基于機(jī)器學(xué)習(xí)的太赫茲信道預(yù)測(cè)建模研究

摘 要：針對(duì)６Ｇ 移動(dòng)通信的通信場(chǎng)景復(fù)雜化、數(shù)據(jù)海量化，以及傳統(tǒng)信道建模方法帶來(lái)的測(cè)量成本昂貴、建模復(fù)雜度高等挑戰(zhàn)，將機(jī)器學(xué)習(xí)中的反向傳播神經(jīng)網(wǎng)絡(luò)（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＢＰＮＮ）應(yīng)用到室內(nèi)太赫茲信道建模中，有效降低了建模復(fù)雜度，提高了建模效率。建立了基于遺傳算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＧＡ）和蟻群算法（Ａｎｔ ＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）混合優(yōu)化的ＢＰＮＮ 信道參數(shù)預(yù)測(cè)模型，對(duì)太赫茲無(wú)線信道的大小尺度特性進(jìn)行了學(xué)習(xí)與預(yù)測(cè)，并與傳統(tǒng)的ＢＰＮＮ 模型、ＧＡ-ＢＰ 和ＡＣＯ-ＢＰ 的預(yù)測(cè)結(jié)果進(jìn)行了比較，驗(yàn)證了所建立模型的準(zhǔn)確性和有效性。結(jié)果表明，遺傳蟻群反向傳播（Ｇｅｎｅｔｉｃ ＡｌｇｏｒｉｔｈｍＡｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ-Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ，ＧＡ-ＡＣＯ-ＢＰ）模型的預(yù)測(cè)值和實(shí)際值間的誤差更小、擬合度更高，該模型的預(yù)測(cè)性能相較于其他３ 種模型更優(yōu)。基于ＧＡ-ＡＣＯ 混合優(yōu)化的ＢＰＮＮ 能夠在小數(shù)據(jù)量的情況下對(duì)信道參數(shù)進(jìn)行學(xué)習(xí)和預(yù)測(cè)，可用于未來(lái)基于測(cè)量的無(wú)線信道建模分析中。

關(guān)鍵詞：太赫茲；信道建模；射線跟蹤；機(jī)器學(xué)習(xí)

中圖分類號(hào)：ＴＮ９２９． ５ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１１４（２０２４）０５－０９１４－０７

０ 引言

隨著５Ｇ 商用部署和規(guī)模應(yīng)用的推廣，現(xiàn)有的５Ｇ 網(wǎng)絡(luò)技術(shù)因存在速率難以再提升、頻率資源缺乏、網(wǎng)絡(luò)架構(gòu)不匹配等技術(shù)瓶頸，在信息速度、覆蓋廣度及智能深度上難以滿足目前數(shù)字經(jīng)濟(jì)發(fā)展的迫切需求。太赫茲頻段擁有豐富的頻譜資源，具有超高速大帶寬的傳輸能力和高精度的感知能力，可以有效緩解當(dāng)前無(wú)線系統(tǒng)頻譜稀缺的問(wèn)題，因此太赫茲頻段被認(rèn)為是６Ｇ 通信有前途的頻段之一［１］。盡管太赫茲頻段極具吸引力，但是太赫茲頻段信道特性的測(cè)量、分析與建模具有很大挑戰(zhàn)。６Ｇ 信道數(shù)據(jù)海量化以及復(fù)雜且多樣的特征導(dǎo)致了信道測(cè)量變得更為困難。更高的頻段需要昂貴的高性能信道探測(cè)器，復(fù)雜多樣的場(chǎng)景需要開(kāi)展大量的信道測(cè)量，處理測(cè)量數(shù)據(jù)需要使用更高分辨率參數(shù)估計(jì)算法，這帶來(lái)了極高的復(fù)雜性與挑戰(zhàn)性。因此，針對(duì)以上困難亟需一種高效、準(zhǔn)確且具有自適應(yīng)能力的信道建模方法對(duì)無(wú)線信道的傳播特性進(jìn)行建模。

傳統(tǒng)的無(wú)線信道建模方法有確定性建模和隨機(jī)性建模，其中隨機(jī)性模型又分為基于幾何的隨機(jī)模型（Ｇｅｏｍｅｔｒｙ-Ｂａｓｅｄ Ｓｔｏｃｈａｓｔｉｃ Ｍｏｄｅｌ，ＧＢＳＭ）和非幾何隨機(jī)模型（Ｎｏｎ-Ｇｅｏｍｅｔｒｉｃ Ｓｔｏｃｈａｓｔｉｃ Ｍｏｄｅｌ，ＮＧＳＭ）。確定性模型的建立依賴于傳播環(huán)境的精確信息，基于電磁波傳播理論基礎(chǔ)，運(yùn)用電磁波傳播機(jī)制的理論分析方法以及多徑傳播過(guò)程中的直射、反射、透射、繞射、散射等理論計(jì)算出多徑傳播的傳播特性參數(shù)。然而，由于依賴于環(huán)境信息且計(jì)算復(fù)雜度高，確定性模型一般僅適用于針對(duì)較小范圍場(chǎng)景的信道建模。隨機(jī)性模型則通過(guò)確定的概率分布來(lái)描述信道參數(shù)，使得其在數(shù)學(xué)上易于處理且適用于各種場(chǎng)景，但精度相較于確定性模型更低。

