CN117668519A - 基于几何地理信息的无线信道特征参数预测方法 - Google Patents

基于几何地理信息的无线信道特征参数预测方法 Download PDF

Info

Publication number
CN117668519A
CN117668519A CN202311616402.XA CN202311616402A CN117668519A CN 117668519 A CN117668519 A CN 117668519A CN 202311616402 A CN202311616402 A CN 202311616402A CN 117668519 A CN117668519 A CN 117668519A
Authority
CN
China
Prior art keywords
channel
generator
network
parameters
discriminator
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
Application number
CN202311616402.XA
Other languages
English (en)
Inventor
陈小敏
田越
李瀚芃
朱秋明
葛瑜娆
林志鹏
黄洋
仲伟志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202311616402.XA priority Critical patent/CN117668519A/zh
Publication of CN117668519A publication Critical patent/CN117668519A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于几何地理信息的无线信道特征参数预测方法，该方法将空间信道参数预测问题转变为图像像素值补全问题，利用已知的环境特征构建散射环境特征图，结合深度学习方法实现对三维场景的信道特征参数的预测。本发明综合考虑了信道特征与散射环境特征之间的内在联系，将场景信息融入到网络训练过程，利用场景和数据双驱动的方法实现对无线通信场景下信道特征的准确有效预测。同时，本发明提出了改进的GAIN预测网络框架，所提网络利用散射环境特征图和部分采样的信道特征构成的多通道特征数据作为输入，能够将不同位置下的信道特征参数预测转变为图像像素值进行预测。

