CN110247719A - 基于机器学习的5g时变信道回放与仿真方法 - Google Patents

Abstract

本发明属于无线信道建模技术领域，尤其涉及基于机器学习的5G时变信道回放与仿真方法，包括：采用高分辨率空间交替广泛期望最大算法提取信道每一快照对应的小尺度参数；建立与快照对应的联合小尺度参数神经网络时变模型；用神经时变模型生成的小尺度参数替代基于几何基础上的随机统计模型中的随机信道参数进行小尺度参数仿真；根据仿真得到的小尺度参数，计算得到时变的信道矩阵系数。能很方便的将5G实际场景信道测试数据回放，对科研机构和工业界实现5G链路和系统级性能仿真评估与5G网络设计有非常重要的应用价值。

Description

基于机器学习的5G时变信道回放与仿真方法

技术领域

本发明属于无线信道建模技术领域，尤其涉及基于机器学习的5G时变信道回放与仿真方法。

背景技术

5G移动通信系统是近年来国内外研究的热点，5G应用场景主要集中在多用户热点地区，环境中有大量的移动散射体存在，如市区行人与车辆，高铁候车室、现代格子型办公室等的人员流动。因此，5G的时变性更加突出，信道界迫切需要摒弃或改进传统信道基于概率统计的方法给信道造成的不确定性，寻找5G候选频段在典型应用场景下的时变信道模型并开展信道仿真研究，以真实再现5G信道的时变特性。

GSCM(Geometry-Based Stochastic Channel Model：基于几何基础上的随机统计模型)的其中一类是以信道测量作为基础，基于某些特定场景下的大量实际测量结果，获取其信道的大尺度参数统计特性，将环境中的各类反射体、散射体建模成簇，再依据信道的统计特性将簇随机分布于环境之中，再利用几何关系求得信道冲击响应。3GPP 5G信道模型标准中，QuaDRiGa(Quasi-DeterministicRadio Channel Generator：准确定性无线信道仿真器)被推荐为5G首选仿真平台。QuaDRiGa模型继承了GSCM模型的思想，信道模型独立于天线配置，并且支持自定义天线阵列及天线方向图，不同场景建模方法一致，但模型参数有区别。QuaDRiGa模型结合了确定性模型和统计随机模型两者的特点，但又不同于射线追踪模型，QuaDRiGa未采用详细的、可重现真实环境的地图，而是利用随机统计分布产生散射体。同时，相比于传统GSCM模型，QuaDRiGa要求输入收发端位置以及每个移动台的移动轨迹等信息，基于这些参数，可利用漂移(Drifting)等模型改善传统GSCM空时连续性差的问题，又克服了射线追踪模型过于依赖地形地貌数据库的准确性与计算复杂度高等缺点。但该信道模型仍不能充分代表测试场景。

发明内容

针对上述技术问题，本发明提出一种基于机器学习的时变信道回放与仿真方法，包括：

步骤S101：采用高分辨率空间交替广泛期望最大算法提取信道每一快照对应的小尺度参数；

步骤S102：建立与快照对应的联合小尺度参数神经网络时变模型；

步骤S103：用神经时变模型生成的小尺度参数替代基于几何基础上的随机统计模型中的随机信道参数进行小尺度参数仿真；

步骤S104：根据仿真得到的小尺度参数，计算得到时变的信道矩阵系数。

所述小尺度参数包括每个快照对应的多径或多簇个数、多径时延、复振幅、到达角、离开角和多普勒频移。

所述步骤S102包括：将每个测试快照对应的多径小尺度参数按参数不同分类，构成不同的子组；将所有测试快照对应的多径小尺度参数全部输入径向基函数神经网络开展训练，直至找到精确的神经网络模型，每一种小尺度参数都对应各自的神经网络结构。

所述步骤S103包括：输入快照数和其对应的参数变化范围；快照数的输入要基于测试数据发现的最大多径数目进行重复，小尺度参数给出其最大和最小值，取一定大小的步长，与快照数的输入矢量长度保持一致；神经网络准确预测每个测试快照所对应的信道小尺度参数。

所述不同的子组的数据格式为：假定第一个快照中的多径数为m₁,第n个快照中的多径数为m_n，快照中的最大多径数目为m；如果第n个快照的多径数m_n小于m,就把m-m_n个多径对应的参数设置为0或一个特殊的数值，以确定属于第n个快照中的非真实多径。

