CN115567131A - 一种基于降维复卷积网络的6g无线信道特性提取方法 - Google Patents

Abstract

本发明公开了一种基于降维复卷积网络的第六代(6G)移动通信无线信道特性提取方法。针对6G移动通信无线信道特性分析与建模，解决现有无线信道特性提取难以实现精确度与复杂度折中的问题。其实现步骤为：1)使用射线追踪仿真软件，获取多个典型场景下的信道仿真数据；2)对多径进行分簇，计算簇内/间时延/角度扩展统计量；3)使用栈式自编码器对大维仿真数据进行去干扰无监督数据降维；4)提出复数交叉卷积神经网络提取相关统计量；5)使用实测数据进行增量学习，增强所构建网络的鲁棒性；6)比较所提出方法与其他网络的复杂度和精确度性能。本发明提供的无线信道特性提取方法具有复杂度较低的特点，可为时变和大维测量数据的处理提供有效解决方案。

Description

一种基于降维复卷积网络的6G无线信道特性提取方法

技术领域

本发明属于无线通信与信道建模技术领域，具体涉及一种基于降维复卷积网络的第六代(sixth generation，6G)无线信道特性提取方法。

背景技术

在用户多样化应用需求的驱动下，6G无线通信系统将以“全覆盖、全频谱、全应用、全感官、全数字、强安全”为理想愿景，致力于实现万物互联到万物智联的跃迁。然而，更加复杂多样的通信场景给6G无线通信系统的设计和优化部署带来了巨大挑战。作为网优网规的重要前提，无线信道测量、特性分析与建模在6G的冲击下，需要应对更大的数据量、更复杂的数据处理、更高的精确度要求，以及更高的普适性要求。其中，无线信道特性分析作为衔接物理与数字世界的关键步骤，该研究的开展对于全局性能优化具有重要意义。但随着测量数据量急剧增加，传统方法包括高分辨率多径参数提取、多径分簇、相关统计量计算等，面临越来越高的复杂度，难以实现与精确度更好的折中。

人工智能等新一代网络信息技术的跨越式发展，推动着移动通信技术朝着智能化趋势迈进，带来存储、计算及感知等方面的全方位突破。作为人工智能的核心技术，机器学习已被广泛应用于无线通信领域的问题研究，实现超高效率的模拟、决策和预测功能。其中，深度学习模拟人类大脑工作机制，能够更好地处理海量数据，以集中方式解决问题并获取所需的答案。目前，已有研究人员应用机器学习算法优化无线信道统计特性的提取。例如，东南大学课题组使用前馈神经网络和一个基于径向基函数神经网络构建大数据使能信道模型。通过获取室内办公场景测量数据以及基于几何的随机信道模型(geometry basedstochastic channel model，GBSM)仿真数据，将收发端坐标和位置、载频作为神经网络输入，并将接收功率、均方根时延扩展、角度扩展作为输出，训练测试后发现机器学习方法能够为未来无线信道建模提供有效的分析工具。清华大学课题组使用卷积神经网络区分不同无线信道，将高分辨率空间交替广义期望最大化(space-alternating generalizedexpectation-maximization，SAGE)算法提取的多径参数作为输入、无线信道类别作为输出。

通过调研现有基于机器学习/深度学习方法的无线信道特性分析工作，总结发现一般使用浅层/深层网络进行少数特性的分析，仍缺少针对大维输入问题的讨论、多径簇相关特性的提取，并且缺少对网络的全局优化，以及未考虑所构建网络的鲁棒性和普适性。针对以上问题，本发明致力于研发一种基于去噪栈式自编码器的复数实部和虚部交叉卷积神经网络(cross-convolutional neural network，X-CNN)的6G自适应无线信道特性提取方法，解决现有方案难以实现精确度与复杂度折中的问题，提高网络的普适性。

发明内容

技术问题：

为解决大维数据复数输入、多种特性联合提取及网络的鲁棒性问题，从而进一步解决6G全频段、全覆盖场景、全应用场景信道特性提取面临的精确度、复杂度与普适性难以折中的问题，本发明提供一种基于降维复卷积网络的6G无线信道特性提取方法。

