黃鴻清，劉為，伍沛然,4，夏明華,4

（1.中山大學(xué)電子與信息工程學(xué)院，廣東 廣州 510006；2.中國(guó)電子科技集團(tuán)公司新一代移動(dòng)通信創(chuàng)新中心，上海 200331；3.中國(guó)電子科技集團(tuán)公司第七研究所，廣東 廣州 510310；4.南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室，廣東 珠海 519082）

0 引言

無(wú)線信道作為無(wú)線通信系統(tǒng)傳輸電磁波信號(hào)的媒介，其傳播特性對(duì)通信系統(tǒng)的誤碼率、信道容量、能量效率和頻譜效率等性能具有決定性作用。一個(gè)反映實(shí)際傳播環(huán)境的信道模型對(duì)于通信系統(tǒng)的設(shè)計(jì)、開(kāi)發(fā)、性能評(píng)估與實(shí)際部署具有重要的指導(dǎo)意義。因此，無(wú)線信道建模被認(rèn)為是無(wú)線通信領(lǐng)域最基礎(chǔ)且重要的研究課題之一[1]。具體來(lái)說(shuō)，信道建模是一個(gè)探索并表征真實(shí)環(huán)境中信道傳播特性的過(guò)程，通過(guò)有效的數(shù)學(xué)模型對(duì)信道進(jìn)行刻畫(huà)，從而揭示電磁波在不同場(chǎng)景下的傳播特性。為了盡可能準(zhǔn)確地表征真實(shí)環(huán)境的信道傳播特性，對(duì)實(shí)際場(chǎng)景的無(wú)線信道進(jìn)行大量的測(cè)量是必不可少的，目前，國(guó)內(nèi)外許多研究團(tuán)隊(duì)及項(xiàng)目已經(jīng)針對(duì)B5G/6G的需求開(kāi)展了無(wú)線信道的測(cè)量與建模工作[2]。

對(duì)于無(wú)線信道傳播特性的研究，根據(jù)建模方法的差異性可將無(wú)線信道模型分類(lèi)為確定性模型和隨機(jī)性模型，其中的隨機(jī)性模型又包括了非幾何隨機(jī)模型（NGSM,Non-Geometric Stochastic Model）和基于幾何的隨機(jī)模型（GBSM, Geometry-Based Stochastic Model）[2]。 確定性模型依賴(lài)于傳播環(huán)境的精確信息，通過(guò)光學(xué)射線理論或電磁傳播理論來(lái)準(zhǔn)確地分析和預(yù)測(cè)無(wú)線信道傳播特性，如射線追蹤法（Ray Tracing）和計(jì)算電磁法（CEM,Computational Electromagnetic）等。然而，由于依賴(lài)于環(huán)境信息且計(jì)算復(fù)雜度高，這類(lèi)模型一般僅適用于較小范圍場(chǎng)景的信道建模。隨機(jī)性模型則通過(guò)確定的概率分布來(lái)描述信道參數(shù)，這使得其在數(shù)學(xué)上易于處理且適用于各種場(chǎng)景，但精度比確定性模型相較更低。具體來(lái)說(shuō)，非幾何隨機(jī)模型側(cè)重于實(shí)測(cè)，通過(guò)概率密度函數(shù)的方式來(lái)描述和確定信道多徑的參數(shù)，從而對(duì)相應(yīng)的信道特性進(jìn)行擬合[3]；而基于幾何的隨機(jī)模型將環(huán)境中的散射體抽象為具有一定概率分布的簇，進(jìn)而生成簇間和簇內(nèi)的多徑分量參數(shù)，該類(lèi)模型得益于簇的引入能夠直觀地反映信道的部分物理意義，并且通過(guò)信道參數(shù)的統(tǒng)計(jì)信息即可生成信道脈沖響應(yīng)（CIR, Channel Impulse Response）。因?yàn)榛趲缀蔚碾S機(jī)模型具有比確定性模型更低的建模復(fù)雜度，并且能夠在統(tǒng)計(jì)意義上較好地反映一類(lèi)環(huán)境中信道的傳播特性，非常適合于系統(tǒng)仿真等統(tǒng)計(jì)評(píng)估，從而得到了廣泛的應(yīng)用[4–11]。

3GPP采用的信道模型是典型的GBSM模型。在3GPP的信道模型標(biāo)準(zhǔn)化過(guò)程中[5–8]，其信道模型從最初的低頻段窄帶寬的二維平面信道模型發(fā)展到目前的廣頻率范圍和大帶寬的三維信道模型，支持高達(dá)100 GHz的毫米波頻段、更大的天線陣列以及包括城市、農(nóng)村、室內(nèi)辦公區(qū)和室內(nèi)工廠等多種細(xì)分場(chǎng)景。關(guān)于3GPP標(biāo)準(zhǔn)化信道模型的詳細(xì)討論可參考文獻(xiàn)[12]。然而，隨著全球5G網(wǎng)絡(luò)的大規(guī)模部署及持續(xù)演進(jìn)，以及6G網(wǎng)絡(luò)研究的啟動(dòng)，新技術(shù)與新應(yīng)用的出現(xiàn)促使無(wú)線信道特性在頻率、天線和場(chǎng)景三方面的演變趨勢(shì)愈發(fā)明顯。如圖1所示，B5G/6G體現(xiàn)出更高的頻率（如太赫茲頻段）、更大規(guī)模的天線陣列（如超大規(guī)模MIMO）以及更多樣化的異構(gòu)通信場(chǎng)景（如5G三大應(yīng)用場(chǎng)景和NR-Lite、“空天地海”一體化網(wǎng)絡(luò)等）的變化趨勢(shì)，使得相應(yīng)的信道顯著地表現(xiàn)出如空時(shí)頻域非平穩(wěn)性等新的特性，這些特性給信道建模帶來(lái)了更大的困難與挑戰(zhàn)，需要進(jìn)一步的探索研究[13]。

圖1 網(wǎng)絡(luò)演變與信道特性變化趨勢(shì)

