CN113346970A - 面向无线三维信道的用户级信道空域特征建模方法 - Google Patents

Abstract

本发明的一个技术方案是提供了一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：构建双向变换框架以实现信道空域特征和信道频域特征的互相转换。本发明的另一个技术方案是提供了一种利用用户的空间特征来粗略计算小区间干扰的方法。本发明设计了新的空间特征和频率特征，并且通过两个离线训练神经网络(NN)建立了空间域与频域双向信号变换的新框架。本发明提供的方法能以较低的代价连续获得基站与用户之间的信道状态和用户接收射线的离开角与到达角等空域信息，获得用户之间的干扰特征，很大程度上降低这二者获取时所需要的开销，以减少系统的处理开销和复杂度。

Description

面向无线三维信道的用户级信道空域特征建模方法

技术领域

本发明涉及一种信道建模方法。

背景技术

大规模多输入输出(Massive Multiple Input Multiple Output Massive MIMO技术是5G最重要的关键技术，近年来受到了广泛的关注。它的主要特点是在基站侧配置了大量的天线，从而在基站和用户之间形成多条并行传输的数据链路。因此，利用MIMO可以获得更大的空间复用增益，进而提高系统容量，间接地提高频谱资源的利用效率。此外，在基站侧采用分集发送，还能极大提升无线系统的能耗效率。

在MIMO技术发展过程中，信道建模是系统仿真评估的关键。由于5GMassive MIMO网络考虑到了基站与用户之间的空间传输特征，在网络中部署了大量天线，系统的性能特征估计和分析需依赖于更多信息。这些信息无法在建模中被精确地表示，故现网评估无线网络性能时，大多采用人工路测方法。然而，大规模MIMO的测量开销太大，成本过高，导致最终测量时只能使用有限数量和类型的测试终端，仅能体现个别抽样用户的用户感知，同时由于测试路线受限于道路情况，难以进入窄路、居民、住宅、办公高楼等区域，测试的覆盖范围有限，且人力物力投资均较大，路测方法不适用。目前的路测终端也无法输出信道矩阵数据，测得的信息没有被完全利用，海量测量得到的信道信息被丢弃，无法形成有效的先验信息，因而通过路测数据无法准确评估据Massive MIMO的空分复用性能。

另一方面，实际的信号传播环境十分复杂，用户在通信过程中会受到来自环境和其他用户设备的干扰，若不采取措施消除干扰，则会严重影响通信效率，造成资源的极大浪费。由于多径传播、时延等因素的影响，用户在同一时刻可能会收到多条携带不同信息的射线，而离开角和到达角可以反映射线在传播过程中保留的能量。若用户收到的射线能量分布相差较大，则可以保留能量较大射线所携带的信息，但若不同用户收到的射线离开角和到达角、传播途径几乎完全一致，则意味着这些射线的能量接近，这样用户之间就会成为彼此的干扰，严重时导致双方都无法解码出各自的有用信息，此时就需要执行干扰协调和资源调度过程以尽可能减少干扰的发生，最大程度利用现有资源。因此，射线离开角和到达角等空域信息可以很好地反映用户侧接收信号时是否存在干扰以及干扰的程度。

发明内容

本发明的目的是：在多输入多输出(MIMO)的5G环境下，提出一种面向无线三维信道的用户级信道空域特征建模方法和基于空域特征的干扰计算方式。

为了达到上述目的，本发明的一个技术方案是提供了一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：构建双向变换框架以实现信道空域特征和信道频域特征的互相转换，该双向转换框架包括下式(1)及下式(2)所示的映射：

Λ＝f(Γ) (1)

Γ＝f^-1(Λ) (2)

式(1)、(2)中，Γ表示信道空域特征，在空域中唯一定义用户信道的所有特征被视为信道空域特征，信道空域特征的构建始于量化射线跟踪数据的出射角和到达角，由与量化出射角和到达角有关的路径损耗组成的向量为信道空域特征；Λ表示信道频域特征，在频域中唯一定义用户信道的所有特征被视为信道频域特征，为从信道状态矩阵H中提取的特征；

由两个不同的BP神经网络分别实现式(1)及式(2)所示的变换，BP神经网络训练数据获取过程包括：将传播环境参数输入到射线跟踪模型中获得射线跟踪数据；以射线跟踪模型获得的射线跟踪数据为输入，从基于3GPP 3D-UMa信道模型的5G无线仿真平台获得信道状态矩阵。

