CN116996142A - 无线信道参数预测方法、装置、电子设备及存储介质 - Google Patents
无线信道参数预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116996142A CN116996142A CN202210427326.7A CN202210427326A CN116996142A CN 116996142 A CN116996142 A CN 116996142A CN 202210427326 A CN202210427326 A CN 202210427326A CN 116996142 A CN116996142 A CN 116996142A
- Authority
- CN
- China
- Prior art keywords
- wireless channel
- channel parameter
- parameter prediction
- prediction model
- time step
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000007774 longterm Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000007787 long-term memory Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供了一种无线信道参数预测方法、装置、电子设备及存储介质，所述方法包括：获取输入特征集合，所述输入特征集合包括多个输入特征序列；将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。本申请通过建立基于序列到序列网络的无线信道参数预测模型，将多输入多输出技术与基于深度学习的神经网络相结合，来预测无线信道参数，提高了信道预测的精度，降低了信道建模的复杂度，实现了高效简单地进行无线信道参数预测。
Description
技术领域
本申请涉及通信技术领域和计算机技术领域，尤其涉及一种无线信道参数预测方法、装置、电子设备及存储介质。
背景技术
随着无线通信系统的基础设施的不断完善和发展，通信系统也变得越来越复杂。商用的5G移动通信系统需具备支持增强移动宽带业务(Enhance Mobile Broadband，eMBB)、大规模机器类型通信(Massive MachineType Communication，mMTC)、高可靠低时延连接(Ultra Reliable Low Latency Communication，URLLC)的传输能力。根据5G不同的应用场景的技术要求，无线信道应具备支持多频点，大带宽，多实用场景，空时频均满足一致性，支持大规模多输入多输出，支持高移动性等重要特性。5G移动通信系统已成为无线通信领域的研究热点。
通信系统的三大要素包括信源、无线信道、信宿。其中，无线信道指的是在无线通信传输过程中所需的传输媒介，它会直接影响从信源到信宿间的各个通信指标的性能。因此，为了在不同的无线环境的传输特性下推动新技术的开发，需要对无线信道环境特性建立信道模型，从而预测和评估信道参数。如何建立无线信道模型和预测信道参数，已经成为了亟待解决的技术问题。
发明内容
本申请实施例提供一种无线信道参数预测方法、装置、电子设备及存储介质，用以解决在建立无线信道模型中精确度较低，复杂度过高的缺点，实现高效简单地进行无线信道参数预测。
第一方面，本申请实施例提供一种无线信道参数预测方法，包括：
获取输入特征集合，所述输入特征集合包括多个输入特征序列；
将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元LeakyReLU激活函数得到所述无线信道参数集合。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
可选地，根据本申请一个实施例的无线信道参数预测方法，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
第二方面，本申请实施例还提供一种电子设备，包括存储器，收发机，处理器；
所述存储器用于存储计算机程序；所述收发机用于在所述处理器的控制下收发数据；所述处理器用于读取所述存储器中的计算机程序并执行以下操作：
获取输入特征集合，所述输入特征集合包括多个输入特征序列；
将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
可选地，根据本申请一个实施例的电子设备，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
可选地，根据本申请一个实施例的电子设备，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
可选地，根据本申请一个实施例的电子设备，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
可选地，根据本申请一个实施例的电子设备，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
可选地，根据本申请一个实施例的电子设备，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
可选地，根据本申请一个实施例的电子设备，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元LeakyReLU激活函数得到所述无线信道参数集合。
可选地，根据本申请一个实施例的电子设备，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
可选地，根据本申请一个实施例的电子设备，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
第三方面，本申请实施例还提供一种无线信道参数预测装置，包括：
输入特征获取单元，用于获取输入特征集合，所述输入特征集合包括多个输入特征序列；
