摘 要：針對６Ｇ 移動通信的通信場景復雜化、數(shù)據(jù)海量化，以及傳統(tǒng)信道建模方法帶來的測量成本昂貴、建模復雜度高等挑戰(zhàn)，將機器學習中的反向傳播神經(jīng)網(wǎng)絡(luò)（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＢＰＮＮ）應(yīng)用到室內(nèi)太赫茲信道建模中，有效降低了建模復雜度，提高了建模效率。建立了基于遺傳算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＧＡ）和蟻群算法（Ａｎｔ ＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）混合優(yōu)化的ＢＰＮＮ 信道參數(shù)預(yù)測模型，對太赫茲無線信道的大小尺度特性進行了學習與預(yù)測，并與傳統(tǒng)的ＢＰＮＮ 模型、ＧＡ-ＢＰ 和ＡＣＯ-ＢＰ 的預(yù)測結(jié)果進行了比較，驗證了所建立模型的準確性和有效性。結(jié)果表明，遺傳蟻群反向傳播（Ｇｅｎｅｔｉｃ ＡｌｇｏｒｉｔｈｍＡｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ-Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ，ＧＡ-ＡＣＯ-ＢＰ）模型的預(yù)測值和實際值間的誤差更小、擬合度更高，該模型的預(yù)測性能相較于其他３ 種模型更優(yōu)?；冢牵?ＡＣＯ 混合優(yōu)化的ＢＰＮＮ 能夠在小數(shù)據(jù)量的情況下對信道參數(shù)進行學習和預(yù)測，可用于未來基于測量的無線信道建模分析中。

關(guān)鍵詞：太赫茲；信道建模；射線跟蹤；機器學習

中圖分類號：ＴＮ９２９． ５ 文獻標志碼：Ａ

文章編號：１００３－３１１４（２０２４）０５－０９１４－０７

０ 引言

隨著５Ｇ 商用部署和規(guī)模應(yīng)用的推廣，現(xiàn)有的５Ｇ 網(wǎng)絡(luò)技術(shù)因存在速率難以再提升、頻率資源缺乏、網(wǎng)絡(luò)架構(gòu)不匹配等技術(shù)瓶頸，在信息速度、覆蓋廣度及智能深度上難以滿足目前數(shù)字經(jīng)濟發(fā)展的迫切需求。太赫茲頻段擁有豐富的頻譜資源，具有超高速大帶寬的傳輸能力和高精度的感知能力，可以有效緩解當前無線系統(tǒng)頻譜稀缺的問題，因此太赫茲頻段被認為是６Ｇ 通信有前途的頻段之一［１］。盡管太赫茲頻段極具吸引力，但是太赫茲頻段信道特性的測量、分析與建模具有很大挑戰(zhàn)。６Ｇ 信道數(shù)據(jù)海量化以及復雜且多樣的特征導致了信道測量變得更為困難。更高的頻段需要昂貴的高性能信道探測器，復雜多樣的場景需要開展大量的信道測量，處理測量數(shù)據(jù)需要使用更高分辨率參數(shù)估計算法，這帶來了極高的復雜性與挑戰(zhàn)性。因此，針對以上困難亟需一種高效、準確且具有自適應(yīng)能力的信道建模方法對無線信道的傳播特性進行建模。

傳統(tǒng)的無線信道建模方法有確定性建模和隨機性建模，其中隨機性模型又分為基于幾何的隨機模型（Ｇｅｏｍｅｔｒｙ-Ｂａｓｅｄ Ｓｔｏｃｈａｓｔｉｃ Ｍｏｄｅｌ，ＧＢＳＭ）和非幾何隨機模型（Ｎｏｎ-Ｇｅｏｍｅｔｒｉｃ Ｓｔｏｃｈａｓｔｉｃ Ｍｏｄｅｌ，ＮＧＳＭ）。確定性模型的建立依賴于傳播環(huán)境的精確信息，基于電磁波傳播理論基礎(chǔ)，運用電磁波傳播機制的理論分析方法以及多徑傳播過程中的直射、反射、透射、繞射、散射等理論計算出多徑傳播的傳播特性參數(shù)。然而，由于依賴于環(huán)境信息且計算復雜度高，確定性模型一般僅適用于針對較小范圍場景的信道建模。隨機性模型則通過確定的概率分布來描述信道參數(shù)，使得其在數(shù)學上易于處理且適用于各種場景，但精度相較于確定性模型更低。