一般而言，信道模型的性能主要通過(guò)以下三方面進(jìn)行評(píng)估：準(zhǔn)確性、復(fù)雜性和通用性[14]。其中，準(zhǔn)確性是信道模型通過(guò)與測(cè)量結(jié)果或其對(duì)通信系統(tǒng)性能的影響進(jìn)行比較來(lái)衡量的；復(fù)雜性是通過(guò)信道模型參數(shù)的數(shù)量、計(jì)算頻次以及仿真時(shí)間來(lái)衡量的；通用性反映了信道模型的泛化能力，是通過(guò)調(diào)整信道模型參數(shù)，是否可以應(yīng)用于多頻帶、多場(chǎng)景來(lái)衡量的。因此，一個(gè)好的信道模型應(yīng)該是在準(zhǔn)確性、復(fù)雜性和通用性三者之間的折衷。傳統(tǒng)的信道建模方法是根據(jù)在特定場(chǎng)景和頻率條件下的信道測(cè)量數(shù)據(jù)進(jìn)行人工的統(tǒng)計(jì)分析來(lái)開(kāi)發(fā)信道模型的。通常，由于電磁波信號(hào)在不同場(chǎng)景下傳播的建模非常復(fù)雜，傳統(tǒng)的方法做了大量的假設(shè)和近似，以簡(jiǎn)化數(shù)據(jù)處理和建模過(guò)程[15]。為了從未來(lái)的無(wú)線大數(shù)據(jù)化、場(chǎng)景多樣化、頻譜寬帶化的海量非平穩(wěn)無(wú)線信道數(shù)據(jù)中分析并獲取無(wú)線信道的傳播特性，急需一種具有自學(xué)習(xí)、自適應(yīng)能力的準(zhǔn)確、高效信道建模方法。

機(jī)器學(xué)習(xí)（ML, Machine Learning）作為人工智能領(lǐng)域的一個(gè)重要分支，被認(rèn)為是分析測(cè)量數(shù)據(jù)、理解傳播過(guò)程和構(gòu)造非線性模型的有力工具[16]。簡(jiǎn)言之，機(jī)器學(xué)習(xí)方法是一種可以從大量歷史數(shù)據(jù)中挖掘出隱含規(guī)律并進(jìn)行預(yù)測(cè)或分類(lèi)的算法，它通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式而不需要一個(gè)嚴(yán)格定義的模型來(lái)表示，并且能夠以端到端的方式對(duì)系統(tǒng)進(jìn)行優(yōu)化。從理論上講，無(wú)線信道建模中的許多關(guān)鍵問(wèn)題可以被視為機(jī)器學(xué)習(xí)中的回歸、聚類(lèi)和分類(lèi)問(wèn)題；無(wú)線信道建模的這些特點(diǎn)與機(jī)器學(xué)習(xí)方法的能力相互契合，因此，利用信道測(cè)量數(shù)據(jù)集通過(guò)機(jī)器學(xué)習(xí)算法訓(xùn)練來(lái)學(xué)習(xí)信道傳播特性和隱含規(guī)律，可以更智能地構(gòu)建信道模型以適應(yīng)各種場(chǎng)景并達(dá)到更好的表現(xiàn)[13]。如圖2所示，對(duì)于無(wú)線信道建模的四個(gè)主要研究?jī)?nèi)容，可以將其視為機(jī)器學(xué)習(xí)方法中對(duì)應(yīng)的回歸、聚類(lèi)和分類(lèi)問(wèn)題得以解決，即：結(jié)合機(jī)器學(xué)習(xí)降低確定性信道模型的復(fù)雜度和利用確定性信道模型輔助于機(jī)器學(xué)習(xí)的預(yù)訓(xùn)練；利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)隨機(jī)性信道模型的多徑分量聚類(lèi)、跟蹤和參數(shù)估計(jì)；在海量數(shù)據(jù)下基于機(jī)器學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)信道建模；以及基于機(jī)器學(xué)習(xí)的信道場(chǎng)景識(shí)別。大量的研究工作表明了機(jī)器學(xué)習(xí)在信道建模中具有巨大的潛力，并且主流的機(jī)器學(xué)習(xí)算法已經(jīng)在無(wú)線信道建模中得以應(yīng)用，例如人工神經(jīng)網(wǎng)絡(luò)（ANN, Artificial Neural Network）、卷積神經(jīng)網(wǎng)絡(luò)（CNN, Convolutional Neural Network）和生成對(duì)抗網(wǎng)絡(luò)（GAN, Generative Adversarial Network）等[14]。因此，基于機(jī)器學(xué)習(xí)的信道建模已然成為一個(gè)熱門(mén)的研究課題。

圖2 機(jī)器學(xué)習(xí)與無(wú)線信道建模的對(duì)應(yīng)關(guān)系

然而，基于機(jī)器學(xué)習(xí)的無(wú)線信道建模的研究仍處于起步階段。在未來(lái)6G系統(tǒng)設(shè)計(jì)中，新興的技術(shù)對(duì)信道的各方面特性具有新的不同要求，未來(lái)的研究必須首先確定這些信道特性是如何影響通信性能的，然后才能確定這些特性在信道中建模的程度，最終達(dá)到智能化信道建模的目的[17]。本文概述機(jī)器學(xué)習(xí)在信道建模中的研究進(jìn)展，扼要討論一些有待解決的挑戰(zhàn)。

1 確定性信道模型

確定性信道建模方法使用電磁波傳播理論求解麥克斯韋方程組，或者使用幾何近似的數(shù)值方法來(lái)分析無(wú)線信道傳播特性，它能夠較精確地對(duì)指定環(huán)境下的信道特性進(jìn)行預(yù)測(cè)。最常用的確定性信道建模方法是射線追蹤法，它是一種面向電磁場(chǎng)工程應(yīng)用的成熟方法，適用于研究特定站址的信道特性。射線追蹤法的原理是將發(fā)射端視為點(diǎn)源，把向各個(gè)方向傳播且具有一定電場(chǎng)強(qiáng)度的射線看作是發(fā)射電磁波；然后利用電磁波傳播理論跟蹤每一條射線，最后在接收端通過(guò)合并到達(dá)的射線計(jì)算出接收功率，從而實(shí)現(xiàn)電磁波傳播的預(yù)測(cè)。因此，一旦確定了環(huán)境的具體參數(shù)，相應(yīng)的信道模型也就確定了，而無(wú)需對(duì)信道進(jìn)行實(shí)際測(cè)量。但是，確定性建模方法高度依賴(lài)地理特征、建筑結(jié)構(gòu)和材料特性等具體的環(huán)境信息，并且對(duì)于環(huán)境的描述越精確，則模型的預(yù)測(cè)結(jié)果越接近于實(shí)際環(huán)境。圖3是確定性信道建模中射線追蹤法的示意圖，它基于數(shù)字化地圖并利用三維射線追蹤工具計(jì)算反射及衍射的電磁波射線。然而，由于該建模方法具有的高復(fù)雜性使其計(jì)算仿真相對(duì)耗時(shí)，因此，它不適用于大范圍場(chǎng)景，通常應(yīng)用于如室內(nèi)等較小范圍場(chǎng)景的信道建模仿真[18-19]。