优选地，所述BP神经网络均为六层网络。

优选地，所述出射角包括离开的方位角AoD和离开的天顶角ZoD，所述到达角包括到达的方位角AoA和到达的天顶角ZoA，则所述信道空域特征采用以下方式获得：

设θ表示单个发射和接收过程中所涉及的离开的方位角AoD、离开的天顶角ZoD、到达的方位角AoA或到达的天顶角ZoA之一，则p_θ表示与某个角度相对应的光线路径损耗，Ω_i为第i个间隔，i＝1，...，m，m是与角度相关的间隔数，其大小为Υ，γ_i为在当前角度中提取的路径损耗第i个间隔，量化过程如下式(3)所示：

其中，N_i＝|Ω_i|，Ω_i＝{θ|θ₀+(i-1)Υ≤θ≤θ₀+iΥ}，θ₀是θ的下限，m是角度的区间数，则

Ψ表示θ的取值范围；

分别对离开的方位角AoD、离开的天顶角ZoD、到达的方位角AoA或到达的天顶角ZoA执行式(3)所示的量化过程，得到信道空域特征是路径损耗矢量Γ＝[γ₁，γ₂，...，γ_M]，其中M＝m_AoD+m_ZoD+m_AoA+m_ZoA，式中，m_AoD、m_ZoD、m_AoA和m_ZoA分别为离开的方位角AoD的值范围、离开的天顶角ZoD的值范围、到达的方位角AoA的值范围和到达的天顶角ZoA的值范围。

优选地，利用SVD分解和DFT编码从所述信道状态矩阵H中提取特征，包括以下步骤：

信道状态矩阵H的SVD分解定义为H＝U∑V^H，其中，∑是对角矩阵，其奇异值是其对角元素，U表示左奇异矩阵，V表示右奇异矩阵；

提取分解得到的U和V的DFT编码作为输入特征，将DFT编码指定为[σ₁，σ₂，…]，则频域特征为Λ＝[λ₁，λ₂，…，σ₁，σ₂，…]，由奇异值和DFT编码组成，λ_i是∑信道状态矩阵H的第i个奇异值。

优选地，将训练后的双向变换框架搭载在基站端或用户端。

本发明的另一个技术方案是提供了一种利用用户的空间特征来粗略计算小区间干扰的方法，其特征在于，当空域特征涉及不同的物理基站的场景时需要空域特征的转换，在基站从其他基站获取空域特征后，使用所示双向变换框架将空域特征转换为信道频域特征以进行干扰计算；

当只存在单一的物理基站时，无需使用双向变换框架，即可利用用户的空间特征来粗略计算小区间干扰，具体实现方法包括以下步骤：

步骤1、进行XYZ姿态计算；

步骤2、结合天线补偿，获取小区基站的绝对坐标信息；

步骤3、进行波束计算，计算对应角度天线增益图；

步骤4、判别小区间干扰：

各小区获取所有用户的射线数据，各用户按照量化区间获取60维的角度域特征f_c，u，以及各用户对应的路损值l_c，u，按照如下步骤计算任意两个用户之间的干扰：

步骤401、获取第一个用户与第二个用户的角度域特征f_c1，u1和角度域特征f_c2，u2、路损值l_c1，u1和路损值l_c2，u2；

步骤402、获取第一个用户与第二个用户的最强角度特征区间，并取最强角度特征区间中点为对应的波束赋形主方向

式中，θ₀表示垂直方向角度，

表示水平方向角度，

表示1-20维的角度域特征，

表示21-30维的角度域特征；

步骤403、将步骤3中的天线增益图主瓣旋转到主方向

作为基站向此用户波束赋形波束：

式中，θ_u表示垂直方向角度，

表示水平方向角度，

表示基站向此用户的发射增益，

表示发射增益，circleshift表示旋转操作；

步骤404、第一个用户按照角域特征非零值区间获取接收波束区间，计算波束在第二用户方位角上的增益：

式中，

表示波束在第二用户方位角上的接收增益；

步骤405、计算第一个用户对第二个用户的干扰I_u1←u2与第二个用户对第一个用户的干扰I_u2←u1：

式中，l_s2，u1表示在基站2中用户1的路损，l_s1，u1表示在基站1中用户1的路损。

本发明设计了新的空间特征和频率特征，并且通过两个离线训练神经网络(NN)建立了空间域与频域双向信号变换的新框架。本发明提供的方法能以较低的代价连续获得基站与用户之间的信道状态和用户接收射线的离开角与到达角等空域信息，获得用户之间的干扰特征，很大程度上降低这二者获取时所需要的开销，以减少系统的处理开销和复杂度。

