融合深度學習與注意力機制的信道建模方法

張偉

（中國聯合網絡通信集團有限公司廣東省分公司，廣東 廣州 510627）

0 引言

高鐵高速運動等復雜通信環(huán)境受到多普勒頻移和多徑效應的影響，從而難以有效實現信道建模，信道建模不準確就會影響后續(xù)信道調解。雖然有學者提出數據導頻輔助的信道估計方法[1-4]，其在一定程度上緩解導頻不足和導頻污染問題，但無法有效解決由于噪音和信道時變所帶來的誤差累積問題。也有學者采用深度學習[5-7]和多層感知機[8-9]來實現信道估計模型構建，但該方法沒有考慮相鄰OFDM 符號之間信道估計值可信度問題，從而沒有對信道估計模型更新進行一個動態(tài)判決。因此，本文提出融合深度學習與注意力機制信道建模方法，該方法擬解決以下問題：（1）在發(fā)射機、接收機和障礙物隨機移動通信場景，尋找一種可以根據環(huán)境變化對信道時域特征和頻域特征進行有機融合的方法，并根據業(yè)務場景變化規(guī)律來強化或者弱化某些關鍵特征，從而有效解決時變信道誤差補償問題，有效應對動態(tài)通信環(huán)境中出現的多普勒頻移和多徑效應現象；（2）對通信環(huán)境小范圍動態(tài)變化場景，尋找一種自適應調整采樣間隔機制來降低整個系統的能耗，在一定程度上實現網絡自感知、自決策。

1 融合深度學習與信道均衡的自適應采樣間隔信道估計

1.1 建模思路

首先，在設定導頻子載波采樣間隔基礎上，采用長短期記憶網絡（Long Short-Term Memory，LSTM）+卷積神經網絡（Convolution Neural Network，CNN）+數據導頻輔助方法（Data Pilot Assistance，DPA）獲得采樣時隙OFDM（Orthogonal Frequency Division Multiplexing，正交頻分復用技術）符號的信道頻率響應值；然后采用信道均衡判斷相鄰采樣時隙之間信道頻率響應估計值的相似度，基于相似度來動態(tài)調整采樣間隔；最后，將符合條件的信道頻率響應值進行加權融合，實現信道頻率響應值的重構，并將重構值作為下一幀的信號估計參數，實現信號調解。一幀具有M 個時隙信號，從M 個選擇若干個時隙信號進行14 個OFDM 符號信號估計值后，將獲得可信OFDM 符號進行重構后得到信道估計參數作為整一幀的信道估計參數用于信道估計。信道估計流程如圖1 所示。

圖1 信道估計流程

1.2 信道估計建模過程

（1）信號采集與信號表示

眾所周知，一幀信號包含M 個時隙的信號（其中M與時隙的劃分有關），為了準確估計下一幀的信號，通常需要抽取上一幀若干時隙的信號來估計信號估計參數。由于無線信號傳播復雜性和隨機性，在不同場景所抽取的時隙信號具有一定的時變性，為了更有效獲取信號信息，通常對每一個時隙的信道數據進行固定間隔采樣，結合導頻子載波的信息來估計下一幀的信道估計參數。

假設OFDM 有效符號時間長度為Ts，加入循環(huán)前綴長度為Tg，那么OFDM 符號時間長度為T，表示為：

在某一個時隙中，對接收信號和發(fā)送信號均以Ts/N進行固定間隔獲取采樣數據點。在本文中，Tg取值為16 μs（每一個CP（循環(huán)前綴）時間長度是8 μs，一共有2 個CP，Ts取值為112 μs 每一個OFDM 有效符號時間長度是8 μs，一共有14 個OFDM 有效符號），為了簡化表示，本文的對每一個時隙進行信息采樣。信息采樣過程如圖2 所示。

圖2 某一個時隙采樣信息過程

通過對信息進行采樣后，獲得n個樣本，每個樣本都有64 行，分別包含64 個子載波的數據。將上述的n個樣本輸入到LSTM 中，獲得抽樣信息的時域關聯語義。LSTM 處理采樣信息的過程如圖3 所示。

