一种基于散射体密度的场景预测信道建模方法

技术领域

本发明属于机器学习(Machine Learning，ML)与无线信道建模的交叉融合应用领域，尤其涉及一种基于散射体密度的场景预测信道建模方法。

背景技术

从第五代无线通信系统(The Fifth Generation Wireless Communications，5G)发展而来的第六代无线通信系统(The Sixth Generation Wireless Communications，6G)，旨在增强移动互联网和万物互联，并与大数据深度融合，实现万物智联。此外，无线通信不再局限于传统典型场景，而是更广泛的垂直行业，不同的通信场景会导致不同场景和应用之间的动态环境变化，这对复杂场景下的通信提出了很多要求。无线信道建模是无线通信系统设计、理论分析、性能评估和优化的基础，能够可有效、可行地模拟无线电波在不同通信场景下的传播过程。在6G新愿景下的无线通信面临着前所未有的复杂性，需要更复杂的信道模型来重构6G复杂场景，而传统的信道建模方法无法满足上述要求。例如，在6G海量通信场景下，信道建模需要大量高精度的信道测量数据进行验证。然而，信道测量成本高、耗时长，且不可能覆盖所有频段和所有场景。此外，处理大量的信道测量数据需要使用高分辨率的参数估计方法，导致传统的信道建模计算复杂度极高。同时，传统的信道模型不能灵活、准确地预测未来时间、未知频段、未知场景下的信道特性。鉴于上述问题，迫切需要新的6G通信预测信道建模方法。

机器学习是人工智能(Artificial Intelligence，AI)领域的关键技术，它使机器能够在不需要任何特定命令的情况下，从大量数据中智能地学习和获得新技能。随着机器学习技术的不断发展和通信大数据规模的不断扩大，基于机器学习的信道建模被视为弥补传统无线信道建模方法不足的有力工具。由于机器学习算法可以挖掘信道数据的隐藏信息来分析和捕获不同的信道特征，基于机器学习的信道模型可以通过提取信道测量或仿真数据中的潜在特征来预测未来时间、未知频段和未知场景的信道。根据现有文献，基于机器学习的预测信道建模一般可分为空域、时域和频域预测信道建模。空间预测信道建模有望挖掘信道特征与物理环境参数之间的关系，利用已知空间位置的信道来预测未知位置的信道；时间预测信道建模致力于掌握信道随时间的变化规律，利用已知的历史信道信息预测未来的信息；频域预测信道建模探索不同频段之间信道特性的异同，实现跨频段信道特性预测。

然而，现有的空时频域信道建模研究并没有很好地解决6G不同场景下的信道建模问题。在通信场景中，当散射体密度发生变化时，相应的信道特性也会随着环境的变化而变化。但是，目前的信道建模工作很难在考虑场景下信道动态变化的情况下，构建基于散射体密度的预测信道模型。此外，传统的信道建模方法为了准确捕捉不同通信场景下的信道变化，通常使用不同的模型参数重构相应的信道，这需要进一步的信道测量数据进行验证。同时，现有的基于机器学习的预测信道建模方法也存在一些不足，没有对不同场景下物理环境变化对信道特性的影响进行全面的研究。在6G通信中，在不同散射体密度的情况下，信道动态变化所带来的更多的信道统计特性需要得到更多的关注。最后，许多预测信道模型同时使用所有数据样本进行训练，没有考虑数据样本之间的相关性，最终会导致学习效率较低、模型训练时间较长等问题。

发明内容

本发明目的在于提供一种基于散射体密度的场景预测信用于探索不同散射体密度场景下的信道动态演化，并可以预测较高或较低散射体密度场景下信道特性。该模型利用空-时高相关数据进行训练，提高了基于散射体密度的场景信道预测性能，获得了较高的预测精度法,用于探索不同散射体密度场景下的信道动态演化，并可以预测较高或较低散射体密度场景下信道特性。该模型利用空-时高相关数据进行训练，提高了基于散射体密度的场景信道预测性能，获得了较高的预测精度，以解决背景技术中提到的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种基于散射体密度的场景预测信道建模方法，该方法包括：

步骤S1、通过信道测量或仿真采集相应场景下的信道数据，针对不同的散射体密度进行多个场景的信道数据采集以供后续的信道预测实验；

步骤S2、针对步骤S1中得到的信道数据，通过高精度信道参数提取算法对采集的信道测量数据进行预处理，得到相应的信道统计特性参数；然后将当前场景的物理环境参数以及信道特性参数一起构成信道数据矢量作为后续的数据集构建。

