張偉

（中國聯(lián)合網(wǎng)絡(luò)通信集團有限公司廣東省分公司，廣東 廣州 510627）

0 引言

高鐵高速運動等復(fù)雜通信環(huán)境受到多普勒頻移和多徑效應(yīng)的影響，從而難以有效實現(xiàn)信道建模，信道建模不準確就會影響后續(xù)信道調(diào)解。雖然有學(xué)者提出數(shù)據(jù)導(dǎo)頻輔助的信道估計方法[1-4]，其在一定程度上緩解導(dǎo)頻不足和導(dǎo)頻污染問題，但無法有效解決由于噪音和信道時變所帶來的誤差累積問題。也有學(xué)者采用深度學(xué)習(xí)[5-7]和多層感知機[8-9]來實現(xiàn)信道估計模型構(gòu)建，但該方法沒有考慮相鄰OFDM 符號之間信道估計值可信度問題，從而沒有對信道估計模型更新進行一個動態(tài)判決。因此，本文提出融合深度學(xué)習(xí)與注意力機制信道建模方法，該方法擬解決以下問題：（1）在發(fā)射機、接收機和障礙物隨機移動通信場景，尋找一種可以根據(jù)環(huán)境變化對信道時域特征和頻域特征進行有機融合的方法，并根據(jù)業(yè)務(wù)場景變化規(guī)律來強化或者弱化某些關(guān)鍵特征，從而有效解決時變信道誤差補償問題，有效應(yīng)對動態(tài)通信環(huán)境中出現(xiàn)的多普勒頻移和多徑效應(yīng)現(xiàn)象；（2）對通信環(huán)境小范圍動態(tài)變化場景，尋找一種自適應(yīng)調(diào)整采樣間隔機制來降低整個系統(tǒng)的能耗，在一定程度上實現(xiàn)網(wǎng)絡(luò)自感知、自決策。

1 融合深度學(xué)習(xí)與信道均衡的自適應(yīng)采樣間隔信道估計

1.1 建模思路

首先，在設(shè)定導(dǎo)頻子載波采樣間隔基礎(chǔ)上，采用長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）+卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）+數(shù)據(jù)導(dǎo)頻輔助方法（Data Pilot Assistance，DPA）獲得采樣時隙OFDM（Orthogonal Frequency Division Multiplexing，正交頻分復(fù)用技術(shù)）符號的信道頻率響應(yīng)值；然后采用信道均衡判斷相鄰采樣時隙之間信道頻率響應(yīng)估計值的相似度，基于相似度來動態(tài)調(diào)整采樣間隔；最后，將符合條件的信道頻率響應(yīng)值進行加權(quán)融合，實現(xiàn)信道頻率響應(yīng)值的重構(gòu)，并將重構(gòu)值作為下一幀的信號估計參數(shù)，實現(xiàn)信號調(diào)解。一幀具有M 個時隙信號，從M 個選擇若干個時隙信號進行14 個OFDM 符號信號估計值后，將獲得可信OFDM 符號進行重構(gòu)后得到信道估計參數(shù)作為整一幀的信道估計參數(shù)用于信道估計。信道估計流程如圖1 所示。

圖1 信道估計流程

1.2 信道估計建模過程

（1）信號采集與信號表示

眾所周知，一幀信號包含M 個時隙的信號（其中M與時隙的劃分有關(guān)），為了準確估計下一幀的信號，通常需要抽取上一幀若干時隙的信號來估計信號估計參數(shù)。由于無線信號傳播復(fù)雜性和隨機性，在不同場景所抽取的時隙信號具有一定的時變性，為了更有效獲取信號信息，通常對每一個時隙的信道數(shù)據(jù)進行固定間隔采樣，結(jié)合導(dǎo)頻子載波的信息來估計下一幀的信道估計參數(shù)。

