无线信道建模方法、计算机设备和存储介质

技术领域

本申请涉及无线通信技术领域，特别是涉及一种无线信道建模方法、计算机设备、存储介质和计算机程序产品。

背景技术

MIMO(Multiple-Input Multiple-Output，多输入多输出)技术是指能在不增加带宽的情况下，成倍地提高通信系统的容量和频谱利用率。它可以定义为发送端和接收端之间存在多个独立信道，也就是说天线单元之间存在充分的间隔。因此，MIMO技术消除了天线间信号的相关性，提高了信号的链路性能，增加了数据吞吐量，被广泛应用在各种无线通信系统中。

无线信道模型研究是系统设计、理论分析、性能评估、优化及部署的核心基础。在MIMO技术的研究中，同样需要构建各种信道模型，用数学表达式描述信道特性，便于分析评估。其中，GBSM(Geometrically-based Stochastic Model，基于几何的随机信道模型)是目前业界公认的能较好复现实际信道环境的信道建模方法。GBSM一般指以信号的物理传播机制为基本原理，在已知发射端、接收端的位置以及散射体几何形状的条件下可生成信道冲激响应的信道模型。该模型能够很好地与实际信道测量结果匹配，但其复杂度一般较高，并且信道统计特性没有闭式表达式，不利于数学分析。而CBSM(Correlation BasedStochastic Model，基于相关的随机信道模型)不需要反映出信号的物理传播特点，模型简单，其复杂度相对较低，便于解析推导，因此常被广泛应用于信道容量计算和信号处理算法设计。但目前流行的CBSM在独立子信道样本的分布形式上均有较为严苛的前提假设，因此造成了应用场景的限制。

鉴于无线信道模型在无线通信研发中的重要作用，寻找到一种与GBSM信道统计特性等价的CBSM方法是亟待解决的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够实现与GBSM信道统计特性等价的CBSM无线信道建模方法、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种无线信道建模方法。该方法包括：

获取小尺度信道矩阵样本；

生成第一分布矩阵；第一分布矩阵为独立同分布的复正态随机矩阵；

根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵；第一定值矩阵用于反映视距分量能量耦合能力，第二定值矩阵用于反映散射分量能量耦合能力，第二分布矩阵的各元素为相互独立的广义伽马分布随机变量的幂次；

根据第一定值矩阵、第二定值矩阵、第一分布矩阵、第二分布矩阵和小尺度信道矩阵样本，获取目标信道矩阵；目标信道矩阵用于表征构建的无线信道模型。

在其中一个实施例中，根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵包括：

根据小尺度信道矩阵样本，获取发射端相关矩阵的特征基矩阵和接收端相关矩阵的特征基矩阵；

根据发射端相关矩阵的特征基矩阵、接收端相关矩阵的特征基矩阵和小尺度信道矩阵样本，获取第三矩阵；

根据第三矩阵的期望，获取第一定值矩阵；

根据第三矩阵的标准差，获取第二定值矩阵。

在其中一个实施例中，根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵包括：

对小尺度信道矩阵样本进行分布拟合，获取小尺度信道矩阵样本的概率分布模型；

根据概率分布模型，确定第二分布矩阵中各元素对应的幂的底数和幂的指数；幂的底数服从广义伽马分布。

在其中一个实施例中，概率分布模型包括复高斯分布、复学生分布和复拉普拉斯分布；

根据概率分布模型，确定第二分布矩阵中各元素对应的幂的底数和幂的指数包括：

当概率分布模型为复高斯分布时，幂的指数为0；

当概率分布模型为复学生分布时，幂的指数为第一数值，幂的底数根据小尺度信道矩阵样本的分布拟合获得；

当概率分布模型为复拉普拉斯分布时，幂的指数为第二数值，幂的底数根据第一参数和第二参数确定；第一参数根据第三矩阵离散样本估计的峰值系数获得，第二参数为预设形状参数。

