CN112911610A - 一种面向无线通信网络优化的信道波束图样拓展方法 - Google Patents

Abstract

本发明公开了一种面向无线通信网络优化的信道波束图样拓展方法，首先，获取实际无线通信网络中的位置信息、工程参数以及通过波束训练得到的信道波束图样，对数据进行预处理，筛选合适的数据特征，并建立用于信道波束图样拓展的数据集。接着，建立由神经网络和多变量高斯过程回归模型串联而成的深度多变量高斯过程回归模型。然后，利用信道波束图样拓展数据集，根据负对数似然函数对深度多变量高斯过程回归模型进行训练，联合优化神经网络权重参数以及高斯过程回归超参数。最后，根据从无线通信网络中获取的新的位置信息和工程参数，利用得到的深度多变量高斯过程回归模型拓展得到对应的信道波束图样，可以有效实现信道波束图样拓展。

Description

一种面向无线通信网络优化的信道波束图样拓展方法

技术领域

本发明涉及一种面向无线通信网络优化数据增广技术，属于无线通信网络优化技术领域。

背景技术

为应对日益增长的数据高速传输需求和海量的终端连接，大规模多输入多输出技术广泛应用于第五代移动通信系统中。大规模天线阵列可以通过波束成形技术实现空分复用，从而大幅提高无线通信系统信道容量。而随着天线数目的增加，信道估计复杂度激增，因此一般通过波束训练获得波束域等效信道辅助信道估计和传输设计。在此基础上经过时间平均得到的信道波束图样在网络规划和优化的系统中长期性能提升方面具有重要作用。信道波束图样受到位置和工程参数的共同影响，在实际网络规划和优化的过程中，一般只能获得预设路径和工参组合下的信道波束图样。因此，信道波束图样拓展技术对网规网优有巨大价值。

信道波束图样拓展技术属于一种新型的信道信息拓展技术。传统信道信息拓展广泛采用论文(Di Taranto R,Muppirisetty S,Raulefs R,et al.Location-AwareCommunications for 5G Networks:How location information can improvescalability,latency,and robustness of 5G[J].IEEE Signal Processing Magazine,2014,31(6):102-112.参考文献1.)提出的基于高斯过程回归模型的信道插值方法。该方法利用信道大尺度衰落与位置之间的相关性，可以预测不同位置的路径损耗，但无法预测信道的空间特性，同时没有考虑基站工参配置对信道信息的影响。

近年来，为了克服基于模型的信道插值方法的局限性，深度学习方法被应用于信道信息拓展的研究中。论文(Ruichen Deng,Zhiyuan Jiang,Sheng Zhou*,et al.A Two-Step Learning and Interpolation Method for Location-Based Channel Database[C]//GLOBECOM 2018-2018IEEE Global Communications Conference.IEEE,2018.参考文献2.)提出了一种两阶段的基于位置的信道数据集构建方法。该方法先利用K近邻方法建立粗糙的基于位置的信道数据集，再利用卷积神经网络进行插值细化基于位置的信道数据集，即利用有限的信道数据拓展得到不同位置上的信道信息，但利用该方法构建的数据集中只包含信道的大尺度特征，且没有设计具体基站工参配置。论文(Alrabeiah M,Alkhateeb A .Deep Learning for TDD and FDD Massive MIMO:Mapping Channels inSpace and Frequency[C]//2019 53rd Asilomar Conference on Signals,Systems,andComputers.2019.参考文献3.)提出一种基于深度神经网络的信道映射方法。该方法可以根据当前频率下天线域和子载波域上的信道分布，利用深度神经网络学习当前环境特征，预测得到目标频率下天线域和子载波域上的信道分布。该方法考虑了多天线系统下信道的空间特性，但缺少波束域信道分布与位置信息以及工参配置之间的关系。

结合基于模型的信道信息拓展技术和利用深度学习基于数据的信道信息拓展技术，可以采用数据与模型协同驱动的深度多变量高斯过程回归模型来实现信道波束图样的拓展。论文(Wilson A G,Hu Z,Salakhutdinov R,et al.Deep Kernel Learning[J].Artificial Intelligence and Statistics,2016.参考文献4.)提出的深度核学习可用于高斯过程回归，通过神经网络对输入特征进行变换，之后经过高斯过程回归进行预测，从而减小模型失配带来的预测误差，同时可以联合优化神经网络权重参数和高斯回归超参数。论文(Chen Z,Wang B,Gorban A N.Multivariate Gaussian and Student-t ProcessRegression for Multi-output Prediction[J].Neural Computing and Applications,2019(3).参考文献5.)提出的多变量高斯过程回归引入了输出协方差函数来表征多输出预测之间的相关性，从而可用于解决多输出预测问题。因此，深度多变量高斯过程回归模型可用于信道波束图样拓展，从而提高无线通信网络优化的性能。