假設(shè)OFDM 有效符號時間長度為Ts，加入循環(huán)前綴長度為Tg，那么OFDM 符號時間長度為T，表示為：

在某一個時隙中，對接收信號和發(fā)送信號均以Ts/N進行固定間隔獲取采樣數(shù)據(jù)點。在本文中，Tg取值為16 μs（每一個CP（循環(huán)前綴）時間長度是8 μs，一共有2 個CP，Ts取值為112 μs 每一個OFDM 有效符號時間長度是8 μs，一共有14 個OFDM 有效符號），為了簡化表示，本文的對每一個時隙進行信息采樣。信息采樣過程如圖2 所示。

圖2 某一個時隙采樣信息過程

通過對信息進行采樣后，獲得n個樣本，每個樣本都有64 行，分別包含64 個子載波的數(shù)據(jù)。將上述的n個樣本輸入到LSTM 中，獲得抽樣信息的時域關(guān)聯(lián)語義。LSTM 處理采樣信息的過程如圖3 所示。

圖3 基于LSTM獲取信號的時域關(guān)聯(lián)語義

設(shè)LSTM 的隱含層單元數(shù)量為m，經(jīng)過LSTM 處理后，隱含層輸出n×m維特征向量：

除了獲取抽樣信號的時域關(guān)聯(lián)語義外，還需要獲取抽樣信號的頻域關(guān)聯(lián)語義，為了更加有效提取各個子載波的頻域關(guān)聯(lián)語義，將LSTM 獲得的n×m個樣本輸入到CNN 網(wǎng)絡(luò)，具體的處理過程如圖4 所示。

圖4 基于CNN獲取信號的頻域關(guān)聯(lián)語義

經(jīng)過CNN 多個卷基層處理后，由n個神經(jīng)元得到1×n維的特征向量：

（2）引入注意力機制實現(xiàn)信號時域關(guān)聯(lián)語義和頻域關(guān)聯(lián)語義的有機融合

考慮到無線信號容易受到外部動態(tài)多變環(huán)境的影響，引入注意力機制根據(jù)不同時刻環(huán)境變化來實時更新時域和頻域的關(guān)聯(lián)語義，也就利用注意力系數(shù)Ci實現(xiàn)時域和頻域關(guān)聯(lián)語義的有機融合，更加有效表達信號的特征。注意力系數(shù)Ci表示為：

其中，exp()是一個指數(shù)函數(shù)。

結(jié)合注意力系數(shù)得到第k個時隙的特征表達。假設(shè)注意力系數(shù)的特征向量為C，注意力系數(shù)實質(zhì)上就是對不同抽樣時域輸入向量進行有區(qū)別的賦值，結(jié)合LSTM 隱含層變量得到第k個時隙信號的時-空語義信息：

fk是第k個時隙信號的時-空語義信息，維度為1×n。

引入注意力機制將CNN 頻域關(guān)聯(lián)語義與LSTM 時域關(guān)聯(lián)語義進行融合，使時間維度特征在某些數(shù)據(jù)維度加強，在某些數(shù)據(jù)維度減弱。因此，注意力機制能夠很好應(yīng)對信號受到某些因素影響呈現(xiàn)時強時弱的現(xiàn)象，從而有效應(yīng)對復(fù)雜通信環(huán)境中出現(xiàn)的多普勒頻移和多徑效應(yīng)的現(xiàn)象。

（3）基于信賴度的信道頻率響應(yīng)值重構(gòu)方法

由于各個時隙計算的信道頻率響應(yīng)值是有差異的，因此，本文需要對比抽樣時隙的信道頻率響應(yīng)值來計算信賴度，并將滿足信賴度條件的信道頻率響應(yīng)值進行重構(gòu)，以獲得信道頻率響應(yīng)值重構(gòu)值。

