一种基于机器学习的空时域预测信道建模方法

技术领域

本发明涉及机器学习(Machine Learning，ML)与无线信道建模的交叉融合应用领域，特别是涉及一种基于机器学习的空时域预测信道建模方法。

背景技术

无线信道建模是无线系统设计、评估及应用的基础，实用的无线信道模型有助于了解不同的无线信道对无线信号传输的物理影响。随着第六代无线通信系统(The SixthGeneration Wireless Communications，6G)新技术和应用的发展，无线通信网络系统将面临前所未有的复杂性，传统信道建模过程在6G新频段和新场景中会遇到越来越多的问题，亟需新的信道建模方法来满足预测信道建模的新需求。

随着人工智能(Artificial Intelligence，AI)和机器学习技术的不断发展以及能够获取的通信数据规模的不断扩大，基于AI的信道建模被视为弥补传统无线信道建模方法复杂度过高和运算速度慢等不足的有力工具，是面向6G的无线信道建模中不可或缺的一部分。由于AI算法具有出色的挖掘信道测量数据中隐藏特征的能力，并且能够从大量的通信数据中统一地分析并表征不同的信道特征，所以基于AI的信道模型可以利用能够基于已知场景、过去时间、已知频段的信道数据库，预测未知场景、未来时间、位置频段的信道特性。因此，基于AI的信道建模也越来越多地被应用于无线通信领域，并在其中发挥着巨大的作用。

根据探究和学习的信道特征维度不同，基于AI的预测信道建模可以分为：空域、时域和频域的预测信道建模。其中空域预测信道建模通过探究信道与通信物理场景参数之间的关系，实现对未知场景的信道建模；时域预测信道建模通过探究信道随时间的变化规律，利用历史信息实现对未来时刻的信道建模；频域预测信道建模通过探究不同频段间信道的相似性与差异性，实现跨频段的信道建模。但目前的预测信道模型所使用的算法，类似于前馈神经网络(Feed-forward Neural Network，FNN)、径向基函数神经网络(Radial BasisFunction Neural Network，RBF-NN)、卷积神经网络(Convolutional Neural Network，CNN)等深度学习网络算法，无法有效地融合利用信道在多个维度发生的变化特征，限制了预测信道模型预测准确性的性能上限；此外，现有的大多数预测信道模型在进行模型训练过程中，不进行数据分批预处理，同时利用所有数据样本进行训练，忽略了数据样本之间的相关性，导致了模型结构复杂、模型参数冗余以及模型训练时间较长等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器学习的空时域预测信道建模方法及装置，通过构建图注意力网络(Graph Attention Networks，GAT)和门控循环单元(GatedRecurrent Unit，GRU)进行空间特征辅助空时域预测信道建模，能够在空间维度上实现高相关性数据点的信息提取，在时间维度上实现历史信道特征的融合，完成高精度的信道统计特性预测。

为了实现上述目的，本发明采用如下技术方案：

一种基于机器学习的空时域预测信道建模方法，该方法包括：

步骤S1、构建信道数据集，其包括：首先通过信道测量或仿真得到信道数据，然后再对采集的信道测量数据进行预处理，生成由信道统计特性和环境参数组成的信道数据集；

步骤S2、针对该步骤S1中构建的信道数据集，将其中同一时刻的信道数据划分为一个信道数据子集；

步骤S3、构建图信道数据集，其包括：首先计算信道数据相关性，然后再设定邻节点数，并且基于该相关性和邻节点数，将每个时刻的信道数据子集构建为当前时刻的图信道数据，最后将不同时刻的图信道数据构成图信道数据集；

步骤S4、针对步骤S3中构建的图信道数据集，将其按照一定比例划分为训练集和测试集，再设定时间序列长度Seq，将图信道数据构造为长为Seq+1的序列，序列集合则为空时图信道数据集；

