一种基于深度学习的跨频信道仿真和数据重构方法

1.本发明涉及无线通信技术领域，尤其涉及一种基于深度学习的跨频信道仿真和数据重构方法。


背景技术：

2.在无线通信中，传播信道是连接通信系统中发射端与接收端的物理媒介。传播信道的特性直接决定了无线通信系统的性能。因此，对于电波传播现象以及信道特性的深入研究是实现系统最优设计的先决条件。真实传播场景下的信道数据是开展无线信道研究的基础，信道测量是获取无线信道数据必不可少的重要环节之一。信道测量可以为无线信道建模提供原始数据，便于研究人员利用统计方法，完成对于不同通信系统在不同传播环境下的无线信号变化过程的刻画。但是由于信道测量操作的复杂性以及面对新场景和新频段测量的挑战性，测量得到的信道数据非常有限。
3.如果能够基于少量的真实测量信道数据，利用人工智能(ai)的方法实现信道数据的重构和建模，通过信道到信道(channel-to-channel)的模式生成大量逼真的信道数据，可以极大程度地支撑信道特性的研究，甚至开发出新的信道建模范式，进一步支撑通信系统的性能分析和设计。
4.目前，现有技术中还没有一种有效的实现2.6ghz信道与5.9ghz信道之间的相互转换的方法。


技术实现要素：

5.本发明的实施例提供了一种基于深度学习的跨频信道仿真和数据重构方法，以实现2.6ghz信道与5.9ghz信道之间的相互转换的。
6.为了实现上述目的，本发明采取了如下技术方案。
7.一种基于深度学习的跨频信道仿真和数据重构方法，包括：
8.获取车到车信道测量数据，对所述车到车信道测量数据进行预处理；
9.构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型；
10.将2.6ghz和5.9ghz信道数据输入到所述训练好的信道仿真和数据重构模型中，所述训练好的信道仿真和数据重构模型输出5.9ghz和2.6ghz数据。
11.优选地，所述的获取车到车信道测量数据，对所述车到车信道测量数据进行预处理，包括：
12.将发射机与接收机天线分别放置于两辆车的车顶，分别放置了发射机与接收机的两辆车辆同向而行，测量时，在发射端矢量信号发射机进行多载波信号输出，通过功率放大器对发射机输出的测试信号进行功率放大，通过全向发射天线进行发射；在接收端，接收机通过全向天线采集并存储为复信号，系统校准数据通过收发端直连测量获得，通过傅里叶变换将实测数据和校准数据转换至频域，去除接收信号的系统响应，利用已知的参考信号
将去除系统响应的接收信号除以傅里叶变换后的参考信号，再经过傅里叶反变换计算得到信道冲激响应h；
13.将利用所述两辆车辆测量得到的信道冲激响应h转换为db域的信道功率时延谱，计算公式如下：
14.pdp＝20log
10
(|h|2)
ꢀꢀꢀꢀꢀ
(1)
15.对信道功率时延谱进行归一化处理，得到归一化后的2.6ghz和5.9ghz功率时延谱，计算方法如下：
[0016][0017]
其中pdpi为功率时延谱数据集中第i个样本，min与max分别为取功率时延谱数据集中的最小值和最大值。
[0018]
优选地，所述的构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型，包括：
[0019]
构建实现2.6ghz信道与5.9ghz信道之间的相互转换的基于频段迁移的信道仿真和数据重构模型，所述信道仿真和数据重构模型由两个转换器和两个判别器组成，其中一个转换器的作用是学习2.6ghz信道到5.9ghz信道的映射并生成5.9ghz信道，另一个转换器的作用是学习5.9ghz信道到2.6ghz信道的映射并生成2.6ghz信道，两个判别器的作用是判断输入的信道是来自真实测量的目标域信道或者来经过转换器转换的信道，并给出判别结果；所述信道仿真和数据重构模型包含四个损失函数，四个损失函数分别对应两个转换器和两个判别器；
[0020]
用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，在训练过程中，调节转换器和判别器的训练步长，将转换器和判别器的步长比设置为5：1，在训练了设定数量的轮次后，当损失函数的值符合误差范围标准后，保存当前的所述信道仿真和数据重构模型的参数，得到训练好的信道仿真和数据重构模型。