假設(shè)yk表示第k個時隙收到的信號值，結(jié)合第k個時隙的信號語義fk，第k個時信道頻率響應(yīng)值表示為：

hk表示第k個時信道頻率響應(yīng)值為了確保每一幀的信道頻率響應(yīng)值具有足夠可靠性，本文對每一個抽樣時隙所獲得的信道頻率響應(yīng)值進行可信度評估，采樣相似性來衡量抽樣時隙所計算的信道頻率響應(yīng)值的信賴度，計算公式為：

對上述抽樣時隙獲得的信道頻率響應(yīng)值進行相似性判斷，如果相似度滿足信賴度閾值，則納入信道頻率響應(yīng)值對應(yīng)的數(shù)據(jù)庫中，否則剔除。

將滿足條件的信道頻率響應(yīng)值進行加權(quán)平均，實現(xiàn)信道頻率響應(yīng)值的重構(gòu)。假設(shè)m+1 個時隙的信道頻率響應(yīng)值都滿足要求，則將各個時隙的信道頻率響應(yīng)值加權(quán)平均，公式如下：

（4）基于估計誤差的采樣時間間隔動態(tài)調(diào)整

基于第T幀信號的導(dǎo)頻子載波估計值為ZT，結(jié)合第T 幀信號的導(dǎo)頻子載波真實值，得到T幀信號估計值的誤差：

判斷誤差是否大于設(shè)定的誤差閾值，如果大于閾值，那么縮小時隙采樣間隔，相反，則擴大時隙采樣間隔。其中間隔調(diào)整公式為：

一旦采樣時間間隔發(fā)生變動，信道頻率響應(yīng)值將會改變，對應(yīng)的處理單元所消耗的能量將會改變。

2 仿真分析

為了更加有效比較高速場景下的無線傳輸模型，考慮MIMO-OFDM 系統(tǒng)，仿真參數(shù)如表1 所示。

表1 仿真參數(shù)設(shè)置

根據(jù)參考文獻[10]，城市主干道、高速公路和鄉(xiāng)村道路三種場景下的均方差時延擴展和多普勒擴展數(shù)據(jù)展示如表2。

表2 三種場景下的信道參數(shù)測量值

由上面的信道參數(shù)可知，基于最大均方差時延擴展得到相干帶寬約為455 kHz。

同樣，最大的多普勒擴展得到的相干時間為：

該處仿真用的每一個OFDM 有效符號時間長度是8 μs，一共有16 個OFDM 有效符號。子載波為150 kHz，有效符號時間8 μs 遠遠小于相干時間227 μs，因此該信號傳輸?shù)男诺罏槁ヂ湫诺?。這種慢衰落信道可認為是廣義平穩(wěn)信道，信道具有時變性。為了更有效估計信道參數(shù)，在仿真過程中將本文的算法與傳統(tǒng)的最小二乘法(Least Squares Method,LS)算法所得到模型的誤差和計算復(fù)雜度進行對比。

LS 算法具體的信道估計過程為：（1）首先基于數(shù)據(jù)導(dǎo)頻的方法利用導(dǎo)頻數(shù)據(jù)來估計信道的初始值，得到多個OFDM 符號的信道估計值；（2）采用逼零均衡算法（Zero-forcing，ZF）對多個OFDM 符號的信道估計值進行信道均衡，對導(dǎo)頻數(shù)據(jù)的OFDM 符號的信道估計值進行修正；（3）在獲取導(dǎo)頻數(shù)據(jù)的OFDM 符號的信道估計修正值和信號實際接收值的基礎(chǔ)上，采用LS 估計信道頻率響應(yīng)，將其用于下一個幀的信道估計。

本文算法的信道估計過程已經(jīng)在上一節(jié)進行詳細闡述，不再贅述。

（1）信道估計的MSE

為了對比不同方法在不同OFDM 符號訓(xùn)練樣本數(shù)量下的MSE 值，首先是在設(shè)定導(dǎo)頻數(shù)量和訓(xùn)練信噪比固定情況下，隨著訓(xùn)練樣本增加，其MSE 在三種場景的變化情況（注：按照2 μs 的固定時間間隔抽樣，最多的抽樣點為64×32=2 048 個）。

