CN105846925A - 一种三维mimo ota信道建模的方法及装置 - Google Patents

Abstract

本发明实施例提供了一种三维MIMO OTA信道建模的方法及装置，所述方法包括：建立初始三维球向量模型，初始三维球向量模型有M个探针，多次调整一个或多个探头的权重，获得初始种群；根据初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值；再对所述初始种群进行遗传运算，得到遗传种群；再次计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的个体，如果是，则将最大适应度值对应的遗传个体作为最优遗传个体输出；否则将该本次的遗传种群确定为初始种群，反复进行遗传运算；最后根据最优遗传个体，确定三维球向量模型。可见，应用本发明实施例，提高了仿真空间特性的精确度。

Description

一种三维MIMO OTA信道建模的方法及装置

技术领域

本发明涉及无线通信应用领域，特别涉及一种三维MIMO OTA信道建模的方法及装置。

背景技术

近年来，由于在通信技术方面人们对于高数据速率及高可靠性的需求不断增长，为满足这一需求，终端设备的性能正朝高数据速率及高可靠性方向不断发展。其中，MIMO(Multiple-Input Multiple-Output多入多出)技术通过使用多个天线发射与接收的方式不仅成倍地增加了信道容量，还降低了误码率，提高了信道的可靠性，因此，可以极大地改善通信***的性能，满足人们对通信技术方面的需求。随着MIMO技术的广泛应用，MIMO OTA(Multiple-Input Multiple-Output Over-the-Air多入多出空中特性)技术逐渐进入了人们的视野，MIMO OTA技术可以为MIMO终端设备创建一个较为准确且可重复的无线信道环境，以此来测试MIMO设备的数据吞吐量，因此MIMO OTA技术在无线通信行业受到广泛关注。

目前，MIMO OTA技术大多用在二维信道建模，对于三维MIMO OTA信道建模还处于研发阶段，其中，预衰落合成PFS(Pre-Field Synthesis)技术也可通过将凸优化算法加入到信道仿真中，虽然也能实现从二维MIMO OTA信道建模扩展到了三维MIMO OTA信道建模，但利用凸优化算法是通过单纯的计算获得解最优解，没有考虑到解空间的多样性，求解的范围比较小，因此，利用该技术在建立三维MIMO OTA信道模型时，较难准确模拟实际空间特性。

发明内容

本发明实施例公开了一种三维MIMO OTA信道建模的方法及装置，通过遗传运算在多个权重组中进行搜索最优解，提高了仿真空间特性的精确度。

为了达到上述目的，本发明实施例提供了一种三维MIMO OTA信道建模的方法，方法包括步骤：

a：建立初始三维球向量模型，所述初始三维球向量模型包含M个探针，且每个探针均对应各自的权重；

b：调节所述初始三维球向量模型中的一个或多个探针的权重第一预设数量次，每调节所述初始三维球向量模型中的一个或多个探头的权重一次，生成一个初始个体，获得含有第一预设数量个初始个体的初始种群，所述初始个体为所述初始三维球向量模型中的所有探针的权重集合；

c：根据所述初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值，所述目标空间功率谱为与所述初始三维球向量模型对应的实际空间功率谱，所述初始个体的适应度值表示该初始个体对空间环境的适应程度；

d：根据每个初始个体的适应度值，对所述初始种群进行遗传运算，得到遗传种群，所述遗传种群中的个体为遗传个体，其中，遗传个体为初始个体经过遗传运算后得到的新的个体；

e：根据所述遗传种群中的每个遗传个体和目标空间功率谱，计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的遗传个体，如果是，则将所述遗传种群中最大适应度值对应的遗传个体作为最优遗传个体输出，执行步骤f；否则将该本次的遗传种群确定为初始种群，对应的遗传个体确定为初始个体，返回步骤d；

f：根据所述最优遗传个体，确定所述初始三维球向量模型中每个探针所对应的权重，并根据所确定的每个探针对应的权重调节每个探针权重，最终获得三维球向量模型。

可选的，所述初始个体的表征形式为权重向量其中ω₁,ω₂,......ω_M表示所述初始三维球向量模型中对应的各探针的权重，每个探针对应权重均对应用二进制字符串表示。

可选的，所述遗传运算包括：

对初始种群中的初始个体按第一预设规则进行交叉，对应得到交叉个体， 并将未进行交叉的初始个体确定为交叉个体后与进行交叉后得到的所有交叉个体组成交叉种群；

对所述交叉种群中的交叉个体按第二预设规则进行取反，将取反后的交叉个体作为遗传个体，并将未进行变异的交叉个体确定为遗传个体后与进行变异后得到的所有遗传个体组成遗传种群。

