CN110213003A - 一种无线信道大尺度衰落建模方法及装置 - Google Patents

Abstract

本发明提供一种无线信道大尺度衰落建模方法及装置，能够准确预测待测量点的路径损耗值。所述方法包括：获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型。本发明涉及无线信道建模和人工智能领域。

Description

一种无线信道大尺度衰落建模方法及装置

技术领域

本发明涉及无线信道建模和人工智能领域，特别是指一种无线信道大尺度衰落建模方法及装置。

背景技术

随着移动通信技术的发展，无线电波的传播路径(即无线信道)的各种指标，如带宽，频段，天线规模等成倍增大，无线信道中的数据也急剧增多。众所周知，目前最为复杂的通信系统首推无线通信系统。它的复杂性主要在于无线通信的工作环境十分复杂，电波信号不仅会随着传播距离的增加而产生弥散损耗，而且会受到地形、建筑物的遮蔽而发生“阴影效应”，同时，信号传播过程中的多点反射会产生电平快衰落和时延扩展；另外，无线通信常常发生在快速移动中，因而会引起多普勒频移，产生随机调频，而且会使电波传播特性发生快速的随机起伏。根据实际情况建立合适的信道模型对研究信道特征和性能具有重要意义，任何无线通信系统的标准都需要指定一个信道模型作为性能评估和比较的基础，而该信道模型必须充分体现出目标应用环境的特性。

深度学习是在机器学习的基础上发展而来，它采用分层处理机制，能够自动地从输入数据逐层学习高级特征。因此，通过无监督式或半监督式的特征学习和分层特征提取的高效算法，深度学习成功替代了手工特征提取方法。至今已有多种深度学习模型在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域取得了具有竞争性的表现。因此，不妨将深度神经网络用于学习无线信道的衰落上，人工智能是一种可以从数据集内部寻找规则，然后将规则转化为具有学习参数的合适模型，诸如分类，回归，聚类和检测等。其实无线信道衰落本质上就是一种包含场景，距离和时间等的数据序列。利用深度学习在特征提取方面的优势，建立一般化的、稳定的、出色的信道模型具有重大意义。

现有技术中的基于经验、半经验的路径损耗模型存在计算量大，干扰因素多及预测不准确的问题。

发明内容

本发明要解决的技术问题是提供一种无线信道大尺度衰落建模方法及装置，以解决现有技术中的基于经验、半经验的路径损耗模型存在计算量大，干扰因素多及预测不准确的问题。

为解决上述技术问题，本发明实施例提供一种无线信道大尺度衰落建模方法，包括：

获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；

根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；

获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；

对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；

根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型，所述信道损耗检测模型用于确定待测量点的路径损耗值。

进一步地，所述根据图片信息提取传播环境的地表高度分布包括：

根据测量环境的图片信息，将基站覆盖下的区域划分为S×S个网格，在地理信息系统中通过抽样和内插法获得网格化的高度模型；

根据所述高度模型，得到用于确定传播环境地表高度分布的地表高度均值和地表高度标准差Q：

其中，h_ij表示每个网格的高度，i＝1,2,…,S；j＝1,2,…,S。

进一步地，所述根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型包括：

对各个维度的信道特征进行归一化处理；

将归一化处理后的信道特征输入到卷积神经网络中，利用卷积神经网络的梯度优化算法迭代优化均方误差和准确度，直至均方误差小于预设的第一阈值且准确度大于预设的第二阈值时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

进一步地，所述卷积神经网络的学习率采用动态学习率，随着迭代轮数的增加学习率自动发生衰减，每轮衰减后的学习速率表示为：

decayed_learning_rate＝\

learning_rate*decay_rate^(global_step/decay_step)

其中，decayed_learning_rate表示每轮衰减后的学习速率，learning_rate表示初始学习速率，decay_rate表示衰减率系数，global_step表示当前训练轮次，decay_step表示衰减周期。

本发明实施例还提供一种无线信道大尺度衰落建模装置，包括：

第一获取模块，用于获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；

提取模块，用于根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；

第二获取模块，用于获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；

组合模块，用于对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；

训练模块，用于根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型，所述信道损耗检测模型用于确定待测量点的路径损耗值。

进一步地，所述提取模块包括：

获取单元，用于根据测量环境的图片信息，将基站覆盖下的区域划分为S×S个网格，在地理信息系统中通过抽样和内插法获得网格化的高度模型；

确定单元，用于根据所述高度模型，得到用于确定传播环境地表高度分布的地表高度均值和地表高度标准差Q：

其中，h_ij表示每个网格的高度，i＝1,2,…,S；j＝1,2,…,S。

进一步地，所述训练模块包括：

处理单元，用于对各个维度的信道特征进行归一化处理；

训练单元，用于将归一化处理后的信道特征输入到卷积神经网络中，利用卷积神经网络的梯度优化算法迭代优化均方误差和准确度，直至均方误差小于预设的第一阈值且准确度大于预设的第二阈值时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