技术方案：

为了实现上述目标，本发明提供了一种基于去噪栈式自编码器的复数X-CNN的6G无线信道特性提取方法，包括以下具体步骤：

S1、构建真实通信环境的孪生场景，使用射线追踪(ray tracing，RT)软件获取多种典型场景下的无线信道仿真数据；

S2、根据仿真多径参数及分簇处理后结果计算相关统计量，建立典型场景无线信道仿真数据库；

S3、输入训练数据，使用去噪栈式自编码器对6G大维数据进行特征降维，并抽取编码器特征参数；

S4、将编码器特征参数输入构建的X-CNN进行训练，实现信道特性提取，并使用测试数据集进行网络性能验证；

S5、开展不同场景下的信道测量，处理实测数据，并对网络进行增量学习；

S6、比较本发明所提出方法与基于其他网络结构方法的精确度和复杂度。

所述步骤S1的具体步骤如下：

步骤S101、根据实际6G无线通信环境，使用Wireless Insite RT仿真软件，采用简化的三维模型构建典型室内办公、走廊、室内到室外、室外城市微小区等场景下的几何环境。以室内办公场景为例，以四点所围成的四边形构成地面，以四边形为基本单元的墙面构建建筑物，每面墙均由四个顶点坐标确定，并给定每面墙所属建筑物的编号。此外，所有墙面采用相同材料，但不考虑窗户等。

步骤S102、设置收发端位置，以及阵列规模、中心频率和带宽等，使用反向射线追踪电波传播预测，从接收源出发建立虚拟源点树，树的每个子节点代表一个虚拟源点，建立虚拟源的可见面表和可见劈表，并基于可见面劈表搜索直射、反射、绕射等三维射线传播路径。

步骤S103、提取所有路径的相关参数，包括每条路径的复幅度、时延、水平/俯仰离开/到达角，以及均方根时延扩展和角度扩展等，从而获取真实场景的孪生数据。

所述步骤S2的具体步骤如下：

步骤S201、本发明所关心的统计特性包括接收功率，以及多径和簇间的均方根时延扩展(root mean square delay spread,RMS DS)、三维水平/俯仰到达角/离开角扩展(azimuth/elevation arrival/departure angle spread,AAS/EAS/ADS/EDS)，其中多径均方根时延/角度扩展可由RT仿真软件中直接获取。以下给出相应统计量的计算方法。考虑收发端分别配置N_R和N_T根天线，h_qp(t,τ)(p＝1,...,N_T,q＝1,...,N_R)表示第q根接收天线第p根发送天线在时刻t时延τ的信道冲激响应，则来自第p根发送天线、到达第q根接收天线的信号功率大小可计算如下：

其中L为多径数目，β_l为第l条路径的复幅度。到达接收端且由于路程不同导致的RMS DS可计算如下：

其中τ_l为第l条路径的时延，μ_τ为时延均值。对于多径RMS，记为σ_τ,L，对于接下来的簇间时延扩展，记为σ_τ,C。类似的，RMS角度扩展可计算如下：

其中μ_θ为角度均值。需要注意的是，θ_l为第l条路径的角度，它可以用于计算多径的AAS、EAS、ADS、EDS，分别记为

以及簇间的AAS、EAS、ADS、EDS，分别记为

及

步骤S202、本发明所关心的簇间统计特性，需要首先使用Mini Batch k-means聚类算法进行分簇，这里分簇算法联合考虑多径的时延、水平和俯仰角度参数，具体操作如下：

(1)随机选取部分路径的参数集，使用k-power-means算法进行小批量分簇，迭代更新计算欧式距离，获得初始质心；

(2)随机选取其他部分路径的参数集，通过计算与质心的欧氏距离，分配给最近的质心；

(3)根据现有的参数集更新质心；

(4)更新(2)和(3)直至质心变化小于设定的阈值或最大迭代次数。

步骤S203、根据步骤S202的分簇结果，参照步骤S201的计算方法得到簇间时延扩展σ_τ,C和角度扩展

及

步骤S204、整理RT仿真数据与相关统计量，建立仿真数据库用于下一步的训练和测试。

所述步骤S3的具体步骤如下：

步骤S301、为了解决RT仿真数据量过大的问题，本发明首先使用去噪栈式自编码器进行特征降维，原理如图2所示。首先，从训练数据集y中随机产生受复高斯分布噪声污染的干扰样本

