一种基于对抗网络与长短期记忆网络的预测信道建模方法

1.本发明属于信道建模技术领域，尤其涉及一种基于对抗网络与长短期记忆网络的预测信道建模方法。


背景技术：

2.随着第六代无线通信系统(the sixth generation，6g)新技术和应用的发展，传统的被动信道表征带来了一些问题，如信道测量成本高、信道参数估计复杂、信道模型不普及等。6g标准中复杂多样的场景将需要高性能信道探测仪来进行测量，但是这些仪器的价格十分的高昂，并且信道测量不可能穷尽所有频段以及场景。在进行信道参数估计时，需要处理的信道数据量十分庞大，算法复杂度很高。最后，传统的非预测信道模型无法预测未来的信道特性，以及未知的频段或场景。针对以上一些问题，我们需要基于6g的愿景提出新的预测性信道建模，根据物理环境主动识别或控制信道。
3.人工智能(artificial intelligence，ai)技术由于其强大的解决信道建模实时预测问题的能力而得到了飞速发展并成为一个热门领域。ai不仅可以从真实的信道测量数据中学习和提取传统建模方法无法描述和获取的潜在特征，还可以从已知信息中预测未来时间、未知频段和场景的信道分布特征。信道参数估计是信道分析和建模必不可少的过程，基于ai的信道特征预测可以大大提高提取参数的准确性和效率，具有从特定环境到一般信道环境的信道特征预测能力。
4.目前基于ai的信道参数预测和建模方法一般都是通过学习训练数据集一些独立的信道特性，例如接收功率、时延扩展和模型的角度信息等。同时这些方法使用到的人工智能算法一般为前馈神经网络(feed-forward neural network，fnn)、径向基函数神经网络(radial basis function neural network，rbf-nn)、卷积神经网络(convolutional neural network，cnn)等深度学习网络算法。然而，这些对信道测量数据基于ai的信道参数估计首先会增加信道预测的计算复杂度，而且预测后得到的独立信道参数索引值不能有效直接地反映时频域内连续的信道特性。
5.信道测量是传统信道建模研究的核心与基础，而开展信道测量并获取数据十分困难，一方面需要高精度的信道探测仪器，另一方面需要大量的人手在不同通信场景中进行信道测量活动。由于人手和场地限制，测量场景往往十分有限，因此无法穷尽所有的频段以及场景进行信道测量；除此之外，传统的信道模型出于对普适性和准确性的平衡，其对某些具体的通信场景准确度仍有不足，并且在建模过程中，参数估计具有所需的数据量大、算法复杂度高的不足。此外，由于环境的变化或限制、人为主观判断造成的测量误差，以及测量仪器操作不当或故障，部分信道测量数据丢失或受误差影响，导致得到的测量数据集不足以及数据不够精确。


技术实现要素：

6.本发明目的在于提供一种基于生成对抗网络与长短期记忆人工神经网络的预测
性信道建模方法,以解决信道建模中数据集不足，所需信道数据的质量和多样性低，参数生成效率低的技术问题。
7.为解决上述技术问题，本发明的具体技术方案如下：
8.一种基于生成对抗网络与长短期记忆人工神经网络的预测性信道建模方法，包括以下步骤：
9.步骤1、确定无线信道所处的环境以及天线位置的物理环境参数；
10.步骤2、在当前环境下确定信道测量所使用的频段以及视距(line-of-sight，los)与非视距(non-line-of-sight，nlos)情况，使用信道测量仪器采集的信道测量数据信道冲激响应(channel impulse response，cir)；
11.步骤3、对采集的信道测量数据进行预处理，使用神经网络训练和学习信道数据时，需要对输入的信道冲激响应数据集进行归一化；
12.步骤4、构建基于生成对抗网络(generative adversarial network，gan)和长短期记忆人工神经网络(long short-term memory，lstm)的预测性信道模型；首先构建预测性信道模型的生成对抗网络生成模型部分，生成模型的功能是利用噪声向量z生成具有特定属性的信道数据；
13.步骤5、构建预测性信道模型的生成对抗网络鉴别模型部分；
14.步骤6、在构建好基于生成对抗网络和长短期记忆人工神经网络的预测性信道模型之后，进行预测性信道模型的训练；
15.步骤7、获取训练好的预测性信道模型参数并进行信道统计特性分析。
16.进一步的，步骤3具体包括以下步骤：