可选的，所述对初始种群中的初始个体按第一预设规则进行交叉，包括：

按照预设的交叉概率从初始种群中选择一组或多组初始个体进行交叉，每一组为两个初始个体，其中，每组中的两个初始个体的适应度值差值越大，这两个初始个体中互换的二进制字符串越多。

可选的，所述对所述交叉种群中的交叉个体按第二预设规则进行取反，包括：

按照预设的变异概率从交叉种群中选择一个或多个交叉个体，对被选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反。

为了达到上述目的，本发明实施例提供了一种三维MIMO OTA信道建模的装置，装置包括：

初始三维球向量模型建立模块：用于建立初始三维球向量模型，所述初始三维球向量模型包含M个探针，且每个探针均对应各自的权重；

初始种群生成模块：用于调节所述初始三维球向量模型中的一个或多个探针的权重第一预设数量次，每调节所述初始三维球向量模型中的一个或多个探头的权重一次，生成一个初始个体，获得含有第一预设数量个初始个体的初始种群，所述初始个体为所述初始三维球向量模型中的所有探针的权重集合；

初始个体适应度值计算模块，用于根据所述初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值，所述目标空间功率谱为与所述初始三维球向量模型对应的实际空间功率谱，所述初始个体的适应度值表示该初始个体对空间环境的适应程度；

遗传运算模块：用于根据每个初始个体的适应度值，对所述初始种群进行遗传运算，得到遗传种群，所述遗传种群中的个体为遗传个体，其中，遗传个体为初始个体经过遗传运算后得到的新的个体；

最优遗传个体获得模块：用于根据所述遗传种群中的每个遗传个体和目标空间功率谱，计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的遗传个体，如果是，则将所述遗传种群中最大适应度值对应的遗传个体作为最优遗传个体输出，触发三维球向量模型确定模块；否则将该本次的遗传种群确定为初始种群，对应的遗传个体确定为初始个体，执行遗传运算模块；

三维球向量模型确定模块：用于根据所述最优遗传个体，确定所述初始三维球向量模型中每个探针所对应的权重，并根据所确定的每个探针对应的权重调节每个探针权重，最终获得三维球向量模型。

可选的，所述初始种群生成模块所生成的每一个初始个体表征为权重向量的形式，其中ω₁,ω₂,......ω_M表示所述初始三维球向量模型中对应的各探针的权重，每个探针对应权重均对应用二进制字符串表示。

可选的，所述遗传运算模块包括：

交叉运算子模块：用于对初始种群中的初始个体按第一预设规则进行交叉，对应得到交叉个体，并将未进行交叉的初始个体确定为交叉个体后与进行交叉后得到的所有交叉个体组成交叉种群；

变异运算子模块：用于对所述交叉种群中的交叉个体按第二预设规则进行取反，将取反后的交叉个体作为遗传个体，并将未进行变异的交叉个体确定为遗传个体后与进行变异后得到的所有遗传个体组成遗传种群。

可选的，所述交叉运算子模块具体用于按照预设的交叉概率从初始种群中选择一组或多组初始个体进行交叉，每一组为两个初始个体，其中，每组中的两个初始个体的适应度值差值越大，这两个初始个体中互换的二进制字符串越多。

可选的，所述变异运算子模块具体用于按照预设的变异概率从交叉种群中选择一个或多个交叉个体，对被选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反。

本发明实施例提供了一种三维MIMO OTA信道建模的方法及装置，所述方法包括：建立初始三维球向量模型，初始三维球向量模型有M个探针，多次调整一个或多个探头的权重，获得初始种群；根据初始种群中的每个初始个 体和目标空间功率谱，计算每个所述初始个体的适应度值；再对所述初始种群进行遗传运算，得到遗传种群；再次计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的个体，如果是，则将最大适应度值对应的遗传个体作为最优遗传个体输出；否则将该本次的遗传种群确定为初始种群，反复进行遗传运算；最后根据最优遗传个体，确定三维球向量模型。可见，应用本发明实施例，通过遗传运算在多个权重组中进行搜索最优解，提高了仿真空间特性的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种三维MIMO OTA信道建模方法的流程示意图；

图2为本发明实施例提供的一种包含16个探针的初始三维球向量模型的示意图；

图3为本发明实施例提供的一种具体的交叉过程示意图；

图4为本发明实施例提供的一种三维MIMO OTA信道建模装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种三维MIMO OTA信道建模方法及装置，以通过 遗传运算在多个权重组中进行搜索最优解，提高了仿真空间特性的精确度。

