《表2 最佳超参数：基于最小二乘支持向量机的时变信道建模》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于最小二乘支持向量机的时变信道建模》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图4所示为经GA优化后LS-SVM的各个信道参数，包括时延扩展、接收端水平角度扩展和垂直角度扩展的预测值与测试值．由图可见，预测值和原始（测试）值非常接近，如时延扩展和接收端水平角度扩展两者数据几乎重叠．值得注意的是，相比于水平角度扩展，接收端垂直角度扩展的预测值与原始值略有差异．这是由于发送端用的是全向阵列天线，而接收端所用的16单元平面阵列天线对垂直角度扩展影响较大，因此原始数据的非线性程度加大，从而导致在数据量较小的情况下，LS-SVM的预测值与原始数据的拟合程度降低．由图4可见，基于GA优化的LS-SVM模型可以较好地学习信道参数之间的内在数据特征，在有限训练数据的条件下可预测出未来数据．即GA+LS-SVM模型在数据量较小的情况下对信道参数的变化有良好的适应性．对于非线性信道，经GA算法优化后的LS-SVM模型可取得较好的预测效果．