很明顯，在“ 逐信噪比訓(xùn)練”下，LS 算法在噪音較大或者樣本量較小時，其產(chǎn)生的誤差比較大。圖5 最上面3 條折線是樣本量在100 時，隨著信噪比不斷增加，信道預(yù)測性能并沒有得到很好的改善。當樣本量增加到1 000 時，隨著信噪比不斷增加，信道預(yù)測性能不斷改善，逼近0.005。當樣本量增加到2 000 時，隨著信噪比不斷增加，三種場景的信道預(yù)測性能差距逐漸減小。

如圖6 所示，采用本文的算法在“逐信噪比訓(xùn)練”下，在噪音較大或者樣本量較小時，其產(chǎn)生的誤差波動性相對于LS 算法來說平穩(wěn)很多。雖然樣本數(shù)量相同時，在低信噪比情況下，信道環(huán)境較差時兩種算法的精度都不算高，差異不是太明顯，但是本文算法的MSE 明顯更加平緩，這是因為在信道條件較差時，線性估計的誤差容易隨著迭代的推進不斷傳遞，最后導(dǎo)致信道估計容易失真。在高速移動場景下，LS 更容易受到多普勒頻移的影響，其預(yù)測精度進一步受到影響。隨著樣本數(shù)量和信道環(huán)境的改善，本文算法在高速移動環(huán)境以及低速移動場景中都得到改善，差異逐漸減少，這是因為該算法引入注意力機制將CNN 頻域特征表達與LSTM 時域特征進行融合，利用下一刻相鄰OFDM 符號之間信道估計值的誤差值來評估上一時隙的信道估計參數(shù)的精度，從而實現(xiàn)信道估計參數(shù)的自動校正。

圖6 三種場景采用本文算法在不同樣本數(shù)量下的信道估計MSE（訓(xùn)練信噪比為20 dB）

（2）信道估計的計算復(fù)雜度分析

為了對比不同方法在不同子載波數(shù)量下的復(fù)雜度，對比在設(shè)定導(dǎo)頻數(shù)量情況下，隨著導(dǎo)頻數(shù)量增加，其在固定采樣時間間隔、不同場景自適應(yīng)采樣間隔下的計算復(fù)雜度大小。具體如圖7 所示。

圖7 不同場景、不同算法的計算復(fù)雜度對比情況

圖7 反映了不同場景不同算法在不同子載波的復(fù)雜度對比。仿真中，雖然LS 算法的計算復(fù)雜度較小，但是其信道估計精度是最差的。而鄉(xiāng)道場景在自適應(yīng)時間間隔的計算復(fù)雜度是最小的，這是因為鄉(xiāng)道信道估計誤差的變化較小的情況下會調(diào)大采樣時間間隔，從而信道估計算法在時間上小范圍波動情況下大大降低了計算復(fù)雜度，從而降低網(wǎng)絡(luò)資源的能耗。

3 結(jié)束語

本文在信道估計算法基礎(chǔ)上，重點研究5G 在高速移動場景下精度高、自適應(yīng)更新采樣間隔的時變信道建模算法。在信道建模過程中，利用深度學(xué)習(xí)的非線性擬合能力、魯棒性強的特點，引入注意力機制實現(xiàn)信號頻域特征和時域特征的有機融合，從而有效應(yīng)對復(fù)雜通信環(huán)境中出現(xiàn)的多普勒頻移和多徑效應(yīng)的現(xiàn)象。除此之外，本文采用自適應(yīng)采樣間隔來動態(tài)調(diào)整信號采樣間隔，解決信道小范圍波動所導(dǎo)致計算資源浪費問題，降低了網(wǎng)絡(luò)的能耗。仿真可知，該方法能夠為后續(xù)的自感知、自決策網(wǎng)絡(luò)建設(shè)提供方法參考。