步骤S3、构建预测信道建模使用的空-时图数据集。网络训练过程以不同场景的散射密度为主要特征，为了更好地提取散射体密度，针对步骤S2中得到的信道数据矢量通过关联邻节点和时间序列来增强信道数据的空时相关性，从而构建信道空-时图数据集。

步骤S4、针对步骤S3中特定散射体密度场景下构建的信道空-时图数据集，将其按照一定比例划分为训练集、验证集和测试集，作为预测网络的输入。

步骤S5、针对一基于图注意力网络(Graph Attention Networks，GAT)和门控循环单元(Gated Recurrent Unit，GRU)的信道预测网络执行跨场景信道预测训练，其包括：首先构建一基于GAT-GRU的信道预测网络并且初始化其网络参数配置；然后将构建的信道空-时图数据训练集输入到GAT-GRU网络来进行信道预测，捕获高信道空时相关特征；计算网络在测试集上的输出结果与实际测量值误差，并根据结果来进一步对基于GAT-GRU的信道预测网络进行参数微调；最后在测试集中得到不同散射体密度场景下的预测信道特性，实现跨场景信道预测。其中-表示联合。

进一步的，所述步骤S1具体包括：

步骤S101、利用射线追踪(Ray Tracing，RT)商用软件Wireless Insite进行信道数据仿真，模拟具有不同散射体密度的室内办公室场景，散射体密度ρ

其中S

仿真所得通信场景的散射体密度ρ

进一步的，所述步骤S2具体包括：

步骤S201、将采集的信道数据使用空间交替广义期望最大化算法(Space-Alternating Generalized Expectation-Maximization，SAGE)进行高精度信道特性参数提取，其包括：从原始信道冲激响应中获得的用于描述信号强度的接收功率P，描述信道时间色散特性的均方根时延扩展(Root Mean Square Delay Spread，RMSDS)σ

步骤S202、针对步骤S201中采集的信道特性参数与搭建的室内办公室通信场景，进行信道特性参数矢量以及物理环境参数矢量的定义，其包括：将信道特性参数矢量S

S

其中C表示整个环境的信道总数，

步骤S202、针对步骤S201中所得的信道特性参数矢量S

h

步骤S203、针对步骤S202中所得的信道数据矢量h

进一步的，所述步骤S3具体包括：

步骤S301、计算信道数据的空间相关性，其包括：对每个时刻的信道数据矢量子集进行相关性计算，使用信道环境参数矢量M

步骤S302、构建信道空间数据高相关的图数据集，其包括：设定图数据集的邻节点数N取值(基于本专利应用场景，N的取值为4)，然后每组信道数据矢量选择与其空间相关性最高的N组信道数据矢量建立图数据集中的单向边，然后将每个时刻的信道数据矢量子集构建为当前时刻的信道空间图数据集；

步骤S303、针对步骤S302中提出的信道空间图数据集加上时间序列特性，构建信道空-时相关图数据集，其包括：设定时间序列长度表示为k(基于本专利应用场景，k的取值为7)，即将已知k个历史信道特征序列的长度作为一组信道演化模式进行时间特征提取；然后依次取出k+1个空间图数据集，构造信道时间序列，其中前k个作为预测模型的输入，最后一个作为预测模型的输出。因此，构成基于额外信道时间序列特征的信道空-时图数据集，为后续多场景信道预测提供数据支撑。

进一步的，所述步骤S4具体包括：将数据集划分为训练集、验证集和测试集，分别用于网络训练、网络优化和性能评估。为了避免不同数据集之间信道空-时信息的交错，将数据集分为80％用于训练，10％用于验证，10％用于测试。

进一步的，所述步骤S5具体包括：

步骤S501、首先构建一基于GAT-GRU的信道预测网络并且初始化其网络参数。GAT-GRU信道预测网络中的GAT网络模块是一个具有32个图形注意力层的GAT网络，它将某一时刻维度为4的信道特征作为输入，映射到32维，用于信道预测的空间特征信息提取。GAT网络使用带泄露修正线性单元函数(Leaky Rectified Linear Unit，LeakyReLU)作为激活函数。GAT-GRU信道预测网络中的GRU网络模块使用32个隐藏单元的单层GRU网络，用于信道预测的时间特征信息提取。第一个GRU网络模块的初始化参数设置为0，以降低计算复杂度。

