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

来源：小型微型计算机系统, 2023, 1-8.

• 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

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三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。

• 单位
  太原理工大学