本發(fā)明屬于通信技術、神經網絡領域，尤其涉及一種基于位置信息編碼和周期非線性神經網絡的車地無線信道預測方法。

背景技術：

1、智能信道預測在智能高速鐵路中人工智能(artificial?intelligence，ai)優(yōu)化或ai原生通信網絡中起著至關重要的作用。特別是在車對地(t2g)無線通信場景中，傳統(tǒng)信道估計方案得到的快速時變信道狀態(tài)信息(csi)往往過時，因此在不消耗額外的無線電資源的情況下，高效、準確的信道預測是不可或缺?？紤]到信道的產生與變化本身是由特定的電磁波傳播引起的，具有明確的物理意義，十分適合于使用神經網絡表征與預測。在實際的通信場景中，基站服務的區(qū)域、散射體的數量和位置是相對固定。因此，在基站所服務的區(qū)域中任意固定位置處的信道可以認為是準靜態(tài)的。由于發(fā)生在特定區(qū)域內的所有無線通信過程都受到相同的散射環(huán)境影響，區(qū)域中不同位置處的靜態(tài)信道特性是高度相關的，因此具有可預測性。此外，在考慮t2g無線通信場景時，可以通過補償靜態(tài)信道的多普勒移頻來計算t2無線信道。因此，能夠使用在無線環(huán)境中隨機采樣的信道數據學習散射環(huán)境的隱式表征，高效準確地預測環(huán)境中任意位置處的信道沖擊響應。

2、而這個工作的目標存在兩個主要挑戰(zhàn)：首先，信道響應在空間中具有高度非平滑特性，常規(guī)的學習結構無法在以有限的樣本作為訓練數據的前提下準確刻畫信道在空間中的變化；其次，這個問題需要從極低維數據(如：位置坐標)，重建高維信息(如：信道沖擊響應)，這本質上是一個復雜的生成問題，需要網絡具有學習信道結構的能力。

3、機器學習是解決上述問題的有效方法之一。很多研究表明，神經網絡具備直接挖掘數據間的相關性以及學習關于散射環(huán)境的信息的能力。但傳統(tǒng)深度神經網絡(deepneural?network，dnn)往往需要大量的訓練數據和大量的隱藏參數來完成這樣的預測任務。并且傳統(tǒng)dnn很有可能導致過擬合或者較大的預測誤差。此外，電磁波傳播過程中相位部分，對于位置變化非常敏感。相鄰采樣點之間微小的位置變化，會造成相位的巨大變化。從而對dnn的最終擬合精度產生重要影響。因此，需要設計一個特殊的學習結構，該結構能夠充分利用電磁波傳播的物理特性。

技術實現思路

1、本發(fā)明的目的就是為了克服上述現有的挑戰(zhàn)，提供一種基于位置信息編碼和周期非線性神經網絡的車地無線信道預測方法?；谏窠浘W絡獲取信道信息，以提高信道預測的效率和準確率。

2、本發(fā)明的目的可以通過以下技術方案來實現：

3、一種基于位置信息編碼和周期非線性神經網絡的車地無線信道預測方法，其特征在于，包括以下步驟：

4、s1：所述的采集列車的位置信息及無線信道實例，并對采集到的信道實例進行位置編碼；

5、采集列車的位置信息及無線信道實例；

6、對采集到的信道實例進行位置編碼(positional?encoding，pe)，將信道實例映射到高維的傅里葉特征空間；

7、s2：基于位置信息編碼和周期非線性神經網絡，構建生成式深度神經網絡，對信道實例進行學習和建模；

8、s3：應用所述生成式深度神經網絡模型進行實時信道預測。

9、進一步的，步驟s1包括：

10、s11：采集列車的位置信息

11、所述列車位置信息包括但不限于多種列車位置信息的獲取，所述多種列車位置信息包括：應答器、慣導、gps、北斗等獲取列車位置信息；

12、s12：采集無線信道實例

13、所述無線信道實例，包括列車與基站通信過程中產生的一條或多條上行/下行歷史通信數據以及歷史信道信息；所述歷史通信數據包括信道狀態(tài)信息csi；所述歷史信道信息包括歷史的信道狀態(tài)信息和歷史的信道沖激響應(channel?impulse?response，cir)。

14、s13：對采集到的信道實例進行位置編碼，如下：

15、g(dk)＝[…,akcos(2πσj/mdk),aksin(2πσj/mdk),…]tfor?j＝0，…，m-1.

