一种基于双生成器生成对抗网络的MIMO信道建模方法

本发明涉及无线通信与信道建模，具体涉及一种基于双生成器生成对抗网络的多输入多输出(mimo)信道建模方法。

背景技术：

1、在无线通信系统中，精确的无线信道建模是系统设计与性能评估的基础。在复杂环境下的多输入多输出(mimo)系统中，信道的统计特性直接影响系统容量、可靠性及信号处理算法的性能。传统的建模方法如射线追踪法计算复杂度高且依赖环境精度，而几何统计模型难以准确表征信道的非线性特性。近年来，基于生成对抗网络(gan) 的数据驱动的信道建模方法逐渐应用于无线信道建模领域。该类方法通过对抗学习真实信道样本分布，实现对信道统计特性的拟合与生成。然而，现有的基于gan的信道建模方法大多采用单生成器结构，在复杂信道环境下，该类模型易产生相似样本，从而导致生成模型难以充分覆盖真实信道分布中的统计特征。以地铁隧道下的通信场景为例，受限空间结构与复杂电磁传播环境共同作用，使无线信道呈现出显著的多径效应及复杂统计特性，依赖单一生成器显然难以同时对信道的整体统计特性与局部多径细节特征进行有效刻画。因此，如何在生成模型中提升对真实信道分布的表达能力与覆盖能力，成为亟需解决的关键技术问题。

技术实现思路

1、本发明针对现有基于生成对抗网络的无线信道建模方法中单生成器结构容易生成相似样本，难以充分覆盖复杂无线信道中由多径效应等引起的统计变化的问题，提出一种基于双生成器gan的mimo信道建模和信道数据生成方法，通过构建双生成器协同对抗框架，在相同条件约束下引导两个生成器分别学习真实无线信道分布，实现对真实无线信道分布的联合建模，从而生成与真实无线信道分布更接近且兼顾生成样本多样性的mimo信道数据，提高生成模型对复杂无线传播环境下信道统计特性的拟合能力与分布覆盖能力。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于双生成器生成对抗网络的mimo信道建模方法，包括如下步骤：

4、获取无线信道数据，并对数据进行预处理，构建用于模型训练的信道样本，同时提取与信道相关的条件信息，并将其编码为条件向量c，并于随机噪声向量z共同作为模型的输入；

5、构建双生成器生成对抗网络，包括两个生成器与和一个判别器。生成器与共享相同输入形式及对抗训练框架，在相同条件向量c输入下分别生成信道样本：，，并形成不同的生成分布和；

6、基于与对应的分布构建混合生成分布：

7、，

8、其中，为生成样本分配权重系数，通过混合生成分布逼近真实信道分布；

9、生成器与通过深度神经网络实现低维隐空间向高维无线信道空间的映射生成，通过全连接结构实现对条件信息对应的条件向量c与随机噪声向量z进行融合映射，通过多层分线性特征映射、特征增强以及逐级上采样等过程（包括但不限于卷积结构、转置卷积结构、残差结构、自注意力结构等的至少一种）实现无线信道统计分布的深层特征学习与重构生成。

10、构建判别器结构，其结构包括特征提取层以及输出层，特征提取层采用卷积网络结构对输入无线信道样本进行多层特征提取，以学习表征无线信道传播特性的深层统计特征，设置真实性评估头与源识别头，其中用来输出wasserstein评分，用来对输入样本来源进行分类；

11、在基于条件wasserstein生成对抗网络(wcgan)并引入梯度惩罚的架构下构建联合优化目标函数：

12、

13、其中，生成器与通过最小化该目标函数以实现混合生成分布对真实信道分布的逼近以及完整覆盖；判别器通过最大化该目标函数以最小化其自身损失函数从而提升真实性评估与源识别的准确性。

14、进一步的，对抗损失包括真实样本和生成样本的期望值：

15、

16、其中，表示对概率密度为的生成信道数据通过判别器的映射结果取数字期望，表示真实性评估函数，表示对概率函数的实测信道数据通过判别器的映射结果取数字期望。

17、进一步的，梯度惩罚项表示为：

18、

19、其中，表示对真实样本与生成样本之间通过随机线性插值得到的插值样本及其分布求取数字期望，表示对插值样本执行偏导运算，表示判别器的真实性评估头在条件向量下，对插值样本进行求导所得的梯度向量， 表示对上述梯度向量取欧几里得范数。