[0021]
优选地，所述的构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型，包括：
[0022]
所述转换器包含编码器、残差块和解码器，其中编码器由卷积神经网络组成，编码器使用一维卷积提取输入信道样本的特征，在每个一维卷积层后都加入归一化层和激活层，选择leaky relu作为转换器的激活函数，leaky relu的原理如式(2)所示：
[0023][0024]
其中，x为所述leakyrelu激活函数的输入，当x＜0时，所述leakyrelu激活函数赋予所述输入x一个斜率α，经过编码器的数据将被映射成一个潜在的特征，该特征随后进入残差块；
[0025]
所述残差块由两个一维卷积层组成，输入的残留部分与卷积输出相加作为最终输出，残差块输出的结果被送入最终的解码器中，解码器由转置卷积层组成，位于转换器的最
后一层的一维卷积层将解码器的结果映射为信道响应数据；
[0026]
所述判别器利用一维卷积对输入的来自转换器的输入域的信道响应数据或真实的目标域信道样本进行特征提取，根据提前的特征得到输入为真实目标域样本或转换目标域样本的概率结果；
[0027]
所述信道仿真和数据重构模型的损失函数包括生成对抗网络中的对抗损失、映射损失和循环一致性损失，对抗损失要求判别器需要鉴别出真实的和重构的信道数据，并分别输出概率值为1和0，所述映射损失和循环一致性损失用来约束转换器，保证生成数据保留原始数据除频率特征外的部分，当判别器判别来自目标域的真实测量数据的结果为真，判别器输出为1；当判别器判别出来自转换器重构的信道样本，判别器输出为0。
[0028]
优选地，所述的将2.6ghz和5.9ghz信道数据输入到所述训练好的信道仿真和数据重构模型中，所述训练好的信道仿真和数据重构模型输出5.9ghz和2.6ghz数据，包括：
[0029]
所述训练好的信道仿真和数据重构模型基于深度学习建立2.6ghz和5.9ghz之间的相互映射关系，将2.6ghz的信道功率时延谱输入到所述训练好的信道仿真和数据重构模型，所述训练好的信道仿真和数据重构模型输出5.9ghz的信道功率时延谱，将5.9ghz的信道功率时延谱输入到所述训练好的信道仿真和数据重构模型，所述训练好的信道仿真和数据重构模型输出2.6ghz的信道功率时延谱。
[0030]
由上述本发明的实施例提供的技术方案可以看出，本发明实施例基于生成对抗网络，结合真实测量数据的验证，提出了一种基于深度学习的跨频信道仿真和数据重构方法。该方法能够实现跨频段的海量信道数据生成和传播特征重构，重构信道的信道特性和真实测量信道保持相同分布。
[0031]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0032]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]
图1为本发明实施例提供的一种基于深度学习的跨频信道仿真和数据重构方法的处理流程图；
[0034]
图2为本发明实施例提供的一种基于频段迁移的信道仿真和数据重构的模型的网络架构示意图；
[0035]
图3为本发明实施例提供的一种转换器和判别器网络架构图；
[0036]
图4为本发明实施例提供的一种损失函数设计图；
[0037]
图5为本发明实施例提供的一种基于深度学习的跨频信道仿真和数据重构方法的处理流程图；
[0038]
图6为本发明实施例提供的一种基于训练集的跨频信道生成验证结果示意图；
[0039]
图7为本发明实施例提供的一种基于测试集的跨频信道生成验证结果示意图。
具体实施方式
[0040]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0041]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0042]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0043]
