一种基于人工智能算法的无线信道建模方法

摘要

本发明公开了一种基于人工智能算法的无线信道建模方法，属于无线通信领域。首先采集预设测试场景下用于无线信道建模的各类无线电波测量数据，训练人工智能算法模型；然后根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道大尺度衰落模型和无线信道小尺度衰落模型。在相同预设测试场景下，输入不同地理区域的无线电波测量数据，训练无线信道大小尺度衰落模型，直接获得其它地理区域的无线信道模型，以及电波传播特性随特征参数变化的基本规律。最后根据训练样本、基本规律和无线信道大小尺度衰落模型，建立基于特征参数的无线信道模型。本发明更为精确化和智能化，具备良好的普适性和灵活的可扩展性。

权利要求

1.一种基于人工智能算法的无线信道建模方法，其特征在于，具体步骤如下：步骤一、采集预设测试场景下用于无线信道建模的各类无线电波测量数据；

步骤二、利用采集的各类无线电波测量数据训练人工智能算法模型；

人工智能算法模型包括反向传播神经网络算法和径向基函数神经网络算法；

步骤三、根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道大尺度衰落模型；

步骤四、同时，根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道小尺度衰落模型；

步骤五、在相同预设测试场景下，输入不同地理区域的无线电波测量数据，训练无线信道大小尺度衰落模型，直接获得其它地理区域的无线信道模型；

步骤六、同时，利用训练好的无线信道大小尺度衰落模型，获取电波传播特性随特征参数变化的基本规律；

所述电波传播特性随预设条件变化的基本规律是指：信道特性的时域变化规律、信道特性的频域变化规律、信道特性的空域变化规律、信道特性随预设场景类型的变化规律；

步骤七、根据训练样本、基本规律和无线信道大小尺度衰落模型，建立基于特征参数的无线信道模型。

2.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤一种所述的数据包括无线电波测量数据，地形数据和水文气象数据。

3.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤三中所述的大尺度衰落模型基于反向传播神经网络算法，具体步骤如下：步骤301：将预设测试场景的无线电波测量数据转化为反向传播神经网络建模所需的数据格式；

步骤302：选择反向传播神经网络隐含层数、每层神经元或节点数目；

步骤303：将转化格式后的数据随机化分为训练样本和测试样本；

步骤304：输入训练样本和与模型相关参数训练反向传播神经网络模型，获得反向传播神经网络模型中所需要的各层神经元互连的权值和输入偏置值；

模型相关参数包括：收发距离，时域采样间隔和接收电平；

步骤305：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道大尺度衰落模型；

步骤306：利用测试样本对基于反向传播神经网络的无线信道大尺度衰落模型进行验证。

4.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤四中所述的小尺度衰落模型基于径向基函数神经网络算法，具体步骤如下：步骤401：将预设场景的无线电波测量数据转化为径向基函数神经网络建模所需要的数据格式；

步骤402：选择径向基函数神经网络隐含层数、每层神经元或节点数目；

步骤403：将转化后的数据格式随机化分为训练样本和测试样本；

步骤404：利用传统高分辨率算法对训练样本进行预处理；

步骤405：输入预处理后的训练样本和信道参数，训练径向基函数神经网络模型，获得径向基函数神经网络模型中需要的各层神经元互连的权值和输入偏置值；

步骤406：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道小尺度衰落模型；

步骤407：利用测试样本对基于径向基函数神经网络算法的无线信道小尺度衰落模型进行验证。

5.如权利要求4所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤

405中所述的信道参数包括：移动台速度，时域采样间隔，时延与角度扩展和莱斯因子。

6.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤六中所述的特征参数包括时域、频域、空域和场景类型。

说明书

一种基于人工智能算法的无线信道建模方法

技术领域

[0001] 本发明属于无线通信领域，涉及无线信道建模，具体是一种基于人工智能算法的无线信道建模方法。

背景技术

[0002] 根据无线通信业务和频段及其用途的不同，无线信道模型也各异，比如有适用于蜂窝移动通信的信道模型、铁路车地无线通信的信道模型、卫星通信的信道模型以及地面视距微波等方面的信道模型。

