CN111628837A - 一种信道建模的方法及设备 - Google Patents

Abstract

本发明公开了一种信道建模的方法及设备，用以解决现有信道建模中准确性和普适性无法兼得的问题。识别无线信道的环境参数；经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；基于所述映射关系对信道进行预测。在构建环境参数与信道冲击响应的映射关系时，是经由机器算法训练信道的历史环境参数和历史信道参数的相关性，及训练信道的历史信道参数和历史信道冲击响应的相关性得到的，由于利用机器算法根据历史参数对映射关系进行训练，使训练出的映射关系适用于多场景，将环境参数输入映射关系中，可以准确的对信道进行预测。

Description

一种信道建模的方法及设备

技术领域

本发明涉及无线通信技术领域，特别涉及一种信道建模的方法及设备。

背景技术

信道建模是基于对信道特性规律的认知，对物理环境和无线电磁波的传播特性用模型来表征，信道建模的输出是特定场景下的无线信道冲击响应，常用来辅助物理层的仿真和设计。

现有的信道建模主要为统计型信道建模和确定性信道建模；

统计型信道建模：依赖大量的测量数据，通过数学模型和概率模型联合建立的模型，可以根据不同的场景分类，给出大概率下的信道预测，模型参数和其概率分布已经确定，确定信道冲击响应的过程较为简单，但是无法匹配真实的传播场景，因此预测不准确；

确定性信道建模：通过对无线传播环境进行精准复刻，在利用射线追踪手段建立的模型，在进行信道预测时只适用于那个特定的环境空间，不具备普适性。

综上，现有信道建模时存在准确性和普适性无法兼得的问题。

发明内容

本发明提供一种信道建模的方法及设备，用以解决现有信道建模方式中准确性和普适性无法兼得的问题。

第一方面，本发明实施例提供一种信道建模的方法，该方法包括：

识别无线信道的环境参数；

经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；

基于所述映射关系对信道进行预测。

上述方法，识别无线信道的环境参数，将环境参数输入到经由机器算法构建的环境参数与信道冲击响应的映射关系中，对信道进行预测，其中在构建环境参数与信道冲击响应的映射关系时，是经由机器算法训练信道的历史环境参数和历史信道参数的相关性及训练信道的历史信道参数和历史信道冲击响应的相关性得到的；由于利用机器算法根据历史参数对映射关系进行训练，使训练出的映射关系适用于多场景，且根据输入可以准确的确定输出，因此将识别无线信道的环境参数输入映射关系中，可以准确的对信道进行预测。

在一种可能的实现方式中，通过下列方式构建所述环境参数与信道冲击响应的映射关系：

经由机器算法分别构建环境参数与信道参数的第一映射关系，及信道参数与信道冲击响应的第二映射关系；

根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

上述方法，第一映射关系是利用机器算法训练信道的历史环境参数和历史信道参数的相关性得到的，第二映射关系是利用机器算法训练信道的历史信道参数和历史信道冲击响应的相关性得到的；由于利用机器算法根据历史参数对模型进行训练，使训练出的第一映射关系和第二映射关系可以适用于多场景，且根据输入可以准确的确定输出，因此根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

在一种可能的实现方式中，基于所述映射关系对信道进行预测，包括：

根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

上述方法，将环境参数输入到经由机器算法构建的第一映射关系中，可以准确定的确定出信道参数，进一步的将信道参数输入第二映射关系中，可以准确的对信道进行预测，由于构建第一映射关系和第二映射关系是根据历史参数确定的，使构建的第一映射模型和第二映射模型可以适用于多场景，且可以准确的对信道进行预测，因此适用于多场景且对信道进行预测的准确性高。

在一种可能的实现方式中，通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练。

在一种可能的实现方式中，所述通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练，包括：

通过第一损失函数对所述第一映射关系进行训练，其中，所述第一损失函数为：loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述信道参数与对应的历史信道参数之间的第一差值，m为正整数；

通过第二损失函数对所述第二映射关系进行训练；其中，所述第二损失函数为：loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述信道冲击响应关联的样本数据与历史信道冲击响应关联的同类型的样本数据之间的第二差值，n为正整数。