Description

基于几何地理信息的无线信道特征参数预测方法
技术领域
本发明属于无线信息传输领域，具体涉及一种基于几何地理信息的无线信道特征参数预测方法，针对利用场景信息和信道特征参数的无线信道特征参数预测应用。
背景技术
第五代和超五代移动通信技术的快速发展对通信的可靠性和需求有了新的要求，信道建模作为无线通信系统的重要组成部分，对通信系统设计、通信质量的提高以及通信性能的评估具有重要意义。无线信道特性是由无线通信的物理传播环境和其中相互作用的散射体决定，不同的散射场景会产生不同的信道特性。将散射环境特征作为先验信息对信道状态进行预测，预测的信道特征有助于基于环境的自适应通信技术发展，如传输功率损耗、智能决策、智能资源分配和调度以及运动轨迹规划。
近年来，机器学习发展迅速，在无线通信和信道建模领域得到了广泛的应用。基于机器学习的方法能够自主地分析数据特征，学习潜在的输入输出复杂关系，从而预测数据趋势。现有的基于机器学习的参数预测方法通常仅得到坐标与某一或某几个参数的非线性关系，没有利用传播环境的先验信息来辅助预测。因此，如何有效利用已知的散射环境特征以及少量已知位置下采样的信道特征参数，结合深度学习方法实现对全场景下的信道特征参数的快速准确预测是一个重点的研究问题。
发明内容
本发明针对现有技术中的不足，提供一种基于几何地理信息的无线信道特征参数预测方法，该方法将空间信道参数预测问题转变为图像像素值补全问题，利用已知的环境特征构建散射环境特征图，结合深度学习方法实现对三维场景的信道特征参数的预测。
为实现上述目的，本发明采用以下技术方案：
基于几何地理信息的无线信道特征参数预测方法，其特征在于，包括：
第一步：输入初始参数，包括场景参数和网络参数；
第二步：根据输入的初始参数，对待测区域场景进行重构；
第三步：在重构的待测区域场景中，根据输入的采样点位置，在不同高度层通过测量得到对应位置的信道冲激响应，提取信道冲激响应中包含的信道特征参数；
第四步：根据第三步采样的信道特征参数，构建用于对不同高度层的信道特征参数进行预测的生成对抗补全网络；
第五步：对第三步采样的信道特征参数沿垂直于地面方向进行纵向分层，得到不同垂直层的信道特征参数，并根据不同垂直层的信道特征参数，构建用于对不同垂直层的信道特征参数进行预测的生成对抗补全网络；
第六步：根据第四步和第五步构建的不同高度层和不同垂直层的生成对抗补全网络，对场景中待预测的位置坐标进行信道特征参数预测。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述第一步中，场景参数包括待测区域长度、宽度、高度、高度层网格分辨率、垂直层网格分辨率和采样点位置；网络参数包括高度层和垂直层的网络训练次数、误差阈值、不超过误差阈值的最大迭代轮次、生成器学习率和判别器学习率。
进一步地，所述第二步中，对待测区域场景进行重构具体如下：
对不同高度测量的信道冲激响应进行水平方向分层处理，对每一个高度层按照高度层网格分辨率r1进行网格划分，得到每一个高度层h对应的M×N分辨率的散射体遮挡掩膜矩阵M和散射环境特征图E；其中，散射体遮挡掩膜矩阵M用1和0分别表示建筑物遮盖和未遮盖的区域，散射环境特征图E包括用于描述散射体高度的散射体高度特征图Eh和用于描述散射体种类位置的散射体种类特征图Ec。
进一步地，所述散射体高度特征图Eh通过归一化将图中的高度值限制在[0，1]的范围内，计算方式如下：
其中，(i，j)表示像素点的坐标，分别为点(i，j)处的原始高度和归一化高度；
所述散射体种类特征图Ec将地面、建筑物和植被三种散射体种类采用0-2的分类标签来表示，并为每个类别创建仅有该种类的图像通道，每个图像通道的图像由0和1组成，其中1表示种类在图像上的位置分布。
进一步地，所述第三步具体如下：
根据采样点位置P，在每一个高度层得到对应的采样矩阵S，并通过测量得到对应位置接收机下的信道冲激响应，通过提取信道冲激响应中包含的信道特征参数，构建信道参数特征图其中K＝1，2，3分别对应路径损耗、均方根时延扩展和均方根角度扩展。
进一步地，所述第四步具体包括如下步骤：
S4.1：随机初始化网络的生成器参数θG和判别器参数θD；
S4.2：对生成器G网络训练优化，过程如下：
生成器G根据散射环境特征图E和包括部分采样的信道参数特征图作为输入，通过训练生成对应全部像素补全后的信道特征图像，计算方式如下：
其中，⊙表示Hadamard乘积，生成器的输出图像与M相乘，获得建筑物外的有效位置下的信道特征预测图Xg；
生成器G的损失函数如下：
其中，mij表示M的第(i，j)个元素，D(·)ij表示判别器D输出的判决矩阵P的第(i，j)个元素，λ表示用于平衡两部分损失的权重值；
生成器G采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的生成器参数，αG是生成器学习率，/>表示生成器G损失函数的负梯度值；
S4.3：对判别器D网络训练优化，过程如下：
判别器D的输入是包括部分采样的信道参数特征图/>和经过生成器G补全的未采样位置的结合，计算方式如下：
判别器D输出判别矩阵P，是对建筑物之外的有效位置对应的矩阵元素求二元交叉熵损失；
判别器D的损失函数如下：
其中，sij表示S的第(i，j)个元素；
判别器D采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的判别器参数，αD是判别器学习率，/>表示判别器D损失函数的负梯度值；
