李雙德 劉芫健 林樂科 卞希嘉 朱古月 閆亞欣 任安雯 孫萁

（1.南京郵電大學電子與光學工程學院，南京 210023；2.中國電波傳播研究所，青島 266107）

引 言

5G無線移動通信在全球范圍內(nèi)商用的同時，全球多個國家已迅速開展了對6G移動通信的研究[1-2].為了提高移動用戶在室內(nèi)外不同場景下的體驗質量，移動通信系統(tǒng)中的各種數(shù)據(jù)驅動服務和全方位的創(chuàng)新應用需要超高的數(shù)據(jù)傳輸速率和超低的時延[3]. 為了解決這些需求，毫米波通信和大規(guī)模多輸入多輸出(multiple-input multiple-output, MIMO)天線已成為兩項關鍵技術. 大規(guī)模MIMO天線毫米波通信不僅能夠提供豐富的頻譜來支持各種多媒體業(yè)務高速率無線傳輸，而且還能獲取更大的信道容量[4-6].目前，我國工業(yè)和信息化部批準24.25～27.5 GHz頻段用于我國5G技術研發(fā)試驗，28 GHz被首先確定為實現(xiàn)商用化的5G候選頻段. 此外，在2019年世界無線電通信大會(World Radio Communication Conference 2019, WRC-19)上，國際電信聯(lián)盟(International Telecommunications Union, ITU)增 加 了37.0～43.5 GHz毫米波段，用于5G及國際移動通信系統(tǒng)未來發(fā)展. 由于毫米波信號波長相比于物體的物理尺寸較小，因此毫米波信號對真實環(huán)境中障礙物的阻擋非常敏感. 但密集城市微蜂窩環(huán)境中的毫米波頻段無線信道傳播特性研究較少，因此，要評估該頻段的無線通信系統(tǒng)的性能，就必須深入理解信道多徑傳播特性.

毫米波通信和大規(guī)模MIMO天線技術作為5G或B5G(beyond 5G)通信技術的重要組成成分，一直是國內(nèi)外的研究熱點[7]. 近年來，國內(nèi)外眾多學者對室內(nèi)外不同復雜環(huán)境的毫米波信道傳播特性進行了研究[8-11]. Zhao等[12]發(fā)現(xiàn)簇的引入可以更加形象深入地揭示無線信道中的多徑特性，為此眾多學者從測試數(shù)據(jù)中提取信道特性參數(shù)后利用叢簇算法進行研究，針對32 GHz室外微蜂窩信道進行全面的信道建模、仿真與驗證，并采用非參數(shù)化方法和參數(shù)化方法提取了大尺度信道參數(shù). Rubio等[13]在地鐵車廂內(nèi)對25～40 GHz 頻段無線信道傳播特性進行了測量，測量結果證明，當傳播環(huán)境中有大量金屬物體時，會使發(fā)射端到接收端產(chǎn)生豐富的多徑. Zhang等[14]對兩種植被覆蓋下的不同室外郊區(qū)的毫米波段信道傳播特性進行了經(jīng)驗分析，結合天線方向圖、波束失準和障礙物阻塞效應，提出了一種基于方位角的路徑損耗模型；并提取了小尺度信道參數(shù)，如簇的數(shù)目、時延擴展(delay spread, DS)及角度擴展，通過將測量結果與現(xiàn)有的第三代合作伙伴計劃(The 3rd Generation Partnership Project, 3GPP)模型進行比較，改進了毫米波段城市郊區(qū)場景下的信道模型，由路徑損耗確定了通過密集樹葉的穿透損耗，結合角度擴展分析郊區(qū)環(huán)境下植被遮蔽對毫米波信道的影響，橫向比較后發(fā)現(xiàn)，波長越短由植被引起的散射越豐富. Ko等[15]對28 GHz頻段室內(nèi)和城市蜂窩通信系統(tǒng)中毫米波傳輸?shù)膶拵Х较蛐诺捞匦赃M行了測量與分析，對多徑時延、角度統(tǒng)計和路徑損耗等時空信道特性進行了建模；并利用聚類算法對多徑進行聚類同時研究了簇內(nèi)與簇間分布，在此基礎上提出了一種普適用于室內(nèi)和城市環(huán)境下的信道模型. Iqbal等[16]對30.4～37.1 GHz毫米波段無線信道進行了測量，研究了室內(nèi)定向信道的二階統(tǒng)計特性，通過實驗證明，對于兩個寬帶信道，接收到的復信號是一個具有高度相關的同相分量和正交分量的圓對稱非高斯隨機變量，證明了簇內(nèi)多徑分量是稀疏的. 因此在毫米波信道中多徑分量的研究非常重要.