在一种可能的实现方式中，所述样本数据包括下列的部分或全部：

时频域的信道冲击响应、时延多普勒域的信道冲击响应、根据信道冲击响应生成的信道参数、根据信道冲击响应确定的性能指标值。

上述方法，具体的给出在经由机器算法构建所述环境参数与信道冲击响应的映射关系时，通过第一损失函数对环境参数与信道参数的第一映射关系进行训练，通过第二损失函数对信道参数与信道冲击响应的第二映射关系进行训练，使确定的第一映射关系及第二映射关系更加的收敛，使根据第一映射关系确定的信道参数更加准确，进一步可以更加准确的根据确定的信道参数进行信道预测。

第二方面，本发明实施例提供一种信道建模的设备，该设备包括：处理器以及收发机：

所述处理器用于：通过所述收发机进行数据传输，并识别无线信道的环境参数；

经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；

基于所述映射关系对信道进行预测。

在一种可能的实现方式中，所述处理器通过下列方式构建所述环境参数与信道冲击响应的映射关系：

经由机器算法分别构建环境参数与信道参数的第一映射关系，及信道参数与信道冲击响应的第二映射关系；

根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

在一种可能的实现方式中，所述处理器具体用于：

根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

在一种可能的实现方式中，所述处理器还用于：

通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练。

在一种可能的实现方式中，所述处理器具体用于：

通过第一损失函数对所述第一映射关系进行训练，其中，所述第一损失函数为：loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述信道参数与对应的历史信道参数之间的第一差值，m为正整数；

通过第二损失函数对所述第二映射关系进行训练；其中，所述第二损失函数为：loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述信道冲击响应关联的样本数据与历史信道冲击响应关联的同类型的样本数据之间的第二差值，n为正整数。

在一种可能的实现方式中，所述样本数据包括下列的部分或全部：

时频域的信道冲击响应、时延多普勒域的信道冲击响应、根据信道冲击响应生成的信道参数、根据信道冲击响应确定的性能指标值。

第三方面，本发明实施例提供一种信道建模的设备，该设备包括：至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行信道建模的方法的步骤。

第四方面，本发明实施例提供的一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述信道建模的任一方案。

另外，第二方面至第四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。

本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为无线信道特性和建模的重要性的示意图；

图2为本发明实施例提供的一种信道建模的方法的流程图；

图3为本发明实施例提供的一种确定第一映射关系的示意图；

图4为本发明实施例提供的一种确定映射关系的示意图；

图5为本发明实施例提供的一种信道建模的整体方法流程图；

图6为本发明实施例提供的一种信道建模的设备；

图7为本发明实施例提供的另一种信道建模的设备。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

2、本发明实施例所指的“接收端”是指能够信道建模的接收端，即手机、平板、电脑等。

3、本发明实施例所指的“发送端”是基站等能够信道建模的设备，比如宏基站、家庭基站等。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

信道建模对无线通信系统的研发具有基础性意义，如图1所示，为无线信道特性和建模的重要性的示意图。信道在多个路径传播，由于多路径传播，发送端到接收端的信号就不是从单一路径而来的，是经过许多路径的多个反射、折射、衍射矢量叠加得到的。在此时信号传播的路径不同，到达接收端的时间和相位、幅度也就不同，导致接收端接收到的信号产生衰落。

现有的信道建模可以分为统计型信道建模和确定性信道建模：

统计型信道建模：是依赖大量的测量数据，通过数学模型和概率模型联合建立的模型，可以根据不同的场景分类，确定出符合场景大概率下的信道预测，模型参数和其概率分布已经确定，确定信道冲击响应的过程较为简单；但是随着无线信道建模的大数据化，统计型信道建模进行信道预测无法匹配真实的传播场景，只局限于仿真评估，因此确定出的信道冲击响应不够准确；

确定性信道建模：是通过对无线传播环境进行精准复刻，再利用射线追踪手段建立的模型，但是确定性信道建模值适用于特定的空间环境，不具备普适性；同时预测的算法比较复杂，无法推广，扩展性弱。

目前无线通信不断的向多场景、多天线、多部署、多频段、大带宽演进，需要适应多种场景且确定的信道冲击响应准确的信道建模方法；但是现有的信道建模的方法不能在适应多场景的同时又可以准确的确定出信道冲击响应，即现有信道建模存在准确性和普适性无法兼得的问题；

