[0001] 本发明属于信道建模技术领域，具体涉及一种基于强化损失函数的空时域预测信道建模方法。

[0002] 近年来，第六代无线通信系统(The Sixth Generation,6G)信道建模的研究在6G无线通信技术的发展中发挥了重要作用。6G技术愿景中提出了全覆盖、全应用和全频段的新挑战。然而，当前的信道测量还无法覆盖所有场景、应用和频段。此外，传统的信道建模方法，例如基于几何的随机信道模型，主要关注信道统计特性的描述，暂时无法预测未来时间和未知场景中的信道特性。

[0003] 当前，机器学习在解决预测问题上展现出了很强的能力，机器学习在预测性信道建模中的应用也正在不断优化，以期在多样化的通信场景中提高信道特性的预测精度。研究已经证明，通过机器学习模型算法，如循环神经网络(Recurrent Neural Network，RNN)、可解释神经网络(Explainable Neural Network,XNN)等，能够有效地对齐实验信道测量数据，并保持预测误差在可接受的阈值内。此外，机器学习技术还被用于优化无线传播信道研究，包括信道特性分析和天线‑信道优化，以及在多用户多输入多输出(Multiple‑Input Multiple‑Output,MIMO)系统中提高信道预测的效率。

[0004] 尽管数据集规模和模型参数设置对机器学习信道模型的预测精度有着显著影响，但损失函数的设计同样关键，却往往未得到充分重视。损失函数不仅响应预测序列的准确性，而且对网络参数的调整起着决定性作用。在空时域信道中，空间和时间信道特性之间的相关性对算法的训练效率和收敛速度有着直接影响。

[0005] 因此，设计一个能够充分考虑时空域信道特性的损失函数，提高基于机器学习的预测性信道模型的预测准确性，显得尤为关键。

[0070] 为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于强化损失函数的空时域预测信道建模方法做进一步详细的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。同时对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

[0071] 本发明一种基于强化损失函数的空时域预测信道建模方法，如图1所示，包括以下步骤：

[0072] 步骤S1、获取信道测量数据，确定无线信道所处的环境和天线位置的信道测量环境参数；

[0073] 步骤S2、引入基于生成对抗网络(Generative Adversarial Network，GAN)的数据增强模块，将信道特性作为条件向量，生成与信道测量数据相似的信道数据集；

[0074] 步骤S3、引入门控循环单元(Gated Recurrent Unit，GRU)的预测信道模型架构，利用GRU网络捕捉序列数据中的依赖性，将步骤S2中生成的信道数据集统计特性输入网络，预测未来时间未知位置的信道特性；

[0075] 步骤S4、构建空间‑时间感知的权重损失函数，考虑空间和时间信道特性的相关性，整合空间‑时间相关性函数来增强预测信道模型的准确性；

[0076] 步骤S5、执行GRU预测信道模型网络训练，初始化网络参数配置，分别设置不同的预测距离和不同的训练集样本量作为模型训练变量，测试模型在不同预测距离和不同训练集样本量下的预测准确性；

[0077] 步骤S6、评估强化预测信道模型的性能，在不同的预测距离和不同的训练集样本量下比较步骤S4构建的空间‑时间感知的权重损失函数与传统损失函数在预测准确性方面的差异。

[0078] 在本发明的一个实施例中，步骤S1具体包括如下子步骤：

[0079] S101、选择室内走廊场景进行信道测量，确定信道测量的基本参数，包括频率f、收发天线位置、测量距离d等。

[0080] S102、在视距条件下捕获CIR，对收集到的信道测量数据进行预处理，得到相应信道统计特性，以便于后续模型训练和预测。

[0081] 本实施例中，步骤S2具体包括如下子步骤：

[0082] S201、定义条件向量。所述条件向量v计算方法如下：

[0083] v＝[PL(d),τ(d),KR(t)]

