[发明专利]基于增强变分自编码器的三维射线重构方法

权利要求书

1.一种基于增强变分自编码器的三维射线重构方法，用于完善预测用户信道幅值的神经网络模型训练所使用的射线追踪数据的神经网络训练样本集，对每个用户的射线追踪数据中的离开角水平分量、离开角垂直分量、到达角水平分量、到达角垂直分量的角度信息进行量化，形成多个量化区间，基于量化区间形成输入神经网络模型的射线追踪数据向量，其特征在于，所述三维射线重构方法包括以下步骤：

步骤1、按照设定步长将CVAE训练样本集中所有训练样本的信道幅值绝对值范围区间划分为N个子区间，每个子区间定义为一个类别并设定对应的类别标签，则能够得到N个类别标签；

步骤2、建立增强条件变分自编码器，该增强条件变分自编码器包括基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型，使用标记了类别标签的CVAE训练样本集对基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型进行训练，其中：

训练过程中，条件变分自编码器模型的编码器的输入向量X_e表示为：

X_e＝[X_e1，X_e2，…，X_en]^T (1)

式(1)中，X_en表示编码器的第n个训练样本的输入向量，其表达式为X_en＝[x_n l]，其中，x_n为第n个训练样本的射线追踪数据向量，l为第n个训练样本的类别标签向量，长度为N，l中除对应类别位置为1之外，其余位置均为0；

条件变分自编码器模型的编码器的输出向量Y_e表示为：

Y_e＝[Y_e1，Y_e2，…，Y_en]^T (2)

式(2)中：Y_en表示编码器对应第n个训练样本的输出向量：

对于基于拉普拉斯分布的条件变分自编码器模型，Y_en＝[μ_k λ_k]，μ_k和λ_k为拉普拉斯分布参数，μ_k为位置参数和λ_k为尺度参数；

对于基于正态分布的条件变分自编码器模型，和σ_k为正态分布参数，为均值，σ_k为方差；

训练过程中，条件变分自编码器模型的解码器的输入向量X_d表示为：

X_d＝[X_d1，X_d2，…，X_dn]^T (3)

式(3)中，X_dn表示解码器对应第n个训练样本的输入向量，X_dn＝[z l]，z为利用重参数技巧，根据基于拉普拉斯分布的条件变分自编码器模型和基于标准正态分布的条件变分自编码器模型的编码器输出的(μ_k，λ_k)、采样得到的隐变量z，z＝μ_k+σ_kε、z＝μ_k+λ_kε，ε表示服从均值为0、方差为1的正态分布N(0，1)或者服从位置参数是0、尺度参数是1的拉普拉斯分布L(0，1)的随机变量；

条件变分自编码器模型的解码器的输出向量Y_d表示为：

Y_d＝[Y_d1，Y_d2，…，Y_dn]^T (4)

式(4)中：Y_dn表示解码器对应第n个训练样本的输出向量，其表达式为Y_dn＝y_n，y_n为解码器还原出的第n个训练样本；

训练时，解码器生成的训练样本不包含信道幅值信息，通过计算解码器生成的新样本与CVAE训练样本集中全部训练样本的欧式距离，将与新样本欧式距离最小的训练样本的信道幅值作为新样本的信道幅值；

使基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型的损失函数L最小，从而完成训练；

获得神经网络模型利用原始训练样本集训练时得到的预测集，其中，原始训练样本集是指未经过完善的训练样本集，遍历预测集中每个预测样本，计算每个预测样本与其他预测样本的邻近度p，统计与当前预测样本的邻近度ρ不大于阈值thr的所有其他预测样本的数量，进而获得每个预测样本的相似样本个数；

定义用户在射线样本空间中的稀疏度Ω(i)，如下式所示：

式(5)中，M(i)_ρ≤thr为预测样本i拥有的相似样本数，Max_j∈[1，N](M(j)_p≤thr)为预测集中拥有的相似样本数最多的数量；

计算各预测样本的相似样本个数及稀疏度，基于稀疏度将预测样本划分为M个稀疏度区间，将预测集依据稀疏度区间划分为M个预测子集，同时获得每个稀疏度区间所对应的信道幅值绝对值区间范围，将该信道幅值绝对值区间范围定义为大区间，则共得到K个不同的大区间，每个大区间至少包含1个或1个以上步骤1中所述的子区间；

M个预测子集中的每个预测样本分别采用以完成训练的基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型进行重构，获得2M个重构样本集；

比较同一个预测子集与分别通过基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型得到两个重构样本集之间的信道幅值误差大小，选择信道幅值误差小的重构样本集所对应的基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型作为与当前预测子集所对应的稀疏度区间所在的大区间的条件变分自编码器模型，至此增强条件变分自编码器构建完成；

步骤3、获得待完善的神经网络训练样本集，指定子区间，基于指定子区间所对应的类别标签获得指定类别标签向量l_c，增强条件变分自编码器选择与指定子区间对应的大区间最合适的基于拉普拉斯分布的条件变分自编码器模型以及基于正态分布的条件变分自编码器模型中随机采样得到L个隐变量z，L为要生成的指定子区间的新样本的数量，并和指定类别标签向量l_c一起输入到训练好的增强条件变分自编码器的解码器中，即可实现指定信道幅值区间的训练样本的生成。