近年來(lái)，基于機(jī)器學(xué)習(xí)的無(wú)線信道測(cè)量與建模成為信道建模領(lǐng)域的一大熱點(diǎn)。通過(guò)利用機(jī)器學(xué)習(xí)方法強(qiáng)大的學(xué)習(xí)能力和非線性擬合能力，可以挖掘特定信道環(huán)境中的信道特征，從而對(duì)無(wú)線信道傳播特性進(jìn)行建模，有效降低建模的復(fù)雜度。Ｘｉａｏ 等［２］提出了一種基于深度學(xué)習(xí)的信道建模方法和信道生成方法，驗(yàn)證了預(yù)測(cè)信道與實(shí)際信道之間的一致性以及信道狀態(tài)信息的有效性。Ｌｉ 等［３］提出了一種結(jié)合生成對(duì)抗網(wǎng)絡(luò)和長(zhǎng)短期記憶的信道預(yù)測(cè)框架，專用于室內(nèi)無(wú)線信道建模，通過(guò)比較測(cè)量數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)的均方根誤差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＲＭＳＥ）和平均絕對(duì)百分比誤差（Ｍｅａｎ ＡｂｓｏｌｕｔｅＰｅｒｃｅｎｔ Ｅｒｒｏｒ，ＭＡＰＥ）評(píng)估了模型的預(yù)測(cè)性能，結(jié)果表明該模型能夠有效預(yù)測(cè)空間域中的未知信息。Ｈｕａｎｇ 等［４］提出了一種基于前饋神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的信道預(yù)測(cè)方法。通過(guò)學(xué)習(xí)信道環(huán)境特征，對(duì)接收功率、時(shí)延擴(kuò)展和角度等信道特性進(jìn)行了準(zhǔn)確預(yù)測(cè)。Ｙａｎｇ 等［５］使用支持向量機(jī)基于車輛信道測(cè)量數(shù)據(jù)提出了一種預(yù)測(cè)到達(dá)角度的信道模型。此外，卷積神經(jīng)網(wǎng)絡(luò)已被用于基于衛(wèi)星圖像的路徑損耗預(yù)測(cè)，將環(huán)境特征納入基于卷積神經(jīng)網(wǎng)絡(luò)的模型，顯著提高了預(yù)測(cè)的準(zhǔn)確性［６－８］。吳麗娜等［９］利用測(cè)量數(shù)據(jù)和有限的環(huán)境特征基于多層感知器神經(jīng)網(wǎng)絡(luò)建立了路徑損耗預(yù)測(cè)模型。Ｙｕ 等［１０］為了提高時(shí)變信道建模的精度，提出了一種基于長(zhǎng)短期記憶的時(shí)變毫米波信道多徑分量簇軌跡預(yù)測(cè)模型。Ｆｕ 等［１１］結(jié)合深度神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶的優(yōu)勢(shì)，提出一種預(yù)測(cè)毫米波信道特征的新方法，實(shí)現(xiàn)了對(duì)信道特性變化趨勢(shì)的預(yù)測(cè)。

反向傳播神經(jīng)網(wǎng)絡(luò)（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰＮＮ）由于結(jié)構(gòu)簡(jiǎn)單，具有很強(qiáng)的非線性映射能力且易于實(shí)現(xiàn)，是最為經(jīng)典、應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。李雙德等［１２］使用ＢＰＮＮ 預(yù)測(cè)大尺度參數(shù)，發(fā)現(xiàn)預(yù)測(cè)預(yù)測(cè)結(jié)果與射線跟蹤法得到的結(jié)果吻合程度很高。Ｈｕ 等［１３］通過(guò)ＱｕａＤｒｉＧａ 平臺(tái)生成相應(yīng)場(chǎng)景下的信道脈沖響應(yīng)，利用空間交替廣義期望最大化算法提取的相關(guān)參數(shù)訓(xùn)練ＢＰ 模型，結(jié)果表明，模型的預(yù)測(cè)效果與該算法的估計(jì)效果相差很小。劉留等［１４］利用ＢＰＮＮ 對(duì)時(shí)變信道進(jìn)行預(yù)測(cè)，對(duì)比３ 種誤差逆向傳播算法發(fā)現(xiàn)Ｌｅｖｅｎｂｅｒｇ-Ｍａｒｑｕａｒｄｔ 算法的效果最佳。何丹萍等［１５］基于衛(wèi)星圖像顏色信息以及距離特征訓(xùn)練ＢＰＮＮ 以預(yù)測(cè)路徑損耗，實(shí)現(xiàn)了在不依賴環(huán)境材料信息的情況下對(duì)電波傳播路徑損耗的可靠預(yù)測(cè)。綜上所述，基于機(jī)器學(xué)習(xí)的信道建模已經(jīng)有了一定的基礎(chǔ)，主要集中在毫米波頻段以及對(duì)于路徑損耗的預(yù)測(cè)，但是對(duì)于太赫茲頻段大、小尺度特性的預(yù)測(cè)與建模還不夠充分。因此，本文首先基于遺傳算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ， ＧＡ ） 和蟻群算法（Ａｎｔ ＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）對(duì)ＢＰＮＮ 的權(quán)值和閾值進(jìn)行擇優(yōu)以提高其預(yù)測(cè)精度。其次針對(duì)３１３． ５ ＧＨｚ 的Ｌ 形封閉走廊場(chǎng)景，將ＢＰＮＮ 應(yīng)用于信道特性參數(shù)的建模中，建立了基于混合算法優(yōu)化的ＢＰＮＮ 信道參數(shù)預(yù)測(cè)模型，對(duì)場(chǎng)景特征以及信道參數(shù)進(jìn)行了預(yù)測(cè)學(xué)習(xí)。最后通過(guò)與ＢＰＮＮ、ＡＣＯ-ＢＰ 以及ＧＡＢＰ 的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，以驗(yàn)證所建立模型的準(zhǔn)確性和有效性。