此外，Yin等[17]對辦公室28 GHz頻段大規(guī)模MIMO信道進行旋轉掃描測量，通過將發(fā)射端固定為單天線，接收端為水平面和垂直面旋轉的喇叭天線構成3×36天線陣列，研究了路徑損耗、信道色散特性及叢簇信道特性. 隨后Chen等[18]又對室外校園天臺15 GHz頻段的MIMO信道展開測量，其接收端為40×40的雙錐天線虛擬垂直平面天線陣列，通過研究DS和角度擴展在天線陣列上的變化分布情況，驗證了MIMO天線陣列在空間上呈現(xiàn)非平穩(wěn)特性.Li等[19]利用可旋轉的定向天線測量系統(tǒng)，介紹了空間交替廣泛期望最大化(space-alternating generalized expectation-maximization, SAGE)算法信號模型. Li等[20]使用兩種256元虛擬均勻矩形陣列(uniform rectangular array, URA)在室內(nèi)大廳環(huán)境下進行大規(guī)模MIMO信道測量，利用SAGE算法研究了角度域信道特性，根據(jù)基站的方向散射特性估計出了離開方向角. Zhang等[21]利用虛擬大規(guī)模MIMO天線陣列進行了毫米波信道測量，證明了隨著天線數(shù)目的增加信道容量顯著增加，信道在空間呈現(xiàn)彌散狀態(tài).Sangodoyin等[22]采用矢量網(wǎng)絡分析儀和一個8×8的虛擬MIMO天線陣列測量裝置在倉庫視距(line-ofsight, LoS)和非視距(non-line-of-sight, NLoS)環(huán)境進行信道測量，基于多徑分量的高分辨率提取參數(shù)及時空聚類結果分析，提出了該環(huán)境下的統(tǒng)計傳播信道模型.

針對典型傳播環(huán)境進行大量的信道測量，對大量數(shù)據(jù)進行統(tǒng)計分析，可以提取真實的無線信道傳播特性，但是測量較費力、費時、成本昂貴. 為此，諸多科研團隊提出確定性建模方法，但目前大多數(shù)確定性模型為基于射線跟蹤的電磁方法. Pedersen等[23]采用傳播圖的方法對無線信道進行建模，推導出傳播圖傳遞矩陣的閉式表達式. 隨后該團隊又將射線跟蹤方法與傳播圖方法相結合對室內(nèi)無線信道進行了混合建模，通過將仿真結果與實際測量結果對比發(fā)現(xiàn)兩者一致性吻合，證明了該方法的有效性[24]，并應用此混合建模法對房間到房間的無線信道進行預測[25]. Degli-Esposti等[26]將三維射線跟蹤模型和簡單的全漫反射室內(nèi)傳播模型相結合對室外到室內(nèi)覆蓋進行預測.