步骤S5、针对一基于GAT-GRU的预测信道模型执行模型训练，其包括：首先构建一基于GAT-GRU的预测信道模型并且初始化其模型参数，然后以空时图信道数据集为模型的输入，并且利用模型依次提取信道空间特征和时间特征，并且构成信道空时域融合特征，最后利用信道空时域融合特征预测未来时刻各位置的信道统计特性，计算模型输出结果与实际测量值误差，并根据结果来反馈更新模型参数。

进一步的，所述步骤S1具体包括：

步骤S101、利用软件Wireless Insite搭建了两个室内办公室环境：密集办公室环境和稀疏办公室环境；

步骤S102、针对搭建的两个室内办公室环境，执行环境参数矢量以及信道统计特性矢量的定义，其包括：将环境参数矢量定义为接收端天线坐标和收发端间距；将信道统计特性矢量定义为接收功率、均方根时延扩展、均方根方位到达角扩展、均方根方位离开角扩展、均方根俯仰到达角扩展和均方根俯仰离开角扩展；其中，信道环境参数矢量和信道统计特性矢量共同构成一组信道数据；

步骤S103、对信道统计特性矢量和信道环境参数矢量中的每种参数进行数据归一化处理，使每种参数取值分布在[0,1]之间。

进一步的，所述步骤S3具体包括：

步骤S301、在进行信道数据相关性计算时，对每个时刻的信道数据子集中的信道数据进行计算，使用信道环境参数矢量间欧氏距离的倒数来表征信道数据的相关性；

步骤S302、设定邻节点数N的取值，然后每组信道数据选择与其相关性最高的N组信道数据建立单向边，将每个时刻的信道数据子集构建为当前时刻的图信道数据；

步骤S303、将不同时刻的图信道数据构成图信道数据集。

进一步的，所述步骤S4具体包括：

步骤S401、设定训练集和测试集比例为γ＝0.8，将得到的图信道数据集按照训练集:测试集＝γ:1-γ，划分为训练集和测试集；

步骤S402、设定时刻序列长度Seq，时刻序列长度即为利用前Seq个连续时刻的信道特性去预测下一个时刻的信道特性；其中，密集办公室环境下Seq依次取值为4、6和8，稀疏办公室环境下Seq依次取值为4、5和6；

步骤S403、将训练集和测试集内的图信道数据按照时刻顺序排列为长为Seq+1的图信道数据序列；

步骤S404、将长为Seq+1的图信道数据序列集合构建成空时图信道数据集。

进一步的，在所述步骤S5中，所述首先构建一基于GAT-GRU的预测信道模型并且初始化其模型参数，其具体包括：

步骤S5011、使用单有32个图注意力层的多头GAT模型构成GAT-GRU模型中的GAT模块，用于提取信道空间特征，后接ReLU激活函数，其表达式为

步骤S5012、使用32个隐藏单元的单层GRU模型构成GAT-GRU模型中的GRU模块，用于提取信道时间特征。

进一步的，在所述步骤S5中，所述然后以空时图信道数据集为模型的输入，并且利用模型依次提取信道空间特征和时间特征，并且构成信道空时域融合特征，其具体包括：

步骤S5021、空时图数据集输入到GAT-GRU模型后，GAT模块对序列中的维度为[12,4]的图信道数据进行空间特征提取，经过特征映射和聚合后，以维度为[12,32]的信道空间特征信息的形式输出至GRU模块；

步骤S5022、GRU模块将上一时刻GRU模块输出的维度为[12,32]的隐藏状态和GAT模块提取的信道空间特征信息一起输入到GRU模块中，进行信道时间特征提取，输出维度为[12,32]的信道空时域融合特征，其中包含信道空间特征和时间特征信息的当前时刻隐藏状态。

进一步的，在所述步骤S5中，所述最后利用信道空时域融合特征预测未来时刻各位置的信道统计特性，计算模型输出结果与实际测量值误差，并根据结果来反馈更新模型参数，其具体包括：

步骤S5031、使用维度为[32，4]的全连接层将信道空时域融合特征进行映射，最后得到与节点信道统计特性相同的维度，即获得下一时刻各位置下维度为[12,4]的信道统计特性预测值；