[0003] 传统的无线信道建模方法主要分为三类：基于理论计算的方法、基于实际测量的方法、以及理论与计算相结合的综合法。

[0004] 基于理论计算的方法，比如射线追踪法、相关矩阵法等，往往需要提出一些假设条件使得无线信道的数学模型简化，如射线追踪法中一些障碍物、反射面和散射面的电参数需要通过实验得到；从而基于理论计算的方法得到的无线信道模型都是近似的，与实际的信道条件往往有较大差异。

[0005] 基于实际测量的方法是当前无线信道建模的主流方法，比如基于空间几何的随机理论法，但是测试工作特别耗时。目前采集测试数据工作只是在一些固定点或者采用移动的方式在某几条街道(线)上开展，难以获得基于面(整片测试预设场景)或网络级的海量数据对无线信道进行数学建模。

[0006] 基于实际测量的方法，每次根据实际测量数据建立的信道模型只能适用于特定的环境，一旦环境发生变化，原有的模型就无法使用。比如普遍应用于第四代移动通信系统(4G)的无线信道模型就是基于空间几何的随机理论法得到的，在电信运营商网规网优之前，信道模型需要根据场景开展大量测试进行本地化校正后方可使用。

[0007] 再者，无线信道模型与电波传播环境(比如地形地貌)息息相关，传统建模算法不能对多元数据进行融合处理。

[0008] 因此无论是基于理论计算的方法还是基于实际测量的方法，获取的信道模型的准确度较低。因此，大多传统信道建模方法离不开实际场景的测试，信道模型的普适性和可扩展性均较差。一旦变换了应用场景，就需要重新开展无线电波测试数据采集和信道建模工作，造成大量人力、物力、财力的浪费。

[0009] 基于人工智能算法，对无线通信系统传输等技术研究的信道建模是一个崭新的研究领域，目前在国内外很少有开展这方面的系统工作的报道。

发明内容

[0010] 本发明针对上述现有无线信道建模方法所存在的问题，为了解决建模流程耗时长、复杂度和成本高，以及现有信道模型的可扩展性和普适性差、精确度低的问题，提供了一种基于人工智能算法的无线信道建模方法。

[0011] 具体步骤如下：

[0012] 步骤一、采集预设测试场景下用于无线信道建模的各类无线电波测量数据；

[0013] 数据包括无线电波测量数据，地形数据和水文气象数据；

[0014] 步骤二、利用采集的各类无线电波测量数据训练人工智能算法模型；

[0015] 人工智能算法模型包括反向传播神经网络算法和径向基函数神经网络算法；

[0016] 步骤三、根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道大尺度衰落模型；

[0017] 大尺度衰落模型基于反向传播神经网络算法，具体步骤如下：

[0018] 步骤301：将预设测试场景的无线电波测量数据转化为反向传播神经网络建模所需的数据格式；

[0019] 步骤302：选择反向传播神经网络隐含层数、每层神经元或节点数目；

[0020] 步骤303：将转化格式后的数据随机化分为训练样本和测试样本；

[0021] 步骤304：输入训练样本和与模型相关参数训练反向传播神经网络模型，获得反向传播神经网络模型中所需要的各层神经元互连的权值和输入偏置值；

[0022] 模型相关参数包括：收发距离，时域采样间隔，接收电平等；

[0023] 步骤305：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道大尺度衰落模型；

[0024] 步骤306：利用测试样本对基于反向传播神经网络的无线信道大尺度衰落模型进行验证。

[0025] 步骤四、同时，根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道小尺度衰落模型；

[0026] 小尺度衰落模型基于径向基函数神经网络算法，具体步骤如下：

[0027] 步骤401：将预设场景的无线电波测量数据转化为径向基函数神经网络建模所需要的数据格式；

[0028] 步骤402：选择径向基函数神经网络隐含层数、每层神经元或节点数目；

[0029] 步骤403：将转化后的数据格式随机化分为训练样本和测试样本；

[0030] 步骤404：利用传统高分辨率算法对训练样本进行预处理；

[0031] 步骤405：输入预处理后的训练样本和信道参数，训练径向基函数神经网络模型，获得径向基函数神经网络模型中需要的各层神经元互连的权值和输入偏置值；

[0032] 信道参数包括：移动台速度，时域采样间隔，时延与角度扩展，莱斯因子等，[0033] 步骤406：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道小尺度衰落模型；