圖3 基于LSTM獲取信號的時域關聯語義

設LSTM 的隱含層單元數量為m，經過LSTM 處理后，隱含層輸出n×m維特征向量：

除了獲取抽樣信號的時域關聯語義外，還需要獲取抽樣信號的頻域關聯語義，為了更加有效提取各個子載波的頻域關聯語義，將LSTM 獲得的n×m個樣本輸入到CNN 網絡，具體的處理過程如圖4 所示。

圖4 基于CNN獲取信號的頻域關聯語義

經過CNN 多個卷基層處理后，由n個神經元得到1×n維的特征向量：

（2）引入注意力機制實現信號時域關聯語義和頻域關聯語義的有機融合

考慮到無線信號容易受到外部動態(tài)多變環(huán)境的影響，引入注意力機制根據不同時刻環(huán)境變化來實時更新時域和頻域的關聯語義，也就利用注意力系數Ci實現時域和頻域關聯語義的有機融合，更加有效表達信號的特征。注意力系數Ci表示為：

其中，exp()是一個指數函數。

結合注意力系數得到第k個時隙的特征表達。假設注意力系數的特征向量為C，注意力系數實質上就是對不同抽樣時域輸入向量進行有區(qū)別的賦值，結合LSTM 隱含層變量得到第k個時隙信號的時-空語義信息：

fk是第k個時隙信號的時-空語義信息，維度為1×n。

引入注意力機制將CNN 頻域關聯語義與LSTM 時域關聯語義進行融合，使時間維度特征在某些數據維度加強，在某些數據維度減弱。因此，注意力機制能夠很好應對信號受到某些因素影響呈現時強時弱的現象，從而有效應對復雜通信環(huán)境中出現的多普勒頻移和多徑效應的現象。

（3）基于信賴度的信道頻率響應值重構方法

由于各個時隙計算的信道頻率響應值是有差異的，因此，本文需要對比抽樣時隙的信道頻率響應值來計算信賴度，并將滿足信賴度條件的信道頻率響應值進行重構，以獲得信道頻率響應值重構值。

假設yk表示第k個時隙收到的信號值，結合第k個時隙的信號語義fk，第k個時信道頻率響應值表示為：

hk表示第k個時信道頻率響應值為了確保每一幀的信道頻率響應值具有足夠可靠性，本文對每一個抽樣時隙所獲得的信道頻率響應值進行可信度評估，采樣相似性來衡量抽樣時隙所計算的信道頻率響應值的信賴度，計算公式為：

對上述抽樣時隙獲得的信道頻率響應值進行相似性判斷，如果相似度滿足信賴度閾值，則納入信道頻率響應值對應的數據庫中，否則剔除。

將滿足條件的信道頻率響應值進行加權平均，實現信道頻率響應值的重構。假設m+1 個時隙的信道頻率響應值都滿足要求，則將各個時隙的信道頻率響應值加權平均，公式如下：

（4）基于估計誤差的采樣時間間隔動態(tài)調整

基于第T幀信號的導頻子載波估計值為ZT，結合第T 幀信號的導頻子載波真實值，得到T幀信號估計值的誤差：

判斷誤差是否大于設定的誤差閾值，如果大于閾值，那么縮小時隙采樣間隔，相反，則擴大時隙采樣間隔。其中間隔調整公式為：

一旦采樣時間間隔發(fā)生變動，信道頻率響應值將會改變，對應的處理單元所消耗的能量將會改變。

2 仿真分析

為了更加有效比較高速場景下的無線傳輸模型，考慮MIMO-OFDM 系統，仿真參數如表1 所示。

表1 仿真參數設置

根據參考文獻[10]，城市主干道、高速公路和鄉(xiāng)村道路三種場景下的均方差時延擴展和多普勒擴展數據展示如表2。

表2 三種場景下的信道參數測量值

由上面的信道參數可知，基于最大均方差時延擴展得到相干帶寬約為455 kHz。

同樣，最大的多普勒擴展得到的相干時間為：

該處仿真用的每一個OFDM 有效符號時間長度是8 μs，一共有16 個OFDM 有效符號。子載波為150 kHz，有效符號時間8 μs 遠遠小于相干時間227 μs，因此該信號傳輸的信道為慢衰落信道。這種慢衰落信道可認為是廣義平穩(wěn)信道，信道具有時變性。為了更有效估計信道參數，在仿真過程中將本文的算法與傳統的最小二乘法(Least Squares Method,LS)算法所得到模型的誤差和計算復雜度進行對比。