基于上述内容，本发明实施例提供一种信道建模的方法，经由机器算法根据历史环境参数和历史信道参数构建环境参数与信道参数的第一映射关系，历史环境参数和历史信道参数是根据多场景、多频段、大带宽、多天线的无线信道测量结果的大数据库中的历史信道参数和历史信道冲击响应确定的，因此第一映射关系可以针对多个场景，进一步的将根据第一映射关系确定的信道参数输入第二映射关系，输出结果为对信道进行预测的结果，在确定第一映射关系和第二映射关系是都是基于机器算法确定的，因此第一映射关系和第二映射关系输出的结果更加的准确。

本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

针对上述场景，本发明实施例提供一种信道建模的方法，具体的如图2所示，为本发明实施例提供的一种信道建模的方法的流程图，包括如下步骤：

步骤200，识别无线信道的环境参数；

步骤210，经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；

步骤220，基于所述映射关系对信道进行预测。

上述方法，识别无线信道的环境参数，将环境参数输入到经由机器算法构建的环境参数与信道冲击响应的映射关系中，对信道进行预测，其中在构建环境参数与信道冲击响应的映射关系时，是经由机器算法训练信道的历史环境参数和历史信道参数的相关性及训练信道的历史信道参数和历史信道冲击响应的相关性得到的；由于利用机器算法根据历史参数对映射关系进行训练，使训练出的映射关系适用于多场景，且将识别无线信道的环境参数输入映射关系中，可以准确的对信道进行预测，因此适用于多场景且对信道进行预测的准确性高。

在本发明实施例中，首先识别无线信道的环境参数，然后将识别到的环境参数输入环境参数与信道冲击响应的映射关系中对信道进行预测，确定无线信道的信道冲击响应；

其中所述环境参数与信道冲击响应的映射关系是经由机器算法构建的，所述机器算法包括但不限于：机器算法中的深度神经网络、机器算法中的全连接算法。

具体的，通过下列方式构建所述环境参数与信道冲击响应的映射关系：

经由机器算法分别构建环境参数与信道参数的第一映射关系，及信道参数与信道冲击响应的第二映射关系；

根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

以机器算法为机器学习中的深度神经网络，构建所述第一映射关系时：将历史环境参数和历史信道参数输入机器学习中的深度神经网络中，所述深度神经网络根据所述历史环境参数和历史信道参数进行训练，构建所述第一映射关系；

需要说明的是，构建所述第一映射关系时使用的深度神经网络为第一深度神经网络。

其中所述历史环境参数是根据信道场景历史参数确定的；具体的，采用下列方式确定所述历史环境参数：

基于无线传播大数据库中的信道场景历史参数，通过对环境的三维重建确定点云图；

在确定点云图时，主要是根据历史环境参数中的环境照片确定，具体的将物理环境数字化三维化，输出的结果即是场景的点云图；

利用机器学习方法(比如：图像识别、语义分割等)对点云图进行物体识别和文理识别；确定场景中具有的所有物体的大小体积信息、表面纹理信息，并将确定的物体的大小体积信息和表面纹理信息组合形成标签数据；

根据形成的标签数据通过人为认定或其他方式确定环境中的主要散射体；进一步的根据确定的主要散射体、发射端和接收端的位置信息、频段、天线方向等系统配置信息确定主要散射体之间的主要传播机制(比如，散射、折射、衍射等)。

在确定传播机制时，主要采用光纤追踪的方式在发射端和接收端之间确定，还可以根据人为认定的方式确定，或标注所述散射体具有的传播机制。

因此所述历史环境参数包括但不限于下列的部分或全部：大小体积信息、表面纹理信息、系统配置信息、主要散射体、传播机制。

其中所述历史信道参数是根据历史信道冲击响应确定的；具体的，采用下列方式确定所述历史信道参数：

基于无线传播大数据库中的历史信道冲击响应，利用特征提取的算法确定信道传播特性参数，其中所述信道传播特性参数包括信道传播传统特性参数即传统的大尺度(比如：路损、shadowing隐藏等)和小尺度(时延扩展、多普勒扩展、角度扩展等)，以及信道传播新型特性参数(由机器算法提取出的除信道传播传统参数以外的新的参数)，将提取出的特征参数组合形成多维的信道参数。

其中，特征提取的算法包括机器算法(CNN(Convolutional Neural Network，卷积深度神经网络)、AE(Autoencoder，自编码器))以及SAGE(Space Alternating GeneralizedExpectation-maximization Algorithm，空间交替广义期望最大算法)。

