基于自适应粒子群优化的RBF毫米波信道建模研究

胡玮 耿绥燕 赵雄文

（华北电力大学电气与电子工程学院，北京 102206）

引 言

5G移动通信系统是近年来国内外研究的热点[1]，而信道的研究是通信系统设计、仿真和技术评估的基础. 毫米波频段有极宽的带宽，还具有波束窄、波长短、方向性好、可靠性高等优点，是5G移动通信系统的关键技术之一. 因此，毫米波信道建模对于5G新传输技术的评估、系统设计与优化部署至关重要. 传统的基于几何的随机统计模型如第三代合作伙伴计划 (The 3rd Generation Partnership Project, 3GPP)空间信道模型[2]等广泛应用于3G和4G信道的链路和系统级仿真，5G对信道仿真模型提出了更高的要求，因此迫切需要对毫米波频段信道建模及仿真进行研究.

机器学习(machine learning，ML)在数据量激增以及快速有效地进行数据交换的今天优势突显. 相比于传统的统计与确定性信道模型，ML建模方法是近年来毫米波无线信道建模领域较为热门的一个研究方向. 人工神经网络(artificial neural network，ANN)作为ML的一大类算法，因其出色的学习性能而受到广泛关注. 近年来，人们开始尝试将ANN应用于信道建模中，目前用于信道建模的ANN主要有反向传播(backward propagation, BP)、径向基函数 (radial basis function，RBF)、多 层 感 知 机(multi-layer perception,MLP)、卷 积 神 经 网 络(convolutional neural network，CNN)、前 馈 神 经 网 络(feedforward neural network，FNN)等.

文献[3]使用BP神经网络对无线信道特性进行估计. 文献[4]针对无线通信领域中的资源分配、干扰网络分簇及信道跟踪和预测等问题，由实数域至复数域分别开展了ANN无线通信算法研究. 文献[5-10]提出ANN无线信道路径损耗(path loss, PL)建模的新思路，其中文献[5]基于不同道路场景下的测试数据，提出了一种MLP时变信道预测模型，该模型可以预测专用于短距离通信的诸如PL和数据包丢失率等信道参数；……