S4.4：重复S4.2和S4.3的训练过程，直至满足迭代条件，则网络训练结束，得到用于对不同高度层的信道特征参数进行预测的生成对抗补全网络。
进一步地，所述第五步具体包括如下步骤：
S5.1：对第三步采样的信道参数特征图沿垂直于地面方向按照垂直层网格分辨率r2进次纵向分层，并得到不同垂直层的信道特征图/>和对应的采样矩阵S′，其中K＝1，2,3分别对应路径损耗、均方根时延扩展和均方根角度扩展，同时结合第二步重构的待测区域场景，得到纵向的P×M分辨率的散射体遮挡掩膜矩阵M′和散射环境特征图E′；
S5.2：随机初始化网络的生成器参数θG′和判别器参数θD′；
S5.3：对生成器G′和判别器D′网络训练优化：
1)生成器G′网络训练优化的过程如下：
生成器G′根据散射环境特征图E′和包括部分采样的信道参数特征图作为网络输入，通过训练生成对应全部像素补全后的信道特征图像，计算方式如下：
其中，⊙表示Hadamard乘积，生成器的输出图像与M′相乘，获得建筑物外的有效位置下的信道特征预测图Xg′；
生成器G′的损失函数如下：
其中，mij′表示M′的第(i，j)个元素，D′(·)ij表示判别器D′输出的判决矩阵P′的第(i，j)个元素，λ′表示用于平衡两部分损失的权重值；
生成器G′采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的生成器参数，αG′是生成器学习率，/>表示生成器G′损失函数的负梯度值；
2)判别器D′网络训练优化的过程如下：
判别器D′的输入是包括部分采样的信道参数特征图/>和经过生成器G′补全的未采样位置的结合，计算方式如下：
判别器D′输出判别矩阵P′，是对建筑物之外的有效位置对应的矩阵元素求二元交叉熵损失；
判别器D′的损失函数如下：
其中，sij′表示S′的第(i，j)个元素；
判别器D′采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的判别器参数，αD′是判别器学习率，/>表示判别器D′损失函数的负梯度值；
S5.4：重复S5.3的训练过程，直至满足迭代条件，得到用于对不同垂直层的信道特征参数进行预测的生成对抗补全网络。
进一步地，所述迭代条件为网络训练习次数i达到设定次数，或者连续l次迭代网络损失函数值不超过误差阈值ε，l为不超过误差阈值的最大迭代轮次。
此外，本发明还提出了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如上所述的基于几何地理信息的无线信道特征参数预测方法。
此外，本发明还提出了一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的基于几何地理信息的无线信道特征参数预测方法。
本发明的有益效果是：
1、本发明提出了一种基于几何地理信息的无线信道特征参数预测方法，综合考虑了信道特征与散射环境特征之间的内在联系，将场景信息融入到网络训练过程，利用场景和数据双驱动的方法实现对无线通信场景下信道特征的准确有效预测；
2、为实现基于几何地理信息的信道特征预测，本发明提出了改进的GAIN预测网络框架，所提网络利用散射环境特征图和部分采样的信道特征构成的多通道特征数据作为输入，将不同位置下的信道特征参数预测转变为图像像素值进行预测。
附图说明
图1为本发明提出的基于几何地理信息的无线信道特征参数预测方法流程图。
图2为不同高度层和垂直层的信道特征参数预测示意图。
图3a-3b为本发明提出的信道特征参数预测网络框架示意图，其中，图3a为生成器网络结构，图3b为判别器网络结构。
具体实施方式
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的描述。
在一实施例中，如图1所示本发明提出了一种基于几何地理信息的无线信道特征参数预测方法，包括如下步骤：
第一步：用户输入初始参数，包括场景参数和网络参数。场景参数包括待测区域长度L、宽度W和高度H，高度层网格分辨率r1，垂直层网格分辨率r2，采样点位置P。网络参数包括高度层和垂直层的网络训练次数i，误差阈值ε，不超过误差阈值的最大迭代轮次l，生成器学习率αG，判别器学习率αD。
第二步：根据用户参数设置，对待测区域场景进行重构。对不同高度的测量数据进行水平方向分层处理，对每一层高度按照高度层网格分辨率r1进行网格划分，得到每一高度h对应的M×N分辨率的散射体遮挡掩膜矩阵M和散射环境特征图E。其中，散射体遮挡掩膜矩阵M用1和0分别表示建筑物遮盖和未遮盖的区域。散射环境特征图E包括描述散射体高度的特征图Eh和散射体种类位置的特征图Ec。散射体高度特征图Eh将通过归一化将图中表示高度值限制在[0，1]的范围内，计算方式如下：
其中，(i，j)表示像素点的坐标，分别为点(i，j)处的原始高度和归一化高度。
散射体种类特征图Ec将地面、建筑物、植被三种散射体种类采用0-2的分类标签来表示，并将包含三个类的散射体种类特征图作图像像素上的独热编码，即为每个类别创建仅有该种类的图像通道，每个通道的图像由0和1组成，1表示其中一个种类在图像上的位置分布。
第三步：根据用户输入的采样点位置P，在每一个高度层得到对应的采样矩阵S，并通过测量得到对应位置接收机下的信道冲激响应，通过提取信道冲激响应中包含的信道特征参数，构建信道参数特征图其中K＝1，2,3分别对应路径损耗、均方根时延扩展和均方根角度扩展。
