[发明专利]一种基于降维复卷积网络的6G无线信道特性提取方法

说明书

本发明公开了一种基于降维复卷积网络的第六代(6G)移动通信无线信道特性提取方法。针对6G移动通信无线信道特性分析与建模，解决现有无线信道特性提取难以实现精确度与复杂度折中的问题。其实现步骤为：1)使用射线追踪仿真软件，获取多个典型场景下的信道仿真数据；2)对多径进行分簇，计算簇内/间时延/角度扩展统计量；3)使用栈式自编码器对大维仿真数据进行去干扰无监督数据降维；4)提出复数交叉卷积神经网络提取相关统计量；5)使用实测数据进行增量学习，增强所构建网络的鲁棒性；6)比较所提出方法与其他网络的复杂度和精确度性能。本发明提供的无线信道特性提取方法具有复杂度较低的特点，可为时变和大维测量数据的处理提供有效解决方案。

技术领域

本发明属于无线通信与信道建模技术领域，具体涉及一种基于降维复卷积网络的第六代(sixth generation，6G)无线信道特性提取方法。

背景技术

在用户多样化应用需求的驱动下，6G无线通信系统将以“全覆盖、全频谱、全应用、全感官、全数字、强安全”为理想愿景，致力于实现万物互联到万物智联的跃迁。然而，更加复杂多样的通信场景给6G无线通信系统的设计和优化部署带来了巨大挑战。作为网优网规的重要前提，无线信道测量、特性分析与建模在6G的冲击下，需要应对更大的数据量、更复杂的数据处理、更高的精确度要求，以及更高的普适性要求。其中，无线信道特性分析作为衔接物理与数字世界的关键步骤，该研究的开展对于全局性能优化具有重要意义。但随着测量数据量急剧增加，传统方法包括高分辨率多径参数提取、多径分簇、相关统计量计算等，面临越来越高的复杂度，难以实现与精确度更好的折中。

人工智能等新一代网络信息技术的跨越式发展，推动着移动通信技术朝着智能化趋势迈进，带来存储、计算及感知等方面的全方位突破。作为人工智能的核心技术，机器学习已被广泛应用于无线通信领域的问题研究，实现超高效率的模拟、决策和预测功能。其中，深度学习模拟人类大脑工作机制，能够更好地处理海量数据，以集中方式解决问题并获取所需的答案。目前，已有研究人员应用机器学习算法优化无线信道统计特性的提取。例如，东南大学课题组使用前馈神经网络和一个基于径向基函数神经网络构建大数据使能信道模型。通过获取室内办公场景测量数据以及基于几何的随机信道模型(geometry basedstochastic channel model，GBSM)仿真数据，将收发端坐标和位置、载频作为神经网络输入，并将接收功率、均方根时延扩展、角度扩展作为输出，训练测试后发现机器学习方法能够为未来无线信道建模提供有效的分析工具。清华大学课题组使用卷积神经网络区分不同无线信道，将高分辨率空间交替广义期望最大化(space-alternating generalizedexpectation-maximization，SAGE)算法提取的多径参数作为输入、无线信道类别作为输出。

通过调研现有基于机器学习/深度学习方法的无线信道特性分析工作，总结发现一般使用浅层/深层网络进行少数特性的分析，仍缺少针对大维输入问题的讨论、多径簇相关特性的提取，并且缺少对网络的全局优化，以及未考虑所构建网络的鲁棒性和普适性。针对以上问题，本发明致力于研发一种基于去噪栈式自编码器的复数实部和虚部交叉卷积神经网络(cross-convolutional neural network，X-CNN)的6G自适应无线信道特性提取方法，解决现有方案难以实现精确度与复杂度折中的问题，提高网络的普适性。

发明内容

技术问题：

为解决大维数据复数输入、多种特性联合提取及网络的鲁棒性问题，从而进一步解决6G全频段、全覆盖场景、全应用场景信道特性提取面临的精确度、复杂度与普适性难以折中的问题，本发明提供一种基于降维复卷积网络的6G无线信道特性提取方法。

技术方案：

为了实现上述目标，本发明提供了一种基于去噪栈式自编码器的复数X-CNN的6G无线信道特性提取方法，包括以下具体步骤：

S1、构建真实通信环境的孪生场景，使用射线追踪(ray tracing，RT)软件获取多种典型场景下的无线信道仿真数据；