在其中一个实施例中，在根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵之后，包括：

根据第一分布矩阵和第二分布矩阵，获取混合分布随机样本；

根据小尺度信道矩阵样本，获取目标概率分布函数；

根据混合分布随机样本的概率分布函数，获取拟合概率分布函数；

获取目标概率分布函数与拟合概率分布函数的差异度；

基于混合分布随机样本，根据差异度调整第一参数和第二参数，以优化混合分布随机样本。

在其中一个实施例中，基于混合分布随机样本，根据差异度调整第一参数和第二参数，以优化混合分布随机样本包括：

当差异度大于阈值时，在预设范围内调整第一参数和第二参数，直至调整后的第一参数和第二参数对应的混合分布随机样本的差异度满足不大于阈值的条件；

针对满足条件的差异度，获取由差异度对应的第一参数和第二参数确定的混合分布随机样本。

在其中一个实施例中，获取目标概率分布函数与拟合概率分布函数的差异度包括：

根据目标概率分布函数和拟合概率分布函数，获取前向KL散度和逆向KL散度；

根据前向KL散度和逆向KL散度的和，获取差异度。

第二方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。

第三方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。

第三方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。

上述无线信道建模方法、计算机设备、存储介质和计算机程序产品，首先，相较于GBSM，无需分析信号的物理传播特点，模型相对更简单，并且能够形成目标信道矩阵的确定表达式，有利于数学分析。其次，本申请基于小尺度信道矩阵样本的概率分布模型，提出了由广义伽马幂次与复正态分布合成的混合分布随机样本。混合分布随机样本的各元素能够相互独立且可以服从相同或不同类型的分布，且本申请还引入了视距分量和散射分量，使得本申请相较于CBSM，普遍适用于任意分布形式信道样本的拟合，同时能够实现与GBSM在统计特性上的良好近似，尤其是在大规模MIMO系统中，显著提高了统计精度。因此，本申请提出了一种普适的高精度信道建模方法，考虑实际无线信道样本的分布特性，实现普遍适用于任意场景的GBSM和CBSM统计特性等价。

附图说明

图1为一个实施例中无线信道建模方法的应用环境图；

图2为一个实施例中无线信道建模方法的流程示意图；

图3为一个实施例中生成混合分布随机样本的流程示意图；

图4为一个实施例中莱斯K因子为9dB的传播场景下信道容量的概率密度分布对比示意图；

图5为一个实施例中莱斯K因子为9dB的传播场景下特征值的概率密度分布对比示意图；

图6为一个实施例中莱斯K因子为-100dB的传播场景下信道容量的概率密度分布对比示意图；

图7为一个实施例中莱斯K因子为-100dB的传播场景下特征值的概率密度分布对比示意图；

图8为一个实施例中无线信道建模装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的无线信道建模方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。数据存储系统中可以存储信道数据等。其中，终端102可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在MIMO技术领域中，目前常用GBSM和CBSM方法进行信道建模。其中，GBSM能够很好的与实际信道测量结果匹配，但其复杂度一般较高，信道建模效率相对于CBSM较低，并且信道统计特性没有闭式表达式，不利于数学分析。而CBSM相对模型简单，但应用场景的限制条件较多，无法复现较为复杂的信道，而且模型的精确度会随着通信系统的规模扩大而降低，常表现为对信道容量的高估。目前常见的CBSM信道模型包括韦氏模型(Weichselberger’sChannel Model)和JCCM(Jointly Correlated Channel Model，联合相关信道模型)。

其中，韦氏模型通过描述两个链路端的本征模之间的平均耦合来建模联合相关特性。该模型成立的必要和充分条件是，接收端的特征基独立于发射权重，反之亦然。该模型的入参可以通过仿真或测量从随机信道样本集中提取，模型的基本假设能够以电波传播原理解释，并且能够反向兼容克罗内克信道模型与虚拟信道表征模型。但是，韦氏模型是基于复高斯随机矩阵提出的，因此仅能在独立瑞利衰落信道的条件下实现准确的统计信道建模。