第四步：针对采样的信道特征参数，构建基于生成对抗补全网络(GenerativeAdversarial Imputation Networks，GAIN)来对全场景信道特征参数进行预测。先对不同高度层的信道特征进行预测，将得到的散射环境特征图E和包括部分采样的信道特征图联合，构成多通道的特征数据作为改进的GAIN网络条件输入，设置合适的网络参数来进行训练。
第四步具体实现步骤如下：
S4.1：随机初始化网络的生成器参数θG和判别器参数θD。
S4.2：生成器G网络训练优化。生成器G根据输入的散射环境特征和包括部分采样的信道特征图作为网络的条件输入，通过训练生成对应全部像素补全后的信道特征图像，计算方式如下：
其中，⊙表示Hadamard乘积，生成器的输出图像与M相乘，获得建筑物外的有效位置下的信道特征预测图Xg。生成器G的损失函数包含两部分，一部分是对原始采样位置生成像素值的重构误差，表示为生成值与真实值之间的均方差损失函数，另一部分是判别器针对生成像素值输出的损失值，即判别器判定输出为采样点位置下的信道特性是否为真实值的概率，计算方式如下：
其中，D(·)ij表示判别器D输出的判决矩阵P的第(i，j)个元素，λ表示用于平衡两部分损失的权重值，网络的生成器要尽可能使判别器无法分辨像素值是真实的还是生成的，考虑到生成对抗网络在训练早期，判别器的判别能力较强，生成器此时还未学习到真实的分布，log(1-D(Xg⊙(1-S))ij)会等于0，针对这一损失项无法对生成器和判别器的网络参数进行更新。为避免这种情况，需将生成器损失函数的第一项改写，将最小化log(1-D(Xg⊙(1-S))ij)更改为最大化log(D(Xg⊙(1-S))ij)，即最大化生成像素值为真实的概率，计算方式如下：
其中，表示生成器的损失函数，mij表示M的第(i，j)个元素，生成器G采用随机梯度优化器更新网络参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的生成器参数，αG是生成器学习率，/>表示生成器G损失函数的负梯度值。
S4.3：判别器D网络训练优化。判别器D输入是用户输入的采样信道特征参数和经过生成器补全的未采样位置的结合，计算方式如下：
判别器D输出的判别矩阵P，是对建筑物之外的有效位置对应的矩阵元素求二元交叉熵损失，目标是能尽可能的针对补全后的每一个像素判断是已采样点还是未采样点，判别器D的损失函数计算方式如下：
其中，sij表示S的第(i，j)个元素，判别器D采用随机梯度优化器更新网络参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的判别器参数，αD是判别器学习率，/>表示判别器D损失函数的负梯度值。
S4.4：重复S4.2和S4.3的训练过程，迭代至网络训练次数i达到或是连续l次迭代网络损失函数值不超过阈值ε，则网络训练结束。该网络在不同接收机高度上进行训练，生成器能够根据采样信道特征图像输出同一高度层所有位置的信道参数预测结果。
第五步：对第三步采样的信道特征参数沿垂直于地面方向xOz平面按照设定的分辨率r2进次纵向分层，得到不同垂直层的信道特征图和对应的采样矩阵S′，并且采用第四步中预测网络结构对不同垂直层的其他非采样点进行预测。第五步具体实现步骤如下：
S5.1：根据第二步重构的待测区域场景，得到纵向的P×M分辨率的散射体遮挡掩膜矩阵M′和散射环境特征图E′，将M′和E′作为改进的GAIN预测网络的条件输入。
S5.2：随机初始化网络的生成器参数θG′和判别器参数θD′。
S5.3：采用S4.2和S4.3的方法对生成器G′和判别器D′网络训练优化。
S5.4：重复S5.3的训练过程，迭代至网络训练次数i达到或是连续l次迭代网络损失函数值不超过阈值ε，则网络训练结束。该网络在不同垂直层上进行训练，生成器能够根据采样信道特征图像输出不同垂直层的所有位置的信道参数预测结果。
第六步：根据第四步和第五步得到的不同高度层和垂直层的信道特征预测网络，当用户输入场景中待预测的位置坐标时，找到该位置坐标所在的高度层或垂直层，得到对应位置下的信道特征参数预测结果。
接下来，本实施例提供了具体的实例，待测场景中存在发射机数目1个，设定发射机的发射频率为f＝2.53GHz。
第一步：用户输入初始参数。场景参数有待测区域长度L＝300m、宽度W＝250m和高度H＝100m，高度层网格划分分辨率r1＝2.5m，垂直层网格划分分辨率r2＝2.5m，待测场景的采样点位置P如图2所示；网络参数包括高度层和垂直层的网络训练次数i＝3000，误差阈值ε＝0.001，不超过误差阈值的最大迭代轮次l＝20，生成器学习率αG＝0.0001，判别器学习率αD＝0.0001。
第二步：对该待测区域进行场景重构，不同高度层的待测区域按照2.5m的分辨率进行网格划分，得到每一层高度对应大小为120×100的散射体遮挡掩膜矩阵M和散射环境特征图E。计算得到归一化的散射体高度特征图Eh，并将按散射体体种类分类的特征图作独热编码，为每个类别创建仅有该种类的图像通道构建散射体种类特征图E。
第三步：根据P位置下采集后的信道特征参数，构建包括路径损耗、均方根时延扩展和均方根到达水平角度扩展的信道参数特征图