16、其中，σ和j/m是位置編碼的比例因子，通過比例因子σ和j/m來調節(jié)每一維的頻率，生成一系列從低到高的頻率。這里σ是一個可調節(jié)的尺度因子，j表示編碼的索引，m是頻率的總數。

17、進一步的，步驟s2包括：

18、s21：整合周期非線性神經網絡和位置編碼，構建生成式深度神經網絡；

19、所述生成式深度神經網絡包括位置信息編碼層和周期非線性神經網絡層；

20、位置信息編碼層將輸入位置、時間和頻率等參數通過位置編碼擴展為高維特征，并提供給周期非線性神經網絡層，進行實時信道預測；

21、所述周期非線性神經網絡，指使用非線性激活函數的神經網絡，本發(fā)明使用正弦表示網絡(sinusoidal?representation?network，siren)，如下：

22、

23、

24、其中，在siren中，x表示神經網絡的輸入，φ(x)表示神經網絡的輸出，表示兩層間的特定連接，表示網絡的第i層，其由權重矩陣輸入偏置以及sine非線性激活函數組成。

25、s22：對信道實例進行學習和建模。

26、整體訓練流程如下：

27、首先，進行數據準備，加載真實信道沖激響應(cir)數據集，將復數值分解為實部和虛部。將輸入位置、時間和頻率等參數通過位置編碼擴展為高維特征。

28、模型初始化，初始化siren的權重和偏置。使用特殊的權重初始化方法，確保模型能夠有效捕捉信道的高頻特性，權重初始化方案如下：

29、

30、其中，din為輸入維度，u為均勻分布函數。

31、訓練過程中使用監(jiān)督學習方法，使用無線信道實例(即，信道沖擊響應(cir))作為標簽，通過優(yōu)化損失函數來提高模型的預測精度和泛化能力，所述損失函數為：

32、

33、其中，q為輸出的維度，y為訓練標簽，是預測值。mse表示目標值和預測值在所有輸出維度上的平均距離。

34、反向傳播計算梯度，更新網絡參數。

35、進一步的，步驟s3中，使用步驟s2訓練得到的神經網絡模型進行實時信道預測，輸入列車位置、環(huán)境和信道參數，輸出預測實時的信道沖激響應(cir)，包括cir的實部和虛部，為動態(tài)調整通信系統(tǒng)提供支持。

36、進一步的，所述的實時信道預測包括根據列車的實時位置信息、運行速度等動態(tài)數據，預測未來的無線信道脈沖響應，并動態(tài)調整通信系統(tǒng)的參數以優(yōu)化信號質量。

37、通過對信道沖激響應產生的物理過程進行數學分析，本發(fā)明發(fā)現對于特定區(qū)域中某一條電磁波傳播路徑，其響應幅值僅與傳播路徑長度與反射次數相關，而其相位則隨著路徑長度周期性變化。因此，在本發(fā)明提出的框架中，位置信息編碼提供了高維的傅里葉特征，幫助模型在特征空間中捕捉到輸入信號的高頻信息，增強了模型對信道多徑特性的感知能力。周期非線性神經網絡進一步對位置編碼的傅里葉特征進行處理。而由于其正弦激活函數的周期性特點，周期非線性神經網絡可以更好地擬合映射到傅里葉特征空間的信道實例的高動態(tài)相位特性，從而在頻域和時域上都能準確地預測信道的響應。

38、與現有技術相比，本發(fā)明具有以下優(yōu)點：

39、1)本發(fā)明所提出網絡模擬了cir產生的物理過程，因此將先驗信息融入了網絡結構中，這極大程度上降低了網絡學習的復雜度和對數據量的依賴。

40、2)本發(fā)明所提出網絡的收斂速度比多種對照網絡要快。得益于正弦表示網絡(siren)的收斂特性，而且位置信息編碼的加入使得周期非線性神經網絡在擬合過程中避免了傳統(tǒng)神經網絡擬合存在頻譜偏差的問題。有效增強了模型對電磁波傳播的多徑特征的感知能力，而且網絡能夠在初始階段快速獲取輸入信號中的高頻信息。由于網絡的訓練算法是反向傳播，因此，參數較少的淺層網絡有著更快的收斂速度。

41、3)本發(fā)明所提出網絡在不同的采樣率的情況下，最終收斂損失的差距比多種對照網絡的收斂損失要小。模擬cir生成過程的特殊網絡結構使得網絡對訓練數據集采樣率的依賴性降低。