[发明专利]一种基于信道特征生成对抗网络的信道建模方法

说明书

本发明属于通信技术领域，具体涉及一种基于信道特征生成对抗网络的信道建模方法；包括构建信道特征生成对抗网络模型，其包括生成器、鉴别器和分类器；根据实测信道数据的维度确定信道特征生成对抗网络模型的输入输出张量维度；生成多组随机向量和线性编码向量，将随机向量与线性编码向量拼接得到多组组合向量；将组合向量输入生成器得到生成信道数据；通过实测信道数据和生成信道数据对信道特征生成对抗网络模型中的生成器、鉴别器和分类器进行交替训练；直到信道特征生成对抗网络模型收敛，输出可模拟实测信道数据的信道响应的生成器；本发明通过完全无监督方式学习信道特征，采用实测信道数据直接建模，准确生成与实际测量环境相类似的信道。

技术领域

本发明属于通信技术领域，涉及通信领域中信道建模方法，具体涉及一种基于信道特征生成对抗网络的信道建模方法。

背景技术

常规信道建模是对大量测试数据进行信道拟合的过程，其在简单系统的应用中已收到较好效果，但显然不能满足频率跨度大、通信场景复杂及技术多样性的信道建模场景。

与传统采用香农式数学建模思维不同，深度学习能从数据角度解决问题，旨在从数据集中学习和捕获信息，对数据拟合提出了新的范式变换，并对复杂化、特征多样的信道研究提供了新的研究方法。Goodfellow 2014年提出生成对抗网络(简称：GAN)网络，根据给定数据集具有相似统计分布特点来合成数据。

生成对抗网络凭借其优秀数据分布拟合能力，已广泛应用在计算机视觉、自然语言处理等领域。同样运用到信道建模中，GAN网络采用对抗训练和隐式建模方法，避免对输入数据的高维分布进行解析建模，从信道采样的数据分布中生成更多信道数据。在具体地应用场景中，通过利用GAN解决了光纤信道建模的长途传输模式崩溃问题；特别地，针对无人机信道，采用分布式条件生成对抗网络(Distributed Conditional GenerativeAdversarial Networks,DCGAN)沿每个波束赋形方向训练出独立的信道模型；在无线通信中提出ChannelGAN模型应用，通过交叉验证证明生成伪信道CSI反馈的有效性和可用性。上述GAN均是学习特定信道场景的数据分布并生成对应信道数据，仅仅学习到信道数据的统计分布特征，并未支持GAN模型学习信道物理特征。并且在以往的采用GAN进行信道建模中，不能将信道特征进行分类。大大限制利用GAN网络生成的信道模型。

发明内容

为解决上述问题，本发明提出一种基于信道特征生成对抗网络的信道建模方法，构建支持根据信道特征进行信道建模的信道特征生成对抗网络(Channel FeatureGenerative Adversarial Networks,CFGAN)模型。CFGAN模型创新性地采用线性编码向量学习信道特征，通过无监督学习方式从实测信道数据中学习信道分布特征，训练后的CFAGN模型含有不同信道特征分布的信道信息，能够生成不同信道特征的信道模型。

本发明的具体方案包括：

S1.构建信道特征生成对抗网络模型，所述信道特征生成对抗网络模型包括生成器、鉴别器和分类器；

S2.从实际环境中采集实测信道数据，根据实测信道数据的维度确定信道特征生成对抗网络模型的输入输出张量维度；

S3.随机生成多组服从正态分布的随机向量和线性编码向量，将随机向量与线性编码向量进行一对一拼接得到多组组合向量；

S4.将组合向量作为生成器的输入，得到CFGAN生成的信道数据；

S5.通过实测信道数据和生成信道数据对信道特征生成对抗网络模型中的生成器、鉴别器和分类器进行交替训练；

S6.直到信道特征生成对抗网络模型收敛，输出可模拟实测信道数据的信道响应的生成器。