基于机器学习的太赫兹信道预测建模研究

打开文本图片集
摘 要:针对6G 移动通信的通信场景复杂化、数据海量化,以及传统信道建模方法带来的测量成本昂贵、建模复杂度高等挑战,将机器学习中的反向传播神经网络(Back Propagation Neural Network,BPNN)应用到室内太赫兹信道建模中,有效降低了建模复杂度,提高了建模效率。建立了基于遗传算法(Genetic Algorithm,GA)和蚁群算法(Ant ColonyOptimization,ACO)混合优化的BPNN 信道参数预测模型,对太赫兹无线信道的大小尺度特性进行了学习与预测,并与传统的BPNN 模型、GA-BP 和ACO-BP 的预测结果进行了比较,验证了所建立模型的准确性和有效性。(剩余2364字)