JCCM是一种基于韦氏模型的改进型CBSM模型，其在韦氏模型的基础上引入了表示视距(Line of Sight，LOS)分量的定值矩阵。该模型的入参可以通过仿真或测量从随机信道样本集中提取，模型的基本假设能够以电波传播原理解释，并且能够反向兼容克罗内克信道模型、虚拟信道表征模型、韦氏模型等基于相关的随机信道模型。虽然JCCM在一定程度上放宽了对随机矩阵元素分布的要求，不强制随机矩阵元素(各独立子信道)服从复高斯分布，但要求独立同分布。

综上所述，CBSM存在的主要问题如下：

1、目前主要的CBSM与GBSM或实际信道的统计特性可能存在差距，且这个差距会随着MIMO规模的增加越发扩大。鉴于大规模MIMO阵列在新一代无线通信技术中的应用，该差距无法忽视，可能导致系统性能评估的严重偏差。

2、目前主要的CBSM在独立子信道样本的分布形式上均有较为严苛的前提假设，因此造成了应用场景的限制。

3、目前主要的CBSM只适用于簇级和链路级信道建模，但不支持系统级信道建模。

因此，鉴于无线信道模型在无线通信研发中的重要作用，寻找到一种与GBSM信道统计特性等价的CBSM方法是亟待解决的问题。

为解决上述问题，在一个实施例中，如图2所示，提供了一种无线信道建模方法，具有普适的CBSM实现形式，称为GJCCM(Generalized Jointly Correlated Channel Model，广义联合相关信道模型)。以该方法应用于图1中的终端102为例进行说明，包括以下步骤：

步骤202，获取小尺度信道矩阵样本。

收发端天线均采用全向天线，极化形式任意。使用蒙特卡洛仿真或实际信道测量采集随机信道样本，得到大小为N

接收端用户在第n(n＝1,…,N)次蒙特卡洛仿真中或信道测量中信道增益记为

则该接收端用户在N次蒙特卡洛仿真或信道测量完成后，得到的归一化信道矩阵是大小为N

步骤204，生成第一分布矩阵；第一分布矩阵为独立同分布的复正态随机矩阵。

步骤206，根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵；第一定值矩阵用于反映视距分量能量耦合能力，第二定值矩阵用于反映散射分量能量耦合能力，第二分布矩阵的各元素为相互独立的广义伽马分布随机变量的幂次。

根据小尺度信道矩阵样本，获取用于反映视距分量能量耦合能力的第一定值矩阵和用于反映散射分量能量耦合能力的第二定值矩阵。

将视距分量和散射分量纳入信道建模的考虑范围内，并且根据实际信道调整第一定值矩阵和第二定值矩阵的数据，一定程度上放宽了对随机矩阵元素分布的要求，扩大本实施例的应用场景。

在一个实施例中，获取小尺度信道矩阵样本的概率分布模型，根据概率分布模型生成第二分布矩阵。

第二分布矩阵的各元素以指数幂的形式出现，且幂的底数服从广义伽马分布。广义伽马分布包含若干个参数，广义伽马分布的参数和幂的指数由概率分布模型决定。

步骤208，根据第一定值矩阵、第二定值矩阵、第一分布矩阵、第二分布矩阵和小尺度信道矩阵样本，获取目标信道矩阵；目标信道矩阵用于表征构建的无线信道模型。

利用第一定值矩阵、第二定值矩阵、第一分布矩阵和第二分布矩阵表示信道散射环境的总体矩阵。根据小尺度信道矩阵样本获取接收端的空间特征基矩阵和发射端的空间特征基矩阵，结合信道散射环境的总体矩阵，获得最终目标信道矩阵，完成信道模型的构建。

其中，接收端的空间特征基矩阵和发射端的空间特征基矩阵由收发端的天线配置决定，而与散射环境无关。

上述无线信道建模方法中，可以获得简洁明晰的信道模型表达式，同时能够普适于任意场景的信道样本的拟合，包括任意样本分布形式、任意天线配置。此外，基于广义伽马幂次与复正态分布共同定义的混合分布随机样本，能够实现GJCCM与GBSM在统计特性上的良好近似，在任意MIMO规模的联合相关信道建模上也有良好表现，也适用于簇级、链路级和系统级的信道建模。