第四步：构建改进的GAIN网络结构，将不同高度层下的散射环境特征图和包括部分采样的信道特征图联合作为改进的GAIN网络条件输入，训练网络以实现对未采样位置信道参数的预测。网络各层设置如图3a和图3b所示，其中k表示卷积层卷积核大小，n表示通道数，s表示卷积步长。具体实现步骤如下：
S4.1：随机初始化网络的生成器G参数θG和判别器D参数θD。
S4.2：将第二步的散射环境特征图和第三步的采样信道特征图结合构成的多通道特征数据作为生成器G输入，最小化生成器G的损失函数并更新生成器网络参数θG。
S4.3：将第三步的采样信道特征图和S4.2生成器输出的为采样部分的信道特征图结合作为判别器D的输入，最小化判别器D的损失函数/>并更新判别器D网络参数θG。
S4.4：重复S4.2和S4.3的训练过程，迭代至网络训练次数达到i＝3000或是连续l＝20次迭代网络损失函数值不超过阈值ε＝0.001，则结束网络训练，最终得到网络输出的预测结果如图2所示。
第五步：对第三步采样的信道特征参数沿垂直于地面xOz平面方向按照设定的按照2.5m的高度分辨率进次分层，并得到该纵向平面的信道特征图和对应的采样矩阵S′，采用第四步中预测网络结构对该纵向平面其他非采样点进行预测。具体实现步骤如下：
S5.1：同时根据第二步重构的待测区域场景，得到纵向的40×120分辨率的散射体遮挡掩膜矩阵M′和散射环境特征图E′，将M′和E′作为改进的GAIN预测网络的条件输入。
S5.2：随机初始化网络的生成器参数θ′G和判别器参数θ′D。
S5.3：采用S4.2和S4.3的方法对生成器G′和判别器D′网络训练优化。
S5.4：重复S5.3的训练过程，迭代至网络训练次数i＝5000达到或是连续l＝20次迭代网络损失函数值不超过阈值ε＝0.001，则网络训练结束。该网络在不同垂直层上进行训练，生成器能够根据采样信道特征图像输出不同垂直层的所有位置的信道参数预测结果。
第六步：根据第四步和第五步得到的不同高度层和垂直层的信道特征预测网络，当用户输入场景中待预测的位置坐标时，找到该位置坐标所在的高度层或垂直层，得到对应位置下的信道特征参数预测结果，高度层部分预测结果如表1所示，垂直层部分预测结果如表2所示。
表1高度层部分预测结果
表2垂直层部分预测结果
在另一实施例中，本发明提出了一种计算机可读存储介质，存储有计算机程序，计算机程序使计算机执行如实施例一所述的基于几何地理信息的无线信道特征参数预测方法。
在另一实施例中，本发明提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如实施例一所述的基于几何地理信息的无线信道特征参数预测方法。
在本申请所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.基于几何地理信息的无线信道特征参数预测方法，其特征在于，包括：
第一步：输入初始参数，包括场景参数和网络参数；
第二步：根据输入的初始参数，对待测区域场景进行重构；
第三步：在重构的待测区域场景中，根据输入的采样点位置，在不同高度层通过测量得到对应位置的信道冲激响应，提取信道冲激响应中包含的信道特征参数；
第四步：根据第三步采样的信道特征参数，构建用于对不同高度层的信道特征参数进行预测的生成对抗补全网络；
第五步：对第三步采样的信道特征参数沿垂直于地面方向进行纵向分层，得到不同垂直层的信道特征参数，并根据不同垂直层的信道特征参数，构建用于对不同垂直层的信道特征参数进行预测的生成对抗补全网络；
第六步：根据第四步和第五步构建的不同高度层和不同垂直层的生成对抗补全网络，对场景中待预测的位置坐标进行信道特征参数预测。
2.如权利要求1所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述第一步中，场景参数包括待测区域长度、宽度、高度、高度层网格分辨率、垂直层网格分辨率和采样点位置；网络参数包括高度层和垂直层的网络训练次数、误差阈值、不超过误差阈值的最大迭代轮次、生成器学习率和判别器学习率。
3.如权利要求1所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述第二步中，对待测区域场景进行重构具体如下：
对不同高度测量的信道冲激响应进行水平方向分层处理，对每一个高度层按照高度层网格分辨率r1进行网格划分，得到每一个高度层h对应的M×N分辨率的散射体遮挡掩膜矩阵M和散射环境特征图E；其中，散射体遮挡掩膜矩阵M用1和0分别表示建筑物遮盖和未遮盖的区域，散射环境特征图E包括用于描述散射体高度的散射体高度特征图Eh和用于描述散射体种类位置的散射体种类特征图Ec。
4.如权利要求3所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述散射体高度特征图Eh通过归一化将图中的高度值限制在[0，1]的范围内，计算方式如下：
其中，(i，j)表示像素点的坐标，分别为点(i，j)处的原始高度和归一化高度；
所述散射体种类特征图Ec将地面、建筑物和植被三种散射体种类采用0-2的分类标签来表示，并为每个类别创建仅有该种类的图像通道，每个图像通道的图像由0和1组成，其中1表示种类在图像上的位置分布。
5.如权利要求3所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述第三步具体如下：
根据采样点位置P，在每一个高度层得到对应的采样矩阵S，并通过测量得到对应位置接收机下的信道冲激响应，通过提取信道冲激响应中包含的信道特征参数，构建信道参数特征图其中K＝1，2,3分别对应路径损耗、均方根时延扩展和均方根角度扩展。
