一种机器学习辅助的射线跟踪信道仿真校准方法与系统

本发明属于无线信道测量与建模，涉及一种机器学习辅助的射线跟踪信道仿真校准方法与系统。

背景技术：

1、充分探明各类通信场景下的电波传播特性是提高信号广度覆盖和深度覆盖的基础，而无线信道的分析与建模依赖于海量的信道数据。开展实地信道测量往往需要消耗大量的时间和财力，相对廉价的信道仿真成了获取信道数据的一个重要方式，其中基于射线跟踪方法的信道仿真被广泛用于确定性信道建模。基于射线跟踪的信道仿真的准确性受制于环境建模的精度和环境中物体电性能的表征。在实际传播环境中存在的各种各样类型的散射体通常不是由单一材料制成，而是多层材料或者是复合材料，且相同材料的不同物体的电性能也存在较大差异，因此在信道仿真前必须经过实测数据的校准。传统校准方案中利用射线跟踪仿真计算及元启发式算法进行上千次函数评估，计算开销大、耗时长。在过去的近二十年中，机器学习方法在参数优化中得到了广泛的应用，并取得了良好的效果。将机器学习方法引入到模型参数校准中，寻求一个低计算成本的解决方案非常有研究必要。

技术实现思路

1、发明目的：针对上述现有技术存在的问题，本发明目的在于提出一种机器学习辅助的射线跟踪信道仿真校准方法与系统，建立廉价的代理模型代替耗时的射线跟踪仿真计算，在大幅度降低耗时的同时保证校准的准确性。

2、技术方案：为了实现上述目的，本发明采用的技术方案是：一种机器学习辅助的射线跟踪信道仿真校准方法，包括以下步骤：

3、步骤1：在待研究的场景中不同位置设置多个接收机进行信道测量，获得实测的信道状态信息(channel state information,csi)；

4、步骤2：在射线跟踪仿真器中建模该场景，收发端的配置与测试配置保持一致；

5、步骤3：选择待校准的材料参数，设置各参数相应的搜索空间，初始化参数集，利用射线跟踪仿真器进行仿真获得在不同材料参数配置下仿真的csi；

6、步骤4：分别对测试csi和仿真csi做相应的数据预处理，得到每一个接收机位置处的有效径(multipath component,mpc)，并标记出关键径，构建测试数据集和仿真数据集；

7、步骤5：利用机器学习方法对仿真数据集进行训练，得到对应于各接收机位置的代理模型，用于计算材料参数与输出mpc功率之间的关系；

8、步骤6：基于步骤5中建立的各个代理模型，以测试数据集为基准，分阶段搜索材料参数的最优解；其中第一阶段固定第二类材料参数，以每个接收机位置的关键径功率均方根误差的平均值最小为目标优化第一类材料参数；所述第一类材料参数对信道的影响大于第二类材料参数；第二阶段以每个接收机位置的所有有效径功率均方根误差的平均值最小为目标优化所有材料参数；

9、步骤7：利用射线跟踪仿真器对步骤6中最优解对应的材料参数组合进行射线跟踪仿真验证，判断仿真结果是否达到预设目标，如果没有，则更新仿真数据集和参数搜素空间并重复步骤5和步骤6直至循环停止。

10、进一步地，所述步骤3中，相同类别材料制成的不同物体视为具有不同的材料，选择待校准的材料参数包括相对介电常数和导电率。

11、进一步地，材料参数的初始搜索空间定义为以相应材料标准值为中心上下浮动a％的区间，20≤a≤50，即：若根据国际电信联盟建议书参数标准值记为x0，则初始搜索空间定义为[(1-a％)x0,(1+a％)x0]；在搜索空间内使用拉丁超立方采样(latin hypercubesampling,lhs)得到参数组合作为射线跟踪仿真的输入参数，得到不同参数组合下的仿真csi。

12、进一步地，所述步骤4中，优化目标定义为最小化相匹配的mpc的功率之间的差异；对测试csi和仿真csi进行预处理，得到每一个接收机位置处的mpc信息，包括功率、时延、角度等；对每个信道做功率归一化处理，根据mpc信息选择出相匹配的测试mpc与仿真mpc。

13、进一步地，根据直达径、一次反射径和二次反射径的功率标记出3至6条对信道影响重大的关键径，忽略功率很小的径。

14、进一步地，所述步骤5中，利用高斯过程回归(gaussian process regression,gpr)机器学习方法对每个接收机位置处的仿真数据集进行训练，学习材料参数与输出mpc功率之间的关系，得到对应的代理模型；每个接收位置处的每条径对应一个高斯过程回归，每一个高斯过程回归，输入是材料参数，输出是对应的mpc功率，每个接收机位置处对应一个代理模型，输入是材料参数和该接收机位置处的测试数据，输出是该接收机位置处的功率均方根误差。所述材料参数包括介电常数、导电率、材料粗糙度、仿真中设置的反射阶数、透射阶数、衍射阶数中的一种或多种，代理模型建立这些参数与功率均方根误差的关系。