[0084] 其中，PL(d)是路径损耗，τ(d)是时延扩展，KR(t)是Rician K因子。

[0085] S202、生成器设计。所述生成器设计，具体包括，使用GAN网络扩充信道测量数据，将随机高斯噪声向量s和条件向量v作为输入，生成合成数据。

[0086] S203、鉴别器设计。所述鉴别器设计，具体包括，将真实或合成的信道数据以及相应的条件向量v作为输入，通过训练学习区分信道测量数据和生成信道数据。

[0087] S204、数据合成和增强。所述数据合成和增强，具体包括，通过训练GAN网络，使得鉴别器无法区分信道测量数据和生成信道数据，即可独立提取从而扩充训练数据集。

[0088] 本实施例中，步骤S3具体包括如下子步骤：

[0089] S301、GRU预测信道模型网络构建。所述GRU预测信道模型网络，具体包括，将空间‑时间域信道预测问题视为序列预测任务。构建GRU网络捕捉连续天线位置的信道测量数据中的序列相关性。

[0090] S302、信道数据输入。所述信道数据，具体包括，针对步骤S2中增强后的信道数据集，将其按照一定比例划分为训练集、验证集和测试集，作为预测网络的输入。

[0091] 具体地，本实施例数据增强模块架构和预测信道模块网络架构如图2所示，基于GRU网络的空时域信道预测示意，如图3所示。

[0092] 本实施例中，步骤S4具体包括如下子步骤：

[0093] S401、空间‑时间相关性分析。所述空间‑时间相关性，具体包括，基于信道数据集，定义空时相关函数如下：

[0094] Rh(Δr)＝E{h(r)h*(r+Δr)}

[0095] 其中，r是接收天线Rx与发射天线的距离，Δr是两次Rx信道测量位置的距离差，*(·) 是卷积计算，h(r)表示r位置信道冲激响应，E{·}表示期望值。

[0096] S402、构建权重分配机制。所述权重分配机制，具体包括，根据空间‑时间相关性，为信道测量数据集的每个样本分配一个权重。权重计算函数如下：

[0097] W(r,Δr)＝f(Rh(Δr))

[0098] 其中，f是描述r与Rh(Δr)的权重相关性函数，取决于具体的信道测量场景。

[0099] S403、构建归一化权重函数。所述归一化权重函数，具体包括，对计算出的权重进行归一化处理，确保权重分布合理，不会因为极端值而影响模型训练。权重函数计算如下：

[0100]

[0101] 其中，∑Δr W(r,Δr)表示训练样本集权重之和；

[0102] S404、整合权重到损失函数。所述权重损失函数，具体包括，将计算得到的权重应用于传统的损失函数(如均方误差MSE或对数双曲余弦log‑cosh损失)，形成一个新的空间‑时间感知的权重损失函数。

[0103] 本实施例中，步骤S5具体包括如下子步骤：

[0104] S501、初始化网络参数配置。

[0105] 初始化网络参数配置，具体包括，设置隐藏层数量为2层，和每个隐藏层有256个单元，其中隐藏层使用PReLU激活函数。再设置训练批次大小为128，训练轮次设置为2500，初始学习率为0.0001，学习率衰减为0.9。

[0106] S502、根据不同的预测距离Δr和不同的训练集样本量N设置模型输入，并比较预测准确性。

[0107] 其中，预测准确性，包括：获得输出预测信道数据和输入信道数据的均方根误差RMSE，从而能够探究模型预测的最优预测距离、最佳预测范围和最优训练集样本量的取值。

[0108] 本实施例中，步骤S6具体包括如下子步骤：

[0109] S601、比较不同损失函数在GRU预测信道模型下的预测性能。所述不同损失函数，具体包括，MSE损失函数，Huber损失函数，log‑cosh损失函数，所提空间‑时间感知权重MSE损失函数，以及所提空间‑时间感知权重Log‑cosh损失函数。

[0110] 其中，MSE损失函数公式如下：

[0111]