圖3 射線追蹤法示意圖

目前，機(jī)器學(xué)習(xí)方法在確定性信道建模中的主要應(yīng)用包括：一方面，通過(guò)回歸預(yù)測(cè)的方式捕獲相應(yīng)信道的特性來(lái)降低確定性模型的復(fù)雜度；另一方面，借助精確的確定性信道模型完成基于機(jī)器學(xué)習(xí)的信道模型的預(yù)訓(xùn)練。

為解決確定性信道模型復(fù)雜度高的問(wèn)題，一個(gè)最直接的方法就是通過(guò)機(jī)器學(xué)習(xí)方法來(lái)學(xué)習(xí)確定性信道模型的預(yù)測(cè)結(jié)果，例如文獻(xiàn)[20]，它利用機(jī)器學(xué)習(xí)方法直接對(duì)射線追蹤法獲取的信道路徑損耗數(shù)據(jù)進(jìn)行回歸擬合，在得到與射線追蹤法相近的預(yù)測(cè)精度的同時(shí)，可以有效降低復(fù)雜度。除此之外，考慮到在射線追蹤法中大部分從發(fā)射端發(fā)射的射線是不能到達(dá)接收端的這一特性，若能夠盡可能地只計(jì)算到達(dá)接收端的射線而不是全部射線，那么確定性建模方法的復(fù)雜度將得到有效的降低。例如文獻(xiàn)[21]提出了結(jié)合神經(jīng)網(wǎng)絡(luò)和低分辨率的三維射線發(fā)射算法來(lái)計(jì)算室內(nèi)無(wú)線信道的方法，該方法利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中間射線的結(jié)果來(lái)減少發(fā)射射線的數(shù)量，從而顯著減少了計(jì)算量和信道模型的仿真時(shí)間。

確定性信道模型產(chǎn)生的數(shù)據(jù)集能夠被運(yùn)用于基于機(jī)器學(xué)習(xí)的信道模型的預(yù)訓(xùn)練。文獻(xiàn)[22]提出了一種預(yù)測(cè)接收功率的建模方法，通過(guò)射線追蹤仿真輔助的遷移學(xué)習(xí)（transfer learning），同時(shí)利用數(shù)據(jù)增強(qiáng)（data augmentation）技術(shù)從較少的測(cè)量數(shù)據(jù)中學(xué)習(xí)預(yù)測(cè)接收的功率。實(shí)驗(yàn)結(jié)果表明先利用確定性信道模型仿真數(shù)據(jù)預(yù)訓(xùn)練網(wǎng)絡(luò)模型，再用測(cè)量數(shù)據(jù)進(jìn)一步調(diào)整細(xì)化網(wǎng)絡(luò)模型參數(shù)的方法，在測(cè)量數(shù)據(jù)量較小的情況下能夠有效地降低預(yù)測(cè)誤差，這為測(cè)量困難和測(cè)量數(shù)據(jù)有限情況下的信道建模提供了一種新的解決思路。

目前，受復(fù)雜度高和通用度低的影響，確定性信道模型的應(yīng)用受限。同時(shí)，確定性信道模型與機(jī)器學(xué)習(xí)結(jié)合的研究也相對(duì)較少，主要是由于確定性信道建模方法是根據(jù)麥克斯韋方程等電磁波理論進(jìn)行建模的，其物理意義及表達(dá)式明確，并且該技術(shù)已經(jīng)較為成熟，使得機(jī)器學(xué)習(xí)無(wú)法體現(xiàn)出自身非線性擬合的優(yōu)勢(shì)。然而，隨著現(xiàn)代的計(jì)算能力的不斷提升，以及無(wú)線通信系統(tǒng)的工作頻率向太赫茲頻段發(fā)展的趨勢(shì)，信道的測(cè)量統(tǒng)計(jì)的成本和要求變高，使得基于信道的測(cè)量統(tǒng)計(jì)信息的建模方法變得困難。此時(shí)，基于電磁波傳播理論和光學(xué)射線理論的確定性信道模型的優(yōu)勢(shì)隨之凸顯出來(lái)。在6G網(wǎng)絡(luò)設(shè)計(jì)中，那些與特定的環(huán)境高度相關(guān)的技術(shù)（如智能反射表面、定位和成像）是隨機(jī)性信道模型無(wú)法描述的，可以預(yù)見(jiàn)確定性信道建模方法將帶來(lái)更精確的技術(shù)評(píng)估[17]。因此，確定性信道模型在未來(lái)的信道建模中會(huì)得到進(jìn)一步的研究和發(fā)展，并且有望通過(guò)結(jié)合機(jī)器學(xué)習(xí)方法來(lái)擺脫確定性信道模型應(yīng)用范圍的限制。

2 隨機(jī)性信道模型

隨機(jī)性信道模型利用信道傳播特性的統(tǒng)計(jì)信息進(jìn)行分析和建模，在信道模型的復(fù)雜性和準(zhǔn)確性之間有一個(gè)較好的折衷，也是目前最常用的信道模型。針對(duì)隨機(jī)性信道模型，機(jī)器學(xué)習(xí)方法主要有以下兩方面的應(yīng)用：一方面，利用機(jī)器學(xué)習(xí)算法對(duì)基于簇的隨機(jī)性信道模型進(jìn)行多徑分量聚類(lèi)以及時(shí)變場(chǎng)景下的多徑分量簇的跟蹤，保證一定的準(zhǔn)確性下降低建模復(fù)雜度；另一方面，通過(guò)機(jī)器學(xué)習(xí)回歸算法對(duì)隨機(jī)性信道模型的參數(shù)進(jìn)行估計(jì)，從而使信道模型適應(yīng)于不同場(chǎng)景，提高模型的通用性。

