没有合适的资源?快使用搜索试试~ 我知道了~
信道建模是设计无线通信系统的基础,传统的信道建模方法无法自动学习特定类型信道的规律,特别是在针对特殊应用场景,如物联网、毫米波通信、车联网等,存在一定的局限性。此外,机器学习具有有效处理大数据、创建模型的能力,基于此,探讨了机器学习如何与信道建模进行有机融合,分别从信道多径分簇、参数估计、模型的构造及信道的场景识别展开了讨论,对当前该领域的重要研究成果进行了阐述,并对未来发展提出了展望。
资源推荐
资源详情
资源评论
2021 年 2 月 Journal on Communications February 2021
第 42 卷第 2 期 通 信 学 报 Vol.42
No.2
机器学习在信道建模中的应用综述
刘留
1
,张建华
2
,樊圆圆
1
,于力
2
,张嘉驰
1
(1. 北京交通大学电子信息工程学院,北京 100044;2. 北京邮电大学网络与交换技术国家重点实验室,北京 100876)
摘 要:信道建模是设计无线通信系统的基础,传统的信道建模方法无法自动学习特定类型信道的规律,特别是
在针对特殊应用场景,如物联网、毫米波通信、车联网等,存在一定的局限性。此外,机器学习具有有效处理大
数据、创建模型的能力,基于此,探讨了机器学习如何与信道建模进行有机融合,分别从信道多径分簇、参数估
计、模型的构造及信道的场景识别展开了讨论,对当前该领域的重要研究成果进行了阐述,并对未来发展提出了
展望。
关键词:信道建模;机器学习;神经网络;聚类;场景识别
中图分类号:TN929.5
文献标识码:A
DOI: 10.11959/j.issn.1000−436x.2021001
Survey of application of machine learning in
wireless channel modeling
LIU Liu
1
, ZHANG Jianhua
2
, FAN Yuanyuan
1
, YU Li
2
, ZHANG Jiachi
1
1. School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing 100044, China
2. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China
Abstract: Channel characterization is primary to the design of the wireless communication system. The conventional
channel characterization method cannot learn the law of certain types of channels by itself, which limits its application in
several special scenarios, such as Internet of things, millimeter wave communication and Internet of vehicles. Machine
learning was able to process the big data and establish the model. Based on this, the cooperation between the machine
learning and channel characterization was investigated. The channel multipath clustering, parameter estimation, model
construction and wireless channel scene recognition were discussed, and recent significant research results in this field
were provided. Finally, the future direction of the machine learning in wireless channel modeling was proposed.
Keywords: channel modeling, machine learning, neural network, clustering, channel classification
1 引言
信号在发射机天线发送后到达接收机天线所
经历的通道就是无线信道,无线通信正是利用电磁
波信号在此通道的传播特性进行信息交换的一种通
信方式,其特性决定了无线通信系统的性能限
[1]
。信
道建模就是在真实环境中探索和表征信道特性的
过程,它可以揭示无线电磁波在不同场景中的传播
方式。借助信道模型来了解信道的传播特性,可以
为通信系统的设计和优化提供指导
[2]
,因此,信道
建模是无线通信中最重要的研究方向之一,是评
估、设计和部署任何无线通信系统的前提。
收稿日期:2020–06–25;修回日期:2020–09–20
基金项目:国家重点研发计划基金资助项目(No.2018YFB1801101);国家自然科学基金杰出青年基金资助项目
(No.61925102);北京市自然科学基金–海淀原始创新联合基金资助项目(No.L172030);国家自然科学基金重点资助项目
(No.61931001)