信道参数预测单元，用于将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
第四方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面所述的无线信道参数预测方法。
本申请实施例提供的无线信道参数预测方法、装置、电子设备及存储介质，通过建立基于序列到序列网络的无线信道参数预测模型，将多输入多输出技术与基于深度学习的神经网络相结合，来预测无线信道参数，提高了信道预测的精度，降低了信道建模的复杂度，实现了高效简单地进行无线信道参数预测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的无线信道参数预测方法的流程示意图；
图2是本申请实施例提供的序列到序列网络的结构示意图；
图3是本申请实施例提供的长短期记忆网络的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图；
图5是本申请实施例提供的无线信道参数预测装置的结构示意图。
具体实施方式
本申请实施例中术语“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。
此外，术语“第一”、“第二”等仅用于描述目的，用于区分具有类似性的特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
本申请实施例提供的技术方案可以适用于多种系统，尤其是5G系统。例如适用的系统可以是全球移动通讯(global system of mobile communication，GSM)系统、码分多址(code division multiple access，CDMA)系统、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)通用分组无线业务(general packet radio service，GPRS)系统、长期演进(long term evolution，LTE)系统、LTE频分双工(frequencydivision duplex，FDD)系统、LTE时分双工(time division duplex，TDD)系统、高级长期演进(long term evolution advanced，LTE-A)系统、通用移动系统(universal mobiletelecommunication system，UMTS)、全球互联微波接入(worldwide interoperabilityfor microwave access，WiMAX)系统、5G新空口(New Radio,NR)系统等。这多种系统中均包括终端设备和网络设备。系统中还可以包括核心网部分，例如演进的分组系统(EvlovedPacket System,EPS)、5G系统(5GS)等。
本申请实施例涉及的终端设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的系统中，终端设备的名称可能也不相同，例如在5G系统中，终端设备可以称为用户设备(User Equipment,UE)。无线终端设备可以经无线接入网(Radio Access Network,RAN)与一个或多个核心网(Core Network,CN)进行通信，无线终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话)和具有移动终端设备的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(Personal Communication Service，PCS)电话、无绳电话、会话发起协议(Session Initiated Protocol，SIP)话机、无线本地环路(Wireless Local Loop，WLL)站、个人数字助理(Personal Digital Assistant，PDA)等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobilestation)、移动台(mobile)、远程站(remote station)、接入点(access point)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(userterminal)、用户代理(user agent)、用户装置(user device)，本申请实施例中并不限定。
本申请实施例涉及的网络设备，可以是基站，该基站可以包括多个为终端提供服务的小区。根据具体应用场合不同，基站又可以称为接入点，或者可以是接入网中在空中接口上通过一个或多个扇区与无线终端设备通信的设备，或者其它名称。网络设备可用于将收到的空中帧与网际协议(Internet Protocol，IP)分组进行相互更换，作为无线终端设备与接入网的其余部分之间的路由器，其中接入网的其余部分可包括网际协议(IP)通信网络。网络设备还可协调对空中接口的属性管理。例如，本申请实施例涉及的网络设备可以是全球移动通信系统(Global System for Mobile communications，GSM)或码分多址接入(Code Division Multiple Access，CDMA)中的网络设备(Base Transceiver Station，BTS)，也可以是带宽码分多址接入(Wide-band Code Division Multiple Access，WCDMA)中的网络设备(NodeB)，还可以是长期演进(long term evolution，LTE)系统中的演进型网络设备(evolutional Node B，eNB或e-NodeB)、5G网络架构(next generation system)中的5G基站(gNB)，也可以是家庭演进基站(Home evolved Node B，HeNB)、中继节点(relaynode)、家庭基站(femto)、微微基站(pico)等，本申请实施例中并不限定。在一些网络结构中，网络设备可以包括集中单元(centralized unit，CU)节点和分布单元(distributedunit，DU)节点，集中单元和分布单元也可以地理上分开布置。