2.1 多徑分量聚類(lèi)與跟蹤

在無(wú)線信道建模中，基于簇的GBSM得到了廣泛應(yīng)用。這類(lèi)信道模型中，簇表示一組具有相似的時(shí)延、角度等參數(shù)的多徑分量，根據(jù)簇可以更直觀準(zhǔn)確地對(duì)傳播特性進(jìn)行建模，通過(guò)分別刻畫(huà)簇內(nèi)和簇間的傳播特性可以在較小精度損失的條件下顯著簡(jiǎn)化建模過(guò)程。因此，有必要采取與多徑分量傳播特性相適應(yīng)的方法對(duì)多徑分量進(jìn)行聚類(lèi)與跟蹤。

由于各個(gè)多徑分量不存在明確的標(biāo)簽，所以只能通過(guò)多徑分量參數(shù)之間的相似度來(lái)區(qū)分不同的簇，這恰是機(jī)器學(xué)習(xí)方法中非監(jiān)督學(xué)習(xí)的聚類(lèi)算法所能解決的問(wèn)題。因此，多徑分量聚類(lèi)問(wèn)題可以通過(guò)最基本的K均值聚類(lèi)算法解決；然而，K均值聚類(lèi)算法是基于距離度量的硬聚類(lèi)，對(duì)多徑分量的分簇過(guò)于絕對(duì)，無(wú)法合理地表征無(wú)線信道中的多徑分量之間非絕對(duì)明確的界限。為了更實(shí)際地描述多徑分量的聚類(lèi)，文獻(xiàn)[23]提出了基于統(tǒng)計(jì)信息的多徑分量聚類(lèi)架構(gòu)和基于均值、方差的緊湊指數(shù)（compact index）評(píng)估準(zhǔn)則，并利用高斯混合模型（GMM,Gaussian Mixture Model）和信道多徑分量的均值和協(xié)方差結(jié)構(gòu)來(lái)實(shí)現(xiàn)多徑分量聚類(lèi)。文獻(xiàn)[24]則比較了多種多徑分量聚類(lèi)算法，其中包括KPowerMeans聚類(lèi)算法、模糊C均值聚類(lèi)算法（FCM, Fuzzy C-means）、基于KPD（Kernel-Power-Density）的聚類(lèi)算法和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于密度的聚類(lèi)算法等，前兩種算法需要簇的數(shù)量作為先驗(yàn)信息，而后兩種可以自動(dòng)生成一個(gè)較合理的簇?cái)?shù)量。另外，為了通過(guò)相關(guān)的簇組對(duì)頻率和空間的非平穩(wěn)特性進(jìn)行建模，文獻(xiàn)[11]通過(guò)利用K均值聚類(lèi)算法在簇的基礎(chǔ)上進(jìn)一步聚類(lèi)來(lái)獲得相關(guān)的簇組，即一個(gè)簇組由多個(gè)相似的簇組成。

另一方面，對(duì)于時(shí)變信道，多徑分量的變化意味著簇也存在相應(yīng)的變化，因此，有必要對(duì)簇的動(dòng)態(tài)變化進(jìn)行表征與跟蹤。為了解決動(dòng)態(tài)信道建模的問(wèn)題，基于機(jī)器學(xué)習(xí)的簇運(yùn)動(dòng)路徑的自動(dòng)跟蹤算法是一種可行的方案。例如，文獻(xiàn)[25]提出了基于多徑分量距離度量的簇跟蹤算法，通過(guò)測(cè)量連續(xù)兩個(gè)快照中每個(gè)簇的聚類(lèi)中心組合之間的距離來(lái)跟蹤時(shí)變信道中的簇。盡管該算法符合物理行為且具有較低的復(fù)雜度，但是該算法的性能很大程度上依賴(lài)于主觀選擇的閾值。目前，用于多徑分類(lèi)分簇和跟蹤的各種聚類(lèi)算法均不能同時(shí)滿(mǎn)足應(yīng)用范圍、先驗(yàn)知識(shí)要求、復(fù)雜度、動(dòng)態(tài)支持等方面的需求，同時(shí)，由于多徑分量數(shù)據(jù)的多樣性，仍沒(méi)有一種機(jī)器學(xué)習(xí)算法在該方面具有普遍適用性。

2.2 模型參數(shù)估計(jì)

刻畫(huà)實(shí)際環(huán)境的無(wú)線信道建模必然離不開(kāi)相應(yīng)的信道測(cè)量活動(dòng)。對(duì)于一個(gè)確定的信道模型架構(gòu)，不同環(huán)境下的模型參數(shù)集可能大相徑庭，例如3GPP的標(biāo)準(zhǔn)化信道模型[8]中，城市、農(nóng)村和室內(nèi)的不同環(huán)境都有各自相應(yīng)的模型參數(shù)集。因此，只有從大量實(shí)測(cè)數(shù)據(jù)中提取表征信道衰落特性的各個(gè)關(guān)鍵特征的參數(shù)，再根據(jù)信道特征來(lái)量化模型的各個(gè)參量，這樣在實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上構(gòu)建的無(wú)線信道模型才能逼近實(shí)際無(wú)線信道的傳播特性?？紤]到如圖1所示的大頻率范圍、大規(guī)模天線陣列以及多樣化場(chǎng)景的無(wú)線通信發(fā)展趨勢(shì)，信道測(cè)量的數(shù)據(jù)量也將非常大，因此，一個(gè)高效且準(zhǔn)確的參數(shù)估計(jì)方法顯得尤為重要。