进一步地，所述卷积神经网络的学习率采用动态学习率，随着迭代轮数的增加学习率自动发生衰减，每轮衰减后的学习速率表示为：

decayed_learning_rate＝\

learning_rate*decay_rate^(global_step/decay_step)

其中，decayed_learning_rate表示每轮衰减后的学习速率，learning_rate表示初始学习速率，decay_rate表示衰减率系数，global_step表示当前训练轮次，decay_step表示衰减周期。

本发明的上述技术方案的有益效果如下：

上述方案中，获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型；这样，通过基于深度神经网络的信道损耗检测模型能够准确预测待测量点的路径损耗值，且计算简单。

附图说明

图1为本发明实施例提供的无线信道大尺度衰落建模方法的流程示意图；

图2为本发明实施例提供的卷积-反卷积神经网络的结构示意图；

图3为本发明实施例提供的均方误差指标在经过300轮迭代以后损失几乎降为0的效果示意图；

图4为本发明实施例提供的无线信道大尺度衰落建模装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的基于经验、半经验的路径损耗模型存在计算量大，干扰因素多及预测不准确的问题，提供一种无线信道大尺度衰落建模方法及装置。

实施例一

如图1所示，本发明实施例提供的无线信道大尺度衰落建模方法，包括：

S101，获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；

S102，根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；

S103，获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；

S104，对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；

S105，根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型，所述信道损耗检测模型用于确定待测量点的路径损耗值。

本发明实施例所述的无线信道大尺度衰落建模方法，获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型；这样，通过基于深度神经网络的信道损耗检测模型能够准确预测待测量点的路径损耗值，且计算简单。

本实施例中，在S101中，针对任一预设条件下的测量环境，首先获取信道探测设备在该测量环境下得到的多个测量点的实际路径损耗值和测量环境的图片信息；其中，所述预设条件可以包括：基站的发射频率、基站高度、基站到接收天线的距离、地表信息等。

本实施例中，地表信息可以由数字高程模型(Digital Elevation Model，DEM)来获得，其中，DEM是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，DEM是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital Terrain Model，DTM)的一个分支，其它各种地形特征值均可由此派生。

本实施例中，在S102中，根据图片信息提取传播环境的地表高度分布，传播环境中的地表高度可以视为服从对数正态分布的随机变量，根据对数正态分布的特性，需要确定地表高度均值和地表高度标准差即可确定地表高度分布。因此，要描述一个区域内的地表高度分布状况，只需要获知地表高度均值和地表高度标准差。

在前述无线信道大尺度衰落建模方法的具体实施方式中，进一步地，所述根据图片信息提取传播环境的地表高度分布包括：

根据测量环境的图片信息，将基站覆盖下的区域划分为S×S个网格，在地理信息系统中通过抽样和内插法获得网格化的高度模型；

根据所述高度模型，得到用于确定传播环境地表高度分布的地表高度均值和地表高度标准差Q：

其中，h_ij表示每个网格的高度，i＝1,2,…,S；j＝1,2,…,S。当网格数量足够多的时候，其中，m和δ_h分别为实际的地表高度均值和地表高度标准差。

本实施例中，在S102中，还需根据图片信息提取地物及建筑类型信息，因为在实际过程中，人造环境对路径损耗造成的影响最为剧烈，本实施例中，定义了8个地物和建筑物类型指标，分别是水域、开阔地、植被、高层建筑、一般规则建筑、平行规则建筑、大基底不规则低矮建筑群和不规则低矮建筑群，构成8个属性。

本实施例中，高层建筑、一般规则建筑、平行规则建筑、大基底不规则低矮建筑群和不规则低矮建筑群是根据建筑物的高度、占地面积和形状划分的，具体的划分标准如表1所示。

表1建筑划分标准

高度(m)	占地面积(m<sup>2</sup>)	形状	建筑类型
				>40	1000-3000	规则	高层建筑
20-40	1000-5000	规则	一般规则建筑
				<20	>3000	规则	平行规则建筑
<20	>6000	不规则	大基底不规则低矮建筑群
				<20	>3000	不规则	不规则低矮建筑群

本实施例中，在S102中，对地物及建筑类型信息进行独热(One-hot)编码，，经过one-hot编码后，比如其中一例水域就可以写为(1,0,0,0,0,0,0,0)。