所述信道矩阵系数的计算方法为：

其中：和分别表示接收天线单元u在球面基准向量和的方向上的辐射计算函数，和分别表示发射天线单元s在球面基准向量和的方向上的辐射计算函数，表示第m条多径的水平维度离开角φ_m,AOD和垂直维度离开角θ_m,ZOD的单位向量，

表示第m条多径的水平维度到达角φ_m,AOA和垂直维度到达角θ_m,ZOA的单位向量，

P_m是快照中所有多径的归一化功率，M为多径的个数，为第m条径的四个不同极化方向组合(θθ,θφ,φθ,φφ)的初始随机相位，κ_m为第m条多径的交叉极化功率比，和分别表示接收天线单元u和发射天线单元s的位置矢量，λ₀为载波波长，v_m为第m条多径的多普勒频移。

本发明的有益效果：

提出了一种基于机器学习的时变信道回放与仿真方法，摒弃了传统的GSCM模型中通过概率分布随机产生小尺度参数的方法，基于神经网络准确预测每个测试快照所对应的信道小尺度参数，再现5G信道的时变特性并实现信道的精准仿真。基于本发明方法，能很方便的将5G实际场景信道测试数据回放，对科研机构和工业界实现5G链路和系统级性能仿真评估与5G网络设计有非常重要的应用价值。

附图说明

图1为本发明的方法流程框图。

图2为本发明的步骤S102的详细流程框图。

具体实施方式

下面结合附图，对实施例作详细说明。

如图1所示，本发明提出了一种基于机器学习的时变信道回放与仿真方法，包括：

步骤S101：提取信道的小尺度参数：

基于实测数据，采用高分辨率SAGE算法提取信道小尺度参数，SAGE算法是EM算法的扩展性迭代算法，通过依次更新参数子集来降低维数，减小了运算量并加快了收敛速度，从而使得参数估计更加精确，提升系统信噪比。小尺度参数包括每个快照对应的多径(簇)个数、多径时延、复振幅、AoA与AoD和多普勒频移等。

步骤S102：建立与快照对应的联合小尺度参数NN时变模型：

每个测试快照对应的小尺度参数按参数不同分类，构成不同的子组(如多径时延，复振幅,AoA和AoD等和快照数对应的子组)。假定第一个快照中的多径数为m₁,第n个快照中的多径数为m_n，快照中的最大多径数目为m。如果第n个快照的多径数m_n小于m,就把m-m_n个多径对应的参数设置为0或一个特殊的数值，以确定属于第n个快照中的非真实多径。

将所有测试快照对应的多径小尺度参数全部输入RBF神经网络开展训练，图2是RBF神经网络训练流程图，其模型由径向基函数α_i(x)和隐层和输出层之间的联接权w决定。α_i(x)一般服从高斯分布，由径向基函数中心c_i和方差σ_i确定。根据基函数中心选取方法的不同，RBF网络有多种学习方法。隐节点的净输入定义为输入样本距该节点的径向基函数的中心向量的欧几里德范数，即可由下式表示：

其中，X为输入样本，c_i为径向基函数的中心向量，||·||为欧几里得范数。i为网络的隐层节点数。如图2所示，步骤S202，隐层神经元的输出的实际含义为输入的样本X与隐层节点的RBF中心c_i的距离。与其他神经网络不同的是，在RBF网络内部，输入节点与隐层节点之间并不是依靠权重矩阵作为连接。故在训练过程，隐层进行不断选择的是每个隐藏节点的中心矢量，而其输出层为线性组合。X→α_i(x)的非线性映射的功能由输入层实现，α_i(x)→y_k的线性映射由输出层实现，步骤S203中的是期望输出，l是迭代次数，β是学习率，为迭代收敛一般0<β<2。直至找到精确的神经网络模型，每一种小尺度参数都对应各自的ANN结构。

步骤S103：基于NN模型的小尺度参数仿真：

需要输入快照数和其对应的参数变化范围。快照数的输入要基于测试数据发现的最大多径数目m进行重复，小尺度参数需要给出其最大和最小值，取一定大小的步长，与快照数的输入矢量长度保持一致。

