基于深度学习的高动态场景无线信道特征提取与跟踪.pdf

摘要

获取无线信道中电磁波的离开角、到达角等特征参数，可以使研究者更加准

确地了解信道特性，还可以将获得的信道特征参数在波束赋形、收发端定位、微

波暗室复现信道等领域进行应用。提取信道特征参数的经典算法有基于极大似然

估计的算法，但是此类算法有时间复杂度较高的问题。随着智能网联汽车兴起车

联网C-V2X（CellularVehicletoEverything）通信已经成为通信领域重要的研究方

向，与传统蜂窝无线通信相比具有高动态、非平稳和多径丰富的特点，因此在研

究此类信道时，用于研究传统蜂窝无线通信的方法也需要改进。近年来深度学习

等AI（ArtificialIntelligent）技术蓬勃发展，在图像和语音文字处理、自动驾驶等

方面都得到了广泛应用。本文基于神经网络对非线性映射关系的强大拟合能力，

提出了一种基于深度学习且适用于高动态无线信道的信道特征提取与跟踪的方法。

对于提取信道特征参数，本文考虑到高动态场景的多径丰富的特性，提出在

多径簇的层面提取信道簇参数。因为信道样本之间的差距会导致模型泛化能力变

差和模型训练不稳定，本文对此提出了一种对信道状态信息和簇参数的归一化方

法。此外，因为LOS（LineofSight）和NLOS（NonLineofSight）两种通信场

景之间具有较大的差异，本文分别训练了两种簇参数估计神经网络模型用于估计

两种场景下的簇参数。本文计算估计结果与真实结果之间的绝对误差，并统计了

各个簇参数绝对误差CDF（CumulativeDistributionFunction）作为算法估计性能

的衡量标准。对于信道特征参数的跟踪，本文提出了一种基于簇参数距离的定义

簇差异的标准，并利用低时间复杂度的KM关联算法关联相邻时刻的簇。考虑到

时变簇参数的连续性，本文引入了卡尔曼滤波算法对簇参数进行优化。

由于COST2100信道模型对天线在移动过程中的信道时变性和非平稳性进行

了建模，因此本文用于训练神经网络和验证算法性能的数据集均基于COST2100

信道模型产生。实验结果显示，对于信道特征提取，在LOS场景下本文所提出的

簇参数提取方法可高精度估计LOS径的参数，对LOS场景下其他簇参数的估计

结果也较准确。在NLOS场景下，本文提出的簇参数提取方法也可较准确的估计

各个簇的参数。对于信道特征跟踪，本文提出的簇参数关联方法可以达到较高的

关联准确率，卡尔曼滤波算法的加入也对神经网络估计的各个簇参数起到了修正

作用。

关键词：高动态无线信道，深度学习，特征提取，特征跟踪

ABSTRACT

Obtainingtheelectromagneticwavedepartureangle,arrivalangle,delayandother

characteristicparametersofthewirelesschannelcanenableresearcherstounderstand

thechannelcharacteristicsmoreaccurately,andcanalsoapplytheobtainedchannel

characteristicparametersinthefieldsofbeamforming,transceiverpositioning,

microwaveanechoicchamberreproductionchannel,etc.Theclassicalalgorithmsfor

extractingchannelfeatureparametersincludetheSAGEalgorithmbasedonmaximum

likelihoodestimation,butsuchalgorithmshavetheproblemofhightimecomplexity.

Withtheriseofintelligentconnectedvehicles,C-V2X