本发明涉及无线通信,尤其涉及一种基于深度学习的跨频信道仿真和数据重构方法。
背景技术:
1、在无线通信中,传播信道是连接通信系统中发射端与接收端的物理媒介。传播信道的特性直接决定了无线通信系统的性能。因此,对于电波传播现象以及信道特性的深入研究是实现系统最优设计的先决条件。真实传播场景下的信道数据是开展无线信道研究的基础,信道测量是获取无线信道数据必不可少的重要环节之一。信道测量可以为无线信道建模提供原始数据,便于研究人员利用统计方法,完成对于不同通信系统在不同传播环境下的无线信号变化过程的刻画。但是由于信道测量操作的复杂性以及面对新场景和新频段测量的挑战性,测量得到的信道数据非常有限。
2、如果能够基于少量的真实测量信道数据,利用人工智能(ai)的方法实现信道数据的重构和建模,通过信道到信道(channel-to-channel)的模式生成大量逼真的信道数据,可以极大程度地支撑信道特性的研究,甚至开发出新的信道建模范式,进一步支撑通信系统的性能分析和设计。
3、目前,现有技术中还没有一种有效的实现2.6ghz信道与5.9ghz信道之间的相互转换的方法。
技术实现思路
1、本发明的实施例提供了一种基于深度学习的跨频信道仿真和数据重构方法,以实现2.6ghz信道与5.9ghz信道之间的相互转换的。
2、为了实现上述目的,本发明采取了如下技术方案。
3、一种基于深度学习的跨频信道仿真和数据重构方法,包括:
4、获取车到车信道测量数据,对所述车到车信道测量数据进行预处理;
5、构建基于频段迁移的信道仿真和数据重构模型,利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练,得到训练好的信道仿真和数据重构模型;
6、将2.6ghz和5.9ghz信道数据输入到所述训练好的信道仿真和数据重构模型中,所述训练好的信道仿真和数据重构模型输出5.9ghz和2.6ghz数据。
7、优选地,所述的获取车到车信道测量数据,对所述车到车信道测量数据进行预处理,包括:
8、将发射机与接收机天线分别放置于两辆车的车顶,分别放置了发射机与接收机的两辆车辆同向而行,测量时,在发射端矢量信号发射机进行多载波信号输出,通过功率放大器对发射机输出的测试信号进行功率放大,通过全向发射天线进行发射;在接收端,接收机通过全向天线采集并存储为复信号,系统校准数据通过收发端直连测量获得,通过傅里叶变换将实测数据和校准数据转换至频域,去除接收信号的系统响应,利用已知的参考信号将去除系统响应的接收信号除以傅里叶变换后的参考信号,再经过傅里叶反变换计算得到信道冲激响应h;
9、将利用所述两辆车辆测量得到的信道冲激响应h转换为db域的信道功率时延谱,计算公式如下:
10、pdp=20log10(|h|2) (1)
11、对信道功率时延谱进行归一化处理,得到归一化后的2.6ghz和5.9ghz功率时延谱,计算方法如下:
12、
13、其中pdpi为功率时延谱数据集中第i个样本,min与max分别为取功率时延谱数据集中的最小值和最大值。
14、优选地,所述的构建基于频段迁移的信道仿真和数据重构模型,利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练,得到训练好的信道仿真和数据重构模型,包括:
15、构建实现2.6ghz信道与5.9ghz信道之间的相互转换的基于频段迁移的信道仿真和数据重构模型,所述信道仿真和数据重构模型由两个转换器和两个判别器组成,其中一个转换器的作用是学习2.6ghz信道到5.9ghz信道的映射并生成5.9ghz信道,另一个转换器的作用是学习5.9ghz信道到2.6ghz信道的映射并生成2.6ghz信道,两个判别器的作用是判断输入的信道是来自真实测量的目标域信道或者来经过转换器转换的信道,并给出判别结果;所述信道仿真和数据重构模型包含四个损失函数,四个损失函数分别对应两个转换器和两个判别器;
16、用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练,在训练过程中,调节转换器和判别器的训练步长,将转换器和判别器的步长比设置为5:1,在训练了设定数量的轮次后,当损失函数的值符合误差范围标准后,保存当前的所述信道仿真和数据重构模型的参数,得到训练好的信道仿真和数据重构模型。
17、优选地,所述的构建基于频段迁移的信道仿真和数据重构模型,利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练,得到训练好的信道仿真和数据重构模型,包括:
18、所述转换器包含编码器、残差块和解码器,其中编码器由卷积神经网络组成,编码器使用一维卷积提取输入信道样本的特征,在每个一维卷积层后都加入归一化层和激活层,选择leaky relu作为转换器的激活函数,leaky relu的原理如式(2)所示:
19、
20、其中,x为所述leakyrelu激活函数的输入,当x<0时,所述leakyrelu激活函数赋予所述输入x一个斜率α,经过编码器的数据将被映射成一个潜在的特征,该特征随后进入残差块;
21、所述残差块由两个一维卷积层组成,输入的残留部分与卷积输出相加作为最终输出,残差块输出的结果被送入最终的解码器中,解码器由转置卷积层组成,位于转换器的最后一层的一维卷积层将解码器的结果映射为信道响应数据;
22、所述判别器利用一维卷积对输入的来自转换器的输入域的信道响应数据或真实的目标域信道样本进行特征提取,根据提前的特征得到输入为真实目标域样本或转换目标域样本的概率结果;
23、所述信道仿真和数据重构模型的损失函数包括生成对抗网络中的对抗损失、映射损失和循环一致性损失,对抗损失要求判别器需要鉴别出真实的和重构的信道数据,并分别输出概率值为1和0,所述映射损失和循环一致性损失用来约束转换器,保证生成数据保留原始数据除频率特征外的部分,当判别器判别来自目标域的真实测量数据的结果为真,判别器输出为1;当判别器判别出来自转换器重构的信道样本,判别器输出为0。
24、优选地,所述的将2.6ghz和5.9ghz信道数据输入到所述训练好的信道仿真和数据重构模型中,所述训练好的信道仿真和数据重构模型输出5.9ghz和2.6ghz数据,包括:
25、所述训练好的信道仿真和数据重构模型基于深度学习建立2.6ghz和5.9ghz之间的相互映射关系,将2.6ghz的信道功率时延谱输入到所述训练好的信道仿真和数据重构模型,所述训练好的信道仿真和数据重构模型输出5.9ghz的信道功率时延谱,将5.9ghz的信道功率时延谱输入到所述训练好的信道仿真和数据重构模型,所述训练好的信道仿真和数据重构模型输出2.6ghz的信道功率时延谱。
26、由上述本发明的实施例提供的技术方案可以看出,本发明实施例基于生成对抗网络,结合真实测量数据的验证,提出了一种基于深度学习的跨频信道仿真和数据重构方法。该方法能够实现跨频段的海量信道数据生成和传播特征重构,重构信道的信道特性和真实测量信道保持相同分布。
27、本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。