本实施例中，在S103中，获取基站的发射频率、基站高度、基站到接收天线的距离，其中，发射频率的取值应该是在实际部署中出现的合理范围的值。

本实施例中，在S104中，对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到一个多维度信道特征，该多维度信道特征可以表示当前的信道环境，包括频率、地形及建筑类型信息和此环境下的实际信道损耗值等。

在前述无线信道大尺度衰落建模方法的具体实施方式中，进一步地，所述根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型包括：

对各个维度的信道特征进行归一化处理；

将归一化处理后的信道特征输入到卷积神经网络中，利用卷积神经网络的梯度优化算法迭代优化均方误差和准确度，直至均方误差小于预设的第一阈值且准确度大于预设的第二阈值时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

本实施例中，在S105中，将得到各个维度的信道特征，采用的是Min-Max归一化方法进行标准化(Normalization)，目的是为了减少各个维度数据的差异性，便于后续卷积神经网络的处理；接着，将归一化后的信道特征组合，输入到卷积神经网络中去，使用均方误差(mean-error)和准确度(accuracy)评估卷积神经网络的学习效果，迭代多轮以后，直至均方误差小于预设的第一阈值(例如，0.5)且准确度大于预设的第二阈值(例如，95％)时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

在统计学中，均方误差计算的是拟合数据和原始对应点的误差，MS越接近于0，说明信道损耗检测模型的选择和拟合更好，数据预测也越成功。

本实施例中，准确度的定义为：

正确分类的测试实例个数占测试实例总数的比例，用于衡量信道损耗检测模型正确的预测新的或先前未见过的数据的类标号的能力。

(1)True Positive(真正,TP)：将正类预测为正类数；

(2)True Negative(真负,TN)：将负类预测为负类数；

(3)False Positive(假正,FP)：将负类预测为正类数→误报(Type I error)；

(4)False Negative(假负,FN)：将正类预测为负类数→漏报(Type II error)；

准确度Accuracy的计算公式表示为：

Accuracy＝(TP+TN)/(TP+TN+FP+FN)

如图2所示，本实施例中的卷积神经网络可以为卷积-反卷积神经网络，所述卷积反卷积神经网络采用是64-32-16-8-8-16-32-64的八层结构，卷积核大小为(2，2)，步长为1，卷积层加入批量归一化(Batch-Normalization)，激活函数采用Relu，学习率采用动态学习率，随着迭代轮数的增加学习率自动发生衰减，每轮衰减后的学习速率表示为：

decayed_learning_rate＝\

learning_rate*decay_rate^(global_step/decay_step)

其中，decayed_learning_rate表示每轮衰减后的学习速率，learning_rate表示初始学习速率，decay_rate表示衰减率系数，global_step表示当前训练轮次，decay_step表示衰减周期。

如图2所示，所述卷积-反卷积神经网络是一个中间细，两头粗的深度神经网络，从开始的卷积核数量较多可以更好的提取更多的特征，不会漏掉多余的特征信息，中间细长的卷积核可以简化计算，加快运算速度，使预测输出能更加准确快速。

如图3所示，图3为均方误差指标在经过300轮迭代以后损失几乎降为0的效果示意图，通过图3可以看出本卷积-反卷积神经网络能够精确的预测出不同场景下某特定区域的路径损耗，本实施例得到的信道损耗检测模型可以随预设条件变化而变化，进而得到任意场景、任意配置、任意频率下的信道损耗检测模型，简化路径损耗的计算过程，提高建模的准确度。

实施例二

本发明还提供一种无线信道大尺度衰落建模装置的具体实施方式，由于本发明提供的无线信道大尺度衰落建模装置与前述无线信道大尺度衰落建模方法的具体实施方式相对应，该无线信道大尺度衰落建模装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述无线信道大尺度衰落建模方法具体实施方式中的解释说明，也适用于本发明提供的无线信道大尺度衰落建模装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。

如图4所示，本发明实施例还提供一种无线信道大尺度衰落建模装置，包括：

第一获取模块11，用于获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；

提取模块12，用于根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；

第二获取模块13，用于获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；

组合模块14，用于对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；

训练模块15，用于根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型，所述信道损耗检测模型用于确定待测量点的路径损耗值。

本发明实施例所述的无线信道大尺度衰落建模装置，获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型；这样，通过基于深度神经网络的信道损耗检测模型能够准确预测待测量点的路径损耗值，且计算简单。