附图说明

图1为移动中用户接收基站射线的示意图；

图2为用户移动导致角度特征变化；

图3为实验数据获取流程；

图4为双向变换框架的应用场景；

图5为2D NLOS反射传播示意图；

图6为双向BP网络模型；

图7为FSST-BP和FSST-DCNN的单向和双向变换的比较；

图8为干扰近似的系统模型；

图9为SU-MIMO小区1调度用户受干扰比较；

图10为SU-MIMO小区2调度用户受干扰比较；

图11为SU-MIMO小区3调度用户受干扰比较；

图12为MU-MIMO小区1调度用户受干扰比较；

图13为MU-MIMO小区2调度用户受干扰比较；

图14为MU-MIMO小区3调度用户受干扰比较；

图15为真实和拟合干扰的PDF图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明实现了大尺度信道矩阵到射线传播的几何空间特征的双向变换框架，利用已有的射线数据通过仿真计算得到训练样本，基于神经网络训练得到双向变换的模型，实现频域特征和空域特征的互相转换，以服务于干扰协调和资源调度过程。

1.信道空域特征

实际通信场景下，移动中用户接收基站射线的示意图如图1所示，其中所有的坐标系都为三维全局坐标系，如图1中最右边的空坐标系所示。在离开角和到达角(AoD、ZoD、AoA、ZoA)的示意中，为了方便仅保留了坐标轴的x轴和z轴。用户一次会接收到多条射线，但在示意图中也仅用一条射线代表所有收到的射线。可以看到，用户在某个位置P会接收到此时能够从基站到达用户的一组射线，这些射线都有其对应的离开角和到达角(AoD、ZoD、AoA、ZoA)，而这个时候对应的信道状态矩阵为H。接着，由于用户在移动，经过一段时间Δt后，他会到达另一个位置P′，在这个位置P′他会接收到另一组射线，这些射线也有其对应的离开角和到达角(AoD′、ZoD′、AoA′、ZoA′)，，而此时的信道状态矩阵随着时间和空间的变化变为了H’。用户不断移动，上述过程就会不断发生，即用户的位置会不断变化，其所接收到的射线的离开角和到达角也会不断变化，信道状态矩阵亦然。

用户移动引起角度变化的直观表示如图2所示。在图2中，条状块为用户所携带设备的接收面，即到达接收面的射线才能被用户设备成功接收；其他元素为到达用户附近的射线，假设仅有4条射线能够到达用户周围。在图2左侧所示的情况中，仅Ⅰ、Ⅱ和Ⅲ号射线能够打在接收面上，而Ⅳ号射线则飞出了接收范围，继续传播。而当用户移动后，设备所处的位置会变化，并且用户的旋转也会带动设备的旋转，即接收面的空间坐标和角度都在变化。假设图2右侧为用户移动后的情况，则可以看到，用户此时只能接收到Ⅱ、Ⅲ、Ⅳ号射线，原本可以接收到的Ⅰ号射线此时飞离接收面，继续传播。因此，由于用户在不同的状态下所能接收到的射线组是不同的，而这些射线都有不同的离开角，接收面的移动会改变射线的到达角，故用户移动会导致接收射线的离开角和到达角变化。

前文已提到，由于多径传播、时延等因素的影响，用户在同一时刻可能会收到多条携带不同信息的射线，通过射线离开角和到达角等空域特征可以很好地反映不同用户的传播途径是否相同，并进一步判断用户相互之间的干扰水平。这些空域信息就成为了干扰协调和资源调必要的输入信息。我们将下面的内容中具体阐述如何量化光线跟踪数据的出射角和到达角来得到我们所需的信道空域特征。

2.双向变换方案(FSST)设计

由于当空域特征涉及不同的物理基站的场景时需要空域特征的转换，并且用户的空域特征在多个站之间传输是困难的。因此，在基站从其他基站获取空域特征后，本发明提出一种双向变换框架，它可以实现信道空域特征和信道频域特征的互相转换，以服务于多物理基站情况下的小区间用户干扰计算等应用场景。

