融合多层注意力机制与CNN-LSTM的反向散射信道预测

作     者：徐双 文永新 刘文斌 李佳龙 李灯熬 赵菊敏 XU Shuang;WEN Yongxin;LIU Wenbin;LI Jialong;LI Dengao;ZHAO Jumin

作者机构：太原理工大学计算机科学与技术学院(大数据学院)太原030024 太原理工大学电子信息与光电工程学院太原030024 大数据融合分析与应用山西省重点实验室太原030024 山西省智能感知工程研究中心太原030024 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2024年第45卷第9期

页      面：2278-2284页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 

基　　金：国家自然科学基金项目(62102280)资助 山西省基础研究计划项目(20210302124167)资助 山西省重点研发计划项目(202102020101001)资助 国家自然科学基金面上项目(61972273)资助 山西省关键核心技术和共性技术研发攻关专项项目(2020XXX007)资助 

主　　题：反向散射通信 信道预测 卷积神经网络 长短期记忆网络 多层注意力机制 

摘      要：反向散射通信系统频谱资源十分有限且易受链路突变性影响,信道预测是提高其频谱资源利用率和通信质量的一种有效方法.但大多数现有预测方法的预测精度偏低、依赖完全已知的信道状态信息、适用性受限.为此,本文提出了一种融合多层注意力机制与卷积神经网络-长短期记忆网络(Convolutional Neural Networks-Long Short-Term Memory,CNN-LSTM)的信道预测方法.利用CNN模型与注意力机制提取接收信号强度序列的特征,并进一步使用LSTM模型与注意力机制提取其跨时间步长的特征,从而实现对信道指标的预测.最后,借助商用阅读器与标签采集3种不同场景下的信道状态数据,并基于Tensorflow与Keras验证了所提预测方法性能.结果表明,融合多层注意力机制与CNN-LSTM的信道预测方法具有较强的场景适用性,且其预测准确性较高.