文獻(xiàn)[26]針對(duì)GBSM缺少M(fèi)IMO子信道之間相關(guān)性明確定義的問(wèn)題提出了一種頻域建模方法。該方法通過(guò)使用主成分分析（PCA, Principal Component Analysis）獲取測(cè)量數(shù)據(jù)幅值的相關(guān)性特征，進(jìn)而分別對(duì)頻域信道的幅值和相位進(jìn)行建模，得到信道脈沖響應(yīng)。在文獻(xiàn)[27]中，作者以模型校準(zhǔn)為目的，使用訓(xùn)練好的網(wǎng)絡(luò)從測(cè)量信道的各階矩信息中估計(jì)模型參數(shù)，并且通過(guò)使用傳播圖（Propagation Graph）和Saleh-Valenzuela模型的仿真數(shù)據(jù)及室內(nèi)信道測(cè)量數(shù)據(jù)來(lái)評(píng)估所提方法的有效性。文獻(xiàn)[28]提出了利用兩種不同的機(jī)器學(xué)習(xí)方法直接將隨機(jī)信道模型與測(cè)量數(shù)據(jù)擬合，即基于回歸調(diào)整的總體蒙特卡洛-近似貝葉斯計(jì)算（ABC, Approximate Bayesian Computation）的方法和深度神經(jīng)網(wǎng)絡(luò)的方法；并且以偏振傳播圖（Polarimetric Propagation Graph）模型為例，對(duì)所提方法在仿真和實(shí)測(cè)數(shù)據(jù)上的性能進(jìn)行評(píng)價(jià)，其結(jié)果表明上述兩種方法均能較準(zhǔn)確地估計(jì)出模型的參數(shù)。

相比于傳統(tǒng)的參數(shù)估計(jì)方法，基于機(jī)器學(xué)習(xí)的模型參數(shù)估計(jì)方法具有明顯優(yōu)勢(shì)。傳統(tǒng)方法首先利用多徑提取算法，例如，多信號(hào)分類(lèi)算法MUSIC和空間交替的廣義期望最大化算法SAGE等高分辨率參數(shù)估計(jì)技術(shù)，從信道測(cè)量數(shù)據(jù)中提取多徑分量的參數(shù)，再利用他們通過(guò)最大似然等方法來(lái)對(duì)模型的參數(shù)進(jìn)行估計(jì)。這類(lèi)傳統(tǒng)方法中多徑參數(shù)的提取往往具有較高的復(fù)雜度且過(guò)程較為繁瑣，這在測(cè)量數(shù)據(jù)海量化的趨勢(shì)下需要較高的計(jì)算處理能力。因此，通過(guò)基于機(jī)器學(xué)習(xí)的參數(shù)估計(jì)方法有助于降低計(jì)算復(fù)雜度。如圖4所示，在訓(xùn)練階段利用已知參數(shù)集{θi}和對(duì)應(yīng)信道數(shù)據(jù)的各階矩信息{si}對(duì)參數(shù)估計(jì)模型進(jìn)行訓(xùn)練；在測(cè)試階段只需要利用信道數(shù)據(jù)的各階矩信息{sinew}作為參數(shù)估計(jì)模型的輸入，就可以從網(wǎng)絡(luò)輸出層中獲取估計(jì)的參數(shù){θinew}，并且能夠保證得到較為準(zhǔn)確的估計(jì)結(jié)果。由此可見(jiàn)，基于機(jī)器學(xué)習(xí)的模型參數(shù)估計(jì)方法相對(duì)于傳統(tǒng)估計(jì)方法更直接、高效。

圖4 基于機(jī)器學(xué)習(xí)的模型參數(shù)估計(jì)流程圖

3 數(shù)據(jù)驅(qū)動(dòng)信道建模

確定性信道模型（如射線追蹤方法）復(fù)雜且依賴(lài)于地理環(huán)境信息的精度，而隨機(jī)性信道模型（如GBSM）高效卻缺乏詳細(xì)的環(huán)境物理意義。為了在確定性信道模型的實(shí)際傳播環(huán)境與隨機(jī)性信道模型的簇之間建立聯(lián)系，文獻(xiàn)[29]提出了基于簇核（cluster-nuclei）的信道建模方法。如圖5所示，基于簇核的信道建模方法能夠利用機(jī)器學(xué)習(xí)算法從海量信道數(shù)據(jù)中挖掘信道隱含特性，以數(shù)據(jù)驅(qū)動(dòng)的方式找到確定性模型的散射體和隨機(jī)性模型的簇之間的映射關(guān)系；然后，通過(guò)有限個(gè)物理意義明確的簇核進(jìn)行信道建模。該信道建模方法結(jié)合了確定性和隨機(jī)性建模方法的優(yōu)勢(shì)，既避免了確定性模型復(fù)雜度高的問(wèn)題，又解決了隨機(jī)性模型缺乏具體物理含義的問(wèn)題。利用確定性模型和隨機(jī)性模型各自的優(yōu)勢(shì)來(lái)更精確、更有效地預(yù)測(cè)和建模信道，這是未來(lái)B5G和6G的智能信道建模方法研究中值得探索的方向。從信道模型的研究史來(lái)看，以往的信道建模研究總是傾向集中于復(fù)雜度約束下提高模型確定性程度[17]。例如，在3GPP的最新標(biāo)準(zhǔn)化信道模型中[8]，提供了基于圖的混合信道模型作為一種可替代經(jīng)典GBSM的信道建模方法。由此可見(jiàn)，包含確定性建模機(jī)制和隨機(jī)性建模機(jī)制的混合模型是潛在的發(fā)展方向，在未來(lái)，它應(yīng)該能夠根據(jù)不同的應(yīng)用場(chǎng)景和評(píng)估標(biāo)準(zhǔn)來(lái)調(diào)整不同建模機(jī)制的權(quán)重，以適應(yīng)不同的信道建模需求。

圖5 簇核建模原理圖

另一方面，由于神經(jīng)網(wǎng)絡(luò)在描述數(shù)據(jù)特征及提取輸入與輸出之間的映射關(guān)系展現(xiàn)出良好性能，因此，通過(guò)使用海量實(shí)測(cè)數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行充分訓(xùn)練來(lái)確定輸入層變量和輸出層信道特征參數(shù)的相互關(guān)系，能夠有效地模擬實(shí)際場(chǎng)景的無(wú)線信道特征。這種完全數(shù)據(jù)驅(qū)動(dòng)的建模方法利用了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、自適應(yīng)和非線性擬合的特點(diǎn)，在分析實(shí)際信道數(shù)據(jù)時(shí)可以減少建模的工作量，對(duì)于統(tǒng)計(jì)特性不明顯和時(shí)變的信道建模尤為重要。