参照3GPP TR38.901，信道状态矩阵H中的信道系数h与离开角(离开的方位角和天顶角，AoD和ZoD)以及到达角(到达的方位角和天顶角，AoA和ZoA)之间存在函数关系以及路径损耗信息。本发明考虑了空间域特征和频域特征之间的相互转换，并提出了一种双向转换框架，其中包括以下映射：

Λ＝f(Γ) (1)

Γ＝f^-1(Λ) (2)

式(1)、(2)中，Γ表示信道空域特征，Λ表示信道频域特征。可以在空域中唯一定义用户信道的所有特征都被视为空域特征，而在频域中的情况是相同的。特征可以是多种形式(标量、向量、矩阵)。本发明利用射线跟踪数据样本和信道矩阵来提取特征，本发明的神经网络训练数据获取过程如图3所示。射线跟踪数据是通过将传播环境参数(3D矢量图和工程图)输入到射线跟踪模型中获得的。信道状态矩阵是从基于3GPP 3D-UMa信道模型的5G无线仿真平台获得的，其中以射线跟踪模型输出的射线跟踪数据作为输入。

空间域特征：空间域特征的构建始于量化光线跟踪数据的出射角(包括离开的方位角AoD和天顶角ZoD)和到达角(包括到达的方位角AoA和天顶角ZoA)。然后，由与量化角度有关的路径损耗组成的向量是所需的特征。假设θ表示单个发射和接收过程中所涉及的四种光线角度之一，p_θ表示与某个角度相对应的光线路径损耗，Ω_i为第i个间隔，i＝1，...，m，m是与角度相关的间隔数，其大小为Υ，γ_i为在该角度中提取的路径损耗第i个间隔，量化过程是：

其中，N_i＝|Ω_i|，Ω_i＝{θ|θ₀+(i-1)Υ≤θ≤θ₀+iΥ}，θ₀是θ的下限。m是角度的区间数，则

Ψ表示θ的取值范围。分别对四个类别的角度(AoD、ZoD、AoA、ZoA)执行式(3)所示的量化过程。为方便起见，在这四种情况下，m分别被m_AoD、m_ZoD、m_AoA和m_ZoA取代。信道空域特征是路径损耗矢量Γ＝[γ₁，γ₂，...，γ_M]，其中M＝m_AoD+m_ZoD+m_AoA+m_ZoA。

频域特征：从信道状态矩阵H中提取的特征是频域特征。SVD分解和DFT编码用于完成上述特征提取工作。信道状态矩阵H的奇异值可以很好地描述信道状态矩阵H。非零值的数量反映了独立子信道的数量，并且它们的值表示子信道的质量。大规模形式的信道状态矩阵H的奇异值分解定义为H＝U∑V^H，其中，∑是对角矩阵，其奇异值是其对角元素，U表示左奇异矩阵，V表示右奇异矩阵。

通过上述矩阵分解获得的U和V可能仍然是高维矩阵，本发明提取其DFT代码作为输入特征。DFT编码是一种简单的降维方法，可以减少反馈量并节省带宽。将DFT码指定为[σ₁，σ₂，…]，则频域特征为Λ＝[λ₁，λ₂，…，σ₁，σ₂，…]，由奇异值和DFT编码组成。λ_i是信道状态矩阵H的第i个奇异值。它表示频率特征是信号能量和方向的向量。

该框架的实现方法是准确性和时间消耗的权衡结果。在本发明中，采用了反向传播(BP)神经网络，并复制了深度卷积神经网络(DCNN)作为比较。自适应矩估计(Adam)和Huber损失用于更新参数。Adam将一阶矩(inertia)和二阶矩(environmental perception)置于梯度中，而Huber损失则保证了训练的收敛性。

双向变换框架的神经网络训练完成后可以搭载在基站端或者是用户端，双向变换框架的应用广泛。双向变换框架可以简化干扰计算的过程以便干扰协调，当空间特征涉及不同的物理基站的场景时，需要空域特征的转换，并且用户的空域特征在多个站之间传输是困难的。因此，在基站从其他基站获取空域特征后，本发明可以使用双向变换框架将信道空域特征转换为信道频域特征以进行干扰计算。双向变换框架也可以减少系统的处理开销和复杂度，如图4所示，当基站向用户发送信息交换指令时，用户需反馈给基站端信道的相关信息，若信道的频域特征过于复杂，用户可以将其转换空域特征然后反馈给基站，从而减少系统的处理开销和复杂度。