网络设备与终端设备之间可以各自使用一或多根天线进行多输入多输出(MultiInput Multi Output,MIMO)传输，MIMO传输可以是单用户MIMO(Single User MIMO,SU-MIMO)或多用户MIMO(Multiple User MIMO,MU-MIMO)。根据根天线组合的形态和数量，MIMO传输可以是2D-MIMO、3D-MIMO、FD-MIMO或massive-MIMO，也可以是分集传输或预编码传输或波束赋形传输等。
目前常用的无线信道建模方法主要有：基于几何基础上的随机信道模型(Geometrically Based Stochastic Models，GBSM)、基于相关的随机信道模型(Correlation Based Stochastic Models，CBSM)、萨利赫—巴伦苏埃拉(Saleh—Valenzuela，SV)信道模型及其扩展模型和射线追踪(Ray Tracing，RT)模型等。
传统的标准GBSM模型根据几何关系，将具有不同小尺度参数(如时延、功率、到达角和离开角等)的射线(以平面波的形式)叠加，然后附加上阴影衰落和路径损耗的影响，最后可得到某一收发天线阵元对间的信道冲激响应。通过对相关场景下的无线信道测量数据进行统计分析进而得到GBSM模型中参数的概率分布情况，这样就可以比较准确、灵活地描述不同场景和不同天线类型下的无线信号传播特征。在一些特定的场景下，GBSM模型通常假设簇和簇内射线数目固定，且簇内射线具有相同的时延和功率，只是空域角度信息不同。这与当前高频段信道测量的结果有明显的差异，这主要是5G高频段通信采用的超大带宽带来的超高时延分辨率所导致的，不仅簇内射线的时延不同，它们的数目(包括簇内射线和簇本身的数量)和功率分布也有所不同。此外，GBSM模型所使用的基于矢量内积计算天线阵元间信道空时信息变化的方法并不能刻画大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)信道球面波带来的影响，也未考虑沿阵列轴簇的生灭现象。
CBSM模型是以天线相关矩阵方式来刻画MIMO信道，可非常方便用于系统容量与性能理论分析和算法的链路级仿真评估，但其过度简化无线信道作用机理，使得系统级的仿真结果和实际测试出入很大。
SV模型认为信道由若干簇组成，簇的数目及簇内射线数服从泊松分布，簇和簇内射线的到达是两个具有不同到达速率的泊松过程，簇和簇内射线平均功率随时延呈指数下降，簇和簇内射线功率服从瑞利分布或对数正态分布。
传统的信道建模方法有其不足之处，随机信道建模方法的精确度相对较低，确定性信道建模又有复杂度高的缺点。同时，5G无线通信的毫米波波长短且频段高，存在路径损耗和大气损耗严重、绕射能力下降等问题，这些特性使得5G信道建模更加困难，传统的信道模型并不能满足许多重要的5G信道模型需求。
本申请实施例提出一种基于深度学习的序列到序列(Seq2seq)网络模型的5G无线信道参数预测方法，可以较好地满足5G信道模型需求，克服传统的随机建模方法预测时变信道时无法与实际环境相匹配的缺点，实现高效简单地进行无线信道参数预测。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
图1是本申请实施例提供的无线信道参数预测方法的流程示意图，如图1所示，本申请实施例提供一种无线信道参数预测方法，该方法包括：
步骤110、获取输入特征集合，所述输入特征集合包括多个输入特征序列。
具体地，在本申请实施例中，首先获取输入特征集合，该集合中包括多个输入特征序列，为了方便描述5G无线信道参数学习问题，下面设输入特征序列为：
xi＝＜f1,f2,…,fn＞
在上式中，xi表示输入层的数据，i为数据样本的批次，f1,f2,…,fn为输入特征，n为特征总数。并且，输入特征集合为：
X＝{xi|i∈[1,N],N∈Z+}
X表示输入特征集合，该集合包括所有输入样本，N表示网络编码器序列长度，将在后面进一步描述，这里令与n相等，Z+表示正整数集合。
步骤120、将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
具体地，在本申请实施例中，设计并预先训练基于序列到序列网络建模得到的无线信道参数预测模型，该模型将多输入多输出技术与基于深度学习的神经网络相结合，来预测无线信道参数，将输入特征集合输入到该无线信道参数预测模型，然后该无线信道参数预测模型预测出5G无线信道参数。序列到序列网络是循环神经网络的改进版，通过使用两个循环神经网络，一个读取输入序列，将读取的输入序列发送给另一个循环神经网络，接着输出序列。输入序列的长度和输出长度一般来讲都是不同的，而序列到序列的网络结构的优势在于根据不同长度的输入序列能够能得到任意长度的输出序列。
本申请实施例提供的无线信道参数预测方法，通过建立基于序列到序列网络的无线信道参数预测模型，将多输入多输出技术与基于深度学习的神经网络相结合，来预测无线信道参数，提高了信道预测的精度，降低了信道建模的复杂度，实现了高效简单地进行无线信道参数预测。
可选地，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
具体地，在本申请实施例中，将输入特征序列输入到无线信道参数预测模型，得到的对应无线信道参数预测结果也是一个包含多个元素的序列，或者称为集合，该集合中的预测结果包括无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角等等，还可以包括由这些结果推导出的其他参数，例如，各个角度，例如离开俯仰角均值等。为了方便描述5G无线信道参数学习问题，下面设无线信道参数预测模型输出的标签数据集为：
Y＝{yi|i∈[1,N],N∈Z+}
在上式中，Y表示基于深度学习的序列到序列网络的输出标签数据集，即X对应的真实结果，由路径损耗、时延扩展和俯仰角等等信道参数组成，yi表示为xi对应的真实参数数据。则无线信道参数预测模型输出的预测结果，即无线信道参数集合为：
Y'＝{yi'|i∈[1,N],N∈Z+}
在上式中，Y'表示神经网络对于输入X对应的参数预测结果，yi'表示为xi对应的预测参数数据。
在本申请实施例提供的无线信道参数预测方法中，无线信道参数预测结果可以是不同长度的序列，具有更高的灵活性。