步骤S5032、计算下一时刻各节点信道统计特性的预测值与实际值间的均方误差，并选取Adam优化算法更新网络参数，设置学习率为0.002，重衰减系数为5×10

进一步的，所述信道建模方法还包括性能评估步骤，其包括：

通过比较输出的预测信道统计特性与实际值间的差异来衡量所得到的预测信道模型性能。

本发明的有益效果是：

本发明在传统无线信道建模的基础上引入了机器学习算法，提出了一种新颖的基于GAT与GRU的预测信道建模方法。本发明是一种基于空间、时间特征的辅助空时域预测信道建模方法，通过在空间上提取高相关性的信道信息、在时间上融合历史信道信息，实现了对空间和时间两个维度的信道信息获取，在提高了信道统计特性预测性能的同时，具有可接受的模型复杂度。并且，通过评估利用不同通信场景信道数据训练得到的预测信道模型性能，说明该方法适用于多种场景下的预测信道建模。

附图说明

图1为实施例1中提供的基于GAT与GRU的预测信道建模方法的流程示意图；

图2为实施例1中提供的信道仿真环境三维传播场景图；

图3为实施例1中提供的信道仿真环境收发端位置布局图；

图4为实施例1中提供的空时信道特性预测流程图；

图5为实施例1中提供的密集办公室环境下，预测信道模型对均方根方位到达角扩展的预测结果和信道仿真数据曲线；

图6为实施例1中提供的稀疏办公室环境下，预测信道模型对均方根方位到达角扩展的预测结果和信道仿真数据曲线。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例1

参见图1-图6，本实施例提供一种基于机器学习的空时域预测信道建模方法，该方法具体包括：

步骤S1、构建信道数据集，其包括：首先通过信道测量或仿真得到信道数据，然后再对采集的信道测量数据进行预处理，生成由信道统计特性和环境参数组成的信道数据集；

具体的说，在本实施例中，该步骤S1具体包括：

步骤S101、利用软件Wireless Insite搭建了两个室内办公室环境：密集办公室环境和稀疏办公室环境，其三维传播场景图参见图2。图2中虚线框内表示稀疏办公室环境较密集办公室环境所删去的环境物体。其中这两种仿真环境中发射端(Receiver，Rx)和接收端(Transmitter，Tx)的布局参见图3；

步骤S102、由于仿真中Rx坐标和载波频率f

步骤S103、对信道统计特性矢量和信道环境参数矢量中的每种参数进行数据归一化处理，使每种参数取值分布在[0,1]之间。

步骤S2、针对该步骤S1中构建的信道数据集，将其中同一时刻的信道数据划分为一个信道数据子集；

具体地说，在本实施例中，两个仿真环境分别生成了104个时刻的信道数据，且每个时刻包含12个测量点的信道数据，所以将相同仿真环境下同一时刻的信道数据划分为104个信道数据子集，每个子集大小为12。

步骤S3、构建图信道数据集，其包括：首先计算信道数据相关性，然后再设定邻节点数，并且基于该相关性和邻节点数，将每个时刻的信道数据子集构建为当前时刻的图信道数据，最后将不同时刻的图信道数据构成图信道数据集；

具体地说，在本实施例中，该步骤S3具体包括：

步骤S301、在进行信道数据相关性计算时，对每个时刻的信道数据子集中的信道数据进行计算，使用信道环境参数矢量间欧氏距离的倒数来表征信道数据的相关性；

步骤S302、设定邻节点数N的取值，然后每组信道数据选择与其相关性最高的N组信道数据建立单向边，将每个时刻的信道数据子集构建为当前时刻的图信道数据；

步骤S303、将不同时刻的图信道数据构成图信道数据集。

步骤S4、针对步骤S3中构建的图信道数据集，将其按照一定比例划分为训练集和测试集，再设定时间序列长度Seq，将图信道数据构造为长为Seq+1的序列，序列集合则为空时图信道数据集；

具体地说，在本实施例中，该步骤S4具体包括：

步骤S401、设定训练集和测试集比例为γ＝0.8，将得到的图信道数据集按照：训练集:测试集＝γ:1-γ，划分为训练集和测试集，因此划分为83个图数据用于构建训练集，21个图数据用于构建测试集；