Foundation Items: The National Key Research and Development Program of China (No.2018YFB1801101), The National Science
Fund for Distinguished Young Scholars of China (No.61925102), The Beijing Natural Science Foundation-Haidian Original Innova-
tion Joint Fund Project (No.L172030), Key Program of National Natural Science Foundation of China (No.61931001)
第 2 期 刘留等:机器学习在信道建模中的应用综述 ·135·
从国内外研究现状来看,面向 5G 信道特性的
研究主要是在某个场景或频段下采用传统的手段
进行统计分析的,缺少自动学习规律技术的支持,
难以应对海量化、时变性、特征多样化的无线信道
数据变化趋势。因此,为了更好地了解信道的传播
特性,需要一种高效且具有自适应和自学习能力的
技术
[3]
。机器学习(ML, machine learning)是一种
可以自动地从数据中发现规律,并利用此规律对未
知数据进行预测的算法,已经在学术界和工业界得
到了广泛的应用。作为人工智能的一个重要分支,
机器学习具有以下几点优势。
1) 强大的学习能力和预测能力。相关研究表
明,与现有的确定性和随机性信道建模方法相比,
基于机器学习的模型在准确性、复杂性和灵活性之
间具有较好的权衡。传统的信道建模方法依赖于不
同的信道配置(载波频率、发射端/接收端位置等),
比较复杂且耗时。基于机器学习的信道模型可以直
接学习数据集的特征,以一种更简单的方式直接获
得信道的统计特性,从而使结果更加准确。例如,
在射线追踪中需要构造不同的环境,在类似
WINNER(wireless world initiative new radio)的模
型中需要获得不同的参数集,而基于机器学习的信
道模型则从不同场景中收集数据来建立通用性更
强的模型架构。
2) 良好的非线性拟合及自适应能力。高速移
动、大规模天线等带来的信道在时域和空域的非平
稳特性,使实际应用的无线信道都是非线性的,而
机器学习恰恰在模拟非线性系统上有着良好的性
能。因此,只需要利用实测数据对基于机器学习的
信道模型进行足够多的训练,就可以用来模拟实际
应用中的无线信道。此外,大规模复杂场景导致各
种通信链路的信道条件迅速变化,此时严重依赖信
道状态信息(CSI, channel state information)的信道
模型性能会大幅降低
[4]
,而利用机器学习对其训练
以适应新的信道条件,可以建立泛化能力更好的信
道模型。
3) 擅于挖掘高维度和高冗余数据中的复杂特
征,可以高效地处理海量数据。5G 应用场景中提
出了增强型移动宽带(eMBB, enhanced mobile
broadband)、高可靠低时延(uRLLC, ultra reliable
and low latency communication)及海量机器通信
(mMTC, massive machine type communication)三大
典型应用场景,为了实现这一目标,5G 系统需要
成为一个范式转变,包括带宽很高的载波频率、极
端基站和设备密度以及前所未有的天线数量。相关
的关键技术包括毫米波通信、大规模多输入多输出
(massive MIMO)以及超密集组网,其中,毫米波
通信利用超大带宽提升网络吞吐量,massive MIMO
利用超高天线维度充分挖掘利用空间资源,超密集
组网利用超密基站提高频谱利用率,这使所需测量
的数据量和维度迅速增加
[5]
。随着数据的爆炸式增
长,在获取、存储和处理大量数据的过程中给传统
的信道建模方法带来了很大的挑战,而基于机器学
习的相关算法(如聚类、神经网络、粒子群算法等)
在处理大数据上却具有得天独厚的优势,例如文献[6]
对 179 个测量点进行测量,得到的频域信道冲激响
应(CIR, channel impulse response)的数据量为 320 768×
254 维矩阵。通过主成分分析(PCA, principal
component analysis)进行信道建模,不仅可以将信
道参数降低为 6 维的主成分,而且信道容量、特征
值分布等方面比 TR36.873 标准更接近实际测量的
结果。因此无线大数据时代给机器学习在 5G 及之
后的信道建模的应用研究带来了机遇。
综上,机器学习被认为是分析测量数据、理解
传播过程和构造模型的有力工具
[7]
。迄今,国内外
已经对高铁通信
[8-9]
、毫米波通信
[10-11]
、
4G/5G/6G
[5,12-13]
、V2V 通信
[14]
、无人机通信
[15]
、
massive MIMO
[16]
等应用场景的信道模型进行了综
述,而本文就机器学习如何与信道建模进行有机结
合展开讨论,主要可以分为以下三大类。
1) 信道多径分簇及参数估计。在 MIMO 中出
现了以簇为核心
[2]
的信道模型,这是因为研究簇的
特性可以简化建模过程。簇是一组具有相似的时
延、角度等参数的多径分量(MPC, multipath
component),因此,为了在接收端识别出簇,需要
一种与多径传播特性相对应的聚类算法,从而提高
簇核心模型的精度。自动聚类算法(如 k-power
means 算法)近年来得到了广泛应用,但仍然需要