2.双向变换框架(FSST)可行性理论分析

双向变换的有效性取决于每个UE在空域坐标系和频移坐标系中的一一对应，即双向变换在多大程度上满足双射约束条件。而UE的空域坐标和频域坐标在表示信道特征是等效的，在特征描述足够精细情况下，能够保证空域坐标和频域坐标的一一对应，因此问题重点在于不同UE的空域坐标在多大概率上是满足唯一性的条件，即不同UE的空域坐标完全相等的概率有多大。此问题可以分解为LOS和NLOS两种情况进行进一步分析。

在LOS传播条件下，仅考虑从基站到UE的直射径。根据自由空间传播损耗公式，路损由载波频率和传播距离直接确定，而时延由传播距离唯一确定，因此UE的空域坐标可由水平到达角、垂直到达角以及路损或时延确定，由空域坐标定义的用户具有唯一性。

在NLOS传播条件下，需要考虑发射、散射、绕射等多条射线传播模式，先分析2D模型下不同UE具有相同空域坐标的NLOS径的概率有多大。将NLOS传播途径建模为反射场景，其数学模型也适用于散射、绕射等其他类型传播模式。

如图5所示，L1、L2、L3、L4分别为对应线段长度，即两点间传播长度，UE1和UE2的水平到达角相等，同时满足L1+L2＝L1+L3+L4，即两个UE的传播长度相等，UE1和UE2在基站测是同一个发射天线，因此UE的水平离开角也相等，在此基础上考察UE1和UE2的接收功率相等的概率，由于传播长度相等，影响UE1和UE2两者接收功率的因素主要是发射点的反射系数α和β，此处反射系数定义为(0，1)之间均匀分布的随机变量，物理意义为经过反射后射线功率和发射前的射线功率比值。假定UE1和UE2接收功率相等，则按照空间自由传播能量损耗公式，可以得到如下等式：

化简得到：

由于L₂＝L₃+L₄，代入上式可得：

考虑到3D-UMa传播场景，一般设置发射点的最小分辨率为d米，即L₃和L₄的最小值均为d，一般情况设d≥5，则有：

需要满足如下不等式才能保持上面的等式：

固定α，计算满足上式的概率，根据马尔可夫不等式，可得：

上式中α的期望值为0.5，代入上式，则有：

所以当反射路径距离足够大时，两个UE的特征完全的概率趋近0，而在3D-UMa传播环境中，d一般能取到较大值，因此两个UE的特征完全相同的概率也可以达到足够小的概率。多级反射时类推，可以得到如上相同结论。由于空域特征是以多条射线基本特征构成的，对于不同位置的两个UE，每个UE具有n条射线，其中r₁,…r_n对应第一个用户的n条射线的空域特征，其中s₁,…s_n对应第二个用户的n条射线的空域特征，设两个用户具有相近特征的射线按照下标一一对应，则这两个用户在空域特征相等概率满足如下不等式：

LOS条件下，n的期望值可取到100以上，而d≥5，因此P(r₁＝s₁；r₂＝s₂；…；r_n＝s_n)趋近于0，因此通过刻画全体射线特征得到的UE的空域特征的多对一映射的概率也趋近于0，能够满足一一映射的基本条件。

3.FSST变换的神经网络参数模型设计及其仿真对比结果

由于在长久的实践过程中，神经网络已被各个领域证明其具备强大的性能，故本发明的计算模型均采用神经网络模型。鉴于本发明设计的特征维数均比较小，不适合用需要复杂输入的方法模型，故BP神经网络被用来处理本发明设计的特征。而Xiaoyu Sun等人提出的ADCAM特征则使用他们在同一篇论文提出的DCNN网络结构来处理。下面介绍了本发明的实验配置并比较了使用简单BP网络和DCNN的实现结果(在单向和双向情况下)。

空间特征是与四种角度相对应的射线路径损耗的量化结果。AoD和AoA的值范围均为[-180，180]，ZoD和ZoA的值范围均为[0，180]，量化间隔设置为18。因此，总共提取了60维特征，即M＝60。至于频域特征，用SVD分解H后，由于UE的接收天线为2。然后，将与它们相对应的U和V中的向量进行编码，构成的6维向量是频域特征。

本发明从两个不同的BP网络开始实现，公式(1)和公式(2)的变换均为六层网络，其模型如图6所示。将这两个网络分别表示为B1和B2，则B1的层节点号为60、128、64、32、16和6，而B2的层节点号为6、32、64、128、64和60。