17.步骤3.1、计算信道测量数据样本的均值μ与标准差σ；
18.步骤3.2、使用z值标准化方法(z-score)对信道测量数据信道冲激响应进行归一化：
[0019][0020]
其中x为归一化之后的数据，x为原始测量数据。
[0021]
进一步的，步骤4具体包括以下步骤：
[0022]
步骤4.1、使用三个卷积层(convolutional layer，conv)作为生成对抗网络生成模型的主要结构；
[0023]
步骤4.2、在每层卷积层之后增加批量归一化层(batch normalization layer，bn)，对神经网络中每个节点的输出进行归一化，增强生成模型的泛化性和鲁棒性；
[0024]
步骤4.3、使用带有参数的整流线性单元激活函数(parametric rectified linear unit，prelu)进行再处理；
[0025]
步骤4.4、在构建好的生成对抗网络生成模型中加入长短期记忆人工神经网络作为输入端口来构建生成对抗网络与长短期记忆人工神经网络生成模型框架；其中长短期记忆人工神经网络的预测问题是使用时延域中连续的信道数据中j个之前的状态来预测下一个信道状态，长短期记忆人工神经网络的输出h
t
包括获得的来自时延域序列的时间步更新信息：
[0026]ht
＝f
lstm
(h(n-j+1)，h(n-j+2)，...，h(n))
[0027]
其中f
lstm
为长短期记忆人工网络对序列数据进行序列预测的函数表示，h(n)为信道测量数据cir，其中n为时延序列第n个采样点。
[0028]
进一步的，步骤5具体包括以下步骤：
[0029]
步骤5.1、使用四个卷积层作为生成对抗网络鉴别模型的主要结构，用于提取时域的多维特征从而方便对生成的信道数据的进行鉴别与修正；
[0030]
步骤5.2、在每层卷积层之后增加批量归一化层来增强模型的泛化性和鲁棒性；
[0031]
步骤5.3、使用参数的整流线性单元激活函数提高训练的准确性和效率；
[0032]
步骤5.4、在参数的整流线性单元激活函数之后加入dropout层，提高鉴别模型的抗过拟合能力；
[0033]
步骤5.5、在最后一层卷积层网络结构之后增加额外的全连接层(fully connected layer，fc)，在整个卷积神经网络中起到分类器的作用；
[0034]
步骤5.6、在鉴别模型的最后增加一个s型生长曲线激活函数(sigmoid)。
[0035]
进一步的，步骤6具体包括以下步骤：
[0036]
步骤6.1、输入测量中得到的cir作为模型输入的参考样本进行预测性信道模型训练。
[0037]
步骤6.2、在模型训练过程不断迭代的对抗学习中，预测信道模型的生成模型与鉴别模型的识别准确率达到平衡。
[0038]
进一步的，步骤6.2具体包括以下步骤：
[0039]
步骤6.2.1、设置生成模型处理随机高斯噪声向量z以获得生成的数据分布pg，真实数据分布为p
data
；
[0040]
步骤6.2.2、当生成的信道数据输入鉴别模型时，这些网络需要在多次训练迭代中重复使用，通过动态调整这一层的权重来最小化鉴别模型的损失值；
[0041]
步骤6.2.3、在循环训练的过程中，鉴别模型的能力会趋向于一个收敛值，从而达到最优：
[0042][0043]
其中为鉴别器的最优值。
[0044]
本发明的基于生成对抗网络与长短期记忆人工神经网络的预测性信道建模方法，具有以下优点：
[0045]
本发明在传统无线信道建模的基础上引入了人工智能算法，提出了一种新颖的基于gan-lstm的预测性信道模型方法。本发明由于其独特的数据对抗生成能力，擅长信道测量数据集的扩充和生成，因此可以有效解决之前ai信道建模中遇到的大数据集获取难题。此外，与所有其他基于ai的信道模型相比，本发明可以通过基于少量真实信道参数的无监督学习产生更清晰、更真实的信道样本，并且通过序列数据之间的长期依赖学习预测未知频段以及场景的信道分布特性，解决了无线通信领域中实时且复杂的信道预测问题。
附图说明
[0046]
图1为本发明的实施例1中提供的基于生成对抗网络与长短期记忆人工神经网络
的预测性信道模型方法的流程示意图；
[0047]
图2为本发明的实施例1中提供基于生成对抗网络与长短期记忆人工神经网络的预测性信道模型的示意图；
[0048]
图3为本发明实施例1中提供的预测性信道模型的生成模型的示意图；
[0049]
图4为本发明实施例1中提供的预测性信道模型的鉴别模型的示意图；