簇的数量等先验假设信息。信道建模需要从大量实
测数据中提取表征信道衰落特性的各个关键特征
参数的随机分布,再根据信道特征参数的随机分布
来量化各个参量,在这些参量的基础上构建的信道
模型才能真正体现和反映真实信道传输的特性,进
而通过信道参数估计算法来提取信道特征的关键
技术。随着无线通信的发展,信道特征的维度由最
初的时–频二维扩展到时–频–空三维,所需提取的
·136· 通 信 学 报 第 42 卷
参数的数据量呈现出爆炸式增长,这给传统的信道
参数估计带来了很大挑战。然而许多分簇算法需要
在聚类之前通过高分辨率参数估计算法提取 MPC,
这些算法的计算复杂度普遍较高,难以在时变信道
中进行实时操作。因此,基于机器学习的 MPC 自
动聚类算法和参数估计算法受到了广泛的关注。
2) 信道模型构造。5G 及未来通信系统将支持
更大规模的天线阵列、更高的频段、更大的带宽及
更加复杂多样的应用场景,信道数据量也随之激
增。传统的基于簇的统计性建模方法较难找出抽头
簇与实际散射体之间的映射关系;确定性建模方法
预测准确但复杂度高,且依赖于环境信息精度。随
着人工智能的飞速发展,国内外提出了基于神经网
络(NN, neural network)
[17]
和基于簇核的信道建模
方法
[2]
。前者利用神经网络在描述数据特征和提取
系统输入与输出之间的映射关系展现出良好的性
能,可以使用实测数据集对神经网络进行充足的训
练,从而模拟实际场景的无线信道,寻找输入层变
量和输出层信道特征参数的相互关系。该方法利用
了神经网络自学、自适应和非线性拟合的特点,这
对时变信道的建模特别重要,尤其是在分析实际信
道数据时可以减少重新建模的成本。后者利用机器
学习算法从海量信道数据中挖掘信道特性,找到统
计性簇和确定性散射体之间的匹配映射关系,并通
过有限数量有物理意义的簇核进行信道建模。该方
法同时结合了统计性建模和确定性建模的优势,既
解决了确定性模型复杂度高的问题,又解决了统计
性模型缺乏物理含义的问题。
3) 信道状态分类/场景识别。信道状态分类/场
景识别是信道建模和通信系统部署的重要依据,不
同场景下的信道模型也不一致。另外,由于信道的
复杂性,实际测量所需的时间长且难度高,那么精
确的信道场景识别对系统进行分析和评估可以大
大提高工作的效率。然而,在传播环境多变的情况
下,使用基于单一度量的假设检验对场景进行分类
是不够准确的;另一方面,一些机器学习算法对于
数据的分类具有很大的优势,比如支持向量机
(SVM, support vector machine)、神经网络、随机森
林、决策树等。在这种情况下,学习和提取不同场
景下的信道属性差异有助于自动将测量的数据分
类到不同场景中,建立相应的信道模型,并发现用
于资源分配、系统优化或本地化的场景特征。
本文概述了机器学习应用于信道建模过程中
的相关研究。首先,介绍了利用机器学习优化传统
的信道参数估计,总结了国内外针对分簇所采用的
聚类算法,并从多个角度对不同聚类算法进行比
较。其次,总结了在大尺度衰落和小尺度衰落信道
下,神经网络对不同环境、场景和频段下的建模,
归纳出可优化模型的算法和通用的模型结构,介绍
了一种以簇为核心的智能化建模过程。再次,提出
了无线信道场景识别的研究难点以及目前的一些
研究方案。最后,对全文工作进行总结,并对未来
进行展望。
2 信道多径分簇及参数估计
对多径分量的统计特性进行建模通常有 2 类方
法:非簇结构建模与簇结构建模。非簇结构建模着
眼于每个多径分量,簇结构建模则把多径分量划分
成簇,用以研究簇内和簇间的统计特性,诸如簇数、
时延扩展、角度扩展等。簇结构的使用得益于 5G
系统有更多的 MIMO 信道数和更大的带宽推动,并
且大量测量分析显示,多径分量在实际环境中是以
簇状分布的
[18-19]
。开展对簇特性的研究,前提是从
电磁波中识别出簇,也即将 CIR 中的 MPC 一一划
分到相应的簇中。然而,在很长一段时间内,分簇
都是通过将测量的数据转换为图片再进行人工划
分的,这种方法没有一个准则来衡量效果,并且无
法观测高维结果。从 2006 年 Czink 等
[20]
将机器学
习算法引入信道多径参数分析,提出自动多径聚
簇,解决了传统人工分簇准确性低、效率低、难以
应对高维大数据量参数等问题后,k-means 算法等
机器学习算法就成为信道多径分簇的主流分析方
法。但是 k-means 算法只基于多径距离,并没有考
虑到信道多径的物理传播特性,因此,选择一种优
秀的分簇算法对基于簇的信道建模是十分关键的。
无线信道中 MPC 特性的挖掘深度和提取精度
决定了信道建模的精度和复杂度。随着无线通信的
发展,人们对无线信道特征的认知和利用也从单一
的大尺度衰落层面的功率距离关系逐步发展到空–
时–频多维的小尺度衰落层面,对 MPC 的描述也从
幅度–时延–多普勒的三维精确到幅度–时延–水平
离开角(AAOD, azimuth-angle of departure)−水平
到达角(AAOA, azimuth angle of arrival)–垂直离
开角(EAOD,elevation-angle of departure)−垂直
到达角(EAOA, elevation-angle of arrival)–多普勒
的七维特性。如果考虑极化特性,信道特征维度会
剩余19页未读,继续阅读
资源评论
syp_net
- 粉丝: 158
- 资源: 1187
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功