近年來，基于機器學習的無線信道測量與建模成為信道建模領(lǐng)域的一大熱點。通過利用機器學習方法強大的學習能力和非線性擬合能力，可以挖掘特定信道環(huán)境中的信道特征，從而對無線信道傳播特性進行建模，有效降低建模的復雜度。Ｘｉａｏ 等［２］提出了一種基于深度學習的信道建模方法和信道生成方法，驗證了預(yù)測信道與實際信道之間的一致性以及信道狀態(tài)信息的有效性。Ｌｉ 等［３］提出了一種結(jié)合生成對抗網(wǎng)絡(luò)和長短期記憶的信道預(yù)測框架，專用于室內(nèi)無線信道建模，通過比較測量數(shù)據(jù)和預(yù)測數(shù)據(jù)的均方根誤差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＲＭＳＥ）和平均絕對百分比誤差（Ｍｅａｎ ＡｂｓｏｌｕｔｅＰｅｒｃｅｎｔ Ｅｒｒｏｒ，ＭＡＰＥ）評估了模型的預(yù)測性能，結(jié)果表明該模型能夠有效預(yù)測空間域中的未知信息。Ｈｕａｎｇ 等［４］提出了一種基于前饋神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的信道預(yù)測方法。通過學習信道環(huán)境特征，對接收功率、時延擴展和角度等信道特性進行了準確預(yù)測。Ｙａｎｇ 等［５］使用支持向量機基于車輛信道測量數(shù)據(jù)提出了一種預(yù)測到達角度的信道模型。此外，卷積神經(jīng)網(wǎng)絡(luò)已被用于基于衛(wèi)星圖像的路徑損耗預(yù)測，將環(huán)境特征納入基于卷積神經(jīng)網(wǎng)絡(luò)的模型，顯著提高了預(yù)測的準確性［６－８］。吳麗娜等［９］利用測量數(shù)據(jù)和有限的環(huán)境特征基于多層感知器神經(jīng)網(wǎng)絡(luò)建立了路徑損耗預(yù)測模型。Ｙｕ 等［１０］為了提高時變信道建模的精度，提出了一種基于長短期記憶的時變毫米波信道多徑分量簇軌跡預(yù)測模型。Ｆｕ 等［１１］結(jié)合深度神經(jīng)網(wǎng)絡(luò)和長短期記憶的優(yōu)勢，提出一種預(yù)測毫米波信道特征的新方法，實現(xiàn)了對信道特性變化趨勢的預(yù)測。

反向傳播神經(jīng)網(wǎng)絡(luò)（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰＮＮ）由于結(jié)構(gòu)簡單，具有很強的非線性映射能力且易于實現(xiàn)，是最為經(jīng)典、應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。李雙德等［１２］使用ＢＰＮＮ 預(yù)測大尺度參數(shù)，發(fā)現(xiàn)預(yù)測預(yù)測結(jié)果與射線跟蹤法得到的結(jié)果吻合程度很高。Ｈｕ 等［１３］通過ＱｕａＤｒｉＧａ 平臺生成相應(yīng)場景下的信道脈沖響應(yīng)，利用空間交替廣義期望最大化算法提取的相關(guān)參數(shù)訓練ＢＰ 模型，結(jié)果表明，模型的預(yù)測效果與該算法的估計效果相差很小。劉留等［１４］利用ＢＰＮＮ 對時變信道進行預(yù)測，對比３ 種誤差逆向傳播算法發(fā)現(xiàn)Ｌｅｖｅｎｂｅｒｇ-Ｍａｒｑｕａｒｄｔ 算法的效果最佳。何丹萍等［１５］基于衛(wèi)星圖像顏色信息以及距離特征訓練ＢＰＮＮ 以預(yù)測路徑損耗，實現(xiàn)了在不依賴環(huán)境材料信息的情況下對電波傳播路徑損耗的可靠預(yù)測。綜上所述，基于機器學習的信道建模已經(jīng)有了一定的基礎(chǔ)，主要集中在毫米波頻段以及對于路徑損耗的預(yù)測，但是對于太赫茲頻段大、小尺度特性的預(yù)測與建模還不夠充分。因此，本文首先基于遺傳算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ， ＧＡ ） 和蟻群算法（Ａｎｔ ＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）對ＢＰＮＮ 的權(quán)值和閾值進行擇優(yōu)以提高其預(yù)測精度。其次針對３１３． ５ ＧＨｚ 的Ｌ 形封閉走廊場景，將ＢＰＮＮ 應(yīng)用于信道特性參數(shù)的建模中，建立了基于混合算法優(yōu)化的ＢＰＮＮ 信道參數(shù)預(yù)測模型，對場景特征以及信道參數(shù)進行了預(yù)測學習。最后通過與ＢＰＮＮ、ＡＣＯ-ＢＰ 以及ＧＡＢＰ 的預(yù)測結(jié)果進行對比，以驗證所建立模型的準確性和有效性。