发明内容

技术问题：本发明旨在针对实际网络规划和优化的过程中只能获得预设路径和工参组合下的信道波束图样导致样本数量不足且分布不合理的问题，提出了一种基于深度多变量高斯过程回归模型的信道波束图样拓展方法，能够根据位置信息和工程参数拟合得到对应的信道波束图样，从而减小样本数量不足且分布不合理对无线通信网络优化算法的影响

技术方案：鉴于信道波束图样对网络规划和优化的重要性及信道波束图样拓展的实用价值，本发明提出一种面向无线通信网络优化的信道波束图样拓展方法，将深度多变量高斯过程回归模型用于信道波束图样拓展中，根据实际环境路测数据构建信道波束图样拓展数据集，并对所建立的深度多变量高斯过程回归模型进行训练，基于位置信息和工程参数利用该模型拟合对应的信道波束图样，拟合误差明显小于传统高斯过程回归和神经网络预测等方法。

本发明所提出的一种面向无线通信网络优化的信道波束图样拓展方法包括如下步骤：

步骤1：获取实际无线通信网络中的位置信息数据、工程参数数据以及通过波束训练得到的信道波束图样数据，对以上无线通信网络中获得的数据进行预处理并筛选合适的数据特征，建立用于信道波束图样拓展的数据集；

步骤2：建立由神经网络和多变量高斯过程回归模型串联而成的深度多变量高斯过程回归模型；

步骤3：利用信道波束图样拓展的数据集根据负对数似然函数对深度多变量高斯过程回归模型进行训练，联合优化神经网络权重参数和高斯过程回归超参数；

步骤4：根据从无线通信网络中获取的新的位置信息数据和工程参数数据利用已建立的并完成训练的深度多变量高斯过程回归模型拓展得到对应的信道波束图样。

其中，

步骤1中信道波束图样拓展数据集建立方法为：从无线通信网络中获取实测数据并进行数据预处理，选取信道波束图样相关的数据特征来建立信道波束图样拓展数据集；其中数据集的输入特征主要包括位置信息x＝[x_UE,y_UE,h_UE,x_BS,y_BS,h_BS]和工程参数

x_UE,y_UE为用户位置，h_UE为用户高度，x_BS,y_BS为基站位置，h_BS为基站高度，

为基站天线阵列方位角、θ为基站天线阵列下倾角θ，输出标签为通过波束训练得到的信道波束图样

即基站与用户间信道在不同波束上投影值的时间平均值，受到位置信息x和工程参数Θ共同影响。

步骤2中深度多变量高斯过程回归模型建立方法如下：

深度多变量高斯过程回归模型由神经网络u＝g(x,Θ；w)和多变量高斯过程回归模型

串联组成，其中x为位置信息，Θ为工程参数，而

为通过波束训练得到的信道波束图样，受到位置信息x和工程参数Θ共同影响；u为经过神经网络非线性变换后输出的中间特征，同时作为高斯回归过程的输入，w为神经网络权重参数，

为由均值函数μ，协方差核函数k_γ以及输出相关矩阵Ω确定的多变量高斯过程，γ为高斯过程回归超参数，均值函数μ用以表征每一维信道波束图样均值与输入特征的关系，协方差核函数k_γ用以表征不同输入特征对应的信道波束图样的相关性，输出相关函数Ω用以表征不同维信道波束图样的相关性。

步骤3中深度多变量高斯过程回归模型进行训练方法如下：

基于步骤1建立的信道波束图样拓展的数据集及步骤2建立的深度多变量高斯过程回归模型，以最小化负对数似然函数为目标优化神经网络权重参数w和高斯过程回归超参数γ，负对数似然函数计算方法如下：