在一个实施例中，步骤204包括：生成各元素的实部和虚部分别独立同分布于均值为0、方差为1/2的复正态分布矩阵，即为第一分布矩阵G

在一个实施例中，步骤206包括：根据小尺度信道矩阵样本，获取发射端相关矩阵的特征基矩阵和接收端相关矩阵的特征基矩阵；根据发射端相关矩阵的特征基矩阵、接收端相关矩阵的特征基矩阵和小尺度信道矩阵样本，获取第三矩阵；根据第三矩阵的期望，获取第一定值矩阵；根据第三矩阵的标准差，获取第二定值矩阵。

其中，发射端相关矩阵的特征基矩阵即发射端的空间特征基矩阵，接收端相关矩阵的特征基矩阵即接收端的空间特征基矩阵。发射端相关矩阵的特征基矩阵U

其中，H

根据发射端相关矩阵的特征基矩阵、接收端相关矩阵的特征基矩阵和小尺度信道矩阵样本，获取第三矩阵

根据第三矩阵的期望，获取第一定值矩阵D，其计算过程如下：

根据第三矩阵的标准差，获取第二定值矩阵M，其计算过程如下：

其中，i和j分别表示第三矩阵

求解第三矩阵、第一定值矩阵和第二定值矩阵，为后续目标信道矩阵的获取做好数据准备。

在一个实施例中，步骤206还包括：对小尺度信道矩阵样本进行分布拟合，获取小尺度信道矩阵样本的概率分布模型；根据概率分布模型，确定第二分布矩阵中各元素对应的幂的底数和幂的指数；幂的底数服从广义伽马分布。

第二分布矩阵用R

其中，i、j分别表示R

第二分布矩阵根据小尺度信道矩阵样本分布拟合所获得的概率分布模型确定，从而提高信道仿真的准确性。

在一个实施例中，概率分布模型包括复高斯分布、复学生分布和复拉普拉斯分布。

在本实施例中，按照形状特性，先判断概率分布模型是否符合复高斯分布和复学生分布。当概率分布模型既非复高斯分布也非复学生分布时，则视为概率分布模型更近似与复拉普拉斯分布，按照复拉普拉斯分布的情况进一步构建信道模型。

这三种模型可以涵盖绝大多数的实际信道，因此，仅利用三种模型即可快速且方便地进行信道建模，有效降低了分析复杂度，从而提高建模效率。

在一个实施例中，根据概率分布模型，确定第二分布矩阵中各元素对应的幂的底数和幂的指数包括：

当概率分布模型为复高斯分布时，幂的指数为0；当概率分布模型为复学生分布时，幂的指数为第一数值，幂的底数根据小尺度信道矩阵样本的分布拟合获得；当概率分布模型为复拉普拉斯分布时，幂的指数为第二数值，幂的底数根据第一参数和第二参数确定；第一参数根据第三矩阵离散样本估计的峰值系数获得，第二参数为预设形状参数。

在一个实施例中，在根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵之后，包括：根据第一分布矩阵和第二分布矩阵，获取混合分布随机样本。