可选地，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
具体地，在本申请实施例中，所述无线信道参数预测模型的输入特征由发送天线的三维坐标和接收天线的三维坐标组成，n为特征总数，这里n＝6。本申请通过基于深度学习的序列到序列网络中的注意力机制来捕获发送天线的三维坐标和接收天线的三维坐标与5G无线信道参数其他任务之间的依赖关系，进而实现对5G无线信道参数的预测。
在本申请实施例提供的无线信道参数预测方法中，无线信道参数预测模型的输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成，利用序列到序列网络中循环神经网络的参数共享机制，减少了网络参数的数量。
可选地，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
具体地，在本申请实施例中，序列到序列网络采用编码器、解码器和注意力机制的结构。图2是本申请实施例提供的序列到序列网络的结构示意图，参考图2，序列到序列网络包括编码器层210、解码器层220和注意力层230。编码器层210在图中左边，解码器层220在图中右边。编码器层210包括输入层、长短期记忆网络(Long Short-Term Memory，LSTM)和隐藏状态，其中长短期记忆网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的数据。长短期记忆网络相比于普通的循环神经网络，可以更好的处理长期依赖(long-term dependencies)的问题。解码器层220包括另一个长短期记忆网络、另一隐藏状态、嵌入层、前向全连接网络和输出层。在嵌入层中，将输入矩阵以稀疏的方式编码的输入标记(例如，单热点编码)映射到密集的特征层。输入标记映射到高维特征空间之后，序列会通过编码器层传递，从而将(整个序列的)输入嵌入层中的所有信息压缩为固定长度的特征向量。解码层采用此编码的特征向量，并生成标记的输出序列。解码器层在生成输出序列中的每一个元素时可能只需利用输入序列某一部分的信息。隐藏状态用于记录循环神经网络中各个时间步的信息，并用于将这些信息传递到下个时间步。前向全连接网络中任意两个相邻层之间的神经元全部互相连接，神经网络的传播方式为前向传播，即将神经元的输出加权求和，并通过激活函数处理。输出层用于生成序列到序列网络的输出参数集合。
在本申请实施例提供的无线信道参数预测方法中，为了让模型在不同时间步能够根据信息的有用程度分配权重，在序列到序列网络中引入了注意力机制，即注意力层。注意力机制的核心思想是使解码器层在每个时间步上使用直连接通向编码器层，以便解码器层在生成输出序列时专注于源序列的部分内容。即，解码器层不再过分依赖于编码器在最后时间步生成的向量，而是根据信息的有用程度为不同时间步分配权重，下文将进一步描述注意力机制和注意力权重。
可选地，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
具体地，在本申请实施例中，编码器层210使用长短期记忆网络和隐藏状态来处理输入层所输入的特征序列。图3是本申请实施例提供的长短期记忆网络的结构示意图，参考图3，下面将描述无线信道参数预测模型中长短期记忆网络和隐藏状态的处理方法。
将由发送天线的三维坐标和接收天线的三维坐标数据的集合X＝{xi|i∈[1,N],N∈Z+}构成的输入特征序列作为编码器层的输入，在第二时间步，将输入xi的特征向量(输入特征序列)xi＝<f1,f2,…,fn＞和上个时间步，也就是第一时间步的隐藏状态ht-1输入长短期记忆网络，在长短期记忆网络中经过遗忘门ft、输入门it、输出门ot控制变换为当前时间步，也就是第二时间步的隐藏状态ht。这里用下式来表示隐藏层的变换：
ht＝Lstm(xt,ht-1)
在上式中，ht表示时间步t的隐藏状态，Lstm表示将长短期记忆网络看做的函数，xt表示时间步t的输入特征序列，ht-1表示时间步t-1的隐藏状态。在长短期记忆网络中，Ct-1和Ct分别表示在时间步t-1和时间步t的背景变量，在引入注意力机制之后，我们必须给每一个时间步不同的背景变量。
可选地，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
具体地，在本申请实施例中，采用了一种特殊的注意力计算策略。长短期记忆网络通过对编码器所有时间步的隐藏状态ht做加权平均来得到背景变量。这样解码器在每一时间步调整这些权重，即注意力权重，从而能够在不同时间步分别关注输入序列中的不同部分并编码进相应时间步的背景变量ct'，其具体计算方式如下：
编码器在时间步t的隐藏状态为ht，且总时间步数为T。那么解码器在时间步t′的背景变量为所有编码器隐藏状态的加权平均，权重αtt'在t＝1,…，T的值是一个概率分布，此处的概率分布不再使用常规的柔性最大值进行运算，而是考虑发送天线的三维坐标和接收天线的三维坐标与5G无线信道参数的实际情况角度出发来考虑，六个点位坐标对同一个5G无线信道参数如路径损耗影响是无理论性差别的，所以:
在上式中，αtt'表示每个时间步的隐藏状态的权重，T为所有时间步的个数，T是正整数。
在本申请实施例提供的无线信道参数预测方法中，通过采取特殊的注意力计算策略，降低了权重的计算量，从而提高了无线信道参数预测模型的运行效率。
可选地，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元LeakyReLU激活函数得到所述无线信道参数集合。
具体地，在本申请实施例中，解码器包括另一个长短期记忆网络，在输出序列的时间步(这里可以设为第四时间步)t′，解码器将上一时间步(这里可以设为第三时间步)的输出yt'-1以及第四时间步对应的背景变量ct'作为输入，并将它们与第三时间步的隐藏状态st'-1变换为当前时间步的隐藏状态st'。上述的第三时间步、第四时间步是用于举例说明，各个时间步的步骤与上述例子的步骤类似。下面用函数g表达解码器隐藏层的变换：
st'＝g(yt'-1,ct',st'-1)
得到解码器的隐藏状态后，特征向量被传输到全连接层，经过带泄露修正线性单元(Leaky Rectified linear unit，Leaky ReLU)激活函数(神经网络中常用的激活函数之一)计算当前各时间步输出yt'的预测值，yi'表示为xi对应的预测参数数据。