其中y是包含典型室内办公、走廊、室内到室外等场景下仿真得到的信道冲激响应数据集合。

步骤S302、由于训练数据为复数，分别抽取数据的实部

和虚部

堆叠为列向量。常见激活函数包括sigmoid、tanh、ReLU、maxout等，经过全连接网络后，使用sigmoid激活函数，

并做归一化处理后输入编码器e(·)，其中x为每层网络的输入。这里的编码器包括输入层和多个隐藏层。其中，隐藏层使用softplus作为激活函数，函数表达式为

f₂(x)＝ln(1+e^x)。

步骤S303、将编码器最后一个隐藏层的输出作为解码器的输入d(·)，则该去噪自编码的目标即为训练网络得到使得代价函数最小的网络参数值

其中网络优化采用梯度下降法。接下来：

(1)设置最小损失函数目标阈值及最大迭代次数，当训练达到目标值或最大迭代次数时停止；(2)去除解码器，此时编码器的输出{d_n}即为经过网络处理后抽取的低维深度特性，其维度与编码器最后一层神经元的数目一致，可作为X-CNN的输入进行下一步预测。

所述步骤S4的具体步骤如下：

步骤S401、将所建立的仿真数据库，按照70％和30％的比例划分训练和测试数据集。抽取经过栈式自编码器降维后的训练数据集作为X-CNN的输入，依旧首先按照实部和虚部进行并行训练，如图3所示。使用z-score标准化方法进行数据归一化预处理，消除评价指标之间的量纲影响，并以相应的特性参数作为标签。

步骤S402、由于随着层数加深会造成局部最优解和梯度消失，考虑构建CNN。本发明采用卷积-池化-卷积-池化-卷积-池化-长短期记忆网络(long short term memory，LSTM)的层级结构，在减少参数和降维的同时，更好的拟合特征，减少信息丢失，并保留数据间相关性。(1)设置卷积层的卷积核数目和大小、步长，从而得到下一层特征映射图。

假设第u-1层有大小为M_u-1×M_u-1的卷积核，则第u层特征映射图的输出可表示为

其中

为第u-1层第i,j个神经元的系数，b_u为第u层的偏置。g(·)为激活函数，用于将各神经网络的输入映射到下一层或输出层。

(2)由于输入数据维度较大，设定较小的感受视野时，经过卷积层的特征映射图依然较大。本发明在该网络中使用多个池化层，用于进一步对特征映射图进行降维。

(3)在分别对复数的实部和虚部经过卷积层和池化层处理后，通过全连接层，将特征进行合并拟合。

(4)最后使用串联的LSTM输入门和忘记门提取数据间相关性。

(5)训练误差使用交叉熵函数进行定义：

其中，Θ_m为步骤S2计算得到的特性参数值，

为网络输出的特性参数值。

(6)训练误差优化极值求解可采用一般的梯度下降或牛顿法来完成。当L未达到设定门限值时或达到设定迭代次数时，在一定学习速率下改变神经元的权重和偏置。

(7)选择合适的学习算法，例如莱文贝格－马夸特方法(Levenberg–Marquardtalgorithm,LM)。神经网络的训练过程即为各权重和偏置的不断更新。

(8)学习过程结束后，将验证测试数据代入网络，观察网络的测试性能。

所述步骤S5的具体步骤如下：

S501、获取真实场景下的信道测量数据；

S502、按照S2步骤处理RT数据的方式，获取簇间时延和角度扩展参数集；

S503、在步骤S4步骤训练的DNN基础上，使用获取的测量数据与处理得到的特性参数集进行增量学习，增强网络对于不同场景实测数据的可塑性和稳定性。采用联合训练(joint training)算法进行网络训练。在S4步骤训练得到的网络中输入新的实测数据，在原网络的基础上重新训练模型，从而获得对新旧数据的联合最优预测。

