基于神经网络结构化组合的下行链路SINR预测

针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。