所述信道参数是指每一条信道传播路径多可以用多个维度的数据来表示，所述历史信道参数中的参数包括但不限于下列的部分或全部：时延、多普勒、角度参数。

在具体实施时，所述信道场景历史参数及所述历史信道冲击响都是根据所述无线传播大数据库确定的，因此在信道建模之前需要构建一个多场景、多频段、大带宽、多天线的无线信道测量结果的大数据库，所述大数据库中存储的是信道场景历史参数和历史信道冲击响应；

其中，所述信道场景历史参数包括但不限于：频段、天线数、带宽、场景类别、环境照片、发射端和接收端的物理位置信息；

在确定大数据库时，需要利用传统或机器学习的算法(PCA(Principal ComponentAnalysis，主成分分析)降维、VAE(Variational Autoencoder，变分自编码模型)、对抗学习等)去除测量系统(频偏、非线性、测量天线)和环境因素(干扰、噪声)对大数据库中的信道数据带来的影响，以保证数据库中存储的数据更加的准确。

在具体实施时，经由机器算法构建环境参数与信道参数的第一映射关系时，还通过损失函数对所述环境参数与信道参数的第一映射关系进行训练；

具体的，通过损失函数对所述第一映射关系进行训练，包括：

通过第一损失函数对所述第一映射关系进行训练，其中，所述第一损失函数为：loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述信道参数与对应的历史信道参数之间的第一差值，m为正整数；

首先确定输入第一深度神经网络中的m个环境参数对应输出的m个信道参数，进一步确定输出的m个信道参数与输入第一深度神经网络中的m个环境参数对应的历史信道参数之间的第一差值；

根据所述第一差值确定第一损失函数值，通过第一损失函数对所述第一映射关系进行训练，直至所述第一差值小于第一阈值时，确定环境参数与信道参数的第一映射关系；

其中，所述第一损失函数值loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述第一差值，所述第一差值可以是绝对差值、方差，或者均方差等，m为正整数。

具体的，所述第一深度神经网络为环境参数和信道参数的相关性映射关系，为从环境参数到信道参数的推理模型和能力，作为对多场景、多天线、多频段条件下的信道建模的基础能力模型；

因此当将m个所述历史环境参数输入所述第一深度神经网络后，所述第一深度神经网络会对应的输出m个信道参数；

确定所述第一深度神经网络输出的m个信道参数与输入所述第一深度神经网络对应的m个历史信道参数之间的第一差值；

利用第一损失函数公式loss＝Sum(a_m*e_m)根据所述第一差值确定第一损失函数值，其中loss为第一损失函数值，a_m为权重，e_m为所述第一差值，m为正整数。

在确定所述第一差值后，将所述第一差值反馈给所述第一深度神经网络，所述第一深度神经网络根据所述第一差值确定第一损失数函数值，并以最小化所述第一损失函数值为目的进行训练，同时对所述第一深度神经网络中的参数进行优化处理，直至所述第一函数值小于第一阈值，训练结束，将所述第一深度神经网络作为第一映射关系。

以机器算法为机器算法中的全连接算法，构建所述第一映射关系时：

采用全连接的算法找出从输入到输出的映射全连接深度神经网络，并利用历史环境参数和历史信道参数对第一深度神经网络进行训练，在训练过程中将深度神经网络中权重数值较小的连接删除，以使训练出一个收敛性强的第一映射关系。如图3所示，为本发明实施例提供的一种确定第一映射关系的示意图。

因此，在确定第一映射关系时，是通过第一深度神经网络进行从输入到输出的第一映射关系的有监督的学习；在同一类场景下(比如室内)，会有不同频段和不完全相同的测试环境(办公室、体育场、商场)的数据对(输入-输出)，来训练第一深度神经网络，最终在每一类场景下都可以训练出一个对应的第一映射关系，因此是所述第一映射关系可以针对多个场景，根据环境参数准确的确定信道参数。

以机器算法为机器学习中的深度神经网络，构建所述第二映射关系时：将历史信道参数和历史信道冲击响应输入机器学习中的深度神经网络中，所述深度神经网络根据所述历史信道参数和历史信道冲击响应进行训练，构建所述第二映射关系；