可选地，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
具体地，在本申请实施例中，为了训练模型，本发明采用误差平方和作为损失函数，
在上式中，L为损失函数，yi表示为xi对应的真实参数数据，yi'表示为xi对应的无线信道参数预测结果，m为解码器的最后输出层的神经元数量。
可选地，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
具体地，在本申请实施例中，由于本方案提出的网络模型内部参数较多，所以选择自适应矩估计优化算法(adaptive moment estimation，Adam)来求取使得损失函数最小的最优解。Adam优化算法是一种对随机梯度下降法的扩展，Adam算法是深度学习领域中一种很受欢迎的经典学习算法，Adam优化算法同时具备自适应梯度算法(Adaptive Gradient，AdaGrad)和均方根支(root mean square prop，RMSProp)算法的优点，适用于解决含大规模数据和参数的优化问题，计算高效且所需的内存少。AdaGrad和RMSProp都是深度学习领域中的经典学习算法。无线信道参数预测模型输出结果为路径损耗、时延扩展和俯仰角等5G无线信道参数。
图4是本申请实施例提供的一种电子设备的结构示意图，如图4所示，所述电子设备包括存储器420，收发机400，处理器410，其中：
存储器420，用于存储计算机程序；收发机400，用于在所述处理器410的控制下收发数据；处理器410，用于读取所述存储器420中的计算机程序并执行以下操作：
获取输入特征集合，所述输入特征集合包括多个输入特征序列；
将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
具体地，收发机400，用于在处理器410的控制下接收和发送数据。
其中，在图4中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器410代表的一个或多个处理器和存储器420代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口430提供接口。收发机400可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器410负责管理总线架构和通常的处理，存储器420可以存储处理器410在执行操作时所使用的数据。
处理器410可以是中央处理器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。
可选地，根据本申请实施例的电子设备，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
可选地，根据本申请实施例的电子设备，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
可选地，根据本申请实施例的电子设备，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
可选地，根据本申请实施例的电子设备，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
可选地，根据本申请实施例的电子设备，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
可选地，根据本申请实施例的电子设备，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元LeakyReLU激活函数得到所述无线信道参数集合。
可选地，根据本申请实施例的电子设备，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
可选地，根据本申请实施例的电子设备，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
在此需要说明的是，本申请实施例提供的上述电子设备，能够实现上述执行主体为电子设备的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本申请实施例提供了无线信道参数预测方法及装置，用以解决现有技术中运行速度慢和抗干扰能力差的缺陷，实现以较高的准确率快速对输入的人脸进行识别。
其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
图5是本申请实施例提供的无线信道参数预测装置的结构示意图，参照图5，本申请实施例提供的无线信道参数预测装置包括：
输入特征获取单元510，用于获取输入特征集合，所述输入特征集合包括多个输入特征序列；
信道参数预测单元520，用于将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，根据本申请实施例的无线信道参数预测装置，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
可选地，根据本申请实施例的无线信道参数预测装置，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
可选地，根据本申请实施例的无线信道参数预测装置，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
可选地，根据本申请实施例的无线信道参数预测装置，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
可选地，根据本申请实施例的无线信道参数预测装置，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
可选地，根据本申请实施例的无线信道参数预测装置，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元LeakyReLU激活函数得到所述无线信道参数集合。
可选地，根据本申请实施例的无线信道参数预测装置，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