其中N为数据集样本总数，D为信道波束图样的维数；

为数据集内样本对应信道波束图样标签组成的矩阵；M为均值矩阵，M_d,n＝μ_d(u_n)，1≤d≤D，1≤n≤N，Σ为列协方差矩阵，Σ_i,j＝k_γ(u_i,u_j)，1≤i≤N，1≤j≤N。k_γ为协方差核函数，γ为高斯过程回归超参数；u_n＝g(x_n,Θ_n；w)，1≤n≤N，是位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，w为神经网络权重参数，Ω为行协方差矩阵，

根据链式法则，关于神经网络权重参数w和高斯过程回归超参数γ的偏导数计算如下：

其中

由对数化似然函数计算公式获得，

和

由基本核函数具体定义获得，

通过神经网络的反向传播获得；根据以上偏导数，根据梯度下降的方法实现神经网络权重参数w和高斯过程回归超参数γ的联合优化，即完成深度高斯过程回归模型的联合训练。

步骤4中基于深度多变量高斯过程回归模型信道波束图样拓展方法如下：

根据步骤2的深度多变量高斯过程回归模型，信道波束图样满足多变量高斯过程：

其中μ为均值函数，k_γ为协方差核函数，Ω为输出相关函数，w为神经网络权重参数，γ为高斯过程回归超参数；

根据多变量高斯过程的性质，步骤1建立的信道波束图样数据集中的所有样本对应信道波束图样满足多变量高斯分布：

其中

为数据集内样本对应信道波束图样标签组成的矩阵；M为均值矩阵，M_d,n＝μ_d(u_n)，1≤d≤D，1≤n≤N，Σ为列协方差矩阵，Σ_i,j＝k_γ(u_i,u_j)，1≤i≤N，1≤j≤N。k_γ为协方差核函数。u_n＝g(x_n,Θ_n；w)，1≤n≤N，是位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征；Ω为行协方差矩阵，

N为数据集样本总数，D为信道波束图样的维数；

此时，重新获取无线通信网络中的路测数据并对数据进行预处理，获得新的位置信息和工程参数作为测试样本，其对应的信道波束图样未知，根据高斯过程模型的性质，测试样本对应的信道波束图样与数据集中样本对应的信道波束图样满足以下联合多变量高斯分布：

其中

为所有测试样本对应的信道波束图样组成的矩阵，N为数据集样本总数，M为测试样本总数；M为均值矩阵，M_d,m＝μ_d(u_N+m)，1≤d≤D，1≤m≤M，D为信道波束图样的维数；Σ_{_*}，Σ_{*_}，Σ_**均为协方差矩阵，(Σ_{_*})_i,j＝k_γ(u_i,u_N+j)，1≤i≤N，1≤j≤M，(Σ_{*_})_i,j＝k_γ(u_N+i,u_j)，1≤i≤M，1≤j≤N，Σ_i,j＝k_γ(u_N+i,u_N+j)，1≤i≤M，1≤j≤M。k_γ为协方差核函数；u_n＝g(x_n,Θ_n；w)，1≤n≤N+M，位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，Ω为行协方差矩阵，

根据联合高斯分布的性质，已知数据集中样本的位置信息、工程参数及其对应信道波束图样以及测试样本的位置信息和工程参数条件下，测试样本对应的信道波束图样的分布满足以下多变量高斯分布：

其中

N为数据集样本总数，M为测试样本总数，u_n＝g(x_n,Θ_n；w)，1≤n≤N+M，位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，

和

分别表示均值矩阵、列协方差矩阵和行协方差矩阵计算方式如下：

根据高斯分布性质，拓展得到测试样本对应信道波束图样

的均值和协方差如下：

拓展得到的测试样本对应信道波束图样

的均值作为测试样本对应的信道波束图样的拓展结果，协方差则提供测试样本对应的信道波束图样的置信区间。

有益效果：与现有技术相比，本发明除位置信息外，考虑了工程参数对信道波束图样的影响，实现了信道波束图样的拓展，同时结合了基于模型的插值方法和深度学习方法，使得拟合误差明显小于传统高斯过程回归和神经网络预测等方法。本发明可用于无线通信网络优化中的数据增广，减小数据样本不足或分布不合理对无线通信网络优化算法的影响。

附图说明

下面结合附图和实施例对本发明做进一步说明。

图1是本发明所述面向无线通信网络优化的信道波束图样拓展方法算法示意图。

图2是示例性实施例一中使用本发明所述信道波束图样拓展方法实际通信环境示意图。

图3是示例性实施例一中使用本发明所述信道波束图样拓展方法平均绝对误差分布图。

图4是示例性实施例一中使用本发明所述信道波束图样拓展方法平均相对误差分布图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求项要求所限定的范围。