其中，所述历史信道冲击响应是根据所述无线传播大数据库确定的，所述历史信道参数是根据历史信道冲击响应，并利用特征提取的算法确定的。

需要说明的是，构建所述第二映射关系时使用的深度神经网络为第二深度神经网络。

在具体实施时，经由机器算法构建信道参数与信道冲击响应的第二映射关系时，还通过损失函数对所述信道参数与信道冲击响应的第二映射关系进行训练；

具体的，通过损失函数对所述第二映射关系进行训练，包括：通过第二损失函数对所述第二映射关系进行训练；其中，所述第二损失函数为：loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述信道冲击响应关联的样本数据与历史信道冲击响应关联的同类型的样本数据之间的第二差值，n为正整数。

首先确定输入所述第二深度神经网络中的信道参数对应输出的信道冲击响应关联的样本数据；

进一步，确定所述信道冲击响应关联的样本数据与所述历史信道冲击响应关联的同类型的样本数据之间的第二差值；

根据所述第二差值确定第二损失函数值，通过所述第二损失函数对所述第二映射关系进行训练及优化处理，直至所述第二差值小于所述第二阈值时，确定信道参数与信道冲击响应的第二映射关系；

其中，所述第二损失函数值loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述第二差值，所述第二差值可以为两个样本数据之间的均方差MSE、绝对差值，方差等，n为正整数。

其中，所述样本数据包括但不限于下列的部分或全部：

信道冲击响应、时频域的信道冲击响应、时延多普勒域的信道冲击响应、根据信道冲击响应生成的信道参数、根据信道冲击响应确定的性能指标值。

因此确定所述第二差值时，确定的所述第二差值包括：

确定所述第二深度神经网络输出的信道冲击响应和所述历史信道冲击响应之间的第二差值；

由所述第二深度神经网络输出的信道冲击响应推导出的信道参数和历史的信道冲击响应推导出的同类信道参数之间的第二差值，即确定根据输出的信道冲击响应推导出的统计性的信道参数与根据历史信道冲击响应推导出的统计性的信道参数之间的差值，其中所述统计性的信道参数为信道的大尺度参数(自由空间传播损耗，阴影衰落损耗)，小尺度参数(时延扩展，角度扩展，多普勒扩展)等；

确定所述第二深度神经网络输出的信道冲击响应关联的时频域的信道冲击响应与历史时频域的信道冲击响应之间的差值；和/或确定所述第二深度神经网络输出的信道冲击响应关联的时延多普勒域的信道冲击响应与历史时延多普勒域的信道冲击响应之间的差值；

由所述第二深度神经网络输出的信道冲击响应推导出的性能参数和历史的信道冲击响应推导出的同类性能参数之间的第二差值，即根据输出的信道冲击响应推导出的链路级或者系统级性能指标值与根据历史信道冲击响应推导出的链路级或者系统级性能指标值之间的差值，其中所述性能指标值为将生成的信道冲击响应代入到链路仿真平台，或者系统仿真平台，得到链路级或者系统级的吞吐量，时延等；

确定生成的根据信道冲击响应确定的链路级或者系统级性能指标值与根据历史信道冲击响应确定的链路级或者系统级性能指标值之间的差值，其中所述性能指标值为将生成的信道冲击响应代入到链路仿真平台，或者系统仿真平台，得到链路级或者系统级的吞吐量，时延等。

需要说明的是，所述样本数据还可以为其他的可以量化信道准确性的参数。

具体的，所述第二深度神经网络为信道参数和信道冲击响应的相关性映射关系，为从信道参数到信道冲击响应的推理模型和能力，作为对多场景、多天线、多频段条件下的信道建模的能力模型；

因此当将所述历史信道参数输入所述第二深度神经网络后，所述第二深度神经网络会对应的输出信道冲击响应；

确定所述第二深度神经网络输出的信道冲击响应关联的样本数据，并确定输入所述第二深度神经网络的所述历史信道冲击响应关联的样本数据；针对同一类型的样本数据，确定所述输出的样本数据与输入第二深度神经网络中的所述历史信道冲击响应关联的样本数据之间的第二差值；

利用第二损失函数公式loss＝Sum(a_n*e_n)根据所述第二差值确定第二损失函数值，其中loss为第二损失函数值，a_n为权重，e_n为所述第二差值，n为正整数。