第一分布矩阵和第二分布矩阵是同阶的，混合分布随机样本根据第一分布矩阵和第二分布矩阵的哈达玛积(Hadamard product)获得。定义混合分布随机样本H

当概率分布模型为复高斯分布时，幂的指数为0，幂的底数可以为任何非0值，即第二分布矩阵的各个元素均为1。此时，混合分布随机样本等于第一分布矩阵G

在一个实施例中，当概率分布模型为复学生分布时，根据第二分布矩阵R

根据σ

在一个实施例中，概率分布模型为复学生分布时，可直接做分布拟合获得混合分布随机样本H

在一个实施例中，当概率分布模型为复拉普拉斯分布时，第二分布矩阵R

其中，Gamma(·)表示伽马函数(即欧拉第二积分)，k

根据方程组得到广义伽马分布矩阵的参数，即可得到幂的底数，再结合幂的指数，即可获得对应于复拉普拉斯分布的第二分布矩阵R

通过对不同的概率分布模型进行分别求第二分布矩阵，从而获得较为仿真准确度较高的目标信道矩阵。

在一个实施例中，在根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵之后，还包括：根据小尺度信道矩阵样本，获取目标概率分布函数；根据混合分布随机样本的概率分布函数，获取拟合概率分布函数；获取目标概率分布函数与拟合概率分布函数的差异度；基于混合分布随机样本，根据差异度调整第一参数和第二参数，以优化混合分布随机样本。由于第一参数是基于离散样本的估计，因此不可避免地会存在偏差，因此需要对第二分布矩阵进行进一步优化，以获得更准确的混合分布随机样本。

在一个实施例中，基于混合分布随机样本，根据差异度调整第一参数和第二参数，以优化混合分布随机样本包括：当差异度大于阈值时，在预设范围内调整第一参数和第二参数，直至调整后的第一参数和第二参数对应的混合分布随机样本的差异度满足不大于阈值的条件；针对满足条件的差异度，获取由差异度对应的第一参数和第二参数确定的混合分布随机样本。

将拟合概率分布函数与目标概率分布函数进行对比，当差异度在阈值范围内时，表示混合分布随机样本在概率分布上接近小尺度信道矩阵样本。通过对比，从而获得更为精准的第一参数和第二参数，根据此时的第一参数和第二参数，即可获得更准确的混合分布随机样本，最终获得良好拟合效果的目标信道矩阵。

在一个实施例中，获取目标概率分布函数与拟合概率分布函数的差异度包括：根据目标概率分布函数和拟合概率分布函数，获取前向KL散度和逆向KL散度；根据前向KL散度和逆向KL散度的和，获取差异度。

具体地，本实施例通过代价函数计算差异度，代价函数为：

其中，D

当cost的值大于阈值时，此时混合分布随机样本与小尺度信道矩阵样本的概率分布函数差距较大，需在预设范围内调整第一参数和第二参数，获得新的混合分布随机样本。根据新的混合分布随机样本，重新计算新的混合分布随机样本与小尺度信道矩阵样本之间概率分布函数的差异度。重复上述过程，直至cost的值小于或等于阈值。此时，获取差异度满足条件的混合分布随机样本，即为优化后的混合分布随机样本，据此获得的目标信道矩阵即为最终结果。

在完成第一分布矩阵、第二分布矩阵的构建后，信道模型表达式如下：

其中，H

在一个实施例中，如图3所示，为获取混合分布随机样本的流程示意图，主要步骤为生成第一分布矩阵和第二分布矩阵，这两个步骤可不分前后。生成第二分布矩阵包括以下步骤：获取小尺度信道矩阵样本的概率分布模型，判断概率分布模型是否为复高斯分布。若是，则幂的指数取值为0，据此生成对应于复高斯分布的第二分布矩阵；若否，则判断概率分布模型是否为复学生分布。若是，则幂的指数取值为-1/2，幂的底数根据小尺度信道矩阵样本的分布拟合获得，据此生成对应于复学生分布的第二分布模型；若否，则判断为复拉普拉斯分布，幂的指数为1，幂的底数根据第一参数和第二参数确定，据此生成对应于复拉普拉斯分布的第二分布矩阵。利用第一分布矩阵和第二分布矩阵的哈达玛积，合成混合分布随机样本。基于混合分布随机样本，获取目标概率分布函数与拟合概率分布函数的差异度。判断差异度是否大于阈值。若是，则调整第一参数和第二参数，重新生成第二分布矩阵。重复混合分布随机样本获取再判断的过程，直至差异度满足不大于阈值的条件。输出差异度满足条件的对应混合分布随机样本，以用于后续目标信道矩阵的获取。