以下为本发明的一种适合于面向无线通信网络优化的信道波束图样拓展方法的实施方式：

在本实施例中，如图2所示，图2为实际通信环境示意图。其中基站坐标为(242.42m,489.17m,6m)，用户坐标为(x,y,z)，x在242.42m≤x≤272.42m的范围内以2m为间隔选取，y在479.17m≤y≤499.17m范围内以2m为间隔选取，z＝2m。基站采用8×4的均匀平面阵进行传输，基站天线阵列方位角

为天线阵列法线与xOz平面的夹角，以顺时针方向为正方向，在-5°，0°，5°范围内选取，基站天线阵列下倾角θ为天线阵列法线与xOy平面的夹角，以顺时针方向为正方向，在0°，5°，10°范围内选取。基站发射功率固定为1W。

本发明所提出的一种面向无线通信网络优化的信道波束图样拓展方法包括如下步骤：

步骤1：获取实际无线通信网络中的位置信息数据、工程参数数据以及通过波束训练得到的信道波束图样数据，对以上无线通信网络中获得的数据进行预处理并筛选合适的数据特征，建立用于信道波束图样拓展的数据集；

步骤2：建立由神经网络和多变量高斯过程多变量高斯过程回归模型串联而成的深度多变量高斯过程回归模型；

步骤3：利用信道波束图样拓展的数据集根据负对数似然函数对深度多变量高斯过程回归模型进行训练，联合优化神经网络权重参数和高斯过程回归超参数；

步骤4：根据从无线通信网络中获取的新的位置信息数据和工程参数数据利用已建立的并完成训练的深度多变量高斯过程回归模型拓展得到对应的信道波束图样。

在所述步骤1中，从无线通信网络中获取实测数据并进行数据预处理，选取信道波束图样相关的数据特征来建立信道波束图样拓展数据集。其中数据集的输入特征主要包括位置信息x＝[x_UE,y_UE,h_UE,x_BS,y_BS,h_BS]和工程参数

x_UE,y_UE为用户位置，h_UE为用户高度，x_UE,y_UE为用户位置，h_UE为用户高度，

为基站天线阵列方位角、θ为基站天线阵列下倾角θ，输出标签为通过波束训练得到的信道波束图样

即基站与用户间信道在不同波束上投影值的时间平均值，受到位置信息x和工程参数Θ共同影响。特别地，在本实施例中，基站采用二维离散傅里叶矩阵(2D-DFT)作为波束码本进行波束训练并将所有波束上的参考信号接收强度(RSRP)作为信道波束图样

单位为dBm，其计算方式如下：

其中h为当前位置信息和工程参数下基站和用户间的信道矢量，D为2D-DFT矩阵，p为基站的发射功率。

D_k为D的第k列，即波束码本中的第k个波束，1≤k≤W×H。

从图2所示的实际无线通信网络中获取的位置信息和工程参数以及对应的信道波束图样，随机选取其中一定比例样本构成信道波束图样拓展数据集用于深度多变量高斯过程回归模型的训练，剩余样本作为测试样本，用于评估信道波束图样拓展的性能。

在所述步骤2中，基于步骤1建立的信道波束图样拓展数据集，建立由神经网络u＝g(x,Θ；w)和多变量高斯过程回归模型

串联组成的深度多变量高斯过程回归模型，其中x为位置信息，Θ为工程参数，而

为通过波束训练得到的信道波束图样，受到位置信息x和工程参数Θ共同影响。u为经过神经网络非线性变换后输出的中间特征，同时作为高斯回归过程的输入。w为神经网络权重参数。

为由均值函数μ，协方差核函数k_γ以及输出相关矩阵Ω确定的多变量高斯过程，γ为高斯过程回归超参数。均值函数μ用以表征每一维信道波束图样均值与输入特征的关系，协方差核函数k_γ用以表征不同输入特征对应的信道波束图样的相关性，输出相关函数Ω用以表征不同维信道波束图样的相关性。本实施例中，神经网络采用全连接网络，多变量高斯回归过程均值函数采用常数函数，

N为数据集样本总数，输出相关函数则采用狄拉克函数，Ω＝δ_i,j，当i＝j时，δ_i,j＝1，当i＝j时，δ_i,j＝0，协方差核函数则采用带随机噪声项的平方指数函数