15、进一步地，所述步骤6中，考虑到不同材料参数对信道信息的不同，例如相对介电常数对反射径功率的影响往往大于导电率的影响，将迭代循环分为两个阶段：在第一阶段时仅基于少量的关键径优化对信道影响较小的材料参数，以减少计算量且同时使得参数变量收敛到一个相对精确的解，在第二阶段时考虑所有被选择的径和所有参数以进一步搜索到更加精确的解；第一阶段的循环次数根据问题的复杂度可设为2至5；损失函数f(x)设置为每个接收机位置的mpc功率均方根误差的平均值，即：

16、

17、其中，x材料参数集合，和pij(x)分别为第i个接收机位置的第j个mpc的实测功率和仿真功率，li表示第i个接收机位置选择出的mpc个数，n为实测接收机位置的总数。

18、进一步地，所述步骤7中，预设目标为达到传统校准方案的精度或者损失函数变化小于1％；在每一轮循环验证后，若没有达到终止循环条件，则将这次验证仿真数据加入原仿真数据集，同时检测每个参数变量是否到了其搜索空间的边界，若是则将该参数边界外扩预设比例。

19、基于相同发明构思，本发明提供一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的机器学习辅助的射线跟踪信道仿真校准方法的步骤。

20、有益效果：与现有技术相比，本发明提出了机器学习辅助的射线跟踪信道仿真校准方法，第一，基于仿真数据集，利用机器学习方法训练代理模型，获得材料参数组合与目标子径功率之间的关系，代替了耗时的射线跟踪仿真计算，基于训练的代理模型进行优化，再用射线跟踪仿真进行验证，在大幅度降低耗时的同时也保证了校准的准确性；第二，引入了材料电参数与反射率之间的关系的先验知识，将迭代分阶段进行，进一步加快了迭代的收敛；此外，本发明仅需少量的信道测试数据作为基准，并不需要额外增加专业的材料特性测量，测试要求低；步骤3-7所有校准操作均可由计算机脚本程序控制，实现了模型参数校准的自动化。

技术特征：

1.一种机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤3中，相同类别材料制成的不同物体视为具有不同的材料，选择待校准的材料参数包括相对介电常数和导电率。

3.根据权利要求1所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤3中，材料参数的初始搜索空间定义为以相应材料标准值为中心上下浮动a％的区间，20≤a≤50；在搜索空间内使用拉丁超立方采样lhs得到参数组合作为射线跟踪仿真的输入参数，得到不同参数组合下的仿真csi。

4.根据权利要求1所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤4中，每一个接收机位置处的mpc信息，包括功率、时延和角度；对每个信道做功率归一化处理，根据mpc的时延和角度信息以及传播环境的拓扑选择出相匹配的测试mpc与仿真mpc。

5.根据权利要求4所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤4中，根据直达径、一次反射径和二次反射径的功率标记出3至6条关键径。

6.根据权利要求1所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤5中，利用高斯过程回归机器学习方法对每个接收机位置处的仿真数据集进行训练，学习材料参数与输出mpc功率之间的关系，得到对应的代理模型；每个接收位置处的每条径对应一个高斯过程回归，每一个高斯过程回归，输入是材料参数，输出是对应的mpc功率，每个接收机位置处对应一个代理模型，输入是材料参数和该接收机位置处的测试数据，输出是该接收机位置处的功率均方根误差。

7.根据权利要求6所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述材料参数包括介电常数、导电率、材料粗糙度、仿真中设置的反射阶数、透射阶数、衍射阶数中的一种或多种，代理模型建立这些参数与功率均方根误差的关系。

8.根据权利要求1所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤6中，第一阶段的循环次数根据问题的复杂度设为2至5；损失函数f(x)表示为：

9.根据权利要求1所述的机器学习辅助的射线跟踪信道仿真校准方法，其特征在于，所述步骤7中，在每一轮循环验证后，若没有达到终止循环条件，则将这次验证仿真数据加入原仿真数据集，同时检测每个参数变量是否到了其搜索空间的边界，若是则将该参数边界外扩预设比例。

10.一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-9任一项所述的机器学习辅助的射线跟踪信道仿真校准方法的步骤。

技术总结
本发明公开了一种机器学习辅助的射线跟踪信道仿真校准方法与系统，该方法包括：在场景不同位置设置多个接收机获取测试CSI，进行场景建模获取不同材料参数配置下的仿真CSI；分别从测试CSI和仿真CSI获取各接收机位置处MPC，并标记关键径；利用机器学习方法建立代理模型，得到信道仿真模型中各材料参数与接收径功率之间的关系；引入反射率与材料参数之间关系的先验知识动态调整参数的搜索空间，基于代理模型分阶段搜索材料参数的最优解，先基于关键径对部分参数进行优化，再基于所有径对所有参数进行优化；对最优解进行射线跟踪仿真验证，若没达到预设目标则更新数据集和参数搜索空间进一步优化。本发明在保证校准精度的同时实现了耗时的大幅度降低。

技术研发人员：王海明,裔成,陈炜琦,无奇
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/2/29