在前述无线信道大尺度衰落建模装置的具体实施方式中，进一步地，所述提取模块包括：

获取单元，用于根据测量环境的图片信息，将基站覆盖下的区域划分为S×S个网格，在地理信息系统中通过抽样和内插法获得网格化的高度模型；

确定单元，用于根据所述高度模型，得到用于确定传播环境地表高度分布的地表高度均值和地表高度标准差Q：

其中，h_ij表示每个网格的高度，i＝1,2,…,S；j＝1,2,…,S。

在前述无线信道大尺度衰落建模装置的具体实施方式中，进一步地，所述训练模块包括：

处理单元，用于对各个维度的信道特征进行归一化处理；

训练单元，用于将归一化处理后的信道特征输入到卷积神经网络中，利用卷积神经网络的梯度优化算法迭代优化均方误差和准确度，直至均方误差小于预设的第一阈值且准确度大于预设的第二阈值时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

在前述无线信道大尺度衰落建模装置的具体实施方式中，进一步地，所述卷积神经网络的学习率采用动态学习率，随着迭代轮数的增加学习率自动发生衰减，每轮衰减后的学习速率表示为：

decayed_learning_rate＝\

learning_rate*decay_rate^(global_step/decay_step)

其中，decayed_learning_rate表示每轮衰减后的学习速率，learning_rate表示初始学习速率，decay_rate表示衰减率系数，global_step表示当前训练轮次，decay_step表示衰减周期。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种无线信道大尺度衰落建模方法，其特征在于，包括：

获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；

根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；

获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；

对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；

根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型，所述信道损耗检测模型用于确定待测量点的路径损耗值。

2.根据权利要求1所述的无线信道大尺度衰落建模方法，其特征在于，所述根据图片信息提取传播环境的地表高度分布包括：

根据测量环境的图片信息，将基站覆盖下的区域划分为S×S个网格，在地理信息系统中通过抽样和内插法获得网格化的高度模型；

根据所述高度模型，得到用于确定传播环境地表高度分布的地表高度均值和地表高度标准差Q：

其中，h_ij表示每个网格的高度，i＝1,2,…,S；j＝1,2,…,S。

3.根据权利要求1所述的无线信道大尺度衰落建模方法，其特征在于，所述根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型包括：

对各个维度的信道特征进行归一化处理；

将归一化处理后的信道特征输入到卷积神经网络中，利用卷积神经网络的梯度优化算法迭代优化均方误差和准确度，直至均方误差小于预设的第一阈值且准确度大于预设的第二阈值时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

4.根据权利要求1所述的无线信道大尺度衰落建模方法，其特征在于，所述卷积神经网络的学习率采用动态学习率，随着迭代轮数的增加学习率自动发生衰减，每轮衰减后的学习速率表示为：

decayed_learning_rate＝\learning_rate*decay_rate∧(global_step/decay_step)

其中，decayed_learning_rate表示每轮衰减后的学习速率，learning_rate表示初始学习速率，decay_rate表示衰减率系数，global_step表示当前训练轮次，decay_step表示衰减周期。

5.一种无线信道大尺度衰落建模装置，其特征在于，包括：

第一获取模块，用于获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；

提取模块，用于根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；

第二获取模块，用于获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；

组合模块，用于对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；

训练模块，用于根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型，所述信道损耗检测模型用于确定待测量点的路径损耗值。

6.根据权利要求5所述的无线信道大尺度衰落建模装置，其特征在于，所述提取模块包括：

获取单元，用于根据测量环境的图片信息，将基站覆盖下的区域划分为S×S个网格，在地理信息系统中通过抽样和内插法获得网格化的高度模型；

确定单元，用于根据所述高度模型，得到用于确定传播环境地表高度分布的地表高度均值和地表高度标准差Q：

其中，h_ij表示每个网格的高度，i＝1,2,…,S；j＝1,2,…,S。

7.根据权利要求5所述的无线信道大尺度衰落建模装置，其特征在于，所述训练模块包括：

处理单元，用于对各个维度的信道特征进行归一化处理；

训练单元，用于将归一化处理后的信道特征输入到卷积神经网络中，利用卷积神经网络的梯度优化算法迭代优化均方误差和准确度，直至均方误差小于预设的第一阈值且准确度大于预设的第二阈值时停止迭代，当前的卷积神经网络作为信道损耗检测模型。

8.根据权利要求5所述的无线信道大尺度衰落建模装置，其特征在于，所述卷积神经网络的学习率采用动态学习率，随着迭代轮数的增加学习率自动发生衰减，每轮衰减后的学习速率表示为：

decayed_learning_rate＝\learning_rate*decay_rate∧(global_step/decay_step)

其中，decayed_learning_rate表示每轮衰减后的学习速率，learning_rate表示初始学习速率，decay_rate表示衰减率系数，global_step表示当前训练轮次，decay_step表示衰减周期。