本技术介绍了一种跨频信道特征迁移技术及其系统。该技术包括:采集信道原始信号并进行预处理,提取三个关键信道特征;将信道时频响应视为图像,并将时频图像输入至迁移网络,实现特征参数的跨频率迁移。
背景技术
传播信道的研究是无线通信系统设计、网络优化和性能评估的基础,信道的统计特征和动态变化决定了通信系统的整体性能,直接影响到通信的可靠性、效率和安全性。信道建模是通过数学的方式来刻画信道特性,精确的信道模型可以优化数据传输质量,减少通信延迟。
信道建模的研究离不开信道数据的支持,然而外场信道测量不仅耗时耗力,还常受频率干扰等问题影响,难以覆盖所有的场景和频段,导致特定频率下的场景信道研究缺乏足够的数据支持。
信道特征参数迁移的目标是利用已采集的其他频率下的信道数据,生成目标频率的信道特征参数。随着深度学习技术的不断发展和成熟,基于神经网络的信道生成与建模方法受到越来越多的关注。
神经网络和深度学习方法凭借其强大的学习和预测能力、出色的非线性拟合和自适应能力,以及在高维度和高冗余数据中挖掘复杂特征的优势,被认为是解决不同场景和环境下传统建模方法局限性的潜在通用方案。如将GAN应用于无线信道建模领域,对加性高斯白噪声(Additive White Gaussian Noise,AWGN)进行建模,通过实现信道数据生成器和信道数据鉴别器之间的最小最大博弈的纳什均衡,从大量原始信道数据中学习获得目标信道模型。或基于CycleGAN的跨频信道数据生成和建模框架,该框架可以通过生成对抗网络得到信道数据。
目前,基于MMD-AAE和CycleGAN的跨频率信道特征参数迁移框架虽然克服了传统建模技术的局限性,为复杂信道环境下的建模提供了一种新的思路,但现有的卷积、GAN网络等深度学习架构过于固定,无法动态调整特征流动和网络层间的交互,无法自适应不同环境的变化,未能有效利用局部与全局特征之间的交互,导致特征提取不充分,尤其是在复杂信道环境中,无法捕捉输入数据的多尺度、多维度特征,降低了模型的泛化能力和适应性。且现有方法在不同频率间进行迁移时,缺少自适应机制,导致对未知频率的特征生成效果较差,影响转换的准确性和一致性。
实现思路