基于径向基函数神经网络的轨道交通隧道5G信道建模

  ,何庆军

（上海中铁通信信号测试有限公司 上海）

摘要 轨道交通5G毫米波隧道环境十分繁杂，信道建模时采用射线跟踪仿真方法耗时长鲁棒性差。本文结合实际信道测量、射线跟踪法仿真与神经网络算法的特点，提出了基于径向基函数的神经网络算法与射线跟踪仿真相结合的混合信道模型，将信号强度、收发距离、隧道壁粗糙度等作为变量，通过训练后获得模型参数，预测信道特性。

1.引言

5G在轨道交通中将大规模应用，隧道场景中信道的建模十分急迫。传统的信道建模方法会随着模型多样以及频率提高而复杂度提高。轨道交通5G毫米波隧道环境十分繁杂，为解决采用射线跟踪仿真方法信道建模耗时长鲁棒性差的难题，本文将基于神经网络引入到轨道交通隧道环境5G信道的研究，将信道建模看作信号强度、收发距离以及隧道中相关环境参数的非线性映射，建立数据处理能力较强的多变量差值径向基函数(RBF)的神经网络模型，并与射线跟踪信道仿真相结合，构造了轨道交通隧道5G频段和28GHz混合信道模型，提高了仿真的速度与模型的准确度。

2. RBF神经网络与射线跟踪法相结合的混合信道模型

2.1 RBF神经网络的信道建模

将复杂的信道建模视为信号强度与收发距离以及隧道中相关环境参数的非线性映射，建立RBF神经网络模型，其径向基函数是基于中心点径向对称且逐渐衰减的非负非线性函数，取值依赖于输入变量离中心点的距离：

…………（1）

其中x 为输入变量，c表示函数中心点的位置。

在输入层，第i个输入样本的N维特征变量表示为[x1i x2i x3i… xN i]，当输入样本数为M时，构成输入样本集X，如公式（2）所示。

…………（2）

在中间层，输入样本通过求取与中间层各个神经元中心点的距离，再经由RBF函数映射，得到输出。神经元的个数也是M。将第j个输入样本的转置定义成第j个神经元的中心点，为[x1j x2j x3j… xN j]。

中间层神经元的中心点确定后，由公式（3），可以得到第i个输入样本与第j个神经元中心点的距离||dist||ji，其中，b为距离偏置量，本文设置为1。

…………（3）

根据RBF映射函数公式（1）可知，第i个输入样本在第j个神经元的映射Pji如公式（4）所示，M个输入样本的中间层输出可以构成中间层输出集P。

…………（4）

输出层为线性过程，如公式（5）所示，其中第j个神经元的输出权重为，第i个输入样本对应的输出为i。

…………（5）

d为输出偏置量，设置为0.5。M个输入样本的输出变量构成模型输出集，所有神经元的输出权重构成W，则P、W与如公式（6）所示。

……（6）

学习过程中，由于输入样本集X与输出集均已给定，根据公式（6）可以计算得到输出权重集W。模型学习完成后，对于任意给定的输入样本，均可以根据公式（3）-（6）计算得到相应的输出样本。

2.2混合信道模型的学习

RBF神经网络与射线跟踪仿真相结合的混合信道模型，分为学习阶段与预测阶段两部分。模型学习阶段分为三个过程：实测过程、射线跟踪法仿真过程与学习过程。

首先进行实测过程，通过在实际场景中的信道测量，可以获得不同接收位置处的信号实际接收功率Z。

射线跟踪法仿真过程，参考实际场景建立三维场景模型，设置多组仿真参数，可以得到多组仿真信号功率值S。

最后进行模型学习过程，将射线跟踪法仿真参数作为RBF神经网络模型的输入样本集为X，计算相同收发距离处实际信号接收功率值Z与射线跟踪法仿真值S之间的误差Y，作为RBF神经网络模型的确定输出样本集。