利用大數(shù)據(jù)的方法，可以將信道單純當(dāng)作數(shù)據(jù)來(lái)處理，從數(shù)據(jù)的角度對(duì)信道的特性進(jìn)行挖掘并據(jù)此對(duì)信道進(jìn)行建模[30]。例如，文獻(xiàn)[31-32]提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN, Radial Basis Function Neural Network）的時(shí)變信道模型。該神經(jīng)網(wǎng)絡(luò)模型能夠預(yù)測(cè)路徑損耗和小尺度參數(shù)，實(shí)驗(yàn)結(jié)果表明在基于GBSM的信道建模與仿真方法中，人工神經(jīng)網(wǎng)絡(luò)模型可以替代經(jīng)驗(yàn)路徑損耗模型和相應(yīng)的信道參數(shù)生成。文獻(xiàn)[33]在沒(méi)有大量假設(shè)和簡(jiǎn)化參數(shù)的條件下，通過(guò)深度學(xué)習(xí)和變分生成對(duì)抗網(wǎng)絡(luò)（variational GAN, variational Generative Adversarial Network）對(duì)信道測(cè)量數(shù)據(jù)進(jìn)行學(xué)習(xí)來(lái)建立相應(yīng)的信道模型，即學(xué)習(xí)條件概率P(y|x)，其中x為發(fā)送符號(hào)，y為接收符號(hào)。文獻(xiàn)[34]提出了基于機(jī)器學(xué)習(xí)算法的大數(shù)據(jù)信道模型框架，包括前饋神經(jīng)網(wǎng)絡(luò)（FNN,Feed-forward Neural Network）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)兩種神經(jīng)網(wǎng)絡(luò)模型。如圖6所示，它可以根據(jù)發(fā)射機(jī)坐標(biāo)(xt,yt,zt)和接收機(jī)坐標(biāo)(xr,yr,zr)、收發(fā)端距離dtr和載波頻率fc的輸入?yún)?shù)，以完全的測(cè)量數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行建模，來(lái)預(yù)測(cè)信道的接收功率、時(shí)延擴(kuò)展（DS,Delay Spread）、離開(kāi)方位角擴(kuò)展（ADS, Azimuth of Departure Spread）、離開(kāi)俯仰角擴(kuò)展（EDS, Elevation of Departure Spread）、到達(dá)方位角擴(kuò)展（AAS, Azimuth of Arrival Spread）和到達(dá)俯仰角擴(kuò)展（EAS, Elevation of Arrival Spread）等信道特性的統(tǒng)計(jì)信息。

圖6 基于人工神經(jīng)網(wǎng)絡(luò)的信道建模原理圖

相對(duì)于以計(jì)算為主的確定性信道模型或者以統(tǒng)計(jì)分析為主的隨機(jī)性信道模型，基于數(shù)據(jù)驅(qū)動(dòng)的信道建模策略是利用了機(jī)器學(xué)習(xí)方法的強(qiáng)大學(xué)習(xí)能力直接從海量信道測(cè)量數(shù)據(jù)中挖掘隱含規(guī)律，進(jìn)而捕獲信道的傳播特征進(jìn)行信道建模。具體地，通過(guò)對(duì)海量信道數(shù)據(jù)的學(xué)習(xí)，機(jī)器學(xué)習(xí)方法能夠獲取確定性模型散射體與隨機(jī)性模型簇之間隱含的映射關(guān)系，從而助力于混合模型的深入研究，以及挖掘空時(shí)頻域信息與信道統(tǒng)計(jì)信息之間的內(nèi)在關(guān)系，在未來(lái)，這種數(shù)據(jù)驅(qū)動(dòng)的方法將有更多潛在的應(yīng)用。

4 信道場(chǎng)景識(shí)別

由于無(wú)線信道模型及其參數(shù)化取決于所考慮的場(chǎng)景，因此，場(chǎng)景的識(shí)別與分類(lèi)對(duì)于信道建模和通信系統(tǒng)部署來(lái)說(shuō)是一個(gè)重要的部分，也是提高定位精度和通信系統(tǒng)性能的重要手段[16]。例如，視距（LOS, Line-of-Sight）與非視距（NLOS, Non-Line-of-Sight）傳播場(chǎng)景的識(shí)別，其對(duì)信道模型的參數(shù)集和定位精度具有顯著的影響。傳統(tǒng)解決方案是將LOS/NLOS分類(lèi)問(wèn)題表示為經(jīng)典的二元假設(shè)檢驗(yàn)，分別根據(jù)萊斯K因子[35]、均方根延遲擴(kuò)展和平均延遲[36]、信道狀態(tài)信息[37]的差異進(jìn)行分類(lèi)。然而，在變化的無(wú)線通信環(huán)境中，使用基于單一度量的二元假設(shè)檢驗(yàn)的場(chǎng)景分類(lèi)顯然不夠準(zhǔn)確。另一方面，隨著無(wú)線通信系統(tǒng)發(fā)展中不斷出現(xiàn)的新需求，信道場(chǎng)景識(shí)別不僅僅局限于對(duì)LOS/NLOS的分類(lèi)，而是對(duì)宏觀的場(chǎng)景進(jìn)行識(shí)別與分類(lèi)，如城市、郊區(qū)、農(nóng)村以及室內(nèi)辦公區(qū)和室內(nèi)工廠等細(xì)分場(chǎng)景。