[0112] 其中，yi表示i位置的信道测量数据， 是i位置的预测信道输出。

[0113] Huber损失函数公式如下：

[0114]

[0115] 其中，参数δ是影响Huber损失函数预测准确性的指标。

[0116] Log‑cosh损失函数公式如下：

[0117]

[0118] 本实施例所提空间‑时间感知权重MSE损失函数公式如下：

[0119]

[0120] 本实施例所提空间‑时间感知权重Log‑cosh损失函数公式如下：

[0121]

[0122] S602、分析空间‑时间感知的权重损失函数在不同预测距离和训练数据集样本量下的优势。通过仿真获得在使用不同损失函数的预测信道模型下，不同Rx位置处信道测量数据与不同模型生成的预测数据之间的RMSE，以及在使用不同损失函数的预测信道模型下，不同训练集样本量大小的信道测量数据与不同模型生成的预测数据之间的RMSE。

[0123] 具体地，本实施例不同预测距离下使用不同损失函数的预测信道数据与信道测量数据的RMSE，如图4所示；不同训练集样本量下，使用不同损失函数的预测信道数据与信道测量数据的RMSE，如图5所示；进一步地，本实施例计算出的不同损失函数下的信道预测时延功率谱密度比较，如图6所示。

[0124] 图4表明，在不同的接收器位置(Rx位置)下，使用不同损失函数(包括均方误差MSE、Huber损失、Log‑cosh损失、加权MSE损失和加权Log损失)的预测信道模型的性能。性能通过均方根误差(RMSE)来衡量，RMSE越低，表示预测模型的准确性越高。特别地，随着预测点距离的增加，所有损失函数的RMSE均呈现上升趋势。但采用空间‑时间感知加权损失函数的模型在较大的预测距离上显示出更低的RMSE，表明其在处理空间‑时间信道特性时具有更好的预测准确性。

[0125] 图5表明，在不同大小的训练数据集下，使用不同损失函数的预测信道模型的性能。训练数据集的大小从180到250样本不等，性能同样通过RMSE来衡量。图中显示，随着训练数据集样本量的增加，所有模型的RMSE均有所下降。特别是采用空间‑时间感知加权损失函数的模型，在250个样本的训练数据集上就能达到较低的RMSE，表明该损失函数在利用有限数据进行训练时能更有效地提高模型的预测性能。其中，数据集样本量较大时的空间‑时间感知的权重损失函数更加明显地提升了模型预测准确性。这是由于训练集的增加，权重损失函数对空时信道特性更为敏感。

[0126] 图6表明，在特定接收器位置(如Rx15位置)下，使用不同损失函数训练的预测信道模型与实际信道测量数据的时延功率谱的比较。采用空间‑时间感知加权损失函数的模型在预测时延功率谱时，其峰值与实际测量数据更为接近，尤其是在35ns的时间点。然而，在150ns到200ns的范围内，预测结果出现较大波动，这可能是由于GAN数据增强模型生成的训练数据不足导致的噪声。

[0127] 综上所述，本发明提出的基于强化损失函数的空时域预测信道建模方法，考虑了信道空间和时间维度上的相关性，所提出的空间‑时间感知的权重损失函数能够更准确地反映信道特性，从而提高预测模型的精度。其次，加权机制使得模型在训练过程中更加关注那些对预测性能影响较大的信道样本，增强了模型对关键信道特性的学习，具有较高的准确性，适中的复杂度以及更好的普适性，丰富了预测信道建模方法。

[0128] 仿真的结果表明，与传统损失函数相比，本发明的损失函数在各种预测场景下均能显著降低预测误差，验证了本发明方法的有效性和应用潜力。因此，本发明在信道预测方面具有良好的性能，可以用于6G预测信道建模、网络优化和网络规划等关键技术。

[0129] 本发明未详述之处，均为本领域技术人员的公知技术。

[0130] 以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。