在神经网络模型库中调用RBF神经网络框架，给定输入样本集为X与确定输出样本集Y,学习完成后可得到输出权重W，完成RBF神经网络模型的构建。

混合信道模型在学习阶段RBF神经网络的样本集如表1所示。

表1 学习阶段RBF神经网络模型样本集

类型	名称	内容
输入样本集	X	粗糙度[m] 射线间隔 反射次数 绕射次数 收发距离[m]
确定输出样本集	Y	实测与仿真功率误差[dB]
学习结果	W	输出权重

2.3混合信道模型的预测

RBF神经网络模型建立后，得到的混合信道模型可以用于多场景的信道特性预测。混合信道模型预测阶段分为射线跟踪法仿真过程与预测过程。

首先进行射线跟踪法仿真过程，在已建立的三维场景模型中，给定仿真参数，包括收发距离、粗糙度、射线间隔、反射次数与绕射次数，通过射线跟踪法仿真，可以得到对应的仿真信号功率S。

模型预测过程，将给定的仿真参数作为RBF神经网络模型的输入样本集X，可以得到相应的输出样本集Y。将S与Y相加后，理论上可以得到与实际信号功率值相符的预测结果Y。

3. 实测与仿真的信道大数据获取

3.1信道实测数据获取

在上海地铁7号线隧道区间开展5G频段5.6 GHz和28GHz信道测试。采用的测量系统发射端采用信号发生器Aglilent E8257D持续发送连续正弦波信号，接收端则利用频谱分析仪Ceyear 4024G观察并记录接收信号的功率变化，为了保证收发同步，在收发两端都配置了高精度的铷钟。

信道测量中采样点的设置如图1所示，接收端从距离发射端2 m处开始记录信号接收功率，此后逐渐远离发射端，当收发距离在100 m以内时，采样间隔为2 m，当收发距离在100 m至300 m时，采样间隔为10 m，当收发距离在300 m至400 m时，采样间隔为20 m，最远收发距离为400 m，共有75个采样点。

图 1采样点设置

3.2信道仿真数据获取

在射线跟踪仿真中，在5.6 GHz与28 GHz频段建立了三维隧道模型，收发距离的设置参考实际信道测量方案，共有75个仿真接收点，仿真使用的收发天线均为全向天线。射线跟踪仿真中粗糙度、射线间隔、反射次数与绕射次数的参数设置如表2所示。

表2射线跟踪法仿真参数设置

参数名称	参数设置
粗糙度[m]	0.01m/0.005/0.001/0.0005
射线间隔[°]	0.05/0.1/0.2/0.5
反射次数	6/12/18
绕射次数	0/1/3
收发距离[m]	75个收发距离

实际信道测量与射线跟踪仿真得到的5.6 GHz频段时信号的路径损耗如图2所示，路径损耗模型总结于表3中。

图2仿真与实测路径损耗

表3 实测与仿真路径损耗模型参数

研究方法			[dB]
实测	1.67	44.53	4.76
仿真	1.68	44.95	0.66

可以发现，在仿真与实测中，随着收发距离的增大，路径损耗整体上呈现增大的趋势，不同的是，实测中由于隧道环境更为复杂，隧道壁上布设有多种线缆，隧道表面有凹陷等，造成路径损耗的变化具有更强的波动性，且衰减略大，而在仿真中，隧道环境较为简化，且并无较多的散射体存在，属于理想信道。

仿真模型与实测的相互验证后，将使用仿真模型产生信道建模所需的大数据。

4. 混合信道模型预测与结果

4.1混合信道模型学习过程

在混合信道模型的学习过程中，RBF神经网络输入样本集X可从表4中选择，其中粗糙度分别选择0.01m、0.005m与0.0005m，射线间隔分别为0.05°、0.1°与0.5°，反射次数为6与18，绕射次数为0与3。

基于实测过程与射线跟踪法仿真得到的信号功率数据，可以得到RBF神经网络的确定输出样本集Y，样本数为2700。根据输入样本集X与确定输出样本集Y，学习得到RBF神经网络模型的输出权重集W，完成隧道场景下混合信道模型的建立。