[0050]
图5为实施例1中提供的预测性信道模型得到的信道冲激响应与真实测量数据的信道冲激响应对比的示意图；
[0051]
图6为实施例1中提供的在视距情况下预测性信道模型得到的时延扩展与真实测量数据计算得到的时延扩展对比的示意图；
[0052]
图7为实施例1中提供的在非视距情况下预测性信道模型得到的时延扩展与真实测量数据计算得到的时延扩展对比的示意图。
具体实施方式
[0053]
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于生成对抗网络与长短期记忆人工神经网络的预测性信道建模方法做进一步详细的描述。
[0054]
实施例1：
[0055]
参见图1-图4，本实施提供一种基于生成对抗网络与长短期记忆人工神经网络的预测性信道建模方法，包括如下步骤：
[0056]
步骤1、确定无线信道所处的环境以及天线位置等物理环境参数。
[0057]
具体地说，在本实施例中，信道测量环境是在走廊长度为41m的室内走廊场景中进行的。这种多频率信道测量活动由一个发射器(transmitter，tx)和一个接收器(receiver，rx)执行，其中tx和rx天线放置在手推车上，以便在测量期间改变位置。此外，tx天线高度为1.95m，rx天线高度为1.45m。
[0058]
步骤2、在当前环境下确定信道测量所使用的频段以及视距与非视距情况，使用信道测量仪器采集的信道测量数据信道冲激响应。
[0059]
具体地说，在本实施例中，信道测量了三个中心频带，即2.4ghz、5ghz和6ghz，其中每个中心频率的带宽为320mhz。此处列出了一些有关信道测量仪器的配置：时延分辨率为3.125ns，随机噪声序列编码(pseudo-noise code，pn)码长为4800，最大输出功率为20dbm。los情况下的cir测量数据矩阵为4800
×
37
×
5，其中4800为时延维度，37为测量位置数，5为每个位置的测量次数。nlos情况下的测量数据矩阵为4800
×
34
×
5，其中34为测量位置数。
[0060]
步骤3、对采集的信道测量数据进行预处理。使用神经网络训练和学习信道数据时，需要对输入的信道冲激响应数据集进行归一化。归一化是一种常规的数据集预处理操作，可以防止某个维度对数据分布产生过大的影响，并且具有抗异常值的能力，比较稳定，适用于有噪声的数据场景。
[0061]
所述的具体步骤如下：
[0062]
步骤301、计算信道测量数据样本的均值μ与标准差σ。
[0063]
步骤302、使用z值标准化方法对信道测量数据cir进行归一化：
[0064]
[0065]
其中x为归一化之后的数据，x为原始测量数据。归一化不改变原有的信道测量数据的信息，只是将数据改变到0到1的范围内，这样的数据预处理能够加快了训练网络的收敛速度。
[0066]
步骤4、构建基于gan和lstm的预测性信道模型。
[0067]
具体来说，在本实施例中，基于gan和lstm的预测性信道模型的示意图见图2。
[0068]
首先构建预测性信道模型的gan生成模型部分，生成模型的功能是利用噪声向量z生成具有特定属性的信道数据，它的最终目的是生成具有真实信道分布特征的信道参数，并尽可能拟合原始真实数据以欺骗gan鉴别模型，达到以假乱真的效果。
[0069]
具体来说，在本实施例中，预测性信道模型的生成模型的示意图见图3，所述的具体步骤如下：
[0070]
步骤401、首先使用三个卷积层作为生成模型的主要结构，因为它对高维矩阵和复杂特征具有良好的识别性能。
[0071]
步骤402、在每层卷积层之后增加批量归一化层，批量归一化层的作用是对神经网络中每个节点的输出进行归一化，以增强模型的泛化性和鲁棒性。
[0072]
步骤403、使用带有参数的整流线性单元激活函数进行再处理，激活函数能够自适应地学习整流器的参数，提高了精度，而额外的计算成本可以忽略不计，从而能够提高训练的准确性和效率。
[0073]
步骤404、在构建好的gan生成模型中加入lstm神经网络作为输入端口来构建gan-lstm生成模型框架。lstm网络对于学习时间序列相关建模中的长期依赖的学习是十分有效的，可以在时间尺度上对信道数据进行有效准确的预测。
[0074]
具体来说，在本实施例中，lstm的预测问题是使用时延域中连续的信道数据中j个之前的状态来预测下一个信道状态，其中j的具体值为6。lstm的输出h