在包含DCNN的情况下，公式(2)所示的变换由DCNN实现，而公式(1)仍与BP网络相关。DCNN的特征学习部分是多个CALP模型的级联，其对应四个结构——C是卷积层(convolution)，A是激活函数(activation)，L是局部响应规范化(local responsenormalization，LRN)，P是池化层。针对单射线的情况，本发明建立了五层DCNN模型，分别为二维卷积层(卷积核数为16，卷积核大小为3×3×1)、ReLU层，局部响应规范化，二维最大池化层(Max Pooling，池化窗口为2×2，滑动步长为2)和最后的二维卷积层(卷积核数为4，核大小为2×2×16)，最后输出为4维，对应AoD、ZoD、AoA、ZoA这四个角度。多条射线的情况与上文提到的处理方式相似，即使用和单射线几乎完全相同的网络结构，仅把输出维度改为2，分别训练四个相同结构DCNN模型即可让其预测所需要的八个角度。经过测试，此结构对我们的数据而言是最佳的。这里的频域特征(Λ)是在与DCNN相同的论文中提出的角度延迟信道幅度矩阵指纹(ADCAM)。Huber损失函数和Adam用于所有网络的训练。训练迭代次数和批量大小分别为300和512。学习率是0.01，每30个迭代减少到以前的0.4。

本发明使用80-20策略分配训练和测试数据，除了将空间域和频域的真实性分别表示为Γ₁和Λ₁。以下描述基于B1和B2，并且DCNN的训练测试过程相同。在训练网络B1和B2时，将空间和频域特征交替用作输入和地面真实性。对于测试过程，首先，在测试网络B1时，已知空间特征(Γ₁)，并将其用作获得频域特征(Λ₂)的输入，即Λ₂＝f(Γ₁)。在测试网络B2时，输入频率特征以获得Γ₂＝f^-1(Λ₁)的空间特征。此时，B1和B2均已完成单向转换。然后使用Λ₂和Γ₂来验证双向变换的有效性。通过Λ₃＝f(Γ₂)以及Γ₃＝f^-1(Λ₂)获得Λ₃和Γ₃。然后，本发明将空域和频域特征组合在一起作为混合特征：

Φ₁＝[Γ₁，Λ₁]，Φ₂＝[Γ₂，Λ₂]，Φ₃＝[Γ₃，Λ₃] (13)

用欧氏距离计算实验的相对误差，即

和

这两个方程反映了两个网络的误差。

图7说明了所有四种情况(BP或DCNN，单向或双向)的相对误差的累积分布函数(CDF)。结果表明：两种情况下，一种实现方法的错误趋势相似，而本文提出的具有空域特征的简单BP网络表现出比具有ADCAM提出的特征的DCNN网络更好的性能。具体来说，BP网络的单向和双向转换的误差分别在15％和25％处停止，并且这两种转换的误差小于10％的部分超过80％，它们的平均值分别为7.6％和7.3％。DCNN的误差趋势甚至扩展到1。

3.基于空域特征和FSST变换的计算干扰方法

本发明提出了一种利用用户的空间特征来粗略计算小区间干扰的方法，以减少在同一物理基站服务的多小区场景中的共享开销和计算复杂度。核心思想是根据3GPP38.901获得波束的辐射功率方向图，借助用户空间特征计算相应的大尺度干扰，并根据式(14)所示的Kullback-Leibler(KL)散度，比较基于信道专题矩阵计算出的干扰的概率分布函数(PDF)：

式(14)中，KL表示K-L散度，p(x)表示变量P的概率密度分布，q(x)表示变量Q的概率密度分布。

然而，由于当空域特征涉及不同的物理基站的场景时需要空间特征的转换，并且用户的空间特征在多个站之间传输是困难的。因此，在基站从其他基站获取空间特征后，本发明可以使用双向变换框架将空间特征转换为信道频域特征以进行干扰计算。

当只存在单一的物理基站时，无需使用双向变换框架，即可利用用户的空间特征来粗略计算小区间干扰，具体实现方法如下：

Step 1：XYZ姿态计算

参见3GPP TR 38.901 7.1.3 Transformation from a LCS to a GCS

Step 2：结合天线补偿，获取小区基站的绝对坐标信息

这里将小区基站作为坐标原点，目前只支持单站点多扇区的场景，不涉及全局坐标到局部坐标的转换；

Step 3：波束计算

参见3GPP TR 38.901 7.3Antenna modelling计算对应角度天线增益图，如下表所示(这里暂时不考虑波束的缩放变化)，作为波束的基准(这里注意三个小区全部转化为绝对坐标系)，不涉及直角坐标系，这里直接使用角度坐标系计算；

