买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于机器学习的空时域预测信道建模方法，包括：通过信道测量或仿真获取信道数据，并设置信道数据的邻节点数和时刻序列长度，构造空时图数据集；建立图注意力网络和门控循环单元模型，依次提取信道空间和时间特征；利用模型所提取信道空时域融合特征，预测当前通信场景下未来时刻各位置的信道统计特性。本发明提出的利用信道空时域高相关性数据特征的信道预测方法，能够实现对未知地点和未知时刻进行高精度信道统计特性预测，对多维度的预测信道建模研究具有指导意义。

主权项：1.一种基于机器学习的空时域预测信道建模方法，其特征在于，该方法包括：步骤S1、构建信道数据集，其包括：首先通过信道测量或仿真得到信道数据，然后再对采集的信道数据进行预处理，生成由信道统计特性和环境参数组成的信道数据集；步骤S2、针对该步骤S1中构建的信道数据集，将其中同一时刻的信道数据划分为一个信道数据子集；步骤S3、构建图信道数据集，其包括：首先计算信道数据相关性，然后再设定邻节点数，并且基于该相关性和邻节点数，将每个时刻的信道数据子集构建为当前时刻的图信道数据，最后将不同时刻的图信道数据构成图信道数据集；步骤S4、针对步骤S3中构建的图信道数据集，将其按照一定比例划分为训练集和测试集，再设定时间序列长度Seq，将图信道数据构造为长为Seq+1的序列，序列集合则为空时图信道数据集；步骤S5、针对一基于GAT-GRU的预测信道模型执行模型训练，其包括：首先构建一基于GAT-GRU的预测信道模型并且初始化其模型参数，然后以空时图信道数据集为模型的输入，并且利用模型依次提取信道空间特征和时间特征，并且构成信道空时域融合特征，最后利用信道空时域融合特征预测未来时刻各位置的信道统计特性，计算模型输出结果与实际测量值误差，并根据结果来反馈更新模型参数；所述步骤S1具体包括：步骤S101、利用软件WirelessInsite搭建了两个室内办公室环境：密集办公室环境和稀疏办公室环境；步骤S102、针对搭建的两个室内办公室环境，执行环境参数矢量以及信道统计特性矢量的定义，其包括：将环境参数矢量定义为接收端天线坐标和收发端间距；将信道统计特性矢量定义为接收功率、均方根时延扩展、均方根方位到达角扩展、均方根方位离开角扩展、均方根俯仰到达角扩展和均方根俯仰离开角扩展定义；其中，信道环境参数矢量和信道统计特性矢量共同构成一组信道数据；步骤S103、对信道统计特性矢量和信道环境参数矢量中的每种参数进行数据归一化处理，使每种参数取值分布在[0,1]之间；所述步骤S3具体包括：步骤S301、在进行信道数据相关性计算时，对每个时刻的信道数据子集中的信道数据进行计算，使用信道环境参数矢量间欧氏距离的倒数来表征信道数据的相关性；步骤S302、设定邻节点数N的取值，然后每组信道数据选择与其相关性最高的N组信道数据建立单向边，将每个时刻的信道数据子集构建为当前时刻的图信道数据；步骤S303、将不同时刻的图信道数据构成图信道数据集；在所述步骤S5中，所述首先构建一基于GAT-GRU的预测信道模型并且初始化其模型参数，其具体包括：步骤S5011、使用单有32个图注意力层的多头GAT模型构成GAT-GRU模型中的GAT模块，用于提取信道空间特征，后接ReLU激活函数，其表达式为 步骤S5012、使用32个隐藏单元的单层GRU模型构成GAT-GRU模型中的GRU模块，用于提取信道时间特征。

全文数据：

权利要求：

百度查询： 东南大学 一种基于机器学习的空时域预测信道建模方法