一种基于散射体密度的场景预测信道建模方法技术

本发明专利技术公开了一种基于散射体密度的场景预测信道建模方法，包括：通过信道测量或仿真获取具有不同场景散射体密度的信道数据；基于信道数据进行数据预处理得到相应的信道统计特性；以不同场景的散射密度为主要特征，构建图数据集来增强数据的空时相关性；按照一定比例将图数据集进行划分，然后利用图注意力网络和门控循环单元网络捕获信道的空时相关特征，实现跨场景信道预测

【技术实现步骤摘要】
一种基于散射体密度的场景预测信道建模方法


[0001]本专利技术属于机器学习
(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
。

技术介绍

[0002]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<br/>。
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
。
[0003]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
。
[0004]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
。

技术实现思路

[0005]本专利技术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
技术介绍
中提到的技术问题
。
[0006]为解决上述技术问题，本专利技术的具体技术方案如下：
[0007]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：
[0008]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；
[0009]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
。
[0010]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
。
[0011]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
。
[0012]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
‑
...

【技术保护点】

【技术特征摘要】
1.
一种基于散射体密度的场景预测信道建模方法，其特征在于，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
GAT
和门控循环单元
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
。2.
根据权利要求1所述的基于散射体密度的场景预测信道建模方法，其特征在于，所述步骤
S1
具体包括：步骤
S101、
利用射线追踪
RT
软件进行信道数据仿真，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
s
定义为：其中
S
total
为整个场景的表面积，为该场景内各散射体的表面积，
S
room
为室内办公室自身房间的表面积，整个散射体密度公式表达的含义为在此通信场景中散射体所占整个场景表面积的百分比；仿真所得通信场景的散射体密度
ρ
s1
&lt;40
％定义为稀疏场景，
ρ
s2
≥40
％定义为密集场景
。3.
根据权利要求2所述的基于散射体密度的场景预测信道建模方法，其特征在于，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
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
RMSDS
σ
ds
，描述场景中散射体分布的信道空间色散特性的均方根方位到达角扩展
RMS AAS σ
aas
、
均方根俯仰到达角扩展
RMS EAS
σ
eas
；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
n
定义为接收功率
、
均方根时延扩展
、
均方根方位到达角扩展和均方根俯仰到达角扩展：将物理环境参数矢量
M
n
定义为环境散射体密度
、
发送端天线坐标和收发端间距；所得公式为：
S
n
＝
[P
，
σ
ds
，
σ
aas
，
σ
eas
]
n
，
n
＝1，2，3，
…
，
C
其中
C
表示整个环境的信道总数，为发送端天线
Tx
在该场景下的三维坐标，
d
m
为发送端天线与接收端天线
Rx
之间的距离；步骤
S203、
针对步骤
S202
中所得的信道特性参数矢量
S
n
与物理环境参数矢量
M
n
，将其组合成信道数据矢量
h
n
，公式如下：
h
n
＝
{M
n
，
S
n
}
步骤
S204、
针对步骤
S...

【专利技术属性】
技术研发人员：王承祥，李哲鳌，黄晨，于龙，李俊伶，钱中玉，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：