表1天线增益图计算

Step 4：判别小区间干扰

各小区获取所有用户的射线数据，各用户按照量化区间获取60维的角度域特征f_c，u，以及各用户对应的路损值l_c，u；

在准备好上述数据后，按照如下步骤计算各用户对所有其他用户的干扰(包括同小区的用户和相邻小区用户)这里以两用户间干扰计算为例：

1)获取第一个用户与第二个用户的角度域特征f_c1，u1和角度域特征f_c2，u2、路损值l_c1，u1和路损值l_c2，u2；

2)获取第一个用户与第二个用户的最强角度特征区间，并取最强角度特征区间中点为对应的波束赋形主方向

式中，θ₀表示垂直方向角度，

表示水平方向角度，

表示1-20维的角度域特征，

表示21-30维的角度域特征。

3)这里将step3中的天线增益图主瓣旋转到此主方向

作为基站向此用户波束赋形波束：

式中，θ_u表示垂直方向角度，

表示水平方向角度，

表示基站向此用户的发射增益，

表示发射增益，circleshift表示旋转操作；

4)第一个用户按照角域特征非零值区间获取接收波束区间，计算波束在第二用户方位角上的增益：

表示波束在第二用户方位角上的接收增益；

5)计算第一个用户对第二个用户的干扰I_u1←u2与第二个用户对第一个用户的干扰I_u2←u1：

式中，l_s2,u1表示在基站2中用户1的路损，l_s1,u1表示在基站1中用户1的路损。

6)重复步骤(1)—(5)，可以计算整个系统任意用户间的干扰。

为了说明整体方案以及方案的实施效果，对于系统模型采用图8所示拓扑。三小区的系统模型设计如图8所示。

根据以上方案验证下新提出的计算小区间用户干扰的有效性，比较小区间干扰近似和通过传统信道矩阵计算干扰相关性：

SU-MIMO：

小区1比较：相关系数0.9929(强相关)，如图9所示。

小区2比较：相关系数0.9879(强相关)，如图10所示。

小区3比较：相关系数0.9946(强相关)，如图11所示。

MU-MIMO:相关系数：0.8546，小区1调度用户受干扰比较如图12所示。

小区2：相关系数0.3081(实相关)，小区2调度用户受干扰比较如图13所示。

小区3：相关系数0.9098(强相关)，小区3调度用户受干扰比较如图14所示。

实验方案配置相同，使用干扰规避方法，干扰近似计算采用基于天线增益图的方法，统计三小区场景下对应的拟合干扰和基于信道矩阵计算的小区间干扰对比，可以发现，在大的尺度上拟合效果较好，对应图中各TTI的折点基本一致，但由于基于天线增益图近似波束的方法的粗略性，在具体的幅值上有一定的差值；同时，对于一些干扰较相近的用户具体值的差距上体现不够明显，但是对于粗略判断强弱干扰方面性能较好；

这里将大量多次实验获取的近似计算干扰结果和相应的基于信道矩阵计算的真实的干扰进行比较，得到对应的PDF分布图。相应的拟合结果在整体分布上在大量实验后具有相似性，使用KL散度计算两者分布的相似度，得到相应的KL散度值接近于0，可以验证两者分布相似度高。在一定程度上说明了近似方法的有效性。

Claims (6)

1.一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：构建双向变换框架以实现信道空域特征和信道频域特征的互相转换，该双向转换框架包括下式(1)及下式(2)所示的映射：

Λ＝f(Γ) (1)

Γ＝f^-1(Λ) (2)

式(1)、(2)中，Γ表示信道空域特征，在空域中唯一定义用户信道的所有特征被视为信道空域特征，信道空域特征的构建始于量化射线跟踪数据的出射角和到达角，由与量化出射角和到达角有关的路径损耗组成的向量为信道空域特征；Λ表示信道频域特征，在频域中唯一定义用户信道的所有特征被视为信道频域特征，为从信道状态矩阵H中提取的特征；

由两个不同的BP神经网络分别实现式(1)及式(2)所示的变换，BP神经网络训练数据获取过程包括：将传播环境参数输入到射线跟踪模型中获得射线跟踪数据；以射线跟踪模型获得的射线跟踪数据为输入，从基于3GPP 3D-UMa信道模型的5G无线仿真平台获得信道状态矩阵。