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0044]
本发明实施例提供的一种基于深度学习的跨频信道仿真和数据重构方法的处理流程如图1所示，包括如下的处理步骤：
[0045]
步骤s1：获取v2v(vehicle-to-vehicle，v2v)信道测量数据，对v2v信道测量数据进行预处理。
[0046]
该方法首先进行车对车信道测量。测量的频率选为2.6ghz和5.9ghz，测量场景选在郊区，环境特点是建筑物较少，道路两侧植被丰富。发射机与接收机天线则分别放置于两辆车的车顶。发射机与接收机所在车辆同向而行，速度约为20m/s。测量过程中车流密度较小。测量时，在发射端矢量信号发射机首先进行多载波信号输出，进而通过功率放大器对发射机输出的测试信号进行功率放大，然后通过全向发射天线进行发射；在接收端，接收机通过全向天线采集并存储为复信号。
[0047]
系统校准数据通过收发端直连测量获得，其存储格式与原始测量数据一致，用于消除测量系统固有响应。之后，基于实测数据和校准数据，通过傅里叶变换将两者转换至频域并相除，可以进一步计算得到去除系统响应的接收信号。最后，利用已知的参考信号u，将去除系统响应的接收信号除以傅里叶变换后的参考信号再经过傅里叶反变换计算最终得到信道冲激响应h。
[0048]
上述v2v信道测量得到的数据为信道冲击响应h。我们首先将测量得到的信道冲激响应h转换为db域的信道功率时延谱(pdp)，计算公式如下：
[0049]
pdp＝20log
10
(|h|2)
ꢀꢀꢀꢀꢀ
(1)
[0050]
由于测量得到的信道冲击响应h包含很长的拖尾噪声，因此只保留了前128个时延的数据。除此之外，为了加速网络收敛，需要对功率时延谱中进行归一化处理，具体使用了最大最小归一化方法，计算方法如下：
[0051][0052]
其中pdpi为功率时延谱数据集中第i个样本，min与max分别为取功率时延谱数据集中的最小值和最大值。随后将归一化后的2.6ghz和5.9ghz功率时延谱输入模型。
[0053]
步骤s2：构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型。
[0054]
本发明实施例基于循环一致对抗网络(cyclegan)的原理，提出了一种基于频段迁移的信道仿真和数据重构模型的网络架构如图2所示。该模型的目的是实现域a(2.6ghz)信道与域b(5.9ghz)信道的相互转换。模型整体架构由两个转换器和两个判别器组成。其中转换器a/b的作用是将2.6ghz/5.9ghz信道转换成5.9ghz/2.6ghz信道，判别器a/b的作用是判断输入的信道是来自真实测量的目标域信道或来经过转换器转换的信道，并给出判别结果。
[0055]
本发明实施例提出的一种转换器和判别器的设计如图3所示。图3中的转换器1是用来学习2.6ghz信道到5.9ghz信道的映射并生成5.9ghz信道，转换器2的目的是学习5.9ghz信道到2.6ghz信道的映射并生成2.6ghz信道。判别器最终给出输入的信道是否为真实信道的概率结果。模型主要包含四个损失函数，分别对应转换器1、转换器2、判别器1和判别器2。
[0056]
根据cyclegan的原理构建转换器模型，转换器包含编码器、残差块和解码器。其中编码器由卷积神经网络组成，其目的是提取输入信道样本的特征。编码器使用一维卷积提取特征，在每个一维卷积层后都加入了归一化层和激活层。批量归一化层可以加快模型训练时的收敛速度，使得模型训练过程更加稳定。激活层可以缓解梯度消失的问题，选择leaky relu作为转换器的激活函数。leaky relu是一种线性激活函数，其原理如(3)所示：
[0057][0058]
其中，x为所述leakyrelu激活函数的输入。当x＜0时，所述leakyrelu激活函数赋予所述输入x一个斜率α。所述斜率α是一个可以调节的超参数，本发明结合实际情况与验证效果将其设置为0.2。经过编码器的数据将被映射成一个潜在的特征，这个特征随后进入残差块。
[0059]