由于機(jī)器學(xué)習(xí)方法在數(shù)據(jù)特征提取方面具有很大優(yōu)勢(shì)，通過(guò)學(xué)習(xí)和提取不同場(chǎng)景下的信道特征差異，可以自動(dòng)挖掘場(chǎng)景特征，將測(cè)量數(shù)據(jù)劃分為不同場(chǎng)景，然后進(jìn)行資源分配、系統(tǒng)優(yōu)化或定位等具體應(yīng)用。目前，機(jī)器學(xué)習(xí)算法已經(jīng)被廣泛應(yīng)用于場(chǎng)景分類(lèi)，例如非監(jiān)督學(xué)習(xí)的K均值算法和有監(jiān)督學(xué)習(xí)的支持向量機(jī)（SVM,Support Vector Machine）及神經(jīng)網(wǎng)絡(luò)。具體地，對(duì)于LOS/NLOS場(chǎng)景分類(lèi)問(wèn)題，基于機(jī)器學(xué)習(xí)的分類(lèi)方法包括了支持向量機(jī)[38]、梯度提升決策樹(shù)（GBDT, Gradient Boosting Decision Tree）[39]、后向傳播神經(jīng)網(wǎng)絡(luò)（BPNN,Back-Propagation Neural Network）和K均值[40]、隨機(jī)森林（RF, Random Forest）[41]以及人工神經(jīng)網(wǎng)絡(luò)[41-42]等。這些基于機(jī)器學(xué)習(xí)的方案在分類(lèi)準(zhǔn)確度上都要優(yōu)于傳統(tǒng)的解決方案。如圖7所示，利用文獻(xiàn)[43]的信道模型生成數(shù)據(jù)集，我們比較了五個(gè)基本的機(jī)器學(xué)習(xí)分類(lèi)算法對(duì)LOS/NLOS信道場(chǎng)景進(jìn)行分類(lèi)的接收器操作特性（ROC,Receiver Operating Characteristic）曲線，其橫坐標(biāo)和縱坐標(biāo)分別為假正類(lèi)率（FPR, False Positive Rate）和真正類(lèi)率（TPR, True Positive Rate），且曲線下的面積（AUC,Area Under ROC Curve）是一種用來(lái)度量分類(lèi)模型好壞的一個(gè)標(biāo)準(zhǔn)，較大的AUC代表較好的分類(lèi)性能。可以看到在這五類(lèi)基本的機(jī)器學(xué)習(xí)算法中，隨機(jī)森林的性能最好，邏輯回歸算法最差。

圖7 LOS/NLOS分類(lèi)問(wèn)題中不同機(jī)器學(xué)習(xí)算法的ROC曲線

對(duì)于動(dòng)態(tài)場(chǎng)景下的宏觀場(chǎng)景多分類(lèi)識(shí)別問(wèn)題，通常具有實(shí)時(shí)識(shí)別的需求，例如，車(chē)聯(lián)網(wǎng)中由于車(chē)輛的移動(dòng)而使得用戶(hù)處于在不同場(chǎng)景之間切換的狀態(tài)，并且不同場(chǎng)景的信道特性存在明顯差異。利用機(jī)器學(xué)習(xí)算法能夠?qū)W習(xí)和提取不同場(chǎng)景下的信道特性差異，從而實(shí)現(xiàn)將測(cè)量的信道數(shù)據(jù)自動(dòng)分類(lèi)到對(duì)應(yīng)的場(chǎng)景，并應(yīng)用于系統(tǒng)優(yōu)化等。文獻(xiàn)[44]針對(duì)低復(fù)雜度、高準(zhǔn)確度的無(wú)線信道場(chǎng)景識(shí)別需求，基于四種基礎(chǔ)的機(jī)器學(xué)習(xí)算法進(jìn)行研究，即K最近鄰（K-NN, K-Nearest Neighbor）、支持向量機(jī)、K均值和高斯混合模型。在仿真和實(shí)測(cè)數(shù)據(jù)集上驗(yàn)證了四種算法的可行性，結(jié)果顯示有監(jiān)督學(xué)習(xí)算法K最近鄰具有最好的性能，支持向量機(jī)次之；而無(wú)監(jiān)督學(xué)習(xí)算法的高斯混合模型可以達(dá)到接近前兩者的性能，而K均值的性能表現(xiàn)最差。文獻(xiàn)[45]利用從測(cè)量數(shù)據(jù)經(jīng)高斯混合模型提取的振幅、延遲、多普勒頻率等多徑分量參數(shù)作為輸入，通過(guò)CNN對(duì)不同的無(wú)線信道場(chǎng)景進(jìn)行分類(lèi)。文獻(xiàn)[46]根據(jù)每一像素都被標(biāo)簽的衛(wèi)星圖像通過(guò)深度CNN對(duì)傳播場(chǎng)景進(jìn)行劃分即圖像分割，進(jìn)而預(yù)測(cè)不同場(chǎng)景下的路徑損耗。文獻(xiàn)[47]通過(guò)測(cè)量的信道數(shù)據(jù)獲取信道統(tǒng)計(jì)信息作為訓(xùn)練集，通過(guò)反向傳播訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別通信中的實(shí)時(shí)場(chǎng)景，助力于在場(chǎng)景變化的車(chē)聯(lián)網(wǎng)通信中實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的自動(dòng)調(diào)整和適應(yīng)。在高鐵的快速變化信道場(chǎng)景下，文獻(xiàn)[48]提出了結(jié)合多特征融合的方法和深度神經(jīng)網(wǎng)絡(luò)對(duì)場(chǎng)景進(jìn)行識(shí)別，仿真結(jié)果表明其性能要優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，最高可達(dá)90%以上的準(zhǔn)確率。

目前，在復(fù)雜傳播環(huán)境的異構(gòu)網(wǎng)絡(luò)中，無(wú)線信道場(chǎng)景識(shí)別對(duì)于專(zhuān)用網(wǎng)絡(luò)設(shè)計(jì)至關(guān)重要，因此，提高識(shí)別的準(zhǔn)確度是場(chǎng)景識(shí)別的首要任務(wù)，尤其是對(duì)于無(wú)標(biāo)簽的測(cè)量數(shù)據(jù)采用非監(jiān)督學(xué)習(xí)算法來(lái)實(shí)現(xiàn)的場(chǎng)景識(shí)別。另一方面，高速變化信道場(chǎng)景下的通信對(duì)場(chǎng)景識(shí)別提出了實(shí)時(shí)性的要求，這就需要盡可能地降低識(shí)別算法的時(shí)間復(fù)雜度。由此可見(jiàn)，對(duì)于無(wú)線信道場(chǎng)景識(shí)別問(wèn)題的研究，其目標(biāo)是實(shí)現(xiàn)實(shí)時(shí)性強(qiáng)、準(zhǔn)確度高的識(shí)別方案。