所述步骤S6的具体步骤如下：

S601、使用RT仿真数据对径向基网络、LSTM等网络进行训练；

S602、将实测数据作为输入，分别得到使用径向基网络和LSTM网络进行特性参数估计，计算均方根误差，并记录处理时间；

S603、使用本发明提出的去噪自编码器复数X-CNN进行实测数据预测，计算均方根误差，并记录处理时；

S604、比较本发明提出的去噪自编码器X-CNN与其他两种网络的精确度和复杂度。

有益效果：

与最接近的现有方法相比，本发明提供的技术方案具有的有益效果是：

本发明在生成大量RT仿真和实测数据的基础上，提出了一种基于去噪栈式自编码器复数X-CNN的6G无线信道特性提取方法。与传统方法和其他神经网络相比，本发明能够很好地解决信道数据的大维输入和多径簇相关特性提取问题，在保证较高精确度的同时提供更低的复杂度以及更好的鲁棒性，能够为6G全频段场景、全覆盖场景、全应用场景信道建模提供有效解决方案。

附图说明

图1为本发明流程示意图；

图2为本发明去噪自编码器结构示意图；

图3为本发明X-CNN结构示意图；

图4为本发明X-CNN窗口及边长流程示意图。

具体实施方式

下面结合附图和具体实施对本发明进行详细说明。本实施例1以本发明技术方案为前提进行实施，给出了详细的实施方案和具体的操作过程，但本发明的保护范围不限于下属的实施例。

根据权利要求所包含的内容举例说明

实施例1：

所述步骤S1的具体步骤如下：

步骤S101、在典型场景下，使用Wireless Insite RT仿真软件构建真实场景的几何仿真环境。采用简化的三维模型，构建典型室内办公、走廊、室内到室外、室外城市微小区等场景下的几何环境。以室内办公场景为例，以四点所围成的四边形构成地面，以四边形为基本单元的墙面构建建筑物，每面墙均由四个顶点坐标确定，并给定每面墙所属建筑物的编号。此外，所有墙面采用相同材料，但不考虑窗户等。

步骤S102、设置收发端位置，以发射端为64阵元均匀线阵和接收端为4阵元均匀线阵为例，设置中心频率为5.3GHz，带宽为160MHz，使用反向射线追踪电波传播预测，从接收源出发建立虚拟源点树，树的每个子节点代表一个虚拟源点，建立虚拟源的可见面表和可见劈表，并基于可见面劈表搜索直射、反射、绕射等三维射线传播路径。

步骤S103、提取所有路径的相关参数，包括每条路径的复幅度、时延、水平/俯仰离开/到达角，以及均方根时延扩展和角度扩展等，从而获取真实场景的孪生数据。

所述步骤S2的具体步骤如下:

步骤S201、本发明所关心的统计特性包括接收功率，以及多径和簇间的均方根时延扩展(root mean square delay spread,RMS DS)、三维水平/俯仰到达角/离开角扩展(azimuth/elevation arrival/departure angle spread,AAS/EAS/ADS/EDS)，其中多径均方根时延/角度扩展可由RT仿真软件中直接获取。以下给出相应统计量的计算方法。考虑收发端分别配置N_R和N_T根天线，h_qp(t,τ)(p＝1,...,N_T,q＝1,...,N_R)表示第q根接收天线第p根发送天线在时刻t时延τ的信道冲激响应，则来自第p根发送天线、到达第q根接收天线的信号功率大小可计算如下：

其中L为多径数目，β_l为第l条路径的复幅度。到达接收端且由于路程不同导致的RMS DS可计算如下：

其中τ_l为第l条路径的时延，μ_τ为时延均值。对于多径RMS，我们记为σ_τ,L，对于接下来的簇间时延扩展，记为σ_τ,C。类似的，RMS角度扩展可计算如下：

其中μ_θ为角度均值。需要注意的是，θ_l为第l条路径的角度，它可以用于计算多径的AAS、EAS、ADS、EDS，分别记为

以及簇间的AAS、EAS、ADS、EDS，分别记为

及

步骤S202、本发明所关心的簇间统计特性，需要首先使用Mini Batch k-means聚类算法进行分簇，这里分簇算法联合考虑多径的时延、水平和俯仰角度参数，具体操作如下：