在一个实施例中，无线信道建模方法包括以下步骤：

获取小尺度信道矩阵样本。

生成第一分布矩阵。

根据小尺度信道矩阵样本，获取发射端相关矩阵的特征基矩阵和接收端相关矩阵的特征基矩阵。

根据发射端相关矩阵的特征基矩阵、接收端相关矩阵的特征基矩阵和小尺度信道矩阵样本，获取第三矩阵。

根据第三矩阵的期望，获取第一定值矩阵。

根据第三矩阵的标准差，获取第二定值矩阵。

对小尺度信道矩阵样本进行分布拟合，获取小尺度信道矩阵样本的概率分布模型，概率分布模型包括复高斯分布、复学生分布和复拉普拉斯分布。

根据概率分布模型，确定第二分布矩阵中各元素对应的幂的底数和幂的指数；幂的底数服从广义伽马分布。当概率分布模型为复高斯分布时，幂的指数为0。当概率分布模型为复学生分布时，幂的指数为第一数值，幂的底数根据小尺度信道矩阵样本的分布拟合获得。当概率分布模型为复拉普拉斯分布时，幂的指数为第二数值，幂的底数根据第一参数和第二参数确定。第一参数根据第三矩阵离散样本估计的峰值系数获得，第二参数为预设形状参数。

根据幂的底数和幂的指数生成第二分布矩阵。

根据第一分布矩阵和第二分布矩阵，获取混合分布随机样本。

根据小尺度信道矩阵样本，获取目标概率分布函数。

根据混合分布随机样本的概率分布函数，获取拟合概率分布函数。

根据目标概率分布函数和拟合概率分布函数，获取前向KL散度和逆向KL散度。

根据前向KL散度和逆向KL散度的和，获取差异度。

当差异度大于阈值时，在预设范围内调整第一参数和第二参数，直至调整后的第一参数和第二参数对应的混合分布随机样本的差异度满足不大于阈值的条件。

针对满足条件的差异度，获取由差异度对应的第一参数和第二参数确定的混合分布随机样本。

根据第一定值矩阵、第二定值矩阵、混合分布随机样本和小尺度信道矩阵样本，获取目标信道矩阵。

本实施例相较于现有技术的优势在于：

1、提出了一种GJCCM，形成简明的模型表达公式，操作简单且便于数学分析。

2、从GJCCM的实现上，基于广义伽马幂次与复正态分布为首次提出的新型混合分布，能够普遍适用于任意分布形式信道样本的拟合。

3、从GJCCM实现上，基于广义伽马幂次与复正态混合分布定义的混合分布随机样本，能够实现GJCCM与GBSM在统计特性上的良好近似。

4、从GJCCM的适用性上，GJCCM能够普遍适用于任意MIMO规模的联合相关信道建模。

5、从GJCCM的适用性上，GJCCM能普遍适用于任意场景的信道建模。

6、从GJCCM的适用性上，GJCCM可后向兼容JCCM、韦氏模型及其他已有CBSM模型，例如：

(1)当混合分布随机样本中的各元素独立同分布时，提出的GJCCM可退化为JCCM；

(2)当混合分布随机样本中的各元素独立同分布于标准复正态分布，并且D＝0(NLOS信道)时，提出的GJCCM退化为韦氏模型；

(3)在b的基础上，若进一步忽略收发端之间的联合相关，则GJCCM退化为Kronecher模型。

本发明提出的GJCCM能与GBSM信道矩阵样本(由经典的QuaDRiGa仿真平台生成)的统计特性实现很好的吻合，实现了CBSM与GBSM信道统计特性的等价，能够适用于任意场景和任意MIMO规模的信道建模，且能够与已有的CBSM方法反向兼容。下面将针对于GJCCM的性能验证进行仿真实验：

仿真参数设置值如表1所示：

表1UMi传播场景仿真参数设置

如图4和图5所示，为莱斯K因子为固定值条件下的UMi(Urban Microcell,城市微小区)LOS传播场景仿真(K＝9dB)。图4与图5分别给出了GBSM、JCCM以及本发明提出的GJCCM在UMi LOS传播场景下的信道容量以及对应的特征值的概率密度分布对比图。从图4可见，由于由JCCM假设独立随机子信道均服从复高斯分布，导致JCCM高估了GBSM对应的信道容量，JCCM此时不再适用，而GJCCM的曲线则与GBSM实现了较好的匹配。图5说明GJCCM相对与JCCM来说，信道矩阵的特征值与GBSM结果吻合得更好，从而实现了CBSM与GBSM信道统计特性的逼近。