5 現(xiàn)存的挑戰(zhàn)

隨著通信技術(shù)的革新與應(yīng)用場(chǎng)景的涌現(xiàn)，人們對(duì)相應(yīng)的信道模型提出了新的要求，促使機(jī)器學(xué)習(xí)在無(wú)線信道建模領(lǐng)域得到了廣泛應(yīng)用，以適應(yīng)海量數(shù)據(jù)、高頻段、多場(chǎng)景和非平穩(wěn)的信道特點(diǎn)。然而，現(xiàn)有的針對(duì)機(jī)器學(xué)習(xí)方法與無(wú)線信道建模結(jié)合的工作還處于該交叉學(xué)科領(lǐng)域研究的初始階段，對(duì)于更進(jìn)一步的研究仍面臨以下挑戰(zhàn)：

（1）構(gòu)建并共享一個(gè)規(guī)范且包含各種場(chǎng)景、配置、頻段的海量信道數(shù)據(jù)庫(kù)。由于各個(gè)組織機(jī)構(gòu)對(duì)信道測(cè)量的數(shù)據(jù)都采取各自的方式存儲(chǔ)，數(shù)據(jù)格式很難做到統(tǒng)一和兼容而限制了數(shù)據(jù)的進(jìn)一步利用。例如，國(guó)際電信聯(lián)盟[49]和紐約大學(xué)無(wú)線研究中心[50]兩者分別開(kāi)展的信道測(cè)量活動(dòng)，在測(cè)量配置、數(shù)據(jù)存儲(chǔ)和公開(kāi)程度等方面都不相同。因此，測(cè)量數(shù)據(jù)規(guī)范化和創(chuàng)建共享的信道海量測(cè)量數(shù)據(jù)庫(kù)是個(gè)亟需解決的問(wèn)題。

（2）利用大數(shù)據(jù)處理技術(shù)來(lái)改進(jìn)海量測(cè)量數(shù)據(jù)的分析。隨著信道信息表現(xiàn)出大數(shù)據(jù)的海量、實(shí)時(shí)性和多樣化的演變趨勢(shì)，基于測(cè)量數(shù)據(jù)的信道特性分析可以從大數(shù)據(jù)技術(shù)的角度出發(fā)，結(jié)合統(tǒng)計(jì)分析技術(shù)和分布式計(jì)算技術(shù)構(gòu)建機(jī)器學(xué)習(xí)模型，最終提升對(duì)海量信道數(shù)據(jù)進(jìn)行處理的效率，達(dá)到高效訓(xùn)練網(wǎng)絡(luò)和準(zhǔn)確預(yù)測(cè)結(jié)果的目標(biāo)。

（3）在通信場(chǎng)景多樣化的發(fā)展趨勢(shì)下，對(duì)于高度異構(gòu)“空天地?！币惑w化通信系統(tǒng)架構(gòu)，利用機(jī)器學(xué)習(xí)設(shè)計(jì)統(tǒng)一的信道模型架構(gòu)，而不是針對(duì)不同的場(chǎng)景使用多個(gè)信道模型。目前，標(biāo)準(zhǔn)化的信道模型更傾向于使用通用的信道模型框架，針對(duì)不同的場(chǎng)景使用不同的參數(shù)集。對(duì)于“空天地?！币惑w化的異構(gòu)通信系統(tǒng)，已經(jīng)在地面、空對(duì)地和天對(duì)地等鏈路場(chǎng)景下進(jìn)行了一系列的信道測(cè)量活動(dòng)，而空對(duì)空、空對(duì)天和天對(duì)天等的鏈路信道測(cè)量相對(duì)較少；因此，仍需要更多的信道測(cè)量數(shù)據(jù)來(lái)幫助研究人員深入了解信道特性。在未來(lái)，能否通過(guò)聯(lián)合分析多個(gè)不同場(chǎng)景鏈路的信道特性，從而發(fā)掘其中的共性來(lái)構(gòu)建一個(gè)通用的信道模型架構(gòu)是個(gè)值得細(xì)心探索的方向。

（4）為準(zhǔn)確評(píng)估6G新引入的技術(shù)建立相應(yīng)的信道模型。例如，針對(duì)基于軌道角動(dòng)量的通信，目前只有非常有限的信道測(cè)量驗(yàn)證了在不同的場(chǎng)景下軌道角動(dòng)量通信的可行性，并且沒(méi)有實(shí)際的軌道角動(dòng)量信道模型可用[51]。因此，如何通過(guò)機(jī)器學(xué)習(xí)對(duì)軌道角動(dòng)量信道進(jìn)行準(zhǔn)確建模需要研究人員的進(jìn)一步探索。另外，太赫茲作為未來(lái)6G通信系統(tǒng)發(fā)展的重要技術(shù)之一，目前對(duì)于太赫茲信道的知識(shí)仍未完善，且相應(yīng)信道模型的開(kāi)發(fā)還處于初期階段[52–54]。因此，太赫茲信道模型的進(jìn)一步研究及其與機(jī)器學(xué)習(xí)的結(jié)合仍然是一個(gè)開(kāi)放性問(wèn)題。

6 結(jié)束語(yǔ)

本文首先討論了機(jī)器學(xué)習(xí)在確定性信道建模和隨機(jī)性信道建模中的廣泛應(yīng)用；接著，基于機(jī)器學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)特點(diǎn)，分析了海量信道數(shù)據(jù)驅(qū)動(dòng)的無(wú)線信道建模方法；然后，根據(jù)無(wú)線通信系統(tǒng)不同應(yīng)用場(chǎng)景，描述了機(jī)器學(xué)習(xí)在信道場(chǎng)景識(shí)別中的應(yīng)用；最后，總結(jié)了機(jī)器學(xué)習(xí)在無(wú)線信道建模應(yīng)用中面臨的多項(xiàng)挑戰(zhàn)。作為重要的使能技術(shù)之一，機(jī)器學(xué)習(xí)對(duì)6G無(wú)線通信的智能化信道建模提供了新的途徑與方法。期待本文為相關(guān)領(lǐng)域的科研人員提供一個(gè)宏觀視角并推動(dòng)研究進(jìn)步。