現(xiàn)有文獻利用射線跟蹤方法大多研究的是典型室內(nèi)環(huán)境，對城市密集小區(qū)環(huán)境下毫米波段大規(guī)模MIMO信道研究較少. 因此本文針對毫米波熱點頻段28 GHz和39 GHz頻段，在原有研究的射線跟蹤算法基礎上給出了改進的射線跟蹤算法，將得到的仿真數(shù)據(jù)使用反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡算法擬合，利用室外微蜂窩密集型城市小區(qū)進行建模與研究，提取出相應的大尺度路徑損耗模型和小尺度參數(shù)，并與以前文獻中提出的信道模型進行對比分析，證明改進的射線跟蹤算法的正確性及有效性，給出一種適用于該環(huán)境下的毫米波信道的模型.

1 改進的射線跟蹤法

根據(jù)環(huán)境的不同，學術界和工業(yè)界用于研究室內(nèi)外環(huán)境傳播的射線跟蹤方法主要有：鏡像法(image method, IM)、測試射線法、射線管分裂方法、入 射 及 反 彈 射 線(shooting and bouncing ray, SBR)法等. SBR法可以應用到復雜環(huán)境中進行電波傳播的預測分析，且效率較高，但如果接收球的半徑過小，則可能導致某些有效路徑接收不到. IM是基于幾何光學原理的一種點對點的射線跟蹤技術，是射線跟蹤方法中最簡單的一種，無需進行相交測試，大大提高了計算效率，但該方法僅適用于一些環(huán)境較為簡單的情況. SBR/IM[27-28]適用于復雜室內(nèi)及彎曲隧道傳播環(huán)境，既保留了上述兩種方法的優(yōu)點又克服了其不足，可以找到從發(fā)射端到接收端的確定性路徑，具有較高的計算精度和計算效率.

在室內(nèi)環(huán)境中電波傳播主要以直射、單次反射、二次反射為主，但是在微蜂窩環(huán)境中除直射和反射外，電磁波也可以“彎曲”繞過障礙物發(fā)生繞射，也可以碰到垂直尖劈發(fā)生尖劈繞射. 在多徑傳播過程中，繞射不可忽略. 針對室外微蜂窩環(huán)境，考慮一次繞射、二次繞射、一次繞射一次反射、一次反射一次繞射，對SBR/IM進行改進，具體實現(xiàn)流程如圖1所示.

圖1 基于改進的SBR/IM技術路線流程圖Fig. 1 Flowchart of improved SBR/IM technology route

步驟1～5及步驟7～8在文獻[27]中已有詳細闡述，步驟6具體實現(xiàn)過程如下：

1) 直射、一次反射、二次反射

直射路徑和一次反射路徑的搜索如圖2所示，二次反射路徑的搜索如圖3所示，具體搜索方法見文獻[27].

圖2 直射徑與一次反射徑示意圖Fig. 2 Diagram of direct path and the first reflection path

圖3 二次反射徑示意圖Fig. 3 Diagram of the second reflection path

2) 一次繞射

搜索一次繞射路徑如圖4所示，其具體步驟如下：

圖4 一次繞射徑示意圖Fig. 4 Diagram of the first diffraction path

建立源點Tx和 接收場點Rx的可見劈，選取一個共同的可見劈垂直尖劈AB，若已知源點坐標Tx(xt,yt,zt)和 場點坐標Rx(xr,yr,zr)，則繞射點D的坐標為

3) 二次繞射

搜索二次繞射路徑如圖5所示，具體步驟如下：建立源點Tx和 接收場點Rx的可見劈，選取共同的可見垂直尖劈AB及共同可見尖劈CD，則繞射點D1和D坐標分別為：

圖5 二次繞射徑示意圖Fig. 5 Diagram of the second diffraction path

4) 一次反射一次繞射

搜索一次反射一次繞射路徑如圖6所示，其具體步驟如下：

圖6 一次反射一次繞射徑示意圖Fig. 6 Diagram of the first reflection and the first diffraction path

建立鏡像點Tx′以及反射面為可視范圍的可見劈，找出與場點Rx的共同可見劈，選取共同可見劈AB，按一次繞射的求解方法求出繞射點D的坐標，再根據(jù)一次反射計算出反射點R的坐標，則Tx-R-D-Rx即為一條一次反射加一次繞射路徑，有效性驗證方法與一次反射和一次繞射一致.