(1)随机选取部分路径的参数集，使用k-power-means算法进行小批量分簇，迭代更新计算欧式距离，获得初始质心；

(2)随机选取其他部分路径的参数集，通过计算与质心的欧氏距离，分配给最近的质心；

(3)根据现有的参数集更新质心；

(4)更新(2)和(3)直至质心变化小于设定的阈值或最大迭代次数。

步骤S203、根据步骤S202的分簇结果，参照步骤S201的计算方法得到簇间时延扩展σ_τ,C和角度扩展

及

步骤S204、整理RT仿真数据与相关统计量，建立仿真数据库用于下一步的训练和测试。

所述步骤S3的具体步骤如下：

步骤S301、为了解决RT仿真数据量过大的问题，本发明首先使用去噪栈式自编码器进行特征降维，原理如图2所示。首先，从训练数据集y中随机产生受复高斯分布噪声污染的干扰样本

其中y是包含典型室内办公、走廊、室内到室外等场景下仿真得到的信道冲激响应数据集合。

步骤S302、由于训练数据为复数，分别抽取数据的实部

和虚部

堆叠为列向量。常见激活函数包括sigmoid、tanh、ReLU、maxout等，经过全连接网络后，使用sigmoid激活函数，

并做归一化处理后输入编码器e(·)，其中x为每层网络的输入。这里的编码器包括输入层和多个隐藏层。其中，隐藏层使用softplus作为激活函数，函数表达式为

f₂(x)＝ln(1+e^x)。

步骤S303、将编码器最后一个隐藏层的输出作为解码器的输入d(·)，则该去噪自编码的目标即为训练网络得到使得代价函数最小的网络参数值

其中网络优化采用梯度下降法。接下来：

(1)设置最小损失函数目标阈值及最大迭代次数，当训练达到目标值或最大迭代次数时停止；(2)去除解码器，此时编码器的输出{d_n}即为经过网络处理后抽取的低维深度特性，其维度与编码器最后一层神经元的数目一致，可作为X-CNN的输入进行下一步预测。

所述步骤S4的具体步骤如下：

步骤S401、将所建立的仿真数据库，按照70％和30％的比例划分训练和测试数据集。抽取经过栈式自编码器降维后的训练数据集作为X-CNN的输入，依旧首先按照实部和虚部进行并行训练，如图3所示。使用z-score标准化方法进行数据归一化预处理，消除评价指标之间的量纲影响，并以相应的特性参数作为标签。

步骤S402、由于随着层数加深会造成局部最优解和梯度消失，考虑构建CNN。本发明采用卷积-池化-卷积-池化-卷积-池化-长短期记忆网络(long short term memory，LSTM)的层级结构，在减少参数和降维的同时，更好的拟合特征，减少信息丢失，并保留数据间相关性。(1)设置卷积层的卷积核数目和大小、步长，从而得到下一层特征映射图。

假设第u-1层有大小为M_u-1×M_u-1的卷积核，则第u层特征映射图的输出可表示为

其中

为第u-1层第i,j个神经元的系数，b_u为第u层的偏置。g(·)为激活函数，用于将各神经网络的输入映射到下一层或输出层。

(2)由于输入数据维度较大，设定较小的感受视野时，经过卷积层的特征映射图依然较大。本发明在该网络中使用多个池化层，用于进一步对特征映射图进行降维。

(3)在分别对复数的实部和虚部经过卷积层和池化层处理后，通过全连接层，将特征进行合并拟合。

(4)最后使用串联的LSTM输入门和忘记门提取数据间相关性。

(5)训练误差使用交叉熵函数进行定义：

其中，Θ_m为步骤S2计算得到的特性参数值，

为网络输出的特性参数值。

(6)训练误差优化极值求解可采用一般的梯度下降或牛顿法来完成。当L未达到设定门限值时或达到设定迭代次数时，在一定学习速率下改变神经元的权重和偏置。

(7)选择合适的学习算法，例如莱文贝格－马夸特方法(Levenberg–Marquardtalgorithm,LM)。神经网络的训练过程即为各权重和偏置的不断更新。