下面首先对本发明实施例所提供的一种三维MIMO OTA信道建模方法进行介绍。

如图1所示，本发明实施例所提供的一种三维MIMO OTA信道建模方法，可以包括如下步骤：

S101：建立初始三维球向量模型，所述初始三维球向量模型包含M个探针，且每个探针均对应各自的权重；

本领域技术人员可以理解的是，建立三维MIMO OTA信道模型通常需要先构建一个三维的环境，本实施例中将先建立一个初始三维球向量模型，该初始三维球向量模型中包含有M个探针。

其中，M的具体值可根据实际空间环境来确定，为了更加清楚的说明初始三维球向量的具体结构，本实施例以M为16进行举例说明，即初始三维球向量模型中包含有16个探针。具体的，如图2所示的包含16个探针的初始三维球向量模型，其中，图2中的A为初始三维球向量的球心，B表示探针；不难发现，初始三维球向量中的16个探针分3层设置，上面一层设置4个探针，中间一层设置8个探针，下面一层也设置4个探针，值得强调的是，这16个探针均分布在以A为球心的初始三维球向量的球面上，进一步的，为了仿真的准确性，在建立初始三维球向量时，探针的位置可以设置对称且均匀的分布在球面上。需要强调的是，图2仅仅为本发明实施例的一种具体表征形式，对于初始三维球向量中的探针的个数，位置、层数以及球半径的大小均不做进一步限定。

对于上述所建立的初始三维球向量模型，其中的每一个探针均对应一个权重，对图2中的探针1，2……16分别对应权重ω₁,ω₂,......ω₁₆，可以理解的是，每一个探针之间的权重是相互独立的，每个探针对应的权重变化其他的探针不受其影响。

S102：调节所述初始三维球向量模型中的一个或多个探针的权重第一预设数量次，每调节所述初始三维球向量模型中的一个或多个探头的权重一次，生成一个初始个体，获得含有第一预设数量个初始个体的初始种群，所述初始个体为所述初始三维球向量模型中的所有探针的权重集合；

对于上述所建立的初始三维球向量模型，如果模型中的每一个探针对应的权重确定的话，模型中的所有探针将唯一对应一个权重向量，每个权重向量对应一个个体；可以理解的是，改变初始三维球向量中一个或多个探针对应的权重，那么每一次改变后的初始三维球向量中的所有探针的权重集合也对应发生改变一次，例如：只改变所示图2中的探针1对应的权重为ω₁′，那么将得到改变探针1对应的权重后的初始三维球向量中所有探针的权重集合为：[ω₁′,ω₂,......ω₁₆]，该权重集合作为初始个体1；再如，同时改变所示图2中的探针1、3、4对应的权重为ω₁′、ω₃′、ω₄′，那么将得到改变探针1、3、4对应的权重后的初始三维球向量中所有探针的权重集合为：[ω₁′,ω₂,ω₃′,ω₄′......ω₁₆]，该权重集合作为初始个体2；按照此改变规则对初始三维球向量中的一个或多个探针的权重进行改变第一预设数量次，得到一个包含第一预设数量个初始个体的初始种群，例如，取第一预设数量为4，那表明获得的初始种群中包含4个初始个体，值得强调的是，上述举例中的改变后探针1对应的权重ω₁′仅仅是区别改变之前探针1对应的权重ω₁，每次改变后得到的权重可以相同也可以不同，进一步的，所获得的初始种群中所包含的初始个体的数量也根据具体环境进行设置，在这里，本实施例不对其改变的具体数值以及初始种群中包含的初始个体数做明确限定。

所述初始个体的表征形式为权重向量用二进制字符串表示，其中ω₁,ω₂,......ω_M表示所述初始三维球向量模型中对应的各探针的权重；如图2中的16个探针分别对应权重为ω₁,ω₂,......ω₁₆，那么该模型将唯一对应一个权重向量，该权重向量为那么这个权重向量就作为一个初始个体。并且，在本发明实施例中，将初始三维球向量模型中的每一个探针对应的权重均对应为一个二进制字符串，例如，与所建立的包含16个探针的初始三维球向量模型的权重向量对应得到一个二进制数列，由16个二进制字符串组成，该二进制数列C₁＝[c_{1 ， 1},c_{1 ， 2},......c_{1 ， 16}]，其中，c_{1 ， 1},c_{1 ， 2},......c_{1 ， 16}分别为对应探针的二进制字符串，例如，这里的c_{1 ， 1}＝[010111010100101010111100]为个探针1的二进制字符串；改变初始三维球向量模型中的一个或多个探针对应的权重，将对应得到不同的初始个体，同时，也对应得到改变后的二进制数列，如，改变所示图2中的探针1对应的权重为ω₁′，那么将得到改变探针1对应的权重后的初始三维球向量中所有探针的权重集合为：[ω₁′,ω₂......ω₁₆]，对应该状态下的权重向量为因此，得 到改变探针权重后的二进制数列为：C₂＝[c_{2 ， 1},c_{2 ， 2},......c_{2 ， 16}]，对应的二进制数列中的c_{2 ， 1}＝[100101000101110011100110]。当然，可以理解的是，这里的二进制数列与改变后的权重集合相对应，每个个体对应的二进制字数列的长度是相同的，对于同一个初始三维球向量模型来说，每个探针对应权重对应的二进制字符串的长度也相同，其中，二进制字符串的长度为建立初始三维球向量模型时候预设的，设置的二进制字符串的长度越长，对应的初始三维球向量的仿真精度就越高。可知的是，本发明实施例设置的二进制字符串的长度可以为24位，当然，本申请并不对二进制字符串的长度做明确限定，可根据具体仿真精度以及计算复杂度等来设置。