4.2混合信道模型预测过程

学习完成后的混合信道模型可用于隧道场景中5.6 GHz频段与28 GHz频段的信道特性预测。RBF神经网络输入样本集X的粗糙度选择0.001m，射线间隔为0.2°，反射次数为12，绕射次数为1，收发距离则全部选择。输入样本集后，通过RBF神经网络模型得到输出样本集Y，输出样本数为75。Y与给定仿真参数下的射线跟踪法仿真信号功率S相加后，得到5.6 GHz频段与28 GHz频段信号接收功率的预测值。

实测、仿真以及使用混合信道模型预测得到路径损耗以及将其建成路径损耗模型的结果如图7所示。其中路径损耗由发射功率和接收功率的差值求得：

……（7）

其中Lsystem是测试系统的损耗。

路径损耗模型模型为：

……（8）

图3路径损耗建模结果对比

由图3可见本文混合信道模型预测得到的路径损耗与实测更为接近，射线跟踪仿真中出现的异常点，经由混合信道模型处理后得到较好的修正。

4.3混合信道模型预测效果

为了进一步验证混合信道模型的效果，通过公式（7）可以得到不同信道模型对于实际测量信号功率值的绝对平均误差，其中，N为总测试点数，为第n个测试点通过射线跟踪法仿真或混合信道模型预测得到的路径损耗，为第n个测试点实测的路径损耗。

表4分别给出5.6 GHz频段与28 GHz频段时射线跟踪法仿真与混合信道模型预测的路径损耗模型参数与绝对平均误差，可以发现，混合信道模型预测结果的误差更小，路损指数与实际测量更加接近，说明相比于传统的射线跟踪法，使用混合信道模型预测的结果更加贴近实测数据，准确度更高。

……（7）

表4 路径损耗模型参数与绝对平均误差

			[dB]	绝对平均误差[dB]
5.6 GHz频段实际信道测量	1.33	52.37	5.86	—
5.6 GHz频段射线跟踪法仿真	1.16	52.55	5.81	6.25
5.6 GHz频段混合信道模型	1.31	52.01	5.14	1.74
28 GHz实际信道测量	1.34	72.41	5.15	—
28 GHz射线跟踪仿真	1.60	64.89	5.03	5.67
28 GHz混合信道模型	1.37	71.05	4.45	2.51

5、结论

为了解决隧道环境十分繁杂时，射线跟踪法仿真精度急剧下降的问题，本章通过研究RBF神经网络算法，建立了基于射线跟踪法与RBF神经网络算法的混合信道模型，并给出了实例验证。结合实际信道测量、射线跟踪法仿真与神经网络算法的优点，设计了基于RBF神经网络算法与射线跟踪仿真相结合的混合信道模型。与传统的射线跟踪法仿真相比较，使用混合信道模型预测时，5.6 GHz频段路损误差减小4.51dB，28 GHz频段路损误差减小3.16dB。这一研究为复杂环境和高频段提供了高效精确的信道建模方法。

参考文献

[1].Azpilicueta L , Rawat M , Rawat K , et al. A Ray Launching-Neural Network Approach for Radio Wave Propagation Analysis in Complex Indoor Environments[J]. IEEE Transactions on Antennas and Propagation, 2014, 62(5): 2777-2786.

[2]. Preusser K , Schmeink A . Robust Channel Modelling of 2.4 GHz and 5 GHz Indoor Measurements: Empirical, Ray Tracing and Artificial Neural Network Models[J]. IEEE Transactions on Antennas and Propagation, 2021, 70(1): 559-572.

[3]. Neskovic A , Neskovic N , Paunovic D . Indoor electric field level prediction model based on the artificial neural networks[J]. Communications Letters IEEE, 2000, 4(6): 190-192.

[4]. Lee J Y , Kang M Y , Kim S C . Path Loss Exponent Prediction for Outdoor Millimeter Wave Channels through Deep Learning[C]// 2019 IEEE Wireless Communications and Networking Conference (WCNC). IEEE, 2019.