉及一种适用于反向散射通信网络的信道探测方式、信道预测和选择的方法。

背景技术

反向散射通信网络，如射频识别(RFID)技术，一种短距离、超低功耗、低成本的无线通信技术，被广泛用于构建计算平台与大规模部署的传感器网络。随着物联网的飞速发展，更多潜在的应用场景也被大量提及，如：目标定位，手势识别，医疗检测等。与此同时，反向散射通信网络也已经扩展到了其他无线平台中，如：Wi-Fi、蓝牙等。由此我们可以预计，在不久的未来，反向散射通信网络相关的设备将大规模的在日常生活中被使用。因此，我们需要加紧对反向散射通信网络的相关研究。

其中，信道预测是无线通信网络的主要问题之一，针对信道预测的必要性有：一方面，准确实时的信道预测可以更好的自适应调制，从而减少标签不必要的能量损失，并保证较高的网络吞吐量。另一方面，信道预测后直接选择较好的信道传输信息，相比于改变调制方式，更好地利用了频谱。但相比传统的无线通信网络，反向散射通信网络中链路突发性的问题仍然存在，并且由于没有导频来准确的探测信道状况，信道预测也更加困难。

发明内容

为了解决现有技术缺乏利用深度学习技术在通过长短期记忆神经网络(LSTM)进行信道预测，最后根据预测的结果选择信道传输信息，本发明提供了一种适用于反向散射通信网络的信道选择方法，本发明采用了一种不需要硬件支持的信道探测方案，该方案通过子信道实时的信道指标，来选择合适的信道探测模式。然后，引入了一种基于长短期记忆神经网络的信道预测算法来准确预测信道指标。最后，根据预测的信道指标选择当前信道状况最好的信道。

本发明的技术方案如下：

一种适用于反向散射通信网络的信道选择方法，包括消极探测模式和积极探测模式；

所述消极探测模式是在目标标签当前信道指标变化较小，且不存在其他标签或其他标签信道指标变化也较小时进行的轻量开销探测模式；

所述积极探测模式是在目标标签当前信道指标变化较大，或其他标签指标变化较大时进行的全面探测模式。

进一步地，通过消极探测模式和积极探测模式得到的信道指标长短期记忆神经网络(LSTM)来预测每一个信道的信道指标。

进一步地，所述LSTM预测模型结构包括:输入序列X＝{x

进一步地，根据预测每一个信道的信道指标采用层次结构模型分析对信道进行选择，首先建立层次结构模型，接着构建比较判断矩阵，最后通过两两对比相比较重要性判断矩阵计算权重并排序，即计算第j列的几何平均值及对几何平均值进行权重计算，最后校验。

进一步地，所述的层次结构模型包括目标层、准则层、方案层；

所述目标层：通常是用户最终希望达到的预期目标，在层级模型中一般位于最顶层。

所述准则层：一般是为了达到某种目标的各个影响因素，通常位于模型的中间层，并且准则层还可以采用嵌套的结构。

所述方案层：通常为最终问题的实际决策，因此一般方案层经常位于模型的最底部。

进一步地，构建比较判断矩阵：

S1)准则层包括全部n个判决属性，表示为P{p

S2)方案层包括m个候选的方案，通过两两相互比较进而求出n个判决属性的判断矩阵A＝(a

S3)用户通过比较两个属性“哪个更重要”、“重要到何种程度”从而得到判断矩阵中的元素值。

进一步地，所述第j列的几何平均值为：

进一步地，所述第j列的几何平均值进行权重的计算：

本发明的有效地利用了长短期记忆神经网络(LSTM)来提高信道预测的精度，相比传统的无线通信网络，大幅度反向散射通信网络中链路突发性的问题，并且提供相对准确的探测信道状况及信道预测。

附图说明

图1为本发明一种适用于反向散射通信网络的信道选择方法的主要流程图。

图2为本发明一种适用于反向散射通信网络的信道选择方法的探测模型选择图。

图3为本发明一种适用于反向散射通信网络的信道选择方法的AHP层次结构模型示意图。

图4为本发明一种适用于反向散射通信网络的信道选择方法的校验流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-4所示，本发明提供了一种适用于反向散射通信网络的信道选择方法，包括消极探测模式和积极探测模式；根据当前信道指标的实时反馈和信道相关性，我们设计了一种轻量级的信道探测方案，它包括两种探测模式，分别是消极探测模式和积极探测模式。消极探测是在目标标签当前信道指标变化较小，且不存在其他标签或其他标签信道指标变化也较小时进行的轻量开销探测模式；积极探测是在目标标签当前信道指标变化较大，或其他标签指标变化较大时进行的全面探测模式。探测模式选择如图2所示。

进一步地，通过消极探测模式和积极探测模式得到的信道指标长短期记忆神经网络(LSTM)来预测每一个信道的信道指标。

这虽然可能会导致误判，继而增加一部分探测开销，但我们不希望错过任何信道可能改变的可能性。基于相邻信道的相关性，消极探测模式采用单个探针的二分法对目前未使用的信道进行探测，而积极探测模式采用四个探针的循环遍历法进行探测。

通过两种不同模式的探测，我们可以得到一段时间序列形式的信道指标，接着使用长短期记忆神经网络(LSTM)来预测每一个信道的信道指标。该神经网络可以对数据进行长期和短期的记忆，并通过神经网络以及反向传播技术获得一个随着信道状况不断变化的信道预测模型，一方面减少了大量的开销，另一方面也保证了预测的精度。LSTM预测模型结构包括:输入序列X＝{x

最后，我们根据预测的信道指标，采用层次分析法对信道进行选择。层次分析法解决多属性决策的问题的一般步骤为：分析需要决策的问题，建立层次结构模型，层次结构的模型如图3所示。层次结构的模型通常包含：

(1)目标层：通常是用户最终希望达到的预期目标，在层级模型中一般位于最顶层。

(2)准则层：一般是为了达到某种目标的各个影响因素，通常位于模型的中间层，并且准则层还可以采用嵌套的结构。

(3)方案层：通常为最终问题的实际决策，因此一般方案层经常位于模型的最底部。

2.构建比较判断矩阵：建立层次模型后，可以确定各元素在层次模型中的位置，用户对最终期望结果在决策中的重要性程度的认识可以用矩阵表示。

(1)准则层包括全部n个判决属性，表示为P{p

(2)方案层包括m个候选的方案，通过两两相互比较进而求出个判决属性的判断矩阵A＝(a

(3)用户通过比较两个属性“哪个更重要”、“重要到何种程度”从而得到判断矩阵中的元素值。

3.通过两两比较的相对重要性判决矩阵，计算每一个元素相对于上层元素的权重。即对每一层元素进行层次单排序，以及对判决矩阵进行一致性检验。

求第列的几何平均值为：

4.根据所得的第列的几何平均值进行权重的计算

其中从主观角度来看判决指标的权重值可以表示如公式(3.7)，采用算术平均法来计算权重。

5.最后进行如图4所示一致性检验，验证选择的正确性。