[0034] 步骤407：利用测试样本对基于径向基函数神经网络算法的无线信道小尺度衰落模型进行验证。

[0035] 步骤五、在相同预设测试场景下，输入不同地理区域的无线电波测量数据，训练无线信道大小尺度衰落模型，直接获得其它地理区域的无线信道模型。

[0036] 步骤六、同时，利用训练好的无线信道大小尺度衰落模型，获取电波传播特性随特征参数变化的基本规律；

[0037] 特征参数包括时域、频域、空域(地形地貌的影响)和场景类型等；

[0038] 所述电波传播特性随预设条件变化的基本规律是指：信道特性的时域变化规律、信道特性的频域变化规律、信道特性的空域变化规律、信道特性随预设场景类型的变化规律。

[0039] 步骤七、根据训练样本、基本规律和无线信道大小尺度衰落模型，建立基于特征参数的无线信道模型。

[0040] 本发明的优点在于：

[0041] 一种基于人工智能算法的无线信道建模方法，突破了传统建模方法难以获取时变信道模型的瓶颈，使得无线信道模型更为精确化和智能化，具备良好的普适性和灵活的可扩展性。

附图说明

[0042] 图1为本发明一种基于人工智能算法的无线信道建模方法的流程示意图；

[0043] 图2为本发明基于反向传播神经网络算法的无线信道大尺度衰落建模方法的流程图；

[0044] 图3为本发明三层反向传播神经网络模型示意图；

[0045] 图4为本发明基于径向基函数神经网络算法的无线信道小尺度衰落建模方法的流程图；

[0046] 图5为本发明三层径向基函数神经网络模型示意图。具体实施例

[0047] 下面结合附图对本发明的具体实施方法进行详细说明。

[0048] 本发明一种基于人工智能算法的无线信道建模方法，能够处理基于特定环境下网络层级的分布式测试所得到的海量无线电波数据，以及地形地貌和水文气象等多源数据。由于数据中包含巨大的样本，囊括了较为全面的电波传播特性数据信息，覆盖了该环境下各种无线链路，所得到的模型将具有更好的普适性和更高的准确性。比如一个好的路径损耗模型很难基于实际测试的小数据得到，但如果利用运营商在不同基站的数以万计或百万计的用户数据(包含用户的接收电平和位置等信息)，采用基于人工智能算法的无线信道建模方法，可以得到适用于该地区环境的普适的路损模型和阴影衰减规律模型，其它类似的地区环境，只需采集少量数据对之前获取的路损模型和阴影衰落规律模型训练即可。

[0049] 如图1所示，包括以下步骤：

[0050] 步骤一、采集预设测试场景下用于无线信道建模的各类无线电波测量数据；

[0051] 预设测试场景在不同无线电业务系统的描述不同；具体的，蜂窝移动通信系统的预设场景包括密集城市宏小区、开放办公区、室内热点和郊区等，铁路无线通信系统的测试场景包括沟堑、隧道、开阔地和高架桥等；

[0052] 数据必须包括无线电波测量数据，还可包括地形数据和水文气象数据等。

[0053] 步骤二、利用采集的各类无线电波测量数据训练人工智能算法模型；

[0054] 人工智能算法模型包括反向传播神经网络算法和径向基函数神经网络算法；

[0055] 步骤三、根据预设测试场景和训练得到的人工智能算法模型，组合得到预设测试场景下的无线信道大尺度衰落模型；

[0056] 大尺度衰落模型基于反向传播神经网络算法，如图2所示，具体步骤如下：

[0057] 步骤301：将预设测试场景的无线电波测量数据转化为反向传播神经网络建模所需的数据格式；

[0058] 步骤302：选择反向传播神经网络隐含层数、每层神经元或节点数目；

[0059] 反向传播神经网络一般包含三层或四层隐含神经层，每层神经元数目需根据实际仿真结果的准确性确定。

[0060] 步骤303：将转化格式后的数据随机化分为训练样本和测试样本；

[0061] 步骤304：输入训练样本和与模型相关参数训练反向传播神经网络模型，获得反向传播神经网络模型中所需要的各层神经元互连的权值和输入偏置值；

[0062] 模型相关参数包括：收发距离，时域采样间隔，接收电平等；

[0063] 步骤305：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道大尺度衰落模型；

[0064] 无线信道大尺度衰落模型，如图3所示，在建模过程中假设训练样本数为N个，每一个样本包含收发距离，基站天线高度，接收机高度等相关参数，把多样本x矩阵并行输入到反向传播神经网络，然后与模型参数矩阵θ1相乘产生隐含状态矩阵a，a再与模型参数矩阵θ2相乘计算神经网络的输出hθ(x)，在训练过程中获取θ1和θ2等模型参数。