在确定所述第二差值后，将所述第二差值反馈给第二深度神经网络，所述第二深度神经网络根据所述第二差值确定第二损失数函数值，以最小化所述第二损失函数值为目的，对所述第二深度神经网络中的参数进行优化处理，直至所述第二函数值小于第二阈值，训练结束，将所述第二深度神经网络作为第二映射关系。

因此，在确定第二映射关系时，利用机器算法通过对数据对(输入-输出，输入为信道参数，输出为信道冲击响应)进行多次有监督的训练，并设计损失函数值对第二深度神经网络进行优化处理，以得到更加收敛的第二映射关系；

具体的，如图4所示，为本发明实施例提供的一种确定映射关系的示意图，在根据历史信道参数确定出信道冲击响应后，确定所述信道冲击响应关联的样本数据与历史信道冲击响应关联的样本数据确定信道冲击响应准确度、性能指标等，之后利用反向传播算法将确定的信道冲击响应准确度、性能指标等反馈到第一深度神经网络及第二深度神经网络中，进一步的对第一深度神经网络及第二深度神经网络进行优化。

需要说明的是，若信道参数是信道传播传统特性参数，则在根据信道参数信道建模时，可以按照本领域公知的数学公式计算信道冲击响应。

在经由机器算法构建所述环境参数与信道冲击响应的映射关系后，基于所述映射关系对信道进行预测时：

根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

具体的，在识别无线信道的环境参数时，主要是根据收集的信道场景信息确定环境参数，且需要确定统一格式的环境参数。

由于第一映射关系是利用机器算法训练信道的历史环境参数和历史信道参数的相关性得到的，第二映射关系是利用机器算法训练信道的历史信道参数和历史信道冲击响应的相关性得到的；利用机器算法根据历史参数对模型进行训练，使训练出的第一映射关系和第二映射关系可以适用于多场景，且根据输入可以准确的确定输出，因此基于第一映射关系根据识别无线信道得到的环境参数可以准确的确定出信道参数，基于第二映射关系根据将确定的信道参数可以准确的对信道进行预测。

如图5所示，为本发明实施例提供的一种信道建模的整体方法流程图，具体包括如下步骤：

步骤500，构建一个信道测量大数据库；

步骤510，根据所述大数据库中的信道场景历史参数确定历史环境参数，以及根据所述大数据库中的历史信道冲击响应确定历史信道参数；

步骤520，经由机器算法根据所述历史环境参数和所述历史信道参数构建环境参数与信道参数的第一映射关系；

步骤530，经由机器算法根据所述历史信道参数和历史信道冲击响应构建信道参数与信道冲击响应的第二映射关系；

步骤540，识别无线信道的环境参数；

步骤550，根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

步骤560，根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

在一些可能的实施方式中，本发明实施例在信道建模的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序代码在计算机设备上运行时，程序代码用于使计算机设备执行本说明书中描述的根据本发明各种示例性实施方式的信道建模的方法中的步骤。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

根据本发明的实施方式的用于数据转发控制的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在服务器设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被信息传输、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由周期网络动作系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备。

本发明实施例在进行网络切换的方法中还提供一种计算设备可读存储介质，即断电后内容不丢失。该存储介质中存储软件程序，包括程序代码，当程序代码在计算设备上运行时，该软件程序在被一个或多个处理器读取并执行时可实现本发明实施例上面任何一种信道建模时的方案。

基于同一发明构思，本发明实施例中还提供了一种信道建模的设备，由于该设备对应的是本发明实施例信道建模的方法对应的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

如图6所示，为本发明实施例提供的一种信道建模的设备，该设备包括：处理器600以及收发机601：

所述处理器600用于：通过所述收发机601进行数据传输，并识别无线信道的环境参数；

经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；

基于所述映射关系对信道进行预测。

可选的，所述处理器600通过下列方式构建所述环境参数与信道冲击响应的映射关系：

经由机器算法分别构建环境参数与信道参数的第一映射关系，及信道参数与信道冲击响应的第二映射关系；

根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

可选的，所述处理器600具体用于：

根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

所述处理器600还用于：

通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练。

所述处理器600具体用于：

通过第一损失函数对所述第一映射关系进行训练，其中，所述第一损失函数为：loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述信道参数与对应的历史信道参数之间的第一差值，m为正整数；