步骤S502、然后将构建的信道空-时图数据训练集中的散射体密度为ρ

步骤S503、GAT-GRU信道预测网络对输入的信道特征矢量序列进行特征提取，其包括：GAT网络模块通过聚合空间域中相关性高的邻居节点，可以有效地提取图数据集中信道数据的空间特征，输出是级联的维度为12×32的信道特征矢量[F']，并送入GRU网络模块进行时间特征提取；GRU网络模块将不同时刻级联的信道特征矢量提取信道特征的时间特征，输出是当前时刻的维度为12×32的级联信道特征矢量[F']

步骤S504、将提取特征后的级联信道特征矢量输入到多层感知器(MultilayerPerceptron，MLP)网络，以均方对数误差(Mean Square Log Error，MSLE)作为网络的损失函数，并根据结果来进一步对基于GAT-GRU的信道预测网络进行参数微调，最终得到散射体密度为ρ

本发明的一种基于散射体密度的场景预测信道建模方法，具有以下优点：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散射体密度的场景预测信道建模方法。本发明能够探索具有不同散射体密度的场景中的信道动态演化，并且可以预测具有更高或更低散射体密度的特定场景的信道特性。通过空时相关信道数据训练，所提出的模型可以提高基于散射体密度的场景信道预测性能并获得较高的预测精度。此外，本发明能够准确地预测不同场景下的信道特性，例如接收功率和信道统计特性。当使用具有特定散射体密度的一种场景中的信道来预测其他构造的场景中的信道时，其性能优于3GPP标准化信道模型。本发明在基于场景的信道预测方面具有良好的性能，可用于6G多场景系统设计、网络优化和网络规划、资源分配等关键技术。

附图说明

图1为本发明提供的基于散射体密度的场景预测信道建模方法的流程示意图；

图2为本发明提供的密集场景信道仿真环境收发端位置布局图；

图3为本发明中提供的稀疏场景信道仿真环境收发端位置布局图；

图4为本发明提供的GAT-GRU信道预测网络流程示意图；

图5为本发明提供的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、RT仿真结果与3GPP标准化信道模型仿真结果的对比图。；

图6为本发明提供的训练所得预测信道模型对均方根俯仰到达角扩展的预测结果、RT仿真结果与3GPP标准化信道模型仿真结果的对比图。

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于散射体密度的场景预测信道建模方法做进一步详细的描述。

参见图1-图6，本实施例提供一种基于散射体密度的场景预测信道建模方法，该方法具体包括：

步骤S1、通过信道测量或仿真采集相应场景下的信道数据，针对不同的散射体密度进行多个场景的信道数据采集以供后续的信道预测实验；

具体的说，在本实施例中，该步骤S1具体包括：

步骤S101、利用射线追踪商用软件Wireless Insite进行信道数据仿真，模拟具有不同散射体密度的室内办公室场景，散射体密度ρ

其中S

仿真所得通信场景的散射体密度分别为20％以及60％，其中散射体密度ρ

步骤S2、针对步骤S1中得到的原始信道数据，通过高精度信道参数提取算法对采集的信道测量数据进行预处理，得到相应的信道统计特性参数；然后将当前场景的物理环境参数以及信道特性参数一起构成信道数据矢量作为后续的数据集构建。

具体地说，在本实施例中，该步骤S2具体包括：

步骤S201、将采集的信道数据使用空间交替广义期望最大化算法进行高精度信道特性参数提取，其包括：从原始信道冲激响应中获得的用于描述信号强度的接收功率P，描述信道时间色散特性的均方根时延扩展σ

步骤S202、针对步骤S201中采集的信道特性参数与搭建的室内办公室通信场景，进行信道特性参数矢量以及物理环境参数矢量的定义，其包括：将信道特性参数矢量S

S

其中C表示整个环境的信道总数，

步骤S202、针对步骤S201中所得的信道特性参数矢量S

h

步骤S203、针对步骤S202中所得的信道数据矢量h

其中X为归一化之后的数据，x为原始测量数据。

步骤S3、构建预测信道建模使用的空-时图数据集。网络训练过程以不同场景的散射密度为主要特征，为了更好地提取散射体密度，针对步骤S2中得到的信道数据矢量通过关联邻节点和时间序列来增强信道数据的空时相关性，从而构建信道空-时图数据集。