可选地，根据本申请实施例的无线信道参数预测装置，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，包括：
获取输入特征集合，所述输入特征集合包括多个输入特征序列；
将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
可选地，根据本申请实施例的处理器可读存储介质，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
可选地，根据本申请实施例的处理器可读存储介质，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
可选地，根据本申请实施例的处理器可读存储介质，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
可选地，根据本申请实施例的处理器可读存储介质，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
可选地，根据本申请实施例的处理器可读存储介质，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
可选地，根据本申请实施例的处理器可读存储介质，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元LeakyReLU激活函数得到所述无线信道参数集合。
可选地，根据本申请实施例的处理器可读存储介质，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
可选地，根据本申请实施例的处理器可读存储介质，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (20)
1.一种无线信道参数预测方法，其特征在于，包括：
获取输入特征集合，所述输入特征集合包括多个输入特征序列；
将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
2.根据权利要求1所述的无线信道参数预测方法，其特征在于，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
3.根据权利要求1所述的无线信道参数预测方法，其特征在于，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
4.根据权利要求3所述的无线信道参数预测方法，其特征在于，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
5.根据权利要求4所述的无线信道参数预测方法，其特征在于，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
6.根据权利要求5所述的无线信道参数预测方法，其特征在于，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
7.根据权利要求6所述的无线信道参数预测方法，其特征在于，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元Leaky ReLU激活函数得到所述无线信道参数集合。
8.根据权利要求1至7任一项所述的无线信道参数预测方法，其特征在于，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
9.根据权利要求8所述的无线信道参数预测方法，其特征在于，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
10.一种电子设备，包括存储器，收发机，处理器；
所述存储器用于存储计算机程序；所述收发机用于在所述处理器的控制下收发数据；其特征在于，所述处理器用于读取所述存储器中的计算机程序并执行以下操作：
获取输入特征集合，所述输入特征集合包括多个输入特征序列；
将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
11.根据权利要求10所述的电子设备，其特征在于，所述无线信道参数集合包括：无线信道的路径损耗、无线信道的时延扩展、到达俯仰角、离开俯仰角、到达方位角、离开方位角。
12.根据权利要求10所述的电子设备，其特征在于，所述输入特征序列由发送天线的三维坐标和接收天线的三维坐标组成。
13.根据权利要求12所述的电子设备，其特征在于，所述无线信道参数预测模型包括编码器层、解码器层和注意力层。
14.根据权利要求13所述的电子设备，其特征在于，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
将所述输入特征序列输入到所述编码器层，所述编码器层基于所述输入特征序列和第一时间步的隐藏状态，得到第二时间步的隐藏状态。
15.根据权利要求13所述的电子设备，其特征在于，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述注意力层通过对所述编码器层的所有时间步的隐藏状态做加权平均，来得到各个时间步的背景变量；其中，每个时间步的隐藏状态的权重是所有时间步的个数的倒数。
16.根据权利要求15所述的电子设备，其特征在于，所述将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，包括：
所述解码器层基于第三时间步的输出、第三时间步的隐藏状态以及与第四时间步对应的背景变量，得到第四时间步的隐藏状态；
基于所述解码器层的各个时间步的隐藏状态，通过带泄露修正线性单元Leaky ReLU激活函数得到所述无线信道参数集合。
17.根据权利要求10至16任一项所述的电子设备，其特征在于，所述无线信道参数预测模型的训练过程包括：
使用平方差损失函数来训练所述无线信道参数预测模型。
18.根据权利要求17所述的电子设备，其特征在于，所述无线信道参数预测模型的训练过程包括：
使用自适应矩估计优化算法来求取使得所述平方差损失函数最小的最优解。
