一种基于信道特征生成对抗网络的信道建模方法

本发明属于通信，涉及通信领域中信道建模方法，具体涉及一种基于信道特征生成对抗网络的信道建模方法。

背景技术：

1、常规信道建模是对大量测试数据进行信道拟合的过程，其在简单系统的应用中已收到较好效果，但显然不能满足频率跨度大、通信场景复杂及技术多样性的信道建模场景。

2、与传统采用香农式数学建模思维不同，深度学习能从数据角度解决问题，旨在从数据集中学习和捕获信息，对数据拟合提出了新的范式变换，并对复杂化、特征多样的信道研究提供了新的研究方法。goodfellow 2014年提出生成对抗网络(简称：gan)网络，根据给定数据集具有相似统计分布特点来合成数据。

3、生成对抗网络凭借其优秀数据分布拟合能力，已广泛应用在计算机视觉、自然语言处理等领域。同样运用到信道建模中，gan网络采用对抗训练和隐式建模方法，避免对输入数据的高维分布进行解析建模，从信道采样的数据分布中生成更多信道数据。在具体地应用场景中，通过利用gan解决了光纤信道建模的长途传输模式崩溃问题；特别地，针对无人机信道，采用分布式条件生成对抗网络(distributed conditional generativeadversarial networks,dcgan)沿每个波束赋形方向训练出独立的信道模型；在无线通信中提出channelgan模型应用，通过交叉验证证明生成伪信道csi反馈的有效性和可用性。上述gan均是学习特定信道场景的数据分布并生成对应信道数据，仅仅学习到信道数据的统计分布特征，并未支持gan模型学习信道物理特征。并且在以往的采用gan进行信道建模中，不能将信道特征进行分类。大大限制利用gan网络生成的信道模型。

技术实现思路

1、为解决上述问题，本发明提出一种基于信道特征生成对抗网络的信道建模方法，构建支持根据信道特征进行信道建模的信道特征生成对抗网络(channel featuregenerative adversarial networks,cfgan)模型。cfgan模型创新性地采用线性编码向量学习信道特征，通过无监督学习方式从实测信道数据中学习信道分布特征，训练后的cfagn模型含有不同信道特征分布的信道信息，能够生成不同信道特征的信道模型。

2、本发明的具体方案包括：

3、s1.构建信道特征生成对抗网络模型，所述信道特征生成对抗网络模型包括生成器、鉴别器和分类器；

4、s2.从实际环境中采集实测信道数据，根据实测信道数据的维度确定信道特征生成对抗网络模型的输入输出张量维度；

5、s3.随机生成多组服从正态分布的随机向量和线性编码向量，将随机向量与线性编码向量进行一对一拼接得到多组组合向量；

6、s4.将组合向量作为生成器的输入，得到cfgan生成的信道数据；

7、s5.通过实测信道数据和生成信道数据对信道特征生成对抗网络模型中的生成器、鉴别器和分类器进行交替训练；

8、s6.直到信道特征生成对抗网络模型收敛，输出可模拟实测信道数据的信道响应的生成器。

9、进一步的，生成器包括依次连接的第一reshape层、5个相同的上采样块、tanh函数层和第二reshape层；其中，每个上采样块包括1个转置卷积层、1个批归一化层和1个非线性激活层。

10、进一步的，判别器和分类器共享一个前置下采样网络，所述前置下采样网络包括依次连接的第三reshape层、5个相同的下采样块和第四reshape层；其中，每个下采样块包括1个二维卷积层、1个谱归一化层和1个非线性激活层。

11、进一步的，步骤s5采用实测信道数据和生成信道数据对信道特征生成对抗网络模型中的生成器、鉴别器和分类器进行交替训练，包括：

12、s51.设置总训练次数epoch＝200；

13、s52.当epoch/4＝0时，固定生成器和分类器的参数，训练鉴别器，包括：

14、s521.将实测信道数据和生成信道数据输入鉴别器；

15、s522.鉴别器对输入数据的来源进行鉴别，并输出鉴别损失；

16、s523.采用梯度下降和adam优化器训练鉴别器；

17、s53.当epoch/4≠0时，固定鉴别器的参数，训练生成器和分类器，包括：

18、s531.将组合向量输入生成器得到生成信道数据；将生成信道数据通过分类器输出解析线性编码向量；将生成信道数据通过鉴别器输出生成器损失；

19、s532.根据解析线性编码向量与生成信道数据计算互信息量l1(g,q)；

20、s533.基于生成器损失和互信息量l1(g,q)计算生成器和分类器训练产生的共同损失值；

21、s534.利用梯度下降和adam优化器训练生成器和分类器；

22、s54.重复步骤s51和s52交替训练cfgan模型的生成器、分类器和鉴别器，直到训练次数epoch＝200。

23、进一步的，步骤s522采用鉴别损失函数计算鉴别损失，所述鉴别损失函数为：

24、

25、其中，v(d)表示鉴别损失，g表示生成器，d表示鉴别器，表示对概率密度为pr的实测信道数据h通过鉴别器的映射结果dw(h)求均值，表示对概率密度为pg的生成信道数据g(z,c)通过鉴别器的映射结果dw(g(z,c))求均值，dw()表示鉴别器网络的映射函数，g()表示生成器网络的映射函数，w表示网络权重参数w所满足的限制条件，h表示实测信道数据，z表示满足高斯分布的随机噪声向量，c表示线性编码向量。

26、进一步的，步骤s531将生成信道数据通过鉴别器输出生成器损失，所述生成器损失的计算公式为：

27、

28、中，v(g)表示生成器损失，dw()表示鉴别器网络的映射函数，g()表示生成器网络的映射函数，z表示满足高斯分布的随机噪声向量，c表示线性编码向量，g(z,c)表示生成信道数据，表示对概率密度为pg的生成信道数据g(z,c)通过鉴别器的映射结果dw(g(z,c))求均值。

29、进一步的，步骤s533基于生成器损失和互信息量计算生成器和分类器的共同损失值的公式为：

30、v(g,q)＝v(g)-λl1(g,q)

31、其中，q表示分类器，v(g,q)表示生成器和分类器的共同损失值；l1(g,q)表示互信息量，λ表示正则化系数。

32、进一步的，训练信道特征生成对抗网络模型采用的总损失函数公式为：

33、

34、其中，v(g,d)＝v(d)+v(g)，v(d)表示鉴别损失，v(g)表示生成器损失，l1(g,q)表示互信息量，λ表示正则化系数。

35、进一步的，互信息量l1(g,q)的计算公式为：

36、

37、其中，表示求概率密度为p(c)的随机变量c满足的函数求均值，表示对概率密度与g(z,c)相同的随机变量x满足的函数求均值，logq(c|x)表示对分类器映射函数q(c|x)求对数，表示对线性编码向量c的信息熵。

38、本发明的有益效果：

39、相比于gan模型，本发明提出的cfgan模型增加了线性编码和分类器，实现了通过完全无监督的方式学习信道特征，采用实测信道数据进行直接建模，可以准确生成与实际测量环境相类似的信道。

40、通过线性编码向量与生成伪信道响应之间的互信息量，实现线性编码向量与生成伪信道响应之间的信道特征的对应。收敛后的cfgan模型可以根据不同线性编码向量生成信道特征具有明显区别的多种信道响应。

41、采用无监督的学习方式，不需要预先对信道数据进行处理、添加标签。理论上cfgan模型可以兼容更大的数据集，并且收敛速度更快。

42、避免了传统信道建模需要了解电磁波传播和信号处理等理论知识，无需复杂的理论分析和数据处理流程。