在进行频率特征迁移的时候，为了确保网络可以保留原始输入数据的特征，例如输入信道功率时延谱中最大功率径所在的位置，因此使用了残差块来保持输入数据和输出数据之间不会有太大的偏差。残差块由两个一维卷积层组成，输入的残留部分与卷积输出相加作为最终输出。其目的是保留原始输入的特征。残差块输出的结果被送入最终的解码器中，解码器主要由转置卷积层组成，目的是重建信道响应数据。转换器的最后一层是一个一维卷积层，用于将解码器的结果映射为信道响应数据，此时的激活函数选用tanh函数，用于将解码器的输出映射到信道功率时延谱数据的范围。
[0060]
对于判别器，其选取了一维卷积对输入的来自转换器的输入域的信道响应数据或真实的目标域信道样本进行特征提取，根据提前的特征得到输入为真实目标域样本或转换目标域样本的概率结果。
[0061]
接着，本发明设计了图4所示的损失函数来构建整个基于频段迁移的信道仿真和数据重构模型。为了保证频率特征的精确映射，模型的损失函数不应只包含一般生成对抗网络中的对抗损失，还应包括映射损失和循环一致性损失。首先，对抗损失要求判别器需要鉴别出真实的和重构的信道数据，并分别输出概率值为1和0。对于映射损失和循环一致性损失，其目的是用来约束转换器，避免迁移过多，保证生成数据尽量保留原始数据除频率特征外的部分。
[0062]
对于提出的基于频段迁移的信道仿真和数据重构模型，损失函数包含主要包含对抗损失、循环一致性损失和映射损失。首先，我们期望判别器可以判别来自目标域的真实测量数据的结果为真，即判别器输出为1。类似地，判别器需要判别出来自转换器重构的信道样本，并给出判别结果为0。对于转换器，我们期望它可以尽可能重构出和目标域分布相似的信道样本，从而通过判别器的鉴别。因此，此时b
→
a映射的对抗损失可以表示为：
[0063][0064]
其中，ha:pa指信道样本ha符合域a分布，hb:pb指信道样本hb符合域b分布；
[0065]
tb(
·
)指将域b中的信道样本映射至域a，da(
·
)指经过判别器a判别得到的结果。由于域转化后的重构信道需要保留原始信道样本的其他属性，且经过转换的信道需要能够还原，因此循环一致性损失是必要的。循环一致性损失可以表示为(4)：
[0066][0067]
类似地，ta(
·
)指将域a中的信道样本映射至域b。最后，为了使转换器足够灵敏，我们设计了映射损失，即用真实的域a/b中的信道样本输入转换器tb/ta,查看输出是否和输入数据保持相同分布。映射损失可以表示为(5)：
[0068]
l
identity
＝|ta(hb)-hb|+|tb(ha)-ha|
ꢀꢀ
(5)
[0069]
之后，本发明用预处理后的v2v信道测量数据对信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型。在训练过程中，我们调节了转换器和判别器的训练步长，步长比设为5：1，即训练五次转换器，训练一次判别器。我们主要选用交叉熵作为主要的损失函数；选用adam函数作为优化器，并将其学习率设为0.0002，主要参数β1和β2分别设为0.5和0.9；训练的批次大小(batchsize)设为32。在训练了500个训练轮数(epoch)后，我们保存了训练模型并观察转换结果。
[0070]
为了提升模型性能和减少模型的训练时间，借助tensorflow中的tf.data api构建输入流水线，对输入数据进行随机打乱，并将随机选中的数据合并成一个批次进行训练。具体而言，使用了tensorflow中tf.data.dataset.from_tensor_slices()方法构造了两个dataset，由于模型输入为两个数据集，在这里对两个数据集基于dataset.zip的方法进行了打包处理。
[0071]
在训练的过程中，由于转换器没有被充分训练而判别器过于灵敏，以至于模型无法收敛。因此在训练过程中，转换器会被加强训练，即训练5次转换器，训练一次判别器。以达到转换器和判别器平衡工作。
[0072]
步骤s4：将2.6ghz和5.9ghz信道数据输入到训练好的信道仿真和数据重构模型
中，输出5.9ghz和2.6ghz数据。
[0073]
