[发明专利]基于增强变分自编码器的三维射线重构方法

说明书

本发明提供了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，其特征在于，建立增强条件变分自编码器，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将其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。本发明使得生成的射线样本分布更符合真实环境特征，可有效降低高误差用户数、神经网络的预测误差以及大幅降低获得信道幅值的时间开销。

技术领域

本发明涉及一种基于增强分布条件变分自编码器(conditional variationalauto-encoder，CVAE)的三维射线重构方法，基于先验概率分布，通过增强变分自编码器为高误差用户生成新的射线样本训练集，使影响射线追踪数据的隐变量分布更符合高误差用户的特征。

背景技术

近些年，神经网络解决了很多通信领域的问题，并展现了优于传统方法的优点，如节省计算时间开销等。文献[1]公开了一种最小二乘支持向量机算法，应用于时变信道参数的建模中，对信道参数如时延扩展、接收端的水平角度扩展和垂直角度扩展的数据特征进行了学习，并实现了准确预测。文献[2]提出了一种适用于海量Massive MIMO系统中单用户和多用户场景的基于深度学习的信道状态信息压缩反馈算法，与几种经典的信道状态信息压缩反馈算法相比，该算法在Massive MIMO系统中具有更低的计算复杂度、更高的反馈精度和更好的系统性能。

在基于射线追踪数据，利用神经网络预测Massive MIMO系统信道特征过程中发现存在较多预测误差较高的用户。通过对该神经网络的训练样本的研究，发现在系统级仿真实验的过程中，存在实测射线数据缺失的问题。文献[3]提出了用自适应神经网络采用信息瓶颈的方法合理设置采样精度，实现了预测精度和计算复杂度的平衡。但其论文提出的神经网络较为复杂，计算复杂度仍然较高，没有针对高预测误差用户本身存在的训练样本集不足的问题提出针对性解决方案。要解决上述问题，重构和增添新样本来弥补缺失的实测射线追踪数据就显得极为重要。由于通过三维地图新增实测射线数据的成本高昂且不同地图有差别，另外也会造成数据冗余，所以考虑通过其他途径来新增数据。

近些年，生成模型经常被研究，其中，条件变分自编码器^[4](conditionalvariational auto-encoder，CVAE)是目前对复杂概率分布进行监督学习的最流行的方法之一。CVAE在修复补全数据^[5]、图像合成^[6]、预测误差^[7]、网络安全^[8]等领域已有较多成功应用，因此可以利用CVAE重构和增添新样本来弥补缺失的射线数据。Massive MIMO系统的3D-UMa信道模型中，射线的离开和到达方向角的角度扩散均采用拉普拉斯分布来描述的特点^[9]，且基于射线追踪数据所得的训练样本中包含了射线离开和到达角的信息，因此可以充分利用该先验知识为高误差用户构建新的训练样本集。

参考文献：

[1]赵雄文,孙宁姚,耿绥燕,张钰,杜飞.基于最小二乘支持向量机的时变信道建模[J].北京邮电大学学报,2019,42(5):29-35.

[2]Liao Y,Yao H,Hua Y,et al.CSI Feedback Based on Deep Learning forMassive MIMO Systems[J].IEEE Access,2019,PP(99):1-1.

[3]于文欣,李凯,周明拓,李剑,杨.面向三维信道幅值预测的自适应神经网络[J].中国科学院大学学报,2021,38(5):678-686.