20、进一步的，分类损失函数基于源识别头分支构建的多分类损失，用于对输入样本进行三分类，其中分类类别分别对应真实信道样本、与生成样本：

21、

22、其中，表示判别器输出的三分类概率，为判别器判别为真实信道数据的概率，为判别器判别为生成数据的概率，为判别器判别为生成数据的概率。

23、进一步的，分类损失在反向传播过程中分别作用于生成器与，由于不同来源样本在源识别分支中受到差异化约束，使得与在梯度更新中获得不同的优化方向，从而在相同条件输入下学习不同的数据分布特征。

24、进一步的，在联合优化过程中，与分别逼近真实信道分布的不同统计子分布，通过混合生成分布实现对整体真实信道分布的联合建模，从而提升生成样本对复杂信道统计特性的覆盖能力。

25、采用交替优化训练策略对模型进行训练，设置判别器与生成器更新频率设为n:1，即每完成n次判别器更新后，执行1次生成器参数更新，当前训练轮数满足判别器更新频率约束时，固定两个生成器与参数，对判别器的参数进行梯度更新；当前训练轮数满足生成器更新频率约束时，固定判别器的参数，同时更新两个生成器与的参数；循环迭代，直至达到总训练轮数etotal，以实现生成器与判别器之间的稳定对抗训练。

26、利用训练完成的双生成器生成对抗网络，在给定条件向量输入下联合生成无线信道样本。

27、与现有技术相比，本发明具有如下有益效果：

28、1、针对传统单生成器gan生成样本单一的问题，通过引入源识别分支，构建针对不同来源样本的分类约束，使双生成器在相同条件输入下形成差异化优化方向，从而分别学习真实信道分布的不同统计子空间，提升生成样本的多样性。

29、2、通过构建双生成器协同对抗建模框架，使双生成器在相同对抗目标下对真实信道分布进行差异化学习，并通过混合生成分布，将多个生成器输出样本进行融合，实现对真实信道分布的更充分覆盖，提升生成信道样本对真实信道样本拟合与生成的真实性与完整性。

30、3、通过引入基于条件wasserstein生成对抗网络(wcgan)，并结合梯度惩罚约束，使判别器满足1-lipschitz连续性，提高了训练稳定性。

1.一种mimo信道建模和信道数据生成方法，其特征在于，包括：

2.根据权利要求1所述的一种mimo信道建模和信道数据生成方法，其特征在于，s1中无线信道数据为多输入多输出mimo信道数据，用复数信道冲激响应表示，表示为：

3.根据权利要求1所述的一种mimo信道建模和信道数据生成方法，其特征在于，s2所述生成器与通过深度神经网络实现低维隐空间向高维无线信道空间的映射生成，包括输入映射层、特征提取层以及特征恢复生成层，输入映射层通过全连接结构实现对条件信息对应的条件向量c与随机噪声向量z进行融合映射，特征提取以及特征恢复生成层包括但不限于卷积结构、转置卷积结构、残差结构、自注意力结构等的至少一种，通过多层分线性特征映射、特征增强以及逐级上采样等过程实现无线信道统计分布的深层特征学习与重构生成，从而生成与真实无线信道统计特性相匹配的高维mimo信道样本。

4.根据权利要求1所述的一种mimo信道建模和信道数据生成方法，其特征在于，s2中所述判别器用于对输入无线信道样本进行真实性判别与特征学习，其输入包括真实无线信道样本或生成无线信道样本以及对应的条件向量，其结构包括特征提取层以及输出层，所述特征提取层采用卷积网络结构对输入无线信道样本进行多层特征提取，以学习表征无线信道传播特性的深层统计特征，并基于所提取特征完成对输入无线信道样本的分布判别。

5.根据权利要求1所述的一种mimo信道建模和信道数据生成方法，其特征在于，s4中，所述双生成器生成对抗网络采用基于条件wasserstein生成对抗网络wcgan并引入梯度惩罚的对抗学习方式，所述判别器包括真实性评估头与源识别头，其对抗损失表示为：

6.根据权利要求5所述的一种mimo信道建模和信道数据生成方法，其特征在于，所述真实性评估头满足1-lipschitz连续性约束，并通过梯度惩罚项实现：

7.根据权利6所述的一种mimo信道建模和信道数据生成方法，其特征在于，所述插值样本为：

8.根据权利1所述的一种mimo信道建模和信道数据生成方法，其特征在于，s4中，所述源识别头采用softmax函数计算样本来源于不同标签的概率，，分别对应真实信道数据、生成样本、生成样本，计算公式为：

9.根据权利要求5所述的一种mimo信道建模和信道数据生成方法，其特征在于，所述源识别头基于输出的概率构建三分类交叉熵分类损失函数：

10.根据权利1所述的一种mimo信道建模和信道数据生成方法，其特征在于，s6所述判别器总损失函数为：