(8)学习过程结束后，将验证测试数据代入网络，观察网络的测试性能。

所述步骤S5的具体步骤如下：

S501、获取真实场景下的信道测量数据；

S502、按照S2步骤处理RT数据的方式，获取簇间时延和角度扩展参数集；

S503、在步骤S4步骤训练的DNN基础上，使用获取的测量数据与处理得到的特性参数集进行增量学习，增强网络对于不同场景实测数据的可塑性和稳定性。采用联合训练(joint training)算法进行网络训练。在S4步骤训练得到的网络中输入新的实测数据，在原网络的基础上重新训练模型，从而获得对新旧数据的联合最优预测。

所述步骤S6的具体步骤如下：

S601、使用RT仿真数据对径向基网络、LSTM等网络进行训练；

S602、将实测数据作为输入，分别得到使用径向基网络和LSTM网络进行特性参数估计，计算均方根误差，并记录处理时间；

S603、使用本发明提出的去噪自编码器复数X-CNN进行实测数据预测，计算均方根误差，并记录处理时；

S604、比较本发明提出的去噪自编码器X-CNN与其他两种网络的精确度和复杂度。

本发明在生成大量RT仿真和实测数据的基础上，提出了一种基于去噪栈式自编码器复数X-CNN的6G无线信道特性提取方法。与传统方法和其他神经网络相比，本发明能够很好地解决信道数据的大维输入和多径簇相关特性提取问题，在保证较高精确度的同时提供更低的复杂度以及更好的鲁棒性，能够为6G全频段场景、全覆盖场景、全应用场景信道建模提供有效解决方案。

可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (8)

1.一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，包括如下步骤：

S1、构建真实通信环境的孪生场景，获取多种典型场景下的无线信道仿真数据；

S2、根据仿真多径参数及分簇处理后结果计算相关统计量，建立典型场景无线信道仿真数据库；

S3、从所述仿真数据库中选取训练数据，输入训练数据，使用去噪栈式自编码器对6G大维数据进行特征降维，并抽取编码器特征参数；

S4、将编码器特征参数输入构建的X-CNN进行训练，实现信道特性提取，并使用测试数据集进行网络性能验证；

S5、开展不同场景下的信道测量，处理实测数据，并对网络进行增量学习。

2.根据权利要求1所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，S1的具体步骤包括：

S101、根据实际6G无线通信环境，使用Wireless Insite RT仿真软件，采用三维模型构建典型室内办公、走廊、室内到室外、室外城市微小区场景下的几何环境；

S102、设置收发端位置，以及阵列规模、中心频率和带宽，使用反向射线追踪电波传播预测，从接收源出发建立虚拟源点树，树的每个子节点代表一个虚拟源点，建立虚拟源的可见面表和可见劈表，并基于可见面劈表搜索三维射线传播路径；

S103、提取所有路径的相关参数，包括每条路径的复幅度、时延、水平/俯仰离开/到达角，以及均方根时延扩展和角度扩展，从而获取真实场景的孪生数据。

3.根据权利要求1所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，S2的具体步骤包括：

S201、所述统计量包括接收功率，以及多径和簇间的均方根时延扩展、三维水平/俯仰到达角/离开角扩展，其中多径均方根时延/角度扩展由RT仿真软件中直接获取；

以下给出相应统计量的计算方法：收发端分别配置N_R和N_T根天线，h_qp(t,τ)表示第q根接收天线第p根发送天线在时刻t时延τ的信道冲激响应，p＝1,…,N_T，q＝1,…,N_R，则来自第p根发送天线、到达第q根接收天线的信号功率大小计算如下：