2.如权利要求1所述的一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：所述BP神经网络均为六层网络。

3.如权利要求1所述的一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：所述出射角包括离开的方位角AoD和离开的天顶角ZoD，所述到达角包括到达的方位角AoA和到达的天顶角ZoA，则所述信道空域特征采用以下方式获得：

设θ表示单个发射和接收过程中所涉及的离开的方位角AoD、离开的天顶角ZoD、到达的方位角AoA或到达的天顶角ZoA之一，则p_θ表示与某个角度相对应的光线路径损耗，Ω_i为第i个间隔，i＝1，...，m，m是与角度相关的间隔数，其大小为Υ，γ_i为在当前角度中提取的路径损耗第i个间隔，量化过程如下式(3)所示：

其中，N_i＝|Ω_i|，Ω_i＝{θ|θ₀+(i-1)Υ≤θ≤θ₀+iΥ}，θ₀是θ的下限，m是角度的区间数，则

Ψ表示θ的取值范围；

分别对离开的方位角AoD、离开的天顶角ZoD、到达的方位角AoA或到达的天顶角ZoA执行式(3)所示的量化过程，得到信道空域特征是路径损耗矢量Γ＝[γ₁，γ₂，...，γ_M]，其中M＝m_AoD+m_ZoD+m_AoA+m_ZoA，式中，m_AoD、m_ZoD、m_AoA和m_ZoA分别为离开的方位角AoD的值范围、离开的天顶角ZoD的值范围、到达的方位角AoA的值范围和到达的天顶角ZoA的值范围。

4.如权利要求1所述的一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：利用SVD分解和DFT编码从所述信道状态矩阵H中提取特征，包括以下步骤：

信道状态矩阵H的SVD分解定义为H＝U∑V^H，其中，∑是对角矩阵，其奇异值是其对角元素，U表示左奇异矩阵，V表示右奇异矩阵；

提取分解得到的U和V的DFT编码作为输入特征，将DFT编码指定为[σ₁，σ₂，…]，则频域特征为Λ＝[λ₁，λ₂，…，σ₁，σ₂，…]，由奇异值和DFT编码组成，λ_i是∑信道状态矩阵H的第i个奇异值。

5.如权利要求1所述的一种面向无线三维信道的用户级信道空域特征建模方法，其特征在于：将训练后的双向变换框架搭载在基站端或用户端。

6.一种利用用户的空间特征来粗略计算小区间干扰的方法，其特征在于，当空域特征涉及不同的物理基站的场景时需要空域特征的转换，在基站从其他基站获取空域特征后，使用所示双向变换框架将空域特征转换为信道频域特征以进行干扰计算；

当只存在单一的物理基站时，无需使用双向变换框架，即可利用用户的空间特征来粗略计算小区间干扰，具体实现方法包括以下步骤：

步骤1、进行XYZ姿态计算；

步骤2、结合天线补偿，获取小区基站的绝对坐标信息；

步骤3、进行波束计算，计算对应角度天线增益图；

步骤4、判别小区间干扰：

各小区获取所有用户的射线数据，各用户按照量化区间获取60维的角度域特征f_c，u，以及各用户对应的路损值l_c，u，按照如下步骤计算任意两个用户之间的干扰：

步骤401、获取第一个用户与第二个用户的角度域特征f_c1，u1和角度域特征f_c2，u2、路损值l_c1，u1和路损值l_c2，u2；

步骤402、获取第一个用户与第二个用户的最强角度特征区间，并取最强角度特征区间中点为对应的波束赋形主方向

式中，θ₀表示垂直方向角度，

表示水平方向角度，

表示1-20维的角度域特征，

表示21-30维的角度域特征；

步骤403、将步骤3中的天线增益图主瓣旋转到主方向

作为基站向此用户波束赋形波束：

式中，θ_u表示垂直方向角度，

表示水平方向角度，

表示基站向此用户的发射增益，

表示发射增益，circleshift表示旋转操作；

步骤404、第一个用户按照角域特征非零值区间获取接收波束区间，计算波束在第二用户方位角上的增益：

式中，

表示波束在第二用户方位角上的接收增益；

步骤405、计算第一个用户对第二个用户的干扰I_u1←u2与第二个用户对第一个用户的干扰I_u2←u1：

式中，l_s2，u1表示在基站2中用户1的路损，l_s1，u1表示在基站1中用户1的路损。

Images