5) 一次繞射一次反射

搜索一次繞射一次反射路徑如圖7所示，只需將 一次反射加一次繞射步驟中的源點和場點互換即可.

圖7 一次繞射一次反射徑示意圖Fig. 7 Diagram of the first diffraction and the first reflection path

2 BP神經(jīng)網(wǎng)絡信道建模

無線信道中蘊藏著海量數(shù)據(jù)，利用機器學習方法中的人工神經(jīng)網(wǎng)絡方法可以挖掘無線信道參數(shù)的特性，從多個維度對無線信道進行綜合分析，更加準確地理解信道的傳播特性，并降低無線信道實測所帶來的高成本.

首先基于改進的射線跟蹤算法對微蜂窩小區(qū)仿真建模，獲取信道數(shù)據(jù). BP神經(jīng)網(wǎng)絡信道建模實現(xiàn)流程如圖8所示.

圖8 BP神經(jīng)網(wǎng)絡信道建模流程圖Fig. 8 Flowchart of channel modeling based on BP neural network

設輸入層有n個 神經(jīng)元，隱含層有p個神經(jīng)元，輸出層有q個神經(jīng)元. 定義輸入層的輸入向量為x=(x1,x2,···,xn) ， 隱 含 層 輸 入 向 量 為h i=(hi1,hi2,···,hip)， 隱含層輸出向量為h o=(ho1,ho2,···,hop)，輸出層輸入向量為y i=(yi1,yi2,···,yiq) ， 輸出層輸出向量為y o=(yo1,yo2,···,yoq) ， 輸入層到隱含層的連接權值為wih，隱含層與輸出層的連接權值為who， 隱含層各神經(jīng)元閾值為bh， 輸出層各神經(jīng)元閾值為bo，期望輸出向量為d o=(do1,do2,···,doq)， 樣本數(shù)據(jù)個數(shù)為k=1,2,···,m，傳遞函數(shù)為Sigmoid函數(shù)f(·). 具體可分為以下幾個步驟[29]：

1) 數(shù)據(jù)的導入與劃分

首先，把計算獲取的信道仿真數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)和測試數(shù)據(jù)，其中訓練數(shù)據(jù)占70%，測試數(shù)據(jù)占30%.

2) 網(wǎng)絡初始化

當訓練神經(jīng)網(wǎng)絡時，權重隨機初始化是很重要的. 將權重初始化為(-1,1)的隨機數(shù)，用于訓練模型隨機優(yōu)化算法的期望. 給定計算精度 ε和最大學習次數(shù)M，誤差函數(shù)為

3) 隨機選取輸入樣本及對應的期望輸出

隨機選取第k個輸入樣本及對應的期望輸出x(k)和d o(k).

4) 計算出隱含層和輸出層各神經(jīng)元的輸入與輸出

當誤差達到設定的閾值或迭代次數(shù)大于設定的最大次數(shù)，算法結束；否則，選取下一個學習樣本及對應的期望輸出，進行下一輪學習.

3 仿真環(huán)境與仿真參數(shù)

3.1 室外場景模型搭建與仿真環(huán)境

關于使用改進的SBR/IM進行建模，首先獲取實際場景中建筑物幾何尺寸、道路寬度等場景信息，利用Sketch Up軟件搭建和實際場景一致的模型；其次給出所需的仿真環(huán)境參數(shù)和材料參數(shù)，相應的參數(shù)設置要和實際場景中物體的材質盡可能相同，確保仿真結果不受材料的影響.

