[发明专利]一种基于神经网络的无线信道建模方法

摘要

本发明公开了一种基于神经网络的无线信道建模方法。本发明首先对用户反馈的接收信号进行处理，得到估计的信道参数；然后根据二维图像得到散射体的三维地理信息，并对它们进行聚类，最后将信道参数、地理信息作为神经网络的输入，接收信号作为输出，训练得到非线性时变的神经网络模型。该方法在可接受的复杂度内得到更加准确的信道模型，能够满足未来5G通信系统中采用的大规模MIMO技术、频带扩展、高移动性等场景的信道建模需求。

主权项

1.一种基于神经网络的无线信道建模方法，其特征在于，该方法包括如下步骤：第一步：采集信道环境；第二步：根据几何关系计算第j(j＝1，...，N)基站端天线元与第i(i＝1，...，M)个用户端天线元之间LOS路径的水平离开角度垂直离开角度水平到达角度垂直到达角度以及基站端天线与用户端天线的距离D_ij，其中第三步：根据用户端的接收信号估计第i个用户端天线元和第j个基站端天线元之间的信道参数其中L表示每对发送端天线元和接收端天线元之间的信号经过了L条路径，是第l(l＝1,...,L)个估计出的接收信号中包含的信道参数向量，其中为估计的相对时延，为估计的垂直面上的到达角度，为估计的水平面上的到达角度，为估计的复幅度；第四步：用户端上传传播环境的全景照片，使用Google Sketchup软件，新建照片匹配，调整轴线，然后导出三维模型，得到.dae文件，从.dae文件中解析出散射体的个数K和每个散射体中心的位置信息，记为S＝{S1,...,SK}，其中Sk＝(xk,yk,zk)为第k(k＝1,...,K)个散射体中心在世界坐标系中的坐标；第五步：将估计的第i个用户端天线元和第j个基站端天线元之间的信道参数标准化并聚类为K个MPC(Multi Path Component，多径分量)集群每个集群由大量经过不同路径传播的电磁波组成；第六步：将第四步中得到的K个散射体位置信息与第五步中得到的K个MPC集群进行映射；第七步：利用非线性时变神经网络得到信道模型：非线性时变神经网络的训练集表示为{(x¹(t),h¹(t)),...,(x^k(t),h^k(t))|t∈D_observe}，其中D_observe为观测时间，k为用户个数，为t时刻下估计的所有基站端天线元和用户端天线元对的信道参数集合，S(t)为t时刻下环境中散射体的位置，P(t)为t时刻基站端和用户端天线的位置，h(t)为t时刻下接收天线的信道冲击响应；神经网络的结构如图1所示，有MNK+K+(M+N)个输入神经元，MN个输出神经元，n₁,...,n_Q表示第1，...，Q层的神经元数目，Q表示输出层，和分别表示第q层第i个神经元的加权输入和激励输出，f(·)表示激活函数，神经网络输出表示为：hm(t)＝f(x(t),w(t))为了使网络的输出更加准确地描述真实值，建立如下的误差指标函数：神经网络权值的更新规则为：w(t+1)＝w(t)‑[JT(t)J(t)+μ(t)I]‑1JT(t)e(t)其中调节因子μ(t)>0，令在误差指标函数E_k(w(t+1))>E_k(w(t))时，否则J(t)是误差指标函数E_k(w(t))的雅各比行列式。