6.如权利要求5所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述第四步具体包括如下步骤：
S4.1：随机初始化网络的生成器参数θG和判别器参数θD；
S4.2：对生成器G网络训练优化，过程如下：
生成器G根据散射环境特征图E和包括部分采样的信道参数特征图作为输入，通过训练生成对应全部像素补全后的信道特征图像，计算方式如下：
其中，⊙表示Hadamard乘积，生成器的输出图像与M相乘，获得建筑物外的有效位置下的信道特征预测图Xg；
生成器G的损失函数如下：
其中，mij表示M的第(i，j)个元素，D(·)ij表示判别器D输出的判决矩阵P的第(i，j)个元素，λ表示用于平衡两部分损失的权重值；
生成器G采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的生成器参数，αG是生成器学习率，/>表示生成器G损失函数的负梯度值；
S4.3：对判别器D网络训练优化，过程如下：
判别器D的输入是包括部分采样的信道参数特征图/>和经过生成器G补全的未采样位置的结合，计算方式如下：
判别器D输出判别矩阵P，是对建筑物之外的有效位置对应的矩阵元素求二元交叉熵损失；
判别器D的损失函数如下：
其中，sij表示S的第(i，j)个元素；
判别器D采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的判别器参数，αD是判别器学习率，/>表示判别器D损失函数的负梯度值；
S4.4：重复S4.2和S4.3的训练过程，直至满足迭代条件，则网络训练结束，得到用于对不同高度层的信道特征参数进行预测的生成对抗补全网络。
7.如权利要求5所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述第五步具体包括如下步骤：
S5.1：对第三步采样的信道参数特征图沿垂直于地面方向按照垂直层网格分辨率r2进次纵向分层，并得到不同垂直层的信道特征图/>和对应的采样矩阵S′，其中K＝1，2，3分别对应路径损耗、均方根时延扩展和均方根角度扩展，同时结合第二步重构的待测区域场景，得到纵向的P×M分辨率的散射体遮挡掩膜矩阵M′和散射环境特征图E′；
S5.2：随机初始化网络的生成器参数θG′和判别器参数θD′；
S5.3：对生成器G′和判别器D′网络训练优化：
1)生成器G′网络训练优化的过程如下：
生成器G′根据散射环境特征图E′和包括部分采样的信道参数特征图作为网络输入，通过训练生成对应全部像素补全后的信道特征图像，计算方式如下：
其中，⊙表示Hadamard乘积，生成器的输出图像与M′相乘，获得建筑物外的有效位置下的信道特征预测图Xg′；
生成器G′的损失函数如下：
其中，mij′表示M′的第(i，j)个元素，D′(·)ij表示判别器D′输出的判决矩阵P′的第(i，j)个元素，λ′表示用于平衡两部分损失的权重值；
生成器G′采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的生成器参数，αG’是生成器学习率，/>表示生成器G′损失函数的负梯度值；
2)判别器D′网络训练优化的过程如下：
判别器D′的输入是包括部分采样的信道参数特征图/>和经过生成器G′补全的未采样位置的结合，计算方式如下：
判别器D′输出判别矩阵P′，是对建筑物之外的有效位置对应的矩阵元素求二元交叉熵损失；
判别器D′的损失函数如下：
其中，sij′表示S′的第(i，j)个元素；
判别器D′采用随机梯度优化器更新参数以实现目标函数负值最小化，计算方式如下：
其中，是更新的判别器参数，αD′是判别器学习率，/>表示判别器D′损失函数的负梯度值；
S5.4：重复S5.3的训练过程，直至满足迭代条件，得到用于对不同垂直层的信道特征参数进行预测的生成对抗补全网络。
8.如权利要求6或7所述的基于几何地理信息的无线信道特征参数预测方法，其特征在于：所述迭代条件为网络训练次数i达到设定次数，或者连续l次迭代网络损失函数值不超过误差阈值ε，l为不超过误差阈值的最大迭代轮次。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-8任一项所述的基于几何地理信息的无线信道特征参数预测方法。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-8任一项所述的基于几何地理信息的无线信道特征参数预测方法。
CN202311616402.XA 2023-11-29 2023-11-29 基于几何地理信息的无线信道特征参数预测方法 Pending CN117668519A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311616402.XA CN117668519A (zh) 2023-11-29 2023-11-29 基于几何地理信息的无线信道特征参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311616402.XA CN117668519A (zh) 2023-11-29 2023-11-29 基于几何地理信息的无线信道特征参数预测方法