传统GSCM信道仿真过程，以4G WINNER模型为例，信道冲激响应通过下计算：

其中，K表示莱斯因子，H₀(t)是视距径的信道矩阵系数，H_n(t),n＝1,2…,N代表第n条非视距多径的信道矩阵系数，δ(t)是Dirac Delta函数。该模型中，多径的含义等同于簇，对于特定的一个场景，簇的数量作为信道参数是固定的。一个簇中包含了特定数量的子径，例如，对于6GHz以下频段，子径数量设为20条。而在基于机器学习的时变信道回放与仿真架构中，摒弃了传统的GSCM模型中通过概率分布随机产生小尺度参数的方法，基于神经网络准确预测每个测试快照所对应的信道小尺度参数。在新的模型架构中，每个快照的多径数量不再是固定的。

步骤S104：计算信道矩阵系数：

根据仿真得到的小尺度参数，计算得到时变的信道矩阵系数。信道系数的计算方法为：

其中：和分别表示接收天线单元u在球面基准向量和的方向上的辐射计算函数，和分别表示发射天线单元s在球面基准向量和的方向上的辐射计算函数，表示第m条多径的水平维度离开角φ_m,AOD和垂直维度离开角θ_m,ZOD的单位向量，

表示第m条多径的水平维度到达角φ_m,AOA和垂直维度到达角θ_m,ZOA的单位向量，

P_m是快照中所有多径的归一化功率，M为多径的个数，为第m条径的四个不同极化方向组合(θθ,θφ,φθ,φφ)的初始随机相位，κ_m为第m条多径的交叉极化功率比，和分别表示接收天线单元u和发射天线单元s的位置矢量，λ₀为载波波长，v_m为第m条多径的多普勒频移。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于机器学习的时变信道回放与仿真方法，其特征在于，包括：

步骤S101：采用高分辨率空间交替广泛期望最大算法提取信道每一快照对应的小尺度参数；

步骤S102：建立与快照对应的联合小尺度参数神经网络时变模型；

步骤S103：用神经时变模型生成的小尺度参数替代基于几何基础上的随机统计模型中的随机信道参数进行小尺度参数仿真；

步骤S104：根据仿真得到的小尺度参数，计算得到时变的信道矩阵系数。

2.根据权利要求1所述方法，其特征在于，所述小尺度参数包括每个快照对应的多径或多簇个数、多径时延、复振幅、到达角、离开角和多普勒频移。

3.根据权利要求1或2所述方法，其特征在于，所述步骤S102包括：将每个测试快照对应的多径小尺度参数按参数不同分类，构成不同的子组；将所有测试快照对应的多径小尺度参数全部输入径向基函数神经网络开展训练，直至找到精确的神经网络模型，每一种小尺度参数都对应各自的神经网络结构。

4.根据权利要求1所述方法，其特征在于，所述步骤S103包括：输入快照数和其对应的参数变化范围；快照数的输入要基于测试数据发现的最大多径数目进行重复，小尺度参数给出其最大和最小值，取一定大小的步长，与快照数的输入矢量长度保持一致；神经网络准确预测每个测试快照所对应的信道小尺度参数。

5.根据权利要求3所述方法，其特征在于，所述不同的子组的数据格式为：假定第一个快照中的多径数为m₁,第n个快照中的多径数为m_n，快照中的最大多径数目为m；如果第n个快照的多径数m_n小于m,就把m-m_n个多径对应的参数设置为0或一个特殊的数值，以确定属于第n个快照中的非真实多径。

6.根据权利要求1或2或4或5任一所述方法，其特征在于，所述信道矩阵系数的计算方法为：

其中：和分别表示接收天线单元u在球面基准向量和的方向上的辐射计算函数，和分别表示发射天线单元s在球面基准向量和的方向上的辐射计算函数，表示第m条多径的水平维度离开角φ_m,AOD和垂直维度离开角θ_m,ZOD的单位向量，

表示第m条多径的水平维度到达角φ_m,AOA和垂直维度到达角θ_m,ZOA的单位向量，

P_m是快照中所有多径的归一化功率，M为多径的个数，为第m条径的四个不同极化方向组合(θθ,θφ,φθ,φφ)的初始随机相位，κ_m为第m条多径的交叉极化功率比，和分别表示接收天线单元u和发射天线单元s的位置矢量，λ₀为载波波长，v_m为第m条多径的多普勒频移。