上述训练好的信道仿真和数据重构模型基于深度学习建立域a(2.6ghz)和域b(5.9ghz)之间的相互映射关系。该模型的输入为2.6ghz和5.9ghz信道功率时延谱，输出为5.9ghz和2.6ghz信道功率时延谱。
[0074]
为了验证本发明方法的优越性，图6展示了基于训练集的使用本发明构建和训练的跨频段信道仿真和生成的结果图。图6为执行了500个epoch后重构的1603个信道样本，其中图6(a)(b)分别为重构的2.6ghz信道和5.9ghz信道。从pdp图中可以看出，重构的信道都有很明显的los径，符合los场景v2v测量信道的特性。除此之外，重构的信道可以反映出真实测量的过程中信道受噪声的影响特点。均方根时延扩展(root mean square delay spread，rms delay spread)用于表征信道的时延色散，图6也展示了2.6ghz和5.9ghz测量和重构信道的rms时延扩展的累积分布函数。可以看出，重构信道的rms时延扩展与测量信道保持较相似的分布。
[0075]
除此之外，我们选取了高车流密度场景的2.6ghz和5.9ghz测量数据当作测试集进行信道的跨频段生成验证如图7所示。从图7可以看出，重构的信道不仅可以保持较高的拟真度，其信道特征也能与真实信道保持相似的分布。
[0076]
综上所述，本发明提出的基于频段迁移的信道仿真和数据生成方法，可以实现跨频段的真实信道生成。特别地，在频段受限或频段干扰场景的信道测量开展较困难或测量信道数据有限的情况下，基于本发明方法可以重构频段受限或频段干扰场景的信道，从而进一步支持这些场景的信道研究。
[0077]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0078]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0079]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0080]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种基于深度学习的跨频信道仿真和数据重构方法，其特征在于，包括：获取车到车信道测量数据，对所述车到车信道测量数据进行预处理；构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型；将2.6ghz和5.9ghz信道数据输入到所述训练好的信道仿真和数据重构模型中，所述训练好的信道仿真和数据重构模型输出5.9ghz和2.6ghz数据。2.根据权利要求1所述的方法，其特征在于，所述的获取车到车信道测量数据，对所述车到车信道测量数据进行预处理，包括：将发射机与接收机天线分别放置于两辆车的车顶，分别放置了发射机与接收机的两辆车辆同向而行，测量时，在发射端矢量信号发射机进行多载波信号输出，通过功率放大器对发射机输出的测试信号进行功率放大，通过全向发射天线进行发射；在接收端，接收机通过全向天线采集并存储为复信号，系统校准数据通过收发端直连测量获得，通过傅里叶变换将实测数据和校准数据转换至频域，去除接收信号的系统响应，利用已知的参考信号将去除系统响应的接收信号除以傅里叶变换后的参考信号，再经过傅里叶反变换计算得到信道冲激响应h；将利用所述两辆车辆测量得到的信道冲激响应h转换为db域的信道功率时延谱，计算公式如下：pdp＝20log
10
(|h|2)
ꢀꢀꢀꢀꢀ
(1)对信道功率时延谱进行归一化处理，得到归一化后的2.6ghz和5.9ghz功率时延谱，计算方法如下：其中pdp
i