[0065] 对反向传播神经网络的训练包含以下四个步骤：

[0066] (1)随机初始化模型相关参数θ；

[0067] (2)执行反向传播神经网络算法；

[0068] (3)计算与θ有关的代价函数；

[0069] (4)重复(2)～(3)直到收敛或达到所期望的迭代次数。

[0070] 利用反向传播神经网络可以更准确地预测路损与多个参数的相关性，传统的路损很难建立一个随多参数变化的路损模型。

[0071] 步骤306：利用测试样本对基于反向传播神经网络的无线信道大尺度衰落模型进行验证。

[0072] 步骤四、同时，根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道小尺度衰落模型；

[0073] 小尺度衰落模型基于径向基函数神经网络算法，如图4所示，具体步骤如下：

[0074] 步骤401：将预设场景的无线电波测量数据和其它相关数据转化为径向基函数神经网络建模所需要的数据格式；

[0075] 步骤402：选择径向基函数神经网络隐含层数、每层神经元或节点数目；

[0076] 具体的，在实际应用中，径向基函数网络由三层组成。输入层节点传递输入信号，隐层节点由高斯核函数(径向基函数)描述，而输出层节点通常由简单的线性函数描述。隐层神经元(感知单元)的激励函数(核函数)对输入信号局部产生响应，即当输入信号靠近核函数的中央范围时，隐层节点将产生较大的输出。

[0077] 步骤403：将预设场景的无线电波测量数据和转化后的数据格式随机化分为训练样本和测试样本；

[0078] 步骤404：利用传统高分辨率算法对训练样本进行预处理；对每一个样本可基于信道参数的统计分布随机产生；

[0079] 步骤405：输入预处理后的训练样本和信道参数，训练径向基函数神经网络模型，获得径向基函数神经网络模型中需要的各层神经元互连的权值和输入偏置值；

[0080] 信道参数包括：移动台速度，时域采样间隔，时延与角度扩展，莱斯因子等，[0081] 如图5所示，径向基函数神经网络模型与MIMO信道模型结构完全一致，第一层为MIMO输入层，最后一层为MIMO输出层，中间为神经网络隐含层，隐含层中包含多个神经元节点。各神经元节点之间相互连接(不同于反向传播神经网络)，在空间连接上完全和MIMO信道之间的连接一样。输入层x1,x2...xn对应MIMO测试训练样本矩阵的每一行以及与传统信道模型相关的信道参数，如均方根时延和角度扩展，莱斯因子，多普勒频移，天线极化鉴别度等，通过MIMO训练样本的输入，建立基于径向基函数神经网络的无线信道模型，确定输入与第一层神经元，输出与最后一层神经元，以及隐含层神经元间各链接的权重W等模型参数。

[0082] 步骤406：根据训练的径向基函数神经网络模型、各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道小尺度衰落模型；

[0083] 步骤407：利用测试样本对基于径向基函数神经网络算法的无线信道小尺度衰落模型进行验证。

[0084] 步骤五、在相同预设测试场景下，输入不同地理区域的无线电波测量数据，训练无线信道大小尺度衰落模型，直接获得其它地理区域的无线信道模型。

[0085] 步骤六、同时，利用训练好的无线信道大小尺度衰落模型，获取电波传播特性随特征参数变化的基本规律；

[0086] 特征参数包括时域、频域、空域(地形地貌的影响)和场景类型等；

[0087] 所述电波传播特性随预设条件变化的基本规律是指：信道特性的时域变化规律、信道特性的频域变化规律、信道特性的空域变化规律、信道特性随预设场景类型的变化规律。

[0088] 步骤七、根据训练样本特征参数、变化的基本规律和无线信道大小尺度衰落模型，建立基于特征参数的无线信道模型。