具体地说，在本实施例中，该步骤S3具体包括：

步骤S301、计算信道数据的空间相关性，其包括：对每个时刻的信道数据矢量子集进行相关性计算，使用信道环境参数矢量M

步骤S302、构建信道空间数据高相关的图数据集，其包括：设定图数据集的邻节点数N取值(基于本专利应用场景，N的取值为4)，然后每组信道数据矢量选择与其空间相关性最高的N组信道数据矢量建立图数据集中的单向边，然后将每个时刻的信道数据矢量子集构建为当前时刻的信道空间图数据集；

步骤S303、针对步骤S302中提出的信道空间图数据集加上时间序列特性，构建信道空-时相关图数据集，其包括：设定时间序列长度表示为k(基于本专利应用场景，k的取值为7)，即将已知k个历史信道特征序列的长度作为一组信道演化模式进行时间特征提取；然后依次取出k+1个空间图数据集，构造信道时间序列，其中前k个作为预测模型的输入，最后一个作为预测模型的输出。因此，构成基于额外信道时间序列特征的信道空-时图数据集，为后续多场景信道预测提供数据支撑。

步骤S4、针对步骤S3中特定散射体密度场景下构建的信道空-时图数据集，将其按照一定比例划分为训练集、验证集和测试集，作为预测网络的输入。

具体地说，在本实施例中，该步骤S4具体包括：将数据集划分为训练集、验证集和测试集，分别用于网络训练、网络优化和性能评估。为了避免不同数据集之间信道空-时信息的交错，将数据集分为80％用于训练，10％用于验证，10％用于测试。

步骤S5、针对一基于GAT-GRU的信道预测网络执行跨场景信道预测训练，其包括：首先构建一基于GAT-GRU的信道预测网络并且初始化其网络参数配置；然后构建的信道空-时图数据训练集输入到GAT-GRU网络来进行信道预测，捕获高信道空时相关特征；计算网络在测试集上的输出结果与实际测量值误差，并根据结果来进一步对基于GAT-GRU的信道预测网络进行参数微调；最后在测试集中得到不同散射体密度场景下的预测信道特性，实现跨场景信道预测。

具体地说，在本实施例中，该步骤S5具体包括：

步骤S501、首先构建一基于GAT-GRU的信道预测网络并且初始化其网络参数。GAT-GRU信道预测网络中的GAT网络模块是一个具有32个图形注意力层的GAT网络，它将某一时刻维度为4的信道特征作为输入，映射到32维，用于信道预测的空间特征信息提取。GAT网络使用带泄露修正线性单元函数作为激活函数，其表达式为：

其中在该案例中负值斜率a设置为0.2。

此外，GAT-GRU信道预测网络中的GRU网络模块使用32个隐藏单元的单层GRU网络，用于信道预测的时间特征信息提取。第一个GRU网络模块的初始化参数设置为0，以降低计算复杂度。

步骤S502、然后将构建的信道空-时图数据训练集中的散射体密度为ρ

步骤S503、GAT-GRU信道预测网络对输入的信道特征矢量序列进行特征提取，其包括：GAT网络模块通过聚合空间域中相关性高的邻居节点，可以有效地提取图数据集中信道数据的空间特征，输出是级联的维度为12×32的信道特征矢量[F']并送入GRU网络模块进行时间特征提取；GRU网络模块将不同时刻级联的信道特征矢量提取信道特征的时间特征，输出是当前时刻的维度为12×32的级联信道特征矢量[F']

步骤S504、将提取特征后的级联信道特征矢量输入到多层感知器网络，以均方对数误差作为网络的损失函数，并根据结果来进一步对基于GAT-GRU的信道预测网络进行参数微调，最终得到散射体密度为ρ

具体地说，在本实施例中，使用预测信道模型预测得到的散射体密度为ρ

综上所述，本发明建立的基于散射体密度的场景预测信道建模方法是一种基于机器学习的预测信道模型，它可以捕捉不同散射体密度情况下场景中的信道变化，并根据高信道空时相关特性进行信道预测。本发明通过捕获高信道空时相关特征来构建信道空-时图数据集，以更好地提取特征信道散射体密度变化。为了得到一个基于不同散射体密度的空时图数据集的良好调整的SDSPCM，我们提供了一个最佳的邻居节点数和一个最佳的时间序列长度，以达到最佳的预测性能。本发明在基于不同场景的信道预测方面具有良好的性能，可用于6G多场景系统设计、网络优化和网络规划以及资源分配等关键技术。

本发明未详述之处，均为本领域技术人员的公知技术。

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。