通过第二损失函数对所述第二映射关系进行训练；其中，所述第二损失函数为：loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述信道冲击响应关联的样本数据与历史信道冲击响应关联的同类型的样本数据之间的第二差值，n为正整数。

可选的，所述样本数据包括下列的部分或全部：

时频域的信道冲击响应、时延多普勒域的信道冲击响应、根据信道冲击响应生成的信道参数、根据信道冲击响应确定的性能指标值。

如图7所示，为本发明实施例提供的另一种信道建模的设备，该设备包括：至少一个处理单元700以及至少一个存储单元701，其中，所述存储单元701存储有程序代码，当所述程序代码被所述处理单元700执行时，使得所述处理单元700执行信道建模的任一方法的步骤。

以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。

相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种信道建模的方法，其特征在于，包括：

识别无线信道的环境参数；

经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；

基于所述映射关系对信道进行预测。

2.如权利要求1所述的方法，其特征在于，通过下列方式构建所述环境参数与信道冲击响应的映射关系：

经由机器算法分别构建环境参数与信道参数的第一映射关系，及信道参数与信道冲击响应的第二映射关系；

根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

3.如权利要求2所述的方法，其特征在于，基于所述映射关系对信道进行预测，包括：

根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

4.如权利要求2所述的方法，其特征在于，该方法还包括：

通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练。

5.如权利要求4所述的方法，其特征在于，所述通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练，包括：

通过第一损失函数对所述第一映射关系进行训练，其中，所述第一损失函数为：loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述信道参数与对应的历史信道参数之间的第一差值，m为正整数；

通过第二损失函数对所述第二映射关系进行训练；其中，所述第二损失函数为：loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述信道冲击响应关联的样本数据与历史信道冲击响应关联的同类型的样本数据之间的第二差值，n为正整数。

6.如权利要求5所述的方法，其特征在于，所述样本数据包括下列的部分或全部：

时频域的信道冲击响应、时延多普勒域的信道冲击响应、根据信道冲击响应生成的信道参数、根据信道冲击响应确定的性能指标值。

7.一种信道建模的设备，其特征在于，该设备包括：处理器以及收发机：

所述处理器用于：通过所述收发机进行数据传输，并识别无线信道的环境参数；

经由机器算法构建所述环境参数与信道冲击响应的映射关系，其中所述信道冲击响应是所述无线信道的信道冲击响应；

基于所述映射关系对信道进行预测。

8.如权利要求7所述的设备，其特征在于，所述处理器通过下列方式构建所述环境参数与信道冲击响应的映射关系：

经由机器算法分别构建环境参数与信道参数的第一映射关系，及信道参数与信道冲击响应的第二映射关系；

根据所述第一映射关系及所述第二映射关系构建所述环境参数与信道冲击响应的映射关系。

9.如权利要求8所述的设备，其特征在于，所述处理器具体用于：

根据所述环境参数，基于所述经由机器算法构建环境参数与信道参数的第一映射关系确定信道参数；

根据所述信道参数，基于经由机器算法构建信道参数与信道冲击响应的第二映射关系对信道进行预测。

10.如权利要求8所述的设备，其特征在于，所述处理器还用于：

通过损失函数对所述环境参数与信道冲击响应的映射关系进行训练。

11.如权利要求10所述的设备，其特征在于，所述处理器具体用于：

通过第一损失函数对所述第一映射关系进行训练，其中，所述第一损失函数为：loss＝Sum(a_m*e_m)，a_m为权重，e_m为所述信道参数与对应的历史信道参数之间的第一差值，m为正整数；

通过第二损失函数对所述第二映射关系进行训练；其中，所述第二损失函数为：loss＝Sum(a_n*e_n)，a_n为权重，e_n为所述信道冲击响应关联的样本数据与历史信道冲击响应关联的同类型的样本数据之间的第二差值，n为正整数。

12.如权利要求11所述的设备，其特征在于，所述样本数据包括下列的部分或全部：

时频域的信道冲击响应、时延多普勒域的信道冲击响应、根据信道冲击响应生成的信道参数、根据信道冲击响应确定的性能指标值。

13.一种信道建模的设备，其特征在于，该设备包括：至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行权利要求1～6任一所述方法的步骤。

14.一种计算机可存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6任一所述方法的步骤。

Images