t
包括获得的来自时延域序列的时间步更新信息：
[0075]ht
＝f
lstm
(h(n-j+1)，h(n-j+2)，...，h(n))
[0076]
其中f
lstm
为长短期记忆人工网络对序列数据进行序列预测的函数表示，h(n)为信道测量数据cir，其中n为时延序列第n个采样点。
[0077]
步骤5、构建预测性信道模型的gan鉴别模型部分，由于鉴别模型需要知道真实信道数据的分布特征，所以鉴别模型的构建可能比生成模型稍微复杂一些。
[0078]
具体来说，在本实施例中，预测性信道模型的鉴别模型的示意图见图4，所述的具体步骤如下：
[0079]
步骤501、使用四个卷积层作为生成对抗网络鉴别模型的主要结构，用于提取时域的多维特征从而方便对生成的信道数据的进行鉴别与修正。
[0080]
步骤502、在每层卷积层之后增加批量归一化层来增强模型的泛化性和鲁棒性。
[0081]
步骤503、使用prelu激活函数够提高训练的准确性和效率。
[0082]
步骤504、在prelu激活函数之后加入dropout层，这样的网络层可以提高模型的抗过拟合能力，增强其通用性。
[0083]
步骤505、在最后一层卷积层网络结构之后增加额外的全连接层，在整个卷积神经网络中起到分类器的作用，从而获得更好的学习效率。
[0084]
步骤506、在鉴别模型的最后增加一个sigmoid函数。
[0085]
步骤6、在构建好基于gan和lstm的预测性信道模型之后，进行预测性信道模型的训练。
[0086]
具体来说，在本实施例中，模型训练的超参数设置如下：预测性信道模型的两个子模块的权重都由adam优化器来更新，从而能够避免过拟合现象；训练的批大小为128；训练时期为2500；生成模型和鉴别模型的初始学习率均为0.0001，并且学习率衰减设置为0.9。所述的具体步骤如下：
[0087]
步骤601、输入测量中得到的cir作为模型输入的参考样本进行预测性信道模型训练。
[0088]
步骤602、在模型训练过程不断迭代的对抗学习中，预测信道模型的生成模型与鉴别模型的识别准确率达到平衡。
[0089]
假定生成模型处理随机高斯噪声向量z以获得生成的数据分布pg，真实数据分布为p
data
。当生成的信道数据输入鉴别模型时，这些网络需要在多次训练迭代中重复使用，通过动态调整这一层的权重来最小化鉴别模型的损失值。在整个训练过程中，pg和p
data
的值应该尽可能接近。随着训练迭代次数的增加，由于生成模型生成信道数据的性能提高，生成模型也会影响鉴别模型的特征分布。在循环训练的过程中，鉴别模型的能力会趋向于一个收敛值，从而达到最优：
[0090][0091]
其中为鉴别器的最优值。因此，随着pg逼近p
data
，会逼近0.5，其中鉴别模型已经无法区分真实信道数据和预测性信道模型生成的信道数据。这时候生成模型生成的信道数据可以完美的与真实数据相媲美，达到了以假乱真的地步。
[0092]
步骤7、获取训练好的预测性信道模型参数并进行信道统计特性分析。
[0093]
具体来说，在本实施例中，使用预测性信道模型预测得到的cir与信道测量数据的cir进行信道预测准确度分析，以及使用预测得到的ds与信道测量数据计算得到的ds进行信道统计特性分析，比较预测性信道模型对真实测量数据预测生成的效果与影响，仿真结果参照图5，图6和图7。由仿真图可得，预测性信道模型与真实信道测量数据的cir重合，从而能够验证预测性模型的正确性。进一步，观察预测与测量的信道统计特性图像，可以发现构建好的预测性信道模型对于预测与生成真实场景的信道特性分布具有很强的效率以及准确率，能够解决无线通信中不同频段以及场景中实时以复杂的信道预测问题，并且gan的数据生成能力可以产生足够多的信道数据集便于以后的信道建模仿真实验。
[0094]
综上所述，本发明建立的基于gan和lstm的预测性信道模型解决了基于ai的信道建模中的一个大问题：数量大的数据集难以获取。通过gan的数据增强，我们获得了海量的数据集，有效地提供了准确的模型参数，解决了信道测量和仿真中数据不足的问题，其中仿真的统计特性对无线通信系统设计具有参考价值。
[0095]
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
本技术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。