S103：根据所述初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值，所述目标空间功率谱为与所述初始三维球向量模型对应的实际空间功率谱，所述初始个体的适应度值表示该初始个体对空间环境的适应程度；

可知的是，目标空间功率谱就是目标环境中的理想空间功率谱，可通过目标空间中的各个目标检测量来确定，例如，目标空间功率谱可以建模为高度角θ和方位角φ的函数：

P(θ,φ)＝P(θ)P(φ)，

其中P(θ)、P(φ)分别为垂直高度角角度功率谱PES(Power Elevation Spectrum)和水平方位角角度功率谱PAS(Power Azimuth Spectrum)，而P(θ,φ)满足以下条件：

式中，P(Ω)是球形角度功率谱函数，P(Ω)＝P(θ)P(φ)cosθ，同时满足对θ与φ积分为1，即

实际应用中，对于高斯分布、均匀分布、截断拉普拉斯分布均可以适用于PAS分布，高斯分布和截断拉普拉斯分布经常用于PES分布。

可根据目标空间功率谱来计算目标空间相关性，经简化，理论空间相关性表述为：

式中，和是初始三维球向量的球面上包含位置信息的向量，代表了两 个相对测试区域球心对称的球面上的采样点，表示立体角的单位向量，k为波数，满足通过上式得到各个采样点的目标空间相关性；

与之对应的有，所建立的初始三维球向量模型即仿真空间的相关性可根据初始三维球向量所包含的M个探针的离散公式得到，对应仿真空间相关性的表达式为：

$\begin{array}{ccc}\widehat{\mathrm{\ρ}}=\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\ω}}_m\exp \[jk(\stackrel{\→}{r_u}-\stackrel{\→}{r_v})\·\stackrel{\→}{{\mathrm{\φ}}_m}\]& s.t.& 0\≤{\mathrm{\ω}}_m\≤1,\∀m\∈\[1,M\]\end{array};$

其中，ω_m是第m个探针的权重，代表了第m个探针的位置向量。

根据上述所求得的目标空间的相关性ρ以及仿真空间相关性可以确定仿真空间也就是初始三维球向量模型所对应的适应度值，该适应度Fit可表述为关于目标空间的相关性ρ和仿真空间相关性的函数，具体为：

$Fit=-\left|\right|\widehat{\mathrm{\ρ}}-\mathrm{\ρ}|{|}_2^2;$

由上述表达式不难看出，确定每个探针所对应的权重，就可以确定当前个体对应的仿真空间相关性进一步的可以确定当前个体的适应度值，这里的适应度值为一个负值。

S104：根据每个初始个体的适应度值，对所述初始种群进行遗传运算，得到遗传种群，所述遗传种群中的个体为遗传个体，其中，遗传个体为初始个体经过遗传运算后得到的新的个体；

所公知的是，遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜 索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域，遗传算法已经成为现代智能计算中的关键技术。

本发明将遗传算法应用到初始个体的优化搜索中，通过对初始种群进行交叉、变异运算，对初始个体进行优化，最终搜索出最优的遗传个体，实际遗传运算的过程如下：

对初始种群中的初始个体按第一预设规则进行交叉，对应得到交叉个体，并将未进行交叉的初始个体确定为交叉个体后与进行交叉后得到的所有交叉个体组成交叉种群；该步骤即为交叉运算；

对所述交叉种群中的交叉个体按第二预设规则进行取反，将取反后的交叉个体作为遗传个体，并将未进行变异的交叉个体确定为遗传个体后与进行变异后得到的所有遗传个体组成遗传种群；该步骤即为变异运算。

其中，交叉运算具体过程为：按照预设的交叉概率从初始种群中选择一组或多组初始个体进行交叉，每一组为两个初始个体，其中，每组中的两个初始个体的适应度值差值越大，这两个初始个体中互换的二进制字符串越多。