LS 算法具體的信道估計過程為：（1）首先基于數據導頻的方法利用導頻數據來估計信道的初始值，得到多個OFDM 符號的信道估計值；（2）采用逼零均衡算法（Zero-forcing，ZF）對多個OFDM 符號的信道估計值進行信道均衡，對導頻數據的OFDM 符號的信道估計值進行修正；（3）在獲取導頻數據的OFDM 符號的信道估計修正值和信號實際接收值的基礎上，采用LS 估計信道頻率響應，將其用于下一個幀的信道估計。

本文算法的信道估計過程已經在上一節(jié)進行詳細闡述，不再贅述。

（1）信道估計的MSE

為了對比不同方法在不同OFDM 符號訓練樣本數量下的MSE 值，首先是在設定導頻數量和訓練信噪比固定情況下，隨著訓練樣本增加，其MSE 在三種場景的變化情況（注：按照2 μs 的固定時間間隔抽樣，最多的抽樣點為64×32=2 048 個）。

很明顯，在“ 逐信噪比訓練”下，LS 算法在噪音較大或者樣本量較小時，其產生的誤差比較大。圖5 最上面3 條折線是樣本量在100 時，隨著信噪比不斷增加，信道預測性能并沒有得到很好的改善。當樣本量增加到1 000 時，隨著信噪比不斷增加，信道預測性能不斷改善，逼近0.005。當樣本量增加到2 000 時，隨著信噪比不斷增加，三種場景的信道預測性能差距逐漸減小。

如圖6 所示，采用本文的算法在“逐信噪比訓練”下，在噪音較大或者樣本量較小時，其產生的誤差波動性相對于LS 算法來說平穩(wěn)很多。雖然樣本數量相同時，在低信噪比情況下，信道環(huán)境較差時兩種算法的精度都不算高，差異不是太明顯，但是本文算法的MSE 明顯更加平緩，這是因為在信道條件較差時，線性估計的誤差容易隨著迭代的推進不斷傳遞，最后導致信道估計容易失真。在高速移動場景下，LS 更容易受到多普勒頻移的影響，其預測精度進一步受到影響。隨著樣本數量和信道環(huán)境的改善，本文算法在高速移動環(huán)境以及低速移動場景中都得到改善，差異逐漸減少，這是因為該算法引入注意力機制將CNN 頻域特征表達與LSTM 時域特征進行融合，利用下一刻相鄰OFDM 符號之間信道估計值的誤差值來評估上一時隙的信道估計參數的精度，從而實現信道估計參數的自動校正。

圖6 三種場景采用本文算法在不同樣本數量下的信道估計MSE（訓練信噪比為20 dB）

（2）信道估計的計算復雜度分析

為了對比不同方法在不同子載波數量下的復雜度，對比在設定導頻數量情況下，隨著導頻數量增加，其在固定采樣時間間隔、不同場景自適應采樣間隔下的計算復雜度大小。具體如圖7 所示。

圖7 不同場景、不同算法的計算復雜度對比情況

圖7 反映了不同場景不同算法在不同子載波的復雜度對比。仿真中，雖然LS 算法的計算復雜度較小，但是其信道估計精度是最差的。而鄉(xiāng)道場景在自適應時間間隔的計算復雜度是最小的，這是因為鄉(xiāng)道信道估計誤差的變化較小的情況下會調大采樣時間間隔，從而信道估計算法在時間上小范圍波動情況下大大降低了計算復雜度，從而降低網絡資源的能耗。

3 結束語

本文在信道估計算法基礎上，重點研究5G 在高速移動場景下精度高、自適應更新采樣間隔的時變信道建模算法。在信道建模過程中，利用深度學習的非線性擬合能力、魯棒性強的特點，引入注意力機制實現信號頻域特征和時域特征的有機融合，從而有效應對復雜通信環(huán)境中出現的多普勒頻移和多徑效應的現象。除此之外，本文采用自適應采樣間隔來動態(tài)調整信號采樣間隔，解決信道小范圍波動所導致計算資源浪費問題，降低了網絡的能耗。仿真可知，該方法能夠為后續(xù)的自感知、自決策網絡建設提供方法參考。