如图6和图7所示，为莱斯K因子为固定值条件下的UMi NLOS传播场景仿真(K＝-100dB)。图6与图7分别给出了GBSM、JCCM以及本发明提出的GJCCM在UMi NLOS传播场景下的信道容量以及对应的特征值的概率密度分布对比图。从图6可见，同样的，JCCM高估了GBSM的信道容量，而GJCCM的曲线则与GBSM拟合良好。图7说明GJCCM相比于JCCM能够更好地吻合特征值分布，从而实现了信道统计特性逼近。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的无线信道建模方法的无线信道建模装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个无线信道建模装置实施例中的具体限定可以参见上文中对于无线信道建模方法的限定，在此不再赘述。

在一个实施例中，如图8所示，提供了一种无线信道建模装置，包括：样本获取模块802、第一生成模块804、第二生成模块806和模型生成模块808，其中：

样本获取模块802，用于获取小尺度信道矩阵样本。

第一生成模块804，用于生成第一分布矩阵；第一分布矩阵为独立同分布的复正态随机矩阵。

第二生成模块806，用于根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵；第一定值矩阵用于反映视距分量能量耦合能力，第二定值矩阵用于反映散射分量能量耦合能力，第二分布矩阵的各元素为相互独立的广义伽马分布随机变量的幂次。

模型生成模块808，用于根据第一定值矩阵、第二定值矩阵、第一分布矩阵、第二分布矩阵和小尺度信道矩阵样本，获取目标信道矩阵；目标信道矩阵用于表征构建的无线信道模型。

其中，第二生成模块806还用于根据小尺度信道矩阵样本，获取发射端相关矩阵的特征基矩阵和接收端相关矩阵的特征基矩阵；根据发射端相关矩阵的特征基矩阵、接收端相关矩阵的特征基矩阵和小尺度信道矩阵样本，获取第三矩阵；根据第三矩阵的期望，获取第一定值矩阵；根据第三矩阵的标准差，获取第二定值矩阵。

第二生成模块806还用于对小尺度信道矩阵样本进行分布拟合，获取小尺度信道矩阵样本的概率分布模型；根据概率分布模型，确定第二分布矩阵中各元素对应的幂的底数和幂的指数；幂的底数服从广义伽马分布。

第二生成模块806还用于当概率分布模型为复高斯分布时，幂的指数为0；当概率分布模型为复学生分布时，幂的指数为第一数值，幂的底数根据小尺度信道矩阵样本的分布拟合获得；当概率分布模型为复拉普拉斯分布时，幂的指数为第二数值，幂的底数根据第一参数和第二参数确定；第一参数根据第三矩阵离散样本估计的峰值系数获得，第二参数为预设形状参数。

第二生成模块806还用于在根据小尺度信道矩阵样本，生成第一定值矩阵、第二定值矩阵和第二分布矩阵之后，根据第一分布矩阵和第二分布矩阵，获取混合分布随机样本；根据小尺度信道矩阵样本，获取目标概率分布函数；根据混合分布随机样本的概率分布函数，获取拟合概率分布函数；获取目标概率分布函数与拟合概率分布函数的差异度；基于混合分布随机样本，根据差异度调整第一参数和第二参数，以优化混合分布随机样本。

第二生成模块806还用于当差异度大于阈值时，在预设范围内调整第一参数和第二参数，直至调整后的第一参数和第二参数对应的混合分布随机样本的差异度满足不大于阈值的条件；针对满足条件的差异度，获取由差异度对应的第一参数和第二参数确定的混合分布随机样本。

第二生成模块806还用于根据目标概率分布函数和拟合概率分布函数，获取前向KL散度和逆向KL散度；根据前向KL散度和逆向KL散度的和，获取差异度。

上述无线信道建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储信道数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无线信道建模方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种无线信道建模方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述所有方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述所有方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时上述所有方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。