19.一种无线信道参数预测装置，其特征在于，包括：
输入特征获取单元，用于获取输入特征集合，所述输入特征集合包括多个输入特征序列；
信道参数预测单元，用于将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。
20.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210427326.7A CN116996142A (zh) | 2022-04-21 | 2022-04-21 | 无线信道参数预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210427326.7A CN116996142A (zh) | 2022-04-21 | 2022-04-21 | 无线信道参数预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116996142A true CN116996142A (zh) | 2023-11-03 |
Family
ID=88521862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210427326.7A Pending CN116996142A (zh) | 2022-04-21 | 2022-04-21 | 无线信道参数预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116996142A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117896020A (zh) * | 2024-01-25 | 2024-04-16 | 北京雷格讯电子股份有限公司 | 一种微波收发通信系统的测试方法及测试系统 |
-
2022
- 2022-04-21 CN CN202210427326.7A patent/CN116996142A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117896020A (zh) * | 2024-01-25 | 2024-04-16 | 北京雷格讯电子股份有限公司 | 一种微波收发通信系统的测试方法及测试系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Robust transmission for reconfigurable intelligent surface aided millimeter wave vehicular communications with statistical CSI | |
| KR101382556B1 (ko) | 반복 리소스 가중치들의 업데이트를 이용한 통신 시스템 내의 노드들에 리소스들을 할당하기 위한 장치 및 방법 | |
| CN112136334A (zh) | 蜂窝网络中基于机器学习的宽波束优化的方法和装置 | |
| US20220247469A1 (en) | Method and device for transmitting channel state information | |
| EP3940968B1 (en) | A method and an apparatus for a transmission scheme | |
| Zhang et al. | Joint beam training and data transmission design for covert millimeter-wave communication | |
| KR20210002950A (ko) | 무선 통신 시스템에서 채널 예측을 위한 장치 및 방법 | |
| CN113438002B (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
| CN113994600A (zh) | 分层码本的设计和适配 | |
| CN116996142A (zh) | 无线信道参数预测方法、装置、电子设备及存储介质 | |
| WO2023125660A1 (zh) | 一种通信方法及装置 | |
| CN116761199A (zh) | 一种面向6g surllc场景的用户性能分析方法 | |
| Alabbasi et al. | On cascaded federated learning for multi-tier predictive models | |
| WO2022151900A1 (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
| CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
| JP2024512358A (ja) | 情報報告方法、装置、第１機器及び第２機器 | |
| CN114492784A (zh) | 神经网络的测试方法和装置 | |
| Hou et al. | A QoE estimation model for video streaming over 5G millimeter wave network | |
| CN108282201B (zh) | 一种用户终端调度方法及装置、通信系统 | |
| WO2023024095A1 (en) | Method and apparatus for power control and interference coordination | |
| CN112398516A (zh) | 一种码本子集限制的方法和通信装置 | |
| KR20200085596A (ko) | 극 부호를 이용한 신호 송수신 방법 및 그에 따른 장치 | |
| CN118174757A (zh) | 移相矩阵的确定方法及装置 | |
| WO2023006096A1 (zh) | 一种通信方法及装置 | |
| WO2023179473A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |