一种毫米波亚毫米波频段非对称信道参数预测方法
阅读说明：本技术 一种毫米波亚毫米波频段非对称信道参数预测方法 (Millimeter wave and submillimeter wave frequency band asymmetric channel parameter prediction method ) 是由 张焱 袁萌 何遵文 李悦 张万成 宋九鹏 于 2021-11-12 设计创作，主要内容包括：本发公开的一种毫米波亚毫米波频段非对称信道参数预测方法,属于无线通信领域。本发明实现方法为：根据上行信道参数和环境特征预测下行信道参数,解决非对称的上下行信道之间不存在互易性,对称信道的仿真方法不能直接用于非对称信道的问题,实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；结合实例迁移算法预测新传播条件下的下行信道参数,解决新传播环境下训练样本不足的问题；本发明能够减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响,降低下行信道参数预测模型的复杂度。本发明应用于无线通信领域,能够支撑非对称毫米波亚毫米波通信系统设计、部署、优化,提高非对称信道下无线通信的效率和精度。(The invention discloses a millimeter wave and submillimeter wave frequency band asymmetric channel parameter prediction method, and belongs to the field of wireless communication. The implementation method of the invention comprises the following steps: predicting parameters of a downlink channel according to parameters of the uplink channel and environmental characteristics, solving the problems that reciprocity does not exist between asymmetric uplink and downlink channels and a simulation method of a symmetric channel cannot be directly used for the asymmetric channel, and realizing accurate and efficient combined generation of the asymmetric millimeter wave sub-millimeter wave uplink and downlink wireless channels; predicting downlink channel parameters under a new propagation condition by combining an example migration algorithm, and solving the problem of insufficient training samples under a new propagation environment; the method can reduce the calculated amount of weakly correlated or uncorrelated characteristics and the negative influence on the accuracy of the downlink channel parameter prediction model, and reduce the complexity of the downlink channel parameter prediction model. The invention is applied to the field of wireless communication, can support the design, deployment and optimization of an asymmetric millimeter wave and submillimeter wave communication system, and improves the efficiency and precision of wireless communication under an asymmetric channel.)
技术领域
本发明属于无线通信领域，具体涉及一种毫米波亚毫米波频段非对称信道参数预测方法。
背景技术
为了满足高频谱利用率和高能源利用率的要求，大规模多输入多输出(MIMO)天线阵列被广泛应用于第五代(5G)移动网络中。然而，为满足第六代(6G)移动网络的更多需求，天线元素的数量不断增加，导致数据处理负担和硬件成本变得越来越高。为了解决这个问题，非对称全数字波束成形大规模MIMO系统已经被提出。与传统的对称大规模波束成形天线阵列不同，非对称大规模MIMO系统采用的接收射频链路的数量比发射射频链路的数量少，使得硬件成本和能源消耗减少，在未来的无线通信系统中有很高的应用潜力。
然而，在非对称大规模MIMO系统中出现的一个问题是，上行和下行信道之间互易性不再满足。这意味着，即使在TDD系统中，也不能直接使用上行信道的测量估计结果来预测下行信道。因此，基站(BS)和终端(UE)都需要导频信号，这就占用了更多的传输和计算资源。这个问题在下行链路中更为严重，因为基站侧的发送射频天线数量非常大。实际上，上行下行信道的非互易性是不同的Tx和Rx波束模式造成的。即上行/下行信号不会在相同的传播条件下传播。分析波束宽度和信道参数之间的关系有助于描述这种非互易性。目前在研究波束宽度对信道参数的影响方面已经开展了一些研究工作，可分为两类。第一类是基于经验模型的。然而，它们只能提供统计结果，其准确性有限。此外，它仅适用于特定的波束宽度和场景。第二类是采用射线跟踪技术，基于射线跟踪的方法可以提供精确的结果，但需要大量的时间和计算能力。针对毫米波亚毫米频段非对称信道参数预测模型，形成流程化的建模方法，兼顾模型准确性和效率，对未来毫米波和亚毫米波移动通信系统的设计和部署具有十分重要的意义。
发明内容
为解决现有无线信道仿真技术尚未充分考虑传播环境非对称性的问题，本发明的目的是提供一种毫米波亚毫米波频段非对称信道参数预测方法，根据上行信道参数和环境特征预测下行信道参数，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，进而实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；结合实例迁移算法预测新传播条件下的下行信道参数，解决新传播环境下训练样本不足的问题，在新传播环境下迅速预测下行信道参数。本发明应用于无线通信领域，能够支撑非对称毫米波亚毫米波通信系统设计、部署、优化，提高非对称信道下无线通信的效率和精度。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种毫米波亚毫米波频段非对称信道参数预测方法，包括如下步骤：
步骤一、采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，根据所述重要性程度排序，通过MDL算法决定用于下行信道参数预测的最佳的特征，从上行信道参数和环境特征中选择与下行信道参数相关性强的特征，即采用基于SHAP和MDL的特征选择算法，减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响，有效降低下行信道参数预测模型的复杂度。将所述最佳的特征构建训练集，并将所述基于最佳特征构建的训练集输入到下行信道参数预测模型中。
所述信道参数包括路径损耗、多径数、时延扩展，所述环境特征包括终端位置、传播距离、方位角、建筑物数目。
步骤1.1：采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，根据所述重要性程度排序。
采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，中位数SHAP值用于反映上行信道参数和环境特征对下行信道参数预测的相关性，并被用于衡量特征的重要性。考虑第i个训练样本，把用于计算SHAP值的基本预测模型表示为G，G表示为：
其中是第i个训练样本的上行信道参数，是第i个训练样本的环境特征，为第i个训练样本的第k个特征的SHAP值。K是特征总数。是样本集合。表示样本集中存在第k个特征，表示它不存在。φ0是训练样本的平均预测值，通过下式计算：
第i个训练样本的第k个特征的SHAP值表示为：
其中，意味着从移除 是第k个特征，S是的所有子集，为了计算第k个特征对预测结果的重要性，模型由和S进行训练。GS是仅用S训练的模型。训练集中的每个样本都有自己的SHAP值。为了消除少数极端样本对结果的影响，选择样本SHAP值的中值来表示特征的总体重要性。归一化后特征的中值SHAP值如s1,s2,…,sK，表示模型训练中每个特征的重要性值。
步骤1.2：根据步骤1.1得到的重要性程度排序，通过MDL算法决定用于下行信道参数预测的最佳的特征数量，从上行信道参数和环境特征中选择与下行信道参数相关性强的特征，即采用基于SHAP和MDL的特征选择算法，减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响，有效降低下行信道参数预测模型的复杂度。
在计算所有特征的SHAP中值后，采用MDL算法计算所选特征的数量。由MDL计算出的所选特征的数量为所选特征为表示为f1′,f2′,…,用于计算特征选择阈值的MDL标准的目标函数阈值定义为：
其中，K是特征总数，sa是特征的中值SHAP值。
所选特征的数量估计为：
选择最重要的个特征。
步骤1.3：基于所述步骤1.2选择的最佳特征构建训练集，并将所述基于最佳特征构建的训练集输入到下行信道参数预测模型中。
步骤二、充分考虑信道分布环境呈现出非对称性的特点，在步骤一选择最佳的上行信道参数和环境特征后，根据选择的上行信道参数和环境特征预测下行信道参数，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，进而实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；此外，弱学习器使用选择的最佳的上行信道参数和环境特征和预测目标下行信道参数进行训练，得到每个弱学习器预测结果及相应权重，通过合并弱学习器构建基于集成学习的下行信道参数预测模型，基于集成学习的预测模型，预测相同传播条件下的下行信道参数，提高下行信道参数预测模型的性能。
弱学习器使用选择的最佳的上行信道参数和环境特征和预测目标下行信道参数进行训练，得到每个弱学习器预测结果及相应权重，通过合并弱学习器构建基于集成学习的下行信道参数预测模型，提高下行信道参数预测模型的性能，具体实现方法为：
弱学习器使用选择的最佳的上行信道参数环境特征和预测目标下行信道参数进行训练，得到每个弱学习器预测结果p1,...,pL，以及它们的相应权重w1,...,wL，通过合并弱学习器构建基于集成学习的下行信道参数预测模型如下式所示：
其中，是下行信道参数预测结果。L是弱学习器数目，pl是第l个弱学习器的预测结果，wl是第l个弱学习器的权重。
基于步骤二建立的基于集成学习的预测模型，预测相同传播条件下的下行信道参数，但当传播环境下快速变化时，很难在短时间获得足够的训练样本，将影响集成学习模型的预测精度，为解决新传播环境下训练样本不足的问题，还包括步骤三、建立基于实例迁移的下行信道参数预测模型预测新传播条件下的下行信道参数，是总训练集，初始化源域和目标域的权重分布W1，采用两阶段TrAdaBoost.R2算法，将源域实例和目标域实例的权重调整分为两个阶段，在第一个阶段，计算仅在目标域上的平均误差et，调整目标域的权重，源域的权重保持不变，第二个阶段为计算仅在源域上的平均误差εt，调整源域的权重，目标域的权重保持不变，得到基于实例迁移的下行信道参数预测模型，在新传播环境下迅速预测下行信道参数。
基于两阶段TrAdaBoost.R2算法建立基于实例迁移的下行信道参数预测模型预测新传播条件下的下行信道参数，预测过程描述如下：
源域训练集命名为其包含n个样本，目标域训练集名为包含m个样本。是总训练集。中第v个样本的上行信道参数命名为第v个样本的环境特征命名为第v个样本的预测下行信道参数被命名为v＝1,…,n表示原始训练集中样本的索引，v＝n+1,…,n+m表示新训练集中样本的索引。新传播环境下的下行信道参数预测模型名为MT。首先，初始化和的权重分布W1，t代表训练迭代次数，并在初始化时设置为1。
W1＝{w1,1,...,w1,i,...,w1,n+m} (7)
其中w1,v表示第一次迭代中第v个样本的权重，由下式给出：
对于每个迭代t＝2,3,...,T,通过使用训练构建回归估计器并计算仅在上的平均误差et为：
然后，将的权重更新为：
wt,v表示第t次迭代中第v个样本的权重。Zt是一个标准化常数。βt由以下给出
的权重保持不变。这个过程是新传播环境下下行信道参数预测的第一阶段。
在新传播环境下下行信道参数预测的第二阶段，的误差率εt计算为：
然后，更新的权重，而的权重保持不变。
其中γt由下式给出：
得到实例迁移模型其中作为新传播条件下的下行信道参数预测模型。通过将选定的新传播环境特征输入到训练好的下行信道参数预测模型中，得到基于实例迁移的下行信道参数预测模型，在新传播环境下迅速预测下行信道参数。
还包括步骤四：根据步骤二或步骤三预测的下行信道参数，应用于无线通信领域，支撑非对称毫米波亚毫米波通信系统设计、部署、优化，提高非对称信道下无线通信的效率和精度。
有益效果：
1、本发明公开的一种毫米波亚毫米波频段非对称信道参数预测方法，根据上行信道参数和环境特征预测下行信道参数，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，进而实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成。
2、本发明公开的一种毫米波亚毫米波频段非对称信道参数预测方法，结合实例迁移算法预测新传播条件下的下行信道参数，解决新传播环境下训练样本不足的问题，在新传播环境下迅速预测下行信道参数。
3、本发明公开的一种毫米波亚毫米波频段非对称信道参数预测方法，采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，根据所述重要性程度排序，通过MDL算法决定用于下行信道参数预测的最佳的特征，从上行信道参数和环境特征中选择与下行信道参数相关性强的特征，即采用基于SHAP和MDL的特征选择算法，减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响，有效降低下行信道参数预测模型的复杂度。
4、本发明公开的一种毫米波亚毫米波频段非对称信道参数预测方法，能够应用于无线通信领域，支撑非对称毫米波亚毫米波通信系统设计、部署、优化，提高非对称信道下无线通信的效率和精度。
附图说明
图1为本发明一种毫米波亚毫米波频段非对称信道参数预测方法的流程图。
图2为案例仿真环境渥太华城市传播环境。
图3为预测参数为路径损耗时，基于MDL的特征选择算法的结果。
图4为预测参数为路径损耗时，相同传播条件下基于Adaboost算法的下行信道参数预测模型预测效果。
图5为预测参数为路径损耗时，新传播条件下迁移前后的基于Adaboost算法的下行信道参数预测模型的预测精度对比。
具体实施方式
下面结合附图并举实施例，对本发明的一种非对称毫米波下行信道参数预测方法进行详细描述。
如图1所示，本实施例公开的一种毫米波亚毫米波频段非对称信道参数预测方法，具体实现步骤如下：参数由Wireless Insite软件仿真生成，仿真区域为加拿大渥太华典型城市区域如图2所示。仿真区域面积为1000m×630m。基站固定在中心，离地高度为30m。传播环境以基站位置为中心分为三个部分。基站的接收波束宽度为60°/120°，发射波束宽度为10°/30°。所有终端均采用全向天线进行传输和接收，并沿道路分布。每个终端的高度为1.5米，总共有5635个不同的终端位置，在每个位置计算信道参数。
步骤一：采用SHAP算法确定上行信道参数和环境特征对下行信道参数预测的重要性程度，根据所述重要性程度排序，通过MDL算法决定用于下行信道参数预测的最佳的特征，从上行信道参数和环境特征中选择与下行信道参数相关性强的特征，即采用基于SHAP和MDL的特征选择算法，减少弱相关或不相关特征的计算量和对下行信道参数预测模型精度的负面影响，有效降低下行信道参数预测模型的复杂度。将所述最佳的特征构建训练集，并将所述基于最佳特征构建的训练集输入到下行信道参数预测模型中。所述信道参数和环境特征如下表所示。
步骤1.1:案例考虑下行信道参数路径损耗PLDL是待预测参数，采用SHAP算法确定上行信道参数和环境特征对下行信道参数路径损耗PLDL预测的重要性程度，中位数SHAP值用于反映上行信道参数和环境特征对下行信道参数路径损耗PLDL预测的相关性，并被用于衡量特征的重要性。考虑第i个训练样本，把用于计算SHAP值的基本预测模型表示为G，它可以被表示为：
其中是第i个训练样本的上行信道参数，是第i个训练样本的环境特征，为第i个训练样本的第k个特征的SHAP值。K是特征总数。是样本集合。表示样本集中存在第k个特征，表示它不存在。φ0是训练样本的平均预测值，通过下式计算：
第i个训练样本的第k个特征的SHAP值表示为：
其中，意味着从移除 是第k个特征，S是的所有子集，为了计算第k个特征对预测结果的重要性，模型由和S进行训练。GS是仅用S训练的模型。训练集中的每个样本都有自己的SHAP值。为了消除少数极端样本对结果的影响，选择样本SHAP值的中值来表示特征的总体重要性。
步骤1.2:在计算所有特征的SHAP中值后，采用MDL算法计算所选特征的数量。由MDL计算出的所选特征的数量为所选特征为表示为f1′,f2′,…,用于计算特征选择阈值的MDL标准的目标函数阈值定义为：
其中，所选特征的数量估计为：
选择最重要的个特征。
步骤1.3:基于SHAP和MDL算法所选择的最佳特征如下表所示，基于所选择的最佳特征构建训练集，并将所述基于最佳特征构建的训练集输入到下行信道参数预测模型中。
步骤二、充分考虑信道分布环境呈现出非对称性的特点，在步骤一选择最佳的上行信道参数和环境特征后，根据选择的上行信道参数和环境特征预测下行信道参数路径损耗PLDL，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，进而实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；此外，弱学习器使用选择的最佳的上行信道参数和环境特征和预测目标下行信道参数路径损耗PLDL进行训练，得到每个弱学习器预测结果及相应权重，通过合并弱学习器构建基于Adaboost算法的集成学习下行信道参数预测模型，基于Adaboost算法的集成学习下行信道参数预测模型，预测相同传播条件下的下行信道参数，提高下行信道参数预测模型的性能。
Adaboost算法是合理地结合多个弱学习器来建立一个强学习器。在Adaboost算法中，有两种权重。一种是弱学习器的权重。每个迭代中被训练的弱学习器的权重将根据其预测精度进行调整。预测误差较小的弱学习器将被分配较高的权重。另一个是训练样本的权重。在这个迭代中，预测误差大的样本的权重将增加。下一次迭代中会对这些样本给予更多关注。因此，每个弱学习器只关注一部分数据，而这些弱学习器可以被组合起来应用于整个数据集。
弱学习器使用选择的最佳的上行信道参数环境特征和预测目标下行信道参数路径损耗进行训练，得到每个弱学习器预测结果p1,...,pL，以及它们的相应权重w1,...,wL，通过合并弱学习器构建基于集成学习的下行信道参数预测模型如下式所示：
其中，是下行信道参数路径损耗PLDL预测结果。L是弱学习器数目，pl是第l个弱学习器的预测结果，wl是第l个弱学习器的权重。
在案例中，收集位于于扇区1中不同终端位置的2518个数据样本。为了验证所提出的基于Adaboost算法的集成学习下行信道参数预测模型的预测能力，将收集的数据随机分为两组。80％的数据用作训练集，剩下的数据用作测试集，以MAE为评价指标，Adaboost方法的预测效果如图4所示。
基于步骤二建立的基于Adaboost方法的集成学习的预测模型，预测相同传播条件下的下行信道参数，但当传播环境下快速变化时，很难在短时间获得足够的训练样本，将影响集成学习模型的预测精度，为解决新传播环境下训练样本不足的问题，还包括步骤三、建立基于实例迁移的下行信道参数预测模型预测新传播条件下的下行信道参数， 是总训练集，初始化源域和目标域的权重分布W1，采用两阶段TrAdaBoost.R2算法，将源域实例和目标域实例的权重调整分为两个阶段，在第一个阶段，计算仅在目标域上的平均误差et，调整目标域的权重，源域的权重保持不变，第二个阶段为计算仅在源域上的平均误差εt，调整源域的权重，目标域的权重保持不变，得到基于实例迁移的下行信道参数预测模型，在新传播环境下迅速预测下行信道参数。
基于两阶段TrAdaBoost.R2算法建立基于实例迁移的下行信道参数预测模型预测新传播条件下的下行信道参数，预测过程描述如下：
源域训练集命名为其包含n个样本，目标域训练集名为包含m个样本。是总训练集。中第v个样本的上行信道参数命名为第v个样本的环境特征命名为第v个样本的预测下行信道参数被命名为v＝1,…,n表示原始训练集中样本的索引，v＝n+1,…,n+m表示新训练集中样本的索引。
新传播环境下的下行信道参数预测模型名为MT。首先，初始化和的权重分布W1，t代表训练迭代次数，并在初始化时设置为1。
W1＝{w1,1,...,w1,i,...,w1,n+m} (7)
其中w1,v表示第一次迭代中第v个样本的权重，由下式给出：
对于每个迭代t＝2,3,...,T,通过使用训练构建回归估计器并计算仅在上的平均误差et为：
然后，将的权重更新为：
wt,v表示第t次迭代中第v个样本的权重。Zt是一个标准化常数。βt由以下给出：
的权重保持不变。所述过程是新传播环境下下行信道参数预测的第一阶段。在新传播环境下下行信道参数预测的第二阶段，的误差率εt计算为：
然后，更新的权重，而的权重保持不变。
其中γt由下式给出：
得到实例迁移模型其中作为新传播条件下的下行信道参数预测模型。通过将选定的新传播环境特征输入到训练好的下行信道参数预测模型中，得到基于实例迁移的下行信道参数预测模型，在新传播环境下迅速预测下行信道参数。
在本案例中，源域是扇区1中具有120°接收波束宽度和30°发射波束宽度的信道，目标域是同一扇区中具有120°的接收波束宽度和10°发射波束宽度的信道。预测目标是具有新发射波束宽度的下行信道参数路径损耗PL。目标域中的样本总数为2518，只选择10到250个样本进行训练。训练集由源域中的2518个样本和目标域中的所选样本组成。将基于实例迁移学习的Adaboost算法模型与基于非迁移学习的Adaboost算法模型性能进行比较。结果如图5所示，实例迁移算法提高了下行信道参数预测模型的准确性。随着目标域样本数的增加，该模型的预测精度逐渐提高。
在本案例中，根据上行信道参数和环境特征预测下行信道参数，解决非对称的上下行信道之间不存在互易性，对称信道的仿真方法不能直接用于非对称信道的问题，进而实现非对称毫米波亚毫米波上下行无线信道准确、高效的联合生成；结合实例迁移算法预测新传播条件下的下行信道参数，解决新传播环境下训练样本不足的问题，在新传播环境下迅速预测下行信道参数。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：对讲中继系统及其射频收发控制方法、装置