步骤S402、设定时刻序列长度Seq，时刻序列长度即为利用前Seq个连续时刻的信道特性去预测下一个时刻的信道特性；其中，密集办公室环境下Seq依次取值为4、6和8，稀疏办公室环境下Seq依次取值为4、5和6；

步骤S403、将训练集和测试集内的图信道数据按照时刻顺序排列为长为Seq+1的图信道数据序列；

步骤S404、将长为Seq+1的图信道数据序列集合构建成空时图信道数据集。

步骤S5、初始化基于GAT-GRU的预测信道模型训练参数，将空时图信道数据集作为模型的数据集进行训练；

具体地说，在本实施例中，该步骤S5具体包括：

步骤S501、使用单有32个图注意力层的多头GAT模型构成GAT-GRU模型中的GAT模块，用于提取信道空间特征，后接ReLU激活函数，其表达式为

步骤S502、使用32个隐藏单元的单层GRU模型构成GAT-GRU模型中的GRU模块，用于提取信道时间特征；

步骤S503、将空时图信道数据集输入GAT-GRU模型进行训练。

步骤S6、使用基于GAT-GRU的预测信道模型，来依次提取信道空间特征和时间特征，并且构成信道空时域融合特征；

具体地说，在本实施例中，该步骤S6具体包括：

步骤S601、空时图数据集输入到GAT-GRU模型后，GAT模块对序列中的维度为[12,4]的图信道数据进行空间特征提取，经过特征映射和聚合后，以维度为[12,32]的信道空间特征信息的形式输出至GRU模块；

步骤S602、GRU模块将上一时刻GRU模块输出的维度为[12,32]的隐藏状态和GAT模块提取的信道空间特征信息一起输入到GRU模块中，进行信道时间特征提取，输出维度为[12,32]的信道空时域融合特征，其中包含信道空间特征和时间特征信息的当前时刻隐藏状态。

步骤S7、利用信道空时域融合特征预测未来时刻各位置的信道统计特性，计算模型输出结果与实际测量值误差，并根据结果来反馈更新模型参数；

具体地说，在本实施例中，该步骤S7具体包括：

步骤S701、使用维度为[32，4]的全连接层将信道空时域融合特征进行映射，最后得到与节点信道统计特性相同的维度，即获得下一时刻各位置下维度为[12,4]的信道统计特性预测值；

步骤S702、计算下一时刻各节点信道统计特性的预测值与实际值间的均方误差，并选取Adam优化算法更新网络参数，设置学习率为0.002，重衰减系数为5×10

步骤S8、进行模型的性能评估，通过比较输出的预测信道统计特性与实际值间的差异来衡量所得到的预测信道模型性能。

具体地说，在本实施例中，使用预测信道模型预测得到的6种信道统计特性与信道仿真数据的信道统计特性进行对比，分析预测信道模型性能，仿真结果参照图5和图6。图5是密集办公室环境下，训练所得预测信道模型对均方根方位到达角扩展的预测结果和信道仿真数据曲线。从仿真图中可以看出预测结果与信道仿真结果具有良好的拟合，说明预测模型具有良好的预测性能；图6是稀疏办公室环境下，训练所得预测信道模型对均方根方位到达角扩展的预测结果和信道仿真数据曲线。预测结果与信道仿真结果间良好的拟合说明预测模型在不同场景下依旧具有良好的预测性能。

综上所述，本发明建立的基于机器学习的空时域预测信道模型是一种空间特征辅助空时域预测信道模型，利用GAT模型在空间上提取高相关性的数据信息，然后利用GRU模型在时间上与历史信道信息进行融合形成包含信道空间特征和时间特征信息的信道空时域融合特征，最后利用信道空时域融合特征实现了高精度的信道统计特性预测，并适用于多种场景下的预测信道建模，对多维度的预测信道建模研究具有参考意义。

本发明未详述之处，均为本领域技术人员的公知技术。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。