σ²为随机噪声，用来表征信道波束图样自身的随机性。当i＝j时，δ_i,j＝1，当i＝j时，δ_i,j＝0。s_f和l分别为平方指数核函数的幅度超参数和尺度超参数，γ＝[s_f,l,σ]。

为体现深度多变量高斯过程回归模型的优势，本实施例中，采用传统多变量高斯过程回归模型和神经网络模型作为对比算法，此处采用与深度多变量高斯过程回归模型相似的配置。

在所述步骤3中，基于步骤1建立的信道波束图样数据集及步骤2建立的深度多变量高斯过程回归模型，以最小化负对数似然函数为目标优化神经网络权重参数w和高斯过程回归超参数γ，负对数似然函数计算方法如下：

其中N为数据集样本总数，D为信道波束图样的维数。

为数据集内样本对应信道波束图样标签组成的矩阵。M为均值矩阵，M_d,n＝μ_d(u_n)，1≤d≤D，1≤n≤N，Σ为列协方差矩阵，Σ_i,j＝k_γ(u_i,u_j)，1≤i≤N，1≤j≤N。k_γ为协方差核函数，γ为高斯过程回归超参数。u_n＝g(x_n,Θ_n；w)，1≤n≤N，是位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，w为神经网络权重参数。Ω为行协方差矩阵，

根据链式法则，关于神经网络权重参数w和高斯过程回归超参数γ的偏导数计算如下：

其中

由对数化似然函数计算公式获得，

由基本核函数具体定义获得，

通过神经网络的反向传播获得。根据以上偏导数，根据梯度下降的方法实现神经网络权重参数w和高斯过程回归超参数γ的联合优化，即完成深度高斯过程回归模型的联合训练。

为体现深度多变量高斯过程回归模型的优势，本实施例中，采用多变量高斯过程回归模型和全连接网络模型作为对比算法，此处利用相似的方法对模型进行训练，全连接网络模型仅优化神经网络权重参数，多变量高斯过程回归模型仅优化高斯过程回归超参数。

在所述步骤4中，根据步骤2的深度多变量高斯过程回归模型，信道波束图样满足多变量高斯过程：

其中μ为均值函数，k_γ为协方差核函数，Ω为输出相关函数，w为神经网络权重参数，γ为高斯过程回归超参数。

根据多变量高斯过程的性质，步骤1建立的信道波束图样数据集中的所有样本对应信道波束图样满足多变量高斯分布：

其中

为数据集内样本对应信道波束图样标签组成的矩阵。M为均值矩阵，M_d,n＝μ_d(u_n)，1≤d≤D，1≤n≤N，Σ为列协方差矩阵，Σ_i,j＝k_γ(u_i,u_j)，1≤i≤N，1≤j≤N。k_γ为协方差核函数。u_n＝g(x_n,Θ_n；w)，1≤n≤N，是位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征。Ω为行协方差矩阵，

N为数据集样本总数，D为信道波束图样的维数。

此时，将测试样本的位置信息和工程参数作为模型输入，其对应的信道波束图样未知，根据高斯过程模型的性质，测试样本对应的信道波束图样与数据集中样本对应的信道波束图样满足以下联合多变量高斯分布：

其中

为所有测试样本对应的信道波束图样组成的矩阵，N为数据集样本总数，M为测试样本总数。M为均值矩阵，M_d,m＝μ_d(u_N+m)，1≤d≤D，1≤m≤M，D为信道波束图样的维数。Σ_{_*}，Σ_{*_}，Σ_**均为协方差矩阵，(Σ_{_*})_i,j＝k_γ(u_i,u_N+j)，1≤i≤N，1≤j≤M，(Σ_{*_})_i,j＝k_γ(u_N+i,u_j)，1≤i≤M，1≤j≤N，Σ_i,j＝k_γ(u_N+i,u_N+j)，1≤i≤M，1≤j≤M。k_γ为协方差核函数。u_n＝g(x_n,Θ_n；w)，1≤n≤N+M，位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征。Ω为行协方差矩阵，

根据联合高斯分布的性质，已知数据集中样本的位置信息、工程参数及其对应信道波束图样以及测试样本的位置信息和工程参数条件下，测试样本对应的信道波束图样的分布满足以下多变量高斯分布：