实际的运算中，例如，初始种群中包含有6个初始个体，且每个初始个体中包含16个探针，即，没个初始个体对应的二进制数列为16个，对这6个初始个体分别对应命名为：初始个体1-6，对应的二进制数列为：C₁＝[c_{1 ， 1},c_{1 ， 2},......c_{1 ， 16}]，C₂＝[c_{2 ， 1},c_{2 ， 2},......c_{2 ， 16}]，C₃＝[c_{3 ， 1},c_{3 ， 2},......c_{3 ， 16}]，C₄＝[c_{4 ， 1},c_{4 ， 2},......c_{4 ， 16}]，C₅＝[c_{5 ， 1},c_{5 ， 2},......c_{5 ， 16}]，C₆＝[c_{6 ， 1},c_{6 ， 2},......c_{6 ， 16}]；现假设经过步骤S3可以求的这4个初始个体对应的适应度值分别为：Fit₁＝-800，Fit₂＝-1000，Fit₃＝-1200，Fit₄＝-1500，Fit₅＝-1300，Fit₆＝-1400可见，这里的适应度大小均为负值，通常情况下，预设的交叉概率取0.6-0.9之间，为了更好的体现整个交叉过程，本实施例选取初始个体1和初始个体2作为一组进行交叉运算，选取初始个体3和初始个体4作为一组进行交叉，根据每组中两个初始个体对应的适应度值的差值大小可知，初始个体1和初始个体2之间进行交叉时，二进制数列中进行交叉的二进制字符串数目较初始个体3和初始个体4之间进行交叉时少。举例说明，初始个体1和初始个体2之间进行交叉时，二进制数列C₁中的二进制字符串c_{1 ， 1}与二进制数列C₂中的二进制字符串c_{2 ， 1}进行交叉运算，其交叉过程可参见如图3所 示的交叉过程示意图，其中，二进制字符串c_{1 ， 1}＝[010111010100101010111100]中的后20位进行交换和二进制字符串c_{2 ， 1}＝[100101000101110011100110]中的后20位进行交换，交换后将获得2个新的二进制字符串，分别为二进制字符串c_{1 ， 1}′＝[010101000101110011100110]和二进制字符串c_{2 ， 1}′＝[100111010100101010111100]。这里，获得的二进制字符串c_{1 ， 1}′与二进制数列C₁中除二进制字符串c_{1 ， 1}外的所有二进制字符串组成新的二进制数列C₁′＝[c_{1 ， 1}′,c_{1 ， 2},......c_{1 ， 16}]，这个新的二进制数列C₁′即对应为交叉个体1；获得的二进制字符串c_{2 ， 1}′将与二进制数列C₂中除二进制字符串c_{2 ， 1}的所有二进制字符串组成新的二进制数列C₂′＝[c_{2 ， 1}′,c_{2 ， 2},......c_{2 ， 16}]，这个新的二进制数列C₂′即对应为交叉个体2。

对于初始个体3和初始个体4之间进行交叉时，二进制数列C₃中的二进制字符串c_{3 ， 1}和二进制字符串c_{3 ， 2}分别与二进制数列C₄中的二进制字符串c_{4 ， 1}和二进制字符串c_{4 ， 2}进行交叉运算，其交叉过程与初始个体1和初始个体2之间的交叉过程类似，其中，二进制字符串c_{3 ， 1}与二进制字符串c_{4 ， 1}中的一位或多位进行互换，分别得到两个新的二进制字符串c_{3 ， 1}′和c_{4 ， 1}′。同样的，二进制字符串c_{3 ， 2}与二进制字符串c_{4 ， 2}中的一位或多位进行互换，分别得到两个新的二进制字符串c_{3 ， 2}′和c_{4 ， 2}′，这里，获得的二进制字符串c_{3 ， 1}′和c_{3 ， 2}′与二进制数列C₃中除二进制字符串c_{3 ， 1}和c_{3 ， 2}外的所有二进制字符串组成新的二进制数列C₃′＝[c_{3 ， 1}′,c_{3 ， 2}′,......c_{1 ， 16}]，这个新的二进制数列C₃′即对应为交叉个体3；按照此规则，获得的二进制字符串c_{4 ， 1}′和c_{4 ， 2}′将与二进制数列C₄中除二进制字符串c_{4 ， 1}和c_{4 ， 2}的所有二进制字符串组成新的二进制数列C₄′＝[c_{4 ， 1}′,c_{4 ， 2}′,......c_{2 ， 16}]，这个新的二进制数列C₄′即对应为交叉个体4，分别为交叉个体1，交叉个体2，交叉个体3以及交叉个体4。

