第五代移動(dòng)通信系統(tǒng)是近年來(lái)國(guó)內(nèi)外研究的熱點(diǎn),信道測(cè)試、建模與仿真技術(shù)研究對(duì)5G鏈路和系統(tǒng)仿真及設(shè)計(jì)起著極為重要的作用。與此同時(shí),機(jī)器學(xué)習(xí)也逐漸應(yīng)用于信道建模領(lǐng)域,可以很好地學(xué)習(xí)數(shù)據(jù)特征解決時(shí)變序列的預(yù)測(cè)問(wèn)題。本文的主要工作有:第一,基于現(xiàn)階段研究較廣的兩種機(jī)器學(xué)習(xí)的算法,建立了利用神經(jīng)網(wǎng)絡(luò)算法與支持向量機(jī)算法進(jìn)行信道參數(shù)建模的方法。第二,基于毫米波26 GHz室外微蜂窩在視距信道和非視距場(chǎng)景下的實(shí)測(cè)數(shù)據(jù),利用徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)建立聯(lián)合小尺度參數(shù)的回放模型,并對(duì)模型的輸出結(jié)果進(jìn)行了對(duì)比分析。第三,根據(jù)2.55 GHz室外微蜂窩在視距和非視距場(chǎng)景下的實(shí)測(cè)數(shù)據(jù),利用最小二乘支持向量機(jī)(Least Square Support Vector Machine,LS-SVM)建立了信道參數(shù)的預(yù)測(cè)模型,同時(shí)引入遺傳算法(Genetic Algorithm,GA)對(duì)模型的尋優(yōu)過(guò)程進(jìn)行了優(yōu)化。結(jié)果表明利用RBF神經(jīng)網(wǎng)絡(luò)聯(lián)合小尺度參數(shù)回放模型的輸出結(jié)果能夠更加貼近原始數(shù)據(jù);利用GA算法可以優(yōu)化LS-SVM的建模過(guò)程,使得GA+LS-SVM模型的建立時(shí)間...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及存在的問(wèn)題
    1.3 論文的主要工作
第2章 機(jī)器學(xué)習(xí)算法理論
    2.1 神經(jīng)網(wǎng)絡(luò)基本原理
        2.1.1 徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)原理
        2.1.2 基于RBF神經(jīng)網(wǎng)絡(luò)信道建模實(shí)現(xiàn)
    2.2 支持向量機(jī)基本原理
        2.2.1 支持向量機(jī)原理
        2.2.2 最小二乘向量機(jī)基本原理
        2.2.3 基于LS-SVM的信道參數(shù)預(yù)測(cè)實(shí)現(xiàn)
    2.3 章節(jié)小結(jié)
第3章 基于RBF的毫米波信道建模研究
    3.1 測(cè)量場(chǎng)景及測(cè)量系統(tǒng)的介紹
    3.2 RBF神經(jīng)網(wǎng)絡(luò)小尺度信道建模及結(jié)果
    3.3 仿真及結(jié)果分析
        3.3.1 路徑損耗的RBF神經(jīng)網(wǎng)絡(luò)模型
        3.3.2 聯(lián)合小尺度信道參數(shù)的RBF神經(jīng)網(wǎng)絡(luò)模型
    3.4 本章小結(jié)
第4章 基于LS-SVM的時(shí)變信道建模研究
    4.1 測(cè)量場(chǎng)景及測(cè)量系統(tǒng)的介紹
    4.2 基于LS-SVM的信道參數(shù)建模研究
        4.2.1 SVM參數(shù)尋優(yōu)的方法
        4.2.2 基于GA的模型參數(shù)選擇
    4.3 基于GA優(yōu)化的LS-SVM信道建模分析
    4.4 GA+LS-SVM模型和LS-SVM與BP神經(jīng)網(wǎng)絡(luò)模型的比較
    4.5 本章小結(jié)
第5章 結(jié)論與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號(hào)：3874576