微蜂窩場景選取在南京市鼓樓廣場區(qū)域，廣場北方向和南方向主要為居住區(qū)，有紫峰大廈、江蘇廣播電視大廈等多個地標建筑物，多數(shù)建筑表面主要由玻璃組成，部分建筑物表面由混凝土組成. 鼓樓廣場東側有兩個廣場和雞鳴寺，區(qū)域樹木密度高，植被密集. 采用文獻[30]中結構模型進行植被建模，通過將實測結果與仿真結果對比，結果一致，證明了室外環(huán)境毫米波頻段下該模型的正確性. 在鼓樓廣場場景下分別構造了一條LoS路徑(A-B)和一條NLoS路徑(C-D)，仿真場景如圖9所示.

圖9 仿真環(huán)境Fig. 9 Simulation environment

高2 m的發(fā)射天線放置在高度為178 m的樓頂，接收天線沿著LoS路線和NLoS路線移動，間隔1 m，收發(fā)天線采用全向天線，選取毫米波段28 GHz和39 GHz來研究單發(fā)單收(single-input single-output,SISO)信道特性；其次，利用28 GHz頻段對LoS與NLoS單發(fā)多收(single-input-multiple-output, SIMO)信道仿真，接收端采用4 ×4天線陣列，反射次數(shù)為2，繞射 次數(shù)為2，透射次數(shù)為1.

3.2 仿真參數(shù)

仿真環(huán)境參數(shù)如表1所示，建筑模型中建筑材料的相對介電常數(shù)及電導率如表2所示.

表1 仿真環(huán)境參數(shù)Tab. 1 Simulation environment parameters

表2 建筑模型中建筑材料參數(shù)Tab. 2 Building material parameters in building model

4 仿真結果對比分析

4.1 大尺度傳播模型

大尺度傳播模型針對發(fā)射端與接收端之間在幾百米或幾千米較長距離范圍上信號功率的平均損耗，對估計無線覆蓋范圍和無線網(wǎng)絡規(guī)劃及優(yōu)化有著重要作用. 路徑損耗[31]是表征無線信道傳播大尺度衰落影響的重要參數(shù)之一，對于基站優(yōu)化至關重要. 在本文中，基于仿真結果，使用典型的路徑損耗模型，即自由空間鄰近(close-in, CI)路徑損耗模型[32].

CI路徑損耗模型為

式中：f是載頻；d是收發(fā)之間的距離；d0是相對參考距離；LFSP(f,d0)=20lg(4πfd0/c)；n為路徑損耗指數(shù)，通過采用最小均方根(root-mean-square, RMS)誤差擬合的方法確定，n=2 屬于自由空間路徑損耗；XCI是σ服從零均值的高斯隨機變量.

對于室外微蜂窩小區(qū)環(huán)境，當接收天線沿著LoS路徑和NLoS路徑移動間隔為1 m時，通過改進射線跟蹤算法和BP神經(jīng)網(wǎng)絡算法得到28 GHz和39 GHz的仿真路徑損耗模型如圖10和圖11所示.

圖10 基于改進射線跟蹤算法的路徑損耗模型Fig. 10 Path loss model based on improved ray tracing method

圖11 基于BP神經(jīng)網(wǎng)絡算法的路徑損耗模型Fig. 11 Path loss model based on BP neural network algorithm

本文利用最小二乘法擬合得到28 GHz與39 GHz下的路徑損耗參數(shù)，并與其他文獻中結果進行對比，如表3所示，n和 σ分別表示路徑損耗指數(shù)和標準差. 可以看出：改進的射線跟蹤法與其他文獻中關于室外微蜂窩小區(qū)測量提取的路徑損耗模型參數(shù)結果基本一致，說明改進的SBR/IM的有效性與正確性. 高樓及大量的植被導致NLoS場景下信號在傳播過程中損耗更大，因此NLoS場景比LoS場景的路徑損耗指數(shù)大. 另外，BP神經(jīng)網(wǎng)絡算法和改進的射線跟蹤算法得到的路徑損耗參數(shù)結果吻合程度很高，說明BP神經(jīng)網(wǎng)絡算法可以很好地預測毫米波無線信道的大尺度參數(shù).