其中

N为数据集样本总数，M为测试样本总数。u_n＝g(x_n,Θ_n；w)，1≤n≤N+M，位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征。

和

分别表示均值矩阵、列协方差矩阵和行协方差矩阵，计算方式如下：

根据高斯分布性质，拓展得到测试样本对应信道波束图样

的均值和协方差如下：

拓展得到的测试样本对应信道波束图样

的均值作为测试样本对应的信道波束图样的拓展结果，协方差则提供测试样本对应的信道波束图样的置信区间。

为体现深度多变量高斯过程回归模型的优势，本实施例中，采用多变量高斯过程回归模型和全连接网络模型作为对比算法，此处全连接网络模型将神经网络的输出作为拓展结果，而多变量高斯过程回归模型将模型输出均值作为拓展结果，模型输出的协方差则可用于置信度的评估。

信道波束图样拓展的性能可通过信道波束图样拓展结果相对于实测值在各波束上的平均绝对误差和平均相对误差进行评估，其计算方式如下：

其中

和

分别为第m个样本第n个波束上的信道波束图样的拓展值和实测值，1≤m≤M，1≤d≤D，M为测试样本总数，D为信道波束图样的维数。

以下是使用本发明所述信道波束图样拓展方法在各波束上平均绝对误差和平均相对误差的分布以及与对比算法的比较：

由图3和图4可以看出，使用本发明所述信道波束图样拓展方法得到的拓展结果相比于实测值能保持较低的平均绝对误差和平均相对误差，即基于有限的数据集可以实现信道波束图样拓展。拓展结果可用于无线通信网络优化中的数据增广，从而减小数据样本不足或分布不合理等对无线通信网络优化算法的影响而且信道波束图样拓展拟合误差明显小于传统高斯过程回归和神经网络预测。

Claims (5)

1.一种面向无线通信网络优化的信道波束图样拓展方法，其特征在于，该方法包括如下步骤：

步骤1：获取实际无线通信网络中的位置信息数据、工程参数数据以及通过波束训练得到的信道波束图样数据，对以上无线通信网络中获得的数据进行预处理并筛选合适的数据特征，建立用于信道波束图样拓展的数据集；

步骤2：建立由神经网络和多变量高斯过程回归模型串联而成的深度多变量高斯过程回归模型；

步骤3：利用信道波束图样拓展的数据集根据负对数似然函数对深度多变量高斯过程回归模型进行训练，联合优化神经网络权重参数和高斯过程回归超参数；

步骤4：根据从无线通信网络中获取的新的位置信息数据和工程参数数据利用已建立的并完成训练的深度多变量高斯过程回归模型拓展得到对应的信道波束图样。

2.根据权利要求1所述的一种面向无线通信网络优化的信道波束图样拓展方法，其特征在于，步骤1中信道波束图样拓展数据集建立方法为：从无线通信网络中获取实测数据并进行数据预处理，选取信道波束图样相关的数据特征来建立信道波束图样拓展数据集；其中数据集的输入特征主要包括位置信息x＝[x_UE,y_UE,h_UE,x_BS,y_BS,h_BS]和工程参数

x_UE,y_UE为用户位置，h_UE为用户高度，x_BS,y_BS为基站位置，h_BS为基站高度，

为基站天线阵列方位角、θ为基站天线阵列下倾角θ，输出标签为通过波束训练得到的信道波束图样

即基站与用户间信道在不同波束上投影值的时间平均值，受到位置信息x和工程参数Θ共同影响。

3.根据权利要求1所述的一种面向无线通信网络优化的信道波束图样拓展方法，其特征在于，步骤2中深度多变量高斯过程回归模型建立方法如下：

深度多变量高斯过程回归模型由神经网络u＝g(x,Θ；w)和多变量高斯过程回归模型

串联组成，其中x为位置信息，Θ为工程参数，而

为通过波束训练得到的信道波束图样，受到位置信息x和工程参数Θ共同影响；u为经过神经网络非线性变换后输出的中间特征，同时作为高斯回归过程的输入，w为神经网络权重参数，

为由均值函数μ，协方差核函数k_γ以及输出相关矩阵Ω确定的多变量高斯过程，γ为高斯过程回归超参数，均值函数μ用以表征每一维信道波束图样均值与输入特征的关系，协方差核函数k_γ用以表征不同输入特征对应的信道波束图样的相关性，输出相关函数Ω用以表征不同维信道波束图样的相关性。

