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技术

本发明专利技术公开了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，有效地实现不同频段和场景下的信道预测功能，并为仿真实验生成大量的信道数据集。首先输入已有频段以及场景的信道测量数据进行训练。然后使用长短期记忆人工神经网络学习真实的信道数据，获取信道时间序列特征；通过生成对抗网络的对抗学习，极大地消除信道数据的冗余信息，并且根据测量数据生成准确的信道数据，并且获取海量信道信息。最后在生成对抗网络的不断迭代中得到生成模型与鉴别模型的平衡，输出训练好的预测性信道模型。模型预测所得到的信道统计特性能清楚地说明了本发明专利技术对信道分布特征的预测学习，能够解决无线通信中实时且复杂的预测问题。杂的预测问题。杂的预测问题。

【技术实现步骤摘要】
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


[0001]本专利技术属于信道建模
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]为解决上述技术问题，本专利技术的具体技术方案如下：
[0008]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：
[0009]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；
[0010]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)；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]进一步的，步骤3具体包括以下步骤：
[0017]步骤3.1、计算信道测量数据样本的均值μ与标准差σ；
[0018]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]h
t
＝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；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一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，其特征在于，包括以下步骤：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；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；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；步骤4、构建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；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；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；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；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。2.根据权利要求1所述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，其特征在于，步骤3具体包括以下步骤：步骤3.1、计算信道测量数据样本的均值μ与标准差σ；步骤3.2、使用z值标准化方法对信道测量数据信道冲激响应进行归一化：其中X为归一化之后的数据，x为原始测量数据。3.根据权利要求2所述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，其特征在于，步骤4具体包括以下步骤：步骤4.1、使用三个卷积层作为生成对抗网络生成模型的主要结构；步骤4.2、在每层卷积层之后增加批量归一化层，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；步骤4.3、使用带有参数的整流线性单元激活函数进行再处理；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：h
t
＝f...

【专利技术属性】
技术研发人员：王承祥，李哲鳌，黄杰，周文奇，黄晨，
申请(专利权)人：东南大学，
类型：发明
国别省市：