表3 本文方法與相關文獻模型結果對比Tab. 3 The comparison of the model parameters and results between the present method and the existing literatures

通過以上分析，給出室外微蜂窩小區(qū)28 GHz與39 GHz頻段下LoS與NLoS環(huán)境路徑損耗通用模型，如表4所示.

表4 通用模型路徑損耗參數(shù)Tab. 4 Path loss parameters of general models

當載頻為28 GHz，室外微蜂窩LoS環(huán)境路徑損耗模型為

4.2 小尺度傳播模型

由于電波在空間傳播具有多徑效應，多徑沿著不同的路徑到達接收機的時間不同，導致接收信道輪廓不清晰，這種現(xiàn)象被稱為電波傳播的DS[32].采取統(tǒng)計方法研究DS所反映出的信道寬帶特性.

RMS DS是時延統(tǒng)計參數(shù)中最重要的一個參數(shù)，是功率延遲分布二階中心矩的平方根，其概率分布為Ω，

圖12給出了28 GHz與39 GHz頻段室外微蜂窩環(huán)境下通過改進射線跟蹤法和高斯分布擬合仿真得到的RMS DS累積分布函數(shù)(cumulative distribution function, CDF)擬合圖，相應的統(tǒng)計參數(shù)見表5，其中 μ 和 σ分別表示高斯分布的均值和標準差. 可以看出：1) LoS場景下的RMS DS均值小于NLoS場景；2)改進射線跟蹤法得到的RMS DS CDF與高斯分布擬合程度較好；3) RMS DS在較高頻段隨著頻率的升高而增大，與文獻[37]室內(nèi)場景下的結論一致.

圖12 基于改進射線跟蹤法和高斯分布擬合得到的RMS DS CDFFig. 12 CDF of RMS DS based on improved ray tracing method and Gaussian distribution fitting

表5 小尺度參數(shù)統(tǒng)計Tab. 5 Small scale parameter statistics

針對28 GHz與39 GHz頻段室外微蜂窩環(huán)境下基于改進射線跟蹤法和高斯分布擬合仿真得到的水平到達方向角CDF擬合如圖13所示，相應的小尺度參數(shù)統(tǒng)計見表5. 可以看出：1) 基于改進射線跟蹤法得到的水平到達方向角CDF與高斯分布擬合程度較好，與文獻[38]微波段室內(nèi)場景下的結論一致；2) 對于同一頻段，LoS場景下的到達方位角小于NLoS場景，這是由于NLoS環(huán)境中有較多的反射體、散射體和高樓，造成了角度擴展；3)可以看出水平到達方向角對頻段不是很敏感，28 GHz和39 GHz頻段下的水平到達方向角分布基本一致，這是因為環(huán)境中的反射體和散射體對28 GHz和39 GHz電波傳播的影響基本一致.

圖13 基于改進射線跟蹤法和高斯分布擬合得到的水平到達方向角 CDFFig. 13 CDF of horizontal direction of arrival based on improved ray tracing method and Gaussian distribution fitting

此外，針對28 GHz頻段SIMO信道進行仿真，在SISO信道第一條路線(LoS)的中間位置及第二條路線(NLoS)中間位置設置 4×4垂直天線陣列，陣元天線類型為全向天線，陣元間隔為 λ/2≈5.36 mm.28 GHz頻段SIMO信道LoS與NLoS接收天線陣列功率分布如圖14所示. 可以看出，LoS和NLoS環(huán)境下天線陣列的平均接收功率分別為-100.89 dBm和-117.90 dBm，說明兩種環(huán)境下天線陣列中陣元接收 功率均較大.