4.根据权利要求1所述的一种面向无线通信网络优化的信道波束图样拓展方法，其特征在于，步骤3中深度多变量高斯过程回归模型进行训练方法如下：

基于步骤1建立的信道波束图样拓展的数据集及步骤2建立的深度多变量高斯过程回归模型，以最小化负对数似然函数为目标优化神经网络权重参数w和高斯过程回归超参数γ，负对数似然函数计算方法如下：

其中N为数据集样本总数，D为信道波束图样的维数；

为数据集内样本对应信道波束图样标签组成的矩阵；M为均值矩阵，M_d,n＝μ_d(u_n)，1≤d≤D，1≤n≤N，Σ为列协方差矩阵，Σ_i,j＝k_γ(u_i,u_j)，1≤i≤N，1≤j≤N。k_γ为协方差核函数，γ为高斯过程回归超参数；u_n＝g(x_n,Θ_n；w)，1≤n≤N，是位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，w为神经网络权重参数，Ω为行协方差矩阵，

根据链式法则，关于神经网络权重参数w和高斯过程回归超参数γ的偏导数计算如下：

其中

由对数化似然函数计算公式获得，

和

由基本核函数具体定义获得，

通过神经网络的反向传播获得；根据以上偏导数，根据梯度下降的方法实现神经网络权重参数w和高斯过程回归超参数γ的联合优化，即完成深度高斯过程回归模型的联合训练。

5.根据权利要求1所述的一种面向无线通信网络优化的信道波束图样拓展方法，其特征在于，步骤4中基于深度多变量高斯过程回归模型信道波束图样拓展方法如下：

根据步骤2的深度多变量高斯过程回归模型，信道波束图样满足多变量高斯过程：

其中μ为均值函数，k_γ为协方差核函数，Ω为输出相关函数，w为神经网络权重参数，γ为高斯过程回归超参数；

根据多变量高斯过程的性质，步骤1建立的信道波束图样数据集中的所有样本对应信道波束图样满足多变量高斯分布：

其中

为数据集内样本对应信道波束图样标签组成的矩阵；M为均值矩阵，M_d,n＝μ_d(u_n)，1≤d≤D，1≤n≤N，Σ为列协方差矩阵，Σ_i,j＝k_γ(u_i,u_j)，1≤i≤N，1≤j≤N。k_γ为协方差核函数。u_n＝g(x_n,Θ_n；w)，1≤n≤N，是位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征；Ω为行协方差矩阵，

N为数据集样本总数，D为信道波束图样的维数；

此时，重新获取无线通信网络中的路测数据并对数据进行预处理，获得新的位置信息和工程参数作为测试样本，其对应的信道波束图样未知，根据高斯过程模型的性质，测试样本对应的信道波束图样与数据集中样本对应的信道波束图样满足以下联合多变量高斯分布：

其中

为所有测试样本对应的信道波束图样组成的矩阵，N为数据集样本总数，M为测试样本总数；M为均值矩阵，M_d,m＝μ_d(u_N+m)，1≤d≤D，1≤m≤M，D为信道波束图样的维数；

Σ_**均为协方差矩阵，

1≤i≤N，1≤j≤M，

1≤i≤M，1≤j≤N，Σ_i,j＝k_γ(u_N+i,u_N+j)，1≤i≤M，1≤j≤M。k_γ为协方差核函数；u_n＝g(x_n,Θ_n；w)，1≤n≤N+M，位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，Ω为行协方差矩阵，

根据联合高斯分布的性质，已知数据集中样本的位置信息、工程参数及其对应信道波束图样以及测试样本的位置信息和工程参数条件下，测试样本对应的信道波束图样的分布满足以下多变量高斯分布：

其中

N为数据集样本总数，M为测试样本总数，u_n＝g(x_n,Θ_n；w)，1≤n≤N+M，位置信息x_n和工程参数Θ_n经过神经网络非线性变换的中间特征，

和

分别表示均值矩阵、列协方差矩阵和行协方差矩阵计算方式如下：

根据高斯分布性质，拓展得到测试样本对应信道波束图样

的均值和协方差如下：

拓展得到的测试样本对应信道波束图样

的均值作为测试样本对应的信道波束图样的拓展结果，协方差则提供测试样本对应的信道波束图样的置信区间。

Images