Publications (1)

Publication Number Publication Date
CN117668519A true CN117668519A (zh) 2024-03-08

Family

ID=90081987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311616402.XA Pending CN117668519A (zh) 2023-11-29 2023-11-29 基于几何地理信息的无线信道特征参数预测方法

Country Status (1)

Country Link
CN (1) CN117668519A (zh)

Similar Documents

Publication Publication Date Title
CN113329437B (zh) 无线网络信号传播路径损耗预测方法及电子设备
CN113392961B (zh) 中尺度涡轨迹平稳序列提取与循环神经网络预测方法
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
CN105512479A (zh) 一种多星对地观测任务规划算法的评价方法及装置
US11467148B2 (en) Method and apparatus for analyzing communication environments and designing networks in consideration of trees
CN117541083B (zh) 疏散平台疏散能力的预测方法和装置
CN113644996B (zh) 基于深度学习的小区级rsrp估计方法
JP6696859B2 (ja) 品質推定装置及び品質推定方法
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN113133022B (zh) 一种基于构建mimo多径的下载速率提升方法和系统
CN116151488A (zh) 一种污染数据分析方法、系统及设备
CN113761797B (zh) 一种基于计算机视觉的无线信道路径损耗模型预测方法
CN113609097B (zh) 指纹库的生成方法、装置、计算机设备和存储介质
CN114386666A (zh) 一种基于时空相关性的风电场短期风速预测方法
Nagao et al. Geographical clustering of path loss modeling for wireless emulation in various environments
CN115604131B (zh) 一种链路流量预测方法、系统、电子设备及介质
CN116109036B (zh) 区域网格化的多星观测规划方法、装置及设备
CN116611707A (zh) 基于多源数据融合的保护区自然边界划分和功能分区方法
CN117668519A (zh) 基于几何地理信息的无线信道特征参数预测方法
CN115062755A (zh) 基于改进条件生成对抗网络的数据扩充方法和设置
Huang et al. Ultra-short-term prediction of microgrid source load power considering weather characteristics and multivariate correlation
Qiu et al. IRDM: A generative diffusion model for indoor radio map interpolation
Daust et al. Capturing Climatic Variability: Using Deep Learning for Stochastic Downscaling
CN117029823A (zh) 一种基于强化学习的csi指纹地图构建的路径规划方法
Guo et al. IMUPF-BIN: A new autonomous search method for radioactive sources

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