将未进行交叉的初始个体5和初始个体6分别对应确定为交叉个体5，交叉个体6；再将交叉个体1，交叉个体2，交叉个体3，交叉个体4，交叉个体5，交叉个体6组成为交叉种群。

在上述的交叉运算中，值得强调的是，选择的交叉个体不定，比如，还可以选择初始个体1与初始个体3进行交叉，或者，初始个体1与初始个体4进行交叉，这里对选择的交叉组合不做限定；进一步的，初始个体进行交叉时，进行交叉的二进制字符串个数以及序号不定，上例中选取的二进制字符串c_{1 ， 1}，也可以选取其他的二进制字符串，比如二进制字符串c_{1 ， 12}，其次，选取的二进 制字符串的个数也不定，比如，同时选取二进制数列中C₁的c_{1 ， 1}和c_{1 ， 12}，因此，本申请不对交叉的二进制字符串个数以及序号做进一步限定。

而对于变异运算来说，具体过程为：按照预设的变异概率从交叉种群中选择一个或多个交叉个体，对被选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反。

实际的变异运算中，预设的变异概率很低，一般为0.01左右；按照预设的变异概率在交叉种群中选择一个或多个交叉个体，再对所选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反，例如，本发明中选择交叉个体1作为变异的个体，对交叉个体1对应的二进制数列C₁′中的二进制字符串c_{1 ， 1}′＝[010101000101110011100110]中的第8个字符进行取反，得到取反后的二进制字符串c_{1 ， 1}″＝[010101010101110011100110]，当然，这里的取反位置可以为其他，这里仅为一种具体举例，本申请并不对二进制字符串进行取反的位置做明确限定。

不难理解，将获得的二进制字符串c_{1 ， 1}″与交叉个体对应二进制数列C₁′中的除二进制字符串c_{1 ， 1}′外的所有二进制字符串组成新的二进制数列C₁″＝[c_{1 ， 1}″,c_{1 ， 2},......c_{1 ， 16}]，这个新的二进制数列C₁″即对应为遗传个体1，将未进行变异的交叉个体2-6分别对应作为遗传个体2-6，同时将上述的遗传个体1-6组成为遗传种群。

S105：根据所述遗传种群中的每个遗传个体和目标空间功率谱，计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的遗传个体，如果是，则将所述遗传种群中最大适应度值对应的遗传个体作为最优遗传个体输出，执行步骤S106；否则将该本次的遗传种群确定为初始种群，对应的遗传个体确定为初始个体，返回步骤S104；

不难理解的是，在整个的遗传运算过程中，由于初始种群中的初始个体进过上述交叉、变异运算后，得到的遗传个体较初始个体对应的权重向量发生了变化，所以适应度值也会跟随变化，达到优化的效果。较为理想的，每一次迭代遗传后得到的遗传个体较初始个体的适应度值大，经过多次迭代遗传运算后，得到的遗传个体的适应度值将达到一个稳定值，我们称该稳定值为预设阈值，即，遗传优化的结果将趋于稳定，此时将停止遗传运算，将遗传种群中遗 传个体对应适应度值最大的遗传个体作为整个遗传运算的最优遗传个体，并输出。如果遗传个体的适应度值还没有达到预设阈值的要求，那么将继续下一次的遗传运算。

例如，针对与本发明实施例来说，预设阈值取值为-400，初始种群中的4个初始个体对应的适应度值分别为：Fit₁＝-800，Fit₂＝-1000，Fit₃＝-1200，Fit₄＝-1500，Fit₅＝-1300，Fit₆＝-1400；经过第一代遗传后，计算对应遗传个体的适应度值为：Fit₁＝-700，Fit₂＝-750，Fit₃＝-800，Fit₄＝-900，Fit₅＝-1100，Fit₆＝-1200均不满足适应度值大于-400的要求，继续下一次遗传运算；经过第二代遗传后，计算对应遗传个体的适应度值为：Fit₁＝-500，Fit₂＝-550，Fit₃＝-600，Fit₄＝-650，Fit₅＝-900，Fit₆＝-1000均不满足适应度值大于400的要求，继续下一次遗传运算；经过第三代遗传后，计算对应遗传个体的适应度值为：Fit₁＝-410，Fit₂＝-450，Fit₃＝-480，Fit₄＝-550，Fit₅＝-500，Fit₆＝-700均不满足适应度值大于400的要求，继续下一次遗传运算；经过***遗传后，计算对应遗传个体的适应度值为：Fit₁＝-350，Fit₂＝-380，Fit₃＝-390，Fit₄＝-440，Fit₅＝-400，Fit₆＝-500此时，遗传种群中有3个遗传个体对应的适应度值大于-400，将结束遗传运算，将遗传种群中遗传个体对应适应度值最大的遗传个体，即遗传个体1作为最优遗传个体输出。这里，需要说明的是，预设阈值是可以根据实际空间环境进行具体设置，本申请不对该预设阈值的大小进行限定，同时，也不对遗传运算的代数做进一步要求。