为功率时延谱数据集中第i个样本，min与max分别为取功率时延谱数据集中的最小值和最大值。3.根据权利要求2所述的方法，其特征在于，所述的构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型，包括：构建实现2.6ghz信道与5.9ghz信道之间的相互转换的基于频段迁移的信道仿真和数据重构模型，所述信道仿真和数据重构模型由两个转换器和两个判别器组成，其中一个转换器的作用是学习2.6ghz信道到5.9ghz信道的映射并生成5.9ghz信道，另一个转换器的作用是学习5.9ghz信道到2.6ghz信道的映射并生成2.6ghz信道，两个判别器的作用是判断输入的信道是来自真实测量的目标域信道或者来经过转换器转换的信道，并给出判别结果；所述信道仿真和数据重构模型包含四个损失函数，四个损失函数分别对应两个转换器和两个判别器；用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，在训练过程中，调节转换器和判别器的训练步长，将转换器和判别器的步长比设置为5：1，在训练了设定数量的轮次后，当损失函数的值符合误差范围标准后，保存当前的所述信道仿真和数据重构模型的参数，得到训练好的信道仿真和数据重构模型。
4.根据权利要求3所述的方法，其特征在于，所述的构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的v2v信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型，包括：所述转换器包含编码器、残差块和解码器，其中编码器由卷积神经网络组成，编码器使用一维卷积提取输入信道样本的特征，在每个一维卷积层后都加入归一化层和激活层，选择leaky relu作为转换器的激活函数，leaky relu的原理如式(2)所示：其中，x为所述leakyrelu激活函数的输入，当x＜0时，所述leakyrelu激活函数赋予所述输入x一个斜率α，经过编码器的数据将被映射成一个潜在的特征，该特征随后进入残差块；所述残差块由两个一维卷积层组成，输入的残留部分与卷积输出相加作为最终输出，残差块输出的结果被送入最终的解码器中，解码器由转置卷积层组成，位于转换器的最后一层的一维卷积层将解码器的结果映射为信道响应数据；所述判别器利用一维卷积对输入的来自转换器的输入域的信道响应数据或真实的目标域信道样本进行特征提取，根据提前的特征得到输入为真实目标域样本或转换目标域样本的概率结果；所述信道仿真和数据重构模型的损失函数包括生成对抗网络中的对抗损失、映射损失和循环一致性损失，对抗损失要求判别器需要鉴别出真实的和重构的信道数据，并分别输出概率值为1和0，所述映射损失和循环一致性损失用来约束转换器，保证生成数据保留原始数据除频率特征外的部分，当判别器判别来自目标域的真实测量数据的结果为真，判别器输出为1；当判别器判别出来自转换器重构的信道样本，判别器输出为0。5.根据权利要求4所述的方法，其特征在于，所述的将2.6ghz和5.9ghz信道数据输入到所述训练好的信道仿真和数据重构模型中，所述训练好的信道仿真和数据重构模型输出5.9ghz和2.6ghz数据，包括：所述训练好的信道仿真和数据重构模型基于深度学习建立2.6ghz和5.9ghz之间的相互映射关系，将2.6ghz的信道功率时延谱输入到所述训练好的信道仿真和数据重构模型，所述训练好的信道仿真和数据重构模型输出5.9ghz的信道功率时延谱，将5.9ghz的信道功率时延谱输入到所述训练好的信道仿真和数据重构模型，所述训练好的信道仿真和数据重构模型输出2.6ghz的信道功率时延谱。

技术总结
本发明提供了一种基于深度学习的跨频信道仿真和数据重构方法。该方法包括：获取车到车信道测量数据，对所述车到车信道测量数据进行预处理；构建基于频段迁移的信道仿真和数据重构模型，利用预处理后的V2V信道测量数据对所述信道仿真和数据重构模型进行训练，得到训练好的信道仿真和数据重构模型；将2.6GHz和5.9GHz信道数据输入到所述训练好的信道仿真和数据重构模型中，所述训练好的信道仿真和数据重构模型输出5.9GHz和2.6GHz数据。本发明基于生成对抗网络，结合真实测量数据的验证，提出了一种基于深度学习的跨频信道仿真和数据重构方法。该方法能够实现跨频段的海量信道数据生成和传播特征重构，重构信道的信道特性和真实测量信道保持相同分布。真实测量信道保持相同分布。真实测量信道保持相同分布。


技术研发人员：张语昕 何睿斯 周顺 杨汨 于龙 范建华 汪琛龙 艾渤
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2023.06.28
技术公布日：2023/10/7