圖14 28 GHz SIMO陣列接收功率分布Fig. 14 Received power distribution of SIMO array at 28 GHz

電波傳播由發(fā)射機多徑到達接收機，可以近似將同時到達接收端的多徑看成一個簇，由具有相似參數(shù)的多徑分量組合而成. 簇用來反映信道特性，K功率均值 (K-power-means, KPM) 算法是一種典型的多徑信號聚類算法[39]. 多徑分量距離(multipath component distance, MCD)是區(qū)別簇的常用度量標準[17]，需綜合考慮多徑信號之間時延的距離和到達角的距離. 第i條路徑與第j條路徑之間MCD為

MCD分簇算法[17]實現(xiàn)流程如下：

1)選取接收功率最大的徑為參考多徑；

2)計算出其余多徑與參考多徑之間的MCD；

3)設定閾值 MCDthreshold，將小于閾值的多徑與參

考多徑分量歸為一類，分好類的多徑分量從分量中去除；

4)對于未進行歸類的多徑，從步驟1開始，重新選取新的參考多徑分量，重復上面步驟，直到不存在未分類的多徑分量為止.

通過改進的射線跟蹤法仿真得到SIMO信道中LoS與NLoS接收天線陣列相應的多徑分量，并利用MCD分簇算法對多徑分量進行分簇，得到陣列天線中每個陣列元接收到的多徑分簇數(shù)目，其中 ?=8，MCDthreshold=0.35. 室外微蜂窩LoS和NLoS場景陣列天線多徑簇CDF及相應的高斯分布擬合曲線如圖15所示. 可以看出：1) LoS場景與NLoS場景多徑簇的個數(shù)CDF服從正態(tài)分布；2) LoS場景下多徑簇的個數(shù)少于NLoS場景下多徑簇的個數(shù)，這是由于NLoS場景下有較多的反射體與散射體，到達接收陣元多徑的數(shù)目增多，因此不同的場景簇的數(shù)目存在差異，該結果與文獻[35，40]結果基本一致，說明室外微蜂窩環(huán)境下毫米波頻段多徑到達接收端形成簇呈現(xiàn)稀疏性.

圖15 28 GHz SIMO陣列多徑簇CDFFig. 15 CDF of multipath cluster of SIMO array at 28 GHz

5 結 論

針對28 GHz與39 GHz毫米波頻段典型室外微蜂窩場景下，本文基于改進射線跟蹤法和BP神經(jīng)網(wǎng)絡算法對SISO信道與SIMO信道進行了建模仿真研究，并提出了一種普遍適用于室外微蜂窩LoS與NLoS場景下28 GHz與39 GHz SISO毫米波信道的CI路徑損耗模型. 結論如下：

1)建模仿真結果與現(xiàn)有文獻的測量結果對比吻合程度很高，驗證了改進射線跟蹤法的正確性與有效性.

2)基于BP神經(jīng)網(wǎng)絡方法擬合得到的路徑損耗模型參數(shù)結果與改進射線跟蹤法仿真得到的路徑損耗參數(shù)結果吻合程度很高，說明BP神經(jīng)網(wǎng)絡算法能很好地對室外微蜂窩毫米波信道大尺度參數(shù)進行預測.

3)通過計算得出LoS與NLoS場景下RMS DS、水平方向到達角、多徑簇的個數(shù)CDF均服從高斯分布. RMS DS在毫米波頻段，隨著頻率的升高而增大. 對于同一頻段，LoS場景下的到達方位角小于NLoS場景；對于同樣的場景、不同的頻段，水平到達方向角對頻段不是很敏感. 此外，對于SIMO信道，不論是LoS環(huán)境還是NLoS環(huán)境，天線陣列中間的陣元接收功率相對較大. LoS場景下多徑簇的個數(shù)少于NLoS場景下多徑簇的個數(shù)，在室外微蜂窩環(huán)境下毫米波頻段多徑到達接收端形成簇呈現(xiàn)稀疏性.

綜上所述，通過改進射線跟蹤法進行信道建模仿真，可以對特殊場景與特殊頻段下無線信道傳播特性的不足進行完善，并為5G與B5G無線通信系統(tǒng)的優(yōu)化和無線信道建模提供理論依據(jù).