S106：根据所述最优遗传个体，确定所述初始三维球向量模型中每个探针所对应的权重，并根据所确定的每个探针对应的权重调节每个探针权重，最终获得三维球向量模型。

可知的是，上述获得的最优遗传个体为一个权重向量，该权重向量对应可以确定三维初始球向量模型中16个探针对应的权重，将确定的16个探针对应的权重对应设置为三维初始球向量模型中16个探针的权重，最终建立三维球向量模型。

可见，应用本发明图1所示实施例，通过对初始种群进行遗传运算，并通过预设阈值判断遗传运算结果是否达到最优，有效的模拟了实际空间的多样性，在多个遗传种群中进行搜寻最优遗传个体，提高了仿真空间特性的精确度。

相应于上述方法实施例，本发明实施例还提供了一种三维MIMO OTA信道建模装置，如图4所示，该装置可以包括：

初始三维球向量模型建立模块410、初始种群生成模块420、初始个体适应度值计算模块430、遗传运算模块440、最优遗传个体获得模块450和三维球向量模型确定模块460；

所述初始三维球向量模型建立模块410：用于建立初始三维球向量模型，所述初始三维球向量模型包含M个探针，且每个探针均对应各自的权重；

所述初始种群生成模块420：用于调节所述初始三维球向量模型中的一个或多个探针的权重第一预设数量次，每调节所述初始三维球向量模型中的一个或多个探头的权重一次，生成一个初始个体，获得含有第一预设数量个初始个体的初始种群，所述初始个体为所述初始三维球向量模型中的所有探针的权重集合；

实际应用中，初始种群生成模块所生成的每一个初始个体表征为权重向量的形式，其中ω₁,ω₂,......ω_M表示所述初始三维球向量模型中对应的各探针的权重，每个探针对应权重均对应用二进制字符串表示。

所述初始个体适应度值计算模块430，用于根据所述初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值，所述目标空间功率谱为与所述初始三维球向量模型对应的实际空间功率谱，所述初始个体的适应度值表示该初始个体对空间环境的适应程度；

所述遗传运算模块440：用于根据每个初始个体的适应度值，对所述初始种群进行遗传运算，得到遗传种群，所述遗传种群中的个体为遗传个体，其中，遗传个体为初始个体经过遗传运算后得到的新的个体；

实际应用中，遗传运算模块440可以包括：交叉运算子模块和变异运算子模块；

其中，交叉运算子模块：用于对初始种群中的初始个体按第一预设规则进行交叉，对应得到交叉个体，并将未进行交叉的初始个体确定为交叉个体后与进行交叉后得到的所有交叉个体组成交叉种群；

更进一步的，针对交叉运算子模块，具体用于按照预设的交叉概率从初始 种群中选择一组或多组初始个体进行交叉，每一组为两个初始个体，其中，每组中的两个初始个体的适应度值差值越大，这两个初始个体中互换的二进制字符串越多。

变异运算子模块：用于对所述交叉种群中的交叉个体按第二预设规则进行取反，将取反后的交叉个体作为遗传个体，并将未进行变异的交叉个体确定为遗传个体后与进行变异后得到的所有遗传个体组成遗传种群。

更进一步的，针对变异运算子模块，具体用于按照预设的变异概率从交叉种群中选择一个或多个交叉个体，对被选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反。

所述最优遗传个体获得模块450：用于根据所述遗传种群中的每个遗传个体和目标空间功率谱，计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的遗传个体，如果是，则将所述遗传种群中最大适应度值对应的遗传个体作为最优遗传个体输出，触发三维球向量模型确定模块460；否则将该本次的遗传种群确定为初始种群，对应的遗传个体确定为初始个体，执行遗传运算模块440；

所述三维球向量模型确定模块460：用于根据所述最优遗传个体，确定所述初始三维球向量模型中每个探针所对应的权重，并根据所确定的每个探针对应的权重调节每个探针权重，最终获得三维球向量模型。

