一、研究背景

　　信道建模是无线移动通信系统设计、性能评估以及无线网络部署规划优化的基础性研究工作。基于几何的统计模型（Geometry-Based Statistical Model, GBSM）揭示了多径散射簇与物理传播环境中散射体的映射关系。也就说是，GBSM完全是以电波传播的物理机制为理论依据，自然而然具备了明确的物理意义。然而，在实际建模过程中，由于缺乏统一的分簇评价指标，往往采用不同的分簇算法会导致信道模型中簇内信道参数具有不同的统计特征。此外，利用GBSM进行信道生成的时候，并未区分不同簇所对应簇内信道参数的差异。

　　事实上，以植被散射簇和建筑外表面反射簇为例，不同的簇往往具有不同的簇内时延和角度扩展，以及随收发信机的位置改变所产生的变化。因此，为使信道模型能够更加精细化刻画电波传播特征，智能信道建模方法近年来得到广泛关注。至此我们不禁要问：“把人工智能(AI)引入信道建模，会发生什么样的化学反应呢？”

　　二、智能信道建模技术

　　图1、机器学习辅助的信道建模框架

　　为提高模型的准确性和通用性，如图1所示，本文提出了物理和数据双驱动的信道建模技术方案。簇的时延和角度信息利用传统的物理统计模型生成，用于标识簇的“位置”，然后根据传播环境指定每一个簇对应的类型及其对应的物理特征，调用相应的神经网络预测相应的簇内信道特性，最后根据预测结果再生成相应的子径信道参数。值得注意的是，尽管传播环境变化，但是其所包含的主要散射体类型是相同的。

　　对于密集城区环境，除了直射径，主要以建筑物外表面反射及建筑屋顶或侧边绕射为主，此外还包括人体、车等主要的散射体；对于郊区场景，植被的散射占主要部分。对于室内场景，主要以墙壁的反射为主。因此，本方法的核心以更高的精度刻画不同类型簇的簇内特征，然后将这些簇级别的建模结果在GBSM的框架内组合起来就可以提高模型对场景的泛化能力，同时将遮挡效应包含在信道生成过程中而无需增加额外步骤。

　　如图2所示，以毫米波穿过树木形成的散射簇为例，采用物理和数据双驱动的建模方法，首先探明不同系统配置对树木穿透损耗、时延扩展和角度扩展的影响，通过增加环境特征降低神经网络训练的计算复杂度，预测性能在不同类型场景得到了评估和验证。

　　图2、机器学习辅助的信道建模流程（以前向树木散射为例）

　　三、主要研究结果

　　针对前向植被散射簇内信道特性预测性建模，首先，在植被覆盖的街道峡谷地带开展信道实测和射线追踪仿真，实测和仿真数据一致性较好，可进一步用于人工神经网络训练。其次，分别研究了前向植被散射簇所对应的树木穿透损耗、时延扩展和角度扩展，提出了分段树木衰减模型，包含了发射天线下倾角等系统配置对树木穿透损耗的影响，同时研究了环境特征和接收机相对位置变化对信道色散参数的影响。将收发信机三维坐标、系统配置信息和环境特征同时作为人工神经网络(Artificial Neural Network, ANN)的输入参数，输出参数包括树木穿透损耗、时延扩展和角度扩展。

　　模型训练结果表明，通过增加环境特征来标记训练数据可有效降低ANN复杂度和训练迭代次数，提高模型的准确度。模型预测结果与传统物理统计模型预测结果相比，均方根误差(Root-Mean-Square Error, RMSE)更小，并且可以刻画收发信机相对位置变化对信道特性的影响。最后，为验证模型的通用性，在不同场景（例如校园广场）开展了射线追踪仿真，采用已训练模型预测得到的结果与仿真结果在总体上保持一致，并且相比物理统计模型具有更小的RMSE，表明模型在不同场景下的通用性较好。为进一步提高模型的泛化能力，可增加树木的生物特征（如植被密度、类型）和频率等信息作为ANN的输入以满足不同应用需求。

　　概括来说，采用物理和数据双驱动的智能信道建模技术，仍然保持信道模型的物理意义，并且以计算复杂度小幅度增长就能够显著提升信道模型的精度。

　　(a) 数据采集以及预处理的流程

　　(b) 系统配置和环境特征提取以及神经网络训练结果

　　(c) 不同信道模型的性能对比

　　图3、毫米波植被散射簇内信道预测性建模结果及评估

　　【论文信息】

　　P. Z. Zhang, C. Yi, B. S. Yang, H. M. Wang, C. Oestges, and X. H. You, “Predictive modeling of millimeter-wave vegetation-scattering effect using hybrid physics-based and data-driven approach,” IEEE Trans. Antennas Propag., Early Access, DOI: 10.1109/TAP.2021.3118463, Oct. 2021.