其中L为多径数目，β_l为第l条路径的复幅度；到达接收端且由于路程不同导致的RMSDS计算如下：

其中τ_l为第l条路径的时延，μ_τ为时延均值；对于多径RMS，记为σ_τ,L，对于簇间时延扩展，记为σ_τ,C；RMS角度扩展计算如下：

其中μ_θ为角度均值；θ_l为第l条路径的角度，用于计算多径的AAS、EAS、ADS、EDS，分别记为

以及簇间的AAS、EAS、ADS、EDS，分别记为

及

S202、对于簇间统计量，使用Mini Batch k-means聚类算法进行分簇；

S203、根据分簇结果，得到簇间时延扩展σ_τ,C和角度扩展

及

S204、整理RT仿真数据与相关统计量，建立仿真数据库。

4.根据权利要求3所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，步骤S202具体包括：

(1)随机选取部分路径的参数集，使用k-power-means算法进行小批量分簇，迭代更新计算欧式距离，获得初始质心；

(2)随机选取其他部分路径的参数集，通过计算与质心的欧氏距离，分配给最近的质心；

(3)根据现有的参数集更新质心；

更新(2)和(3)直至质心变化小于设定的阈值或最大迭代次数。

5.根据权利要求1所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，S3的具体步骤包括：

S301、使用去噪栈式自编码器进行特征降维：首先，从训练数据集y中随机产生受复高斯分布噪声污染的干扰样本

其中y是包含典型室内办公、走廊、室内到室外场景下仿真得到的信道冲激响应数据集合；

S302、分别抽取数据的实部

和虚部

堆叠为列向量；经过全连接网络后，使用sigmoid激活函数，并做归一化处理后输入编码器e(·)，其中x为每层网络的输入；编码器包括输入层和多个隐藏层；其中，隐藏层使用softplus作为激活函数；

S303、将编码器最后一个隐藏层的输出作为解码器的输入d(·)，则该去噪自编码的目标即为训练网络得到使得代价函数最小的网络参数值

其中网络优化采用梯度下降法；

S304、设置最小损失函数目标阈值及最大迭代次数，当训练达到目标值或最大迭代次数时停止；去除解码器，此时编码器的输出{d_n}即为经过网络处理后抽取的低维深度特性，其维度与编码器最后一层神经元的数目一致，作为X-CNN的输入进行下一步预测。

6.根据权利要求1所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，S4的具体步骤包括：

S401、将所建立的仿真数据库划分训练和测试数据集；抽取经过栈式自编码器降维后的训练数据集作为X-CNN的输入，依旧首先按照实部和虚部进行并行训练；使用z-score标准化方法进行数据归一化预处理，消除评价指标之间的量纲影响，并以相应的特性参数作为标签；

S402、构建X-CNN，采用卷积-池化-卷积-池化-卷积-池化-长短期记忆网络的层级结构。

7.根据权利要求6所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，S402具体步骤包括：

(1)设置卷积层的卷积核数目和大小、步长，从而得到下一层特征映射图；

假设第u-1层有大小为M_u-1×M_u-1的卷积核，则第u层特征映射图的输出表示为

其中

为第u-1层第i,j个神经元的系数，b_u为第u层的偏置，g(·)为激活函数，用于将各神经网络的输入映射到下一层或输出层；

(2)使用多个池化层，对特征映射图进行降维；

(3)在分别对复数的实部和虚部经过卷积层和池化层处理后，通过全连接层，将特征进行合并拟合；

(4)最后使用串联的LSTM输入门和忘记门提取数据间相关性；

(5)训练误差使用交叉熵函数进行定义：

其中，Θ_m为步骤S2计算得到的特性参数值，

为网络输出的特性参数值；

(6)训练误差优化极值求解采用梯度下降或牛顿法来完成；当L未达到设定门限值时或达到设定迭代次数时，在一定学习速率下改变神经元的权重和偏置；

(7)选择合适的学习算法，训练神经网络；

(8)学习过程结束后，将验证测试数据代入网络，观察网络的测试性能。

8.根据权利要求1所述的一种基于降维复卷积网络的6G无线信道特性提取方法，其特征在于，S5的具体步骤包括：

S501、获取真实场景下的信道测量数据；

S502、按照S2步骤处理RT数据的方式，获取簇间时延和角度扩展参数集；

S503、在步骤S4步骤训练的X-CNN基础上，使用获取的测量数据与处理得到的特性参数集进行增量学习，增强网络对于不同场景实测数据的可塑性和稳定性；采用联合训练算法进行网络训练；在S4步骤训练得到的网络中输入新的实测数据，在原网络的基础上重新训练模型，从而获得对新旧数据的联合最优预测。

Images