可见，应用本发明图4所示实施例，通过对初始种群进行遗传运算，并通过预设阈值判断遗传运算结果是否达到最优，有效的模拟了实际空间的多样性，在多个遗传种群中进行搜寻最优遗传个体，提高了仿真空间特性的精确度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种三维MIMO OTA信道建模的方法，其特征在于，所述方法包括步骤：

a：建立初始三维球向量模型，所述初始三维球向量模型包含M个探针，且每个探针均对应各自的权重；

b：调节所述初始三维球向量模型中的一个或多个探针的权重第一预设数量次，每调节所述初始三维球向量模型中的一个或多个探头的权重一次，生成一个初始个体，获得含有第一预设数量个初始个体的初始种群，所述初始个体为所述初始三维球向量模型中的所有探针的权重集合；

c：根据所述初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值，所述目标空间功率谱为与所述初始三维球向量模型对应的实际空间功率谱，所述初始个体的适应度值表示该初始个体对空间环境的适应程度；

d：根据每个初始个体的适应度值，对所述初始种群进行遗传运算，得到遗传种群，所述遗传种群中的个体为遗传个体，其中，遗传个体为初始个体经过遗传运算后得到的新的个体；

e：根据所述遗传种群中的每个遗传个体和目标空间功率谱，计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的遗传个体，如果是，则将所述遗传种群中最大适应度值对应的遗传个体作为最优遗传个体输出，执行步骤f；否则将该本次的遗传种群确定为初始种群，对应的遗传个体确定为初始个体，返回步骤d；

f：根据所述最优遗传个体，确定所述初始三维球向量模型中每个探针所对应的权重，并根据所确定的每个探针对应的权重调节每个探针权重，最终获得三维球向量模型。

2.根据权利要求1所述方法，其特征在于，所述初始个体的表征形式为权重向量其中ω₁,ω₂,......ω_M表示所述初始三维球向量模型中对应的各探针的权重，每个探针对应权重均对应用二进制字符串表示。

3.根据权利要求1或2所述方法，其特征在于，所述遗传运算包括：

对初始种群中的初始个体按第一预设规则进行交叉，对应得到交叉个体，并将未进行交叉的初始个体确定为交叉个体后与进行交叉后得到的所有交叉个体组成交叉种群；

对所述交叉种群中的交叉个体按第二预设规则进行取反，将取反后的交叉个体作为遗传个体，并将未进行变异的交叉个体确定为遗传个体后与进行变异后得到的所有遗传个体组成遗传种群。

4.根据权利要求3所述方法，其特征在于，所述对初始种群中的初始个体按第一预设规则进行交叉，包括：

按照预设的交叉概率从初始种群中选择一组或多组初始个体进行交叉，每一组为两个初始个体，其中，每组中的两个初始个体的适应度值差值越大，这两个初始个体中互换的二进制字符串越多。

5.根据权利要求3所述方法，其特征在于，所述对所述交叉种群中的交叉个体按第二预设规则进行取反，包括：

按照预设的变异概率从交叉种群中选择一个或多个交叉个体，对被选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反。

6.一种三维MIMO OTA信道建模的装置，其特征在于，所述装置包括：

初始三维球向量模型建立模块：用于建立初始三维球向量模型，所述初始三维球向量模型包含M个探针，且每个探针均对应各自的权重；

初始种群生成模块：用于调节所述初始三维球向量模型中的一个或多个探针的权重第一预设数量次，每调节所述初始三维球向量模型中的一个或多个探头的权重一次，生成一个初始个体，获得含有第一预设数量个初始个体的初始种群，所述初始个体为所述初始三维球向量模型中的所有探针的权重集合；

初始个体适应度值计算模块，用于根据所述初始种群中的每个初始个体和目标空间功率谱，计算每个所述初始个体的适应度值，所述目标空间功率谱为与所述初始三维球向量模型对应的实际空间功率谱，所述初始个体的适应度值表示该初始个体对空间环境的适应程度；

遗传运算模块：用于根据每个初始个体的适应度值，对所述初始种群进行遗传运算，得到遗传种群，所述遗传种群中的个体为遗传个体，其中，遗传个体为初始个体经过遗传运算后得到的新的个体；

最优遗传个体获得模块：用于根据所述遗传种群中的每个遗传个体和目标空间功率谱，计算每个遗传个体的适应度值，并判断是否有适应度值大于预设阈值的遗传个体，如果是，则将所述遗传种群中最大适应度值对应的遗传个体作为最优遗传个体输出，触发三维球向量模型确定模块；否则将该本次的遗传种群确定为初始种群，对应的遗传个体确定为初始个体，执行遗传运算模块；

三维球向量模型确定模块：用于根据所述最优遗传个体，确定所述初始三维球向量模型中每个探针所对应的权重，并根据所确定的每个探针对应的权重调节每个探针权重，最终获得三维球向量模型。

7.根据权利要求6所述装置，其特征在于，所述初始种群生成模块所生成的每一个初始个体表征为权重向量的形式，其中ω₁,ω₂,......ω_M表示所述初始三维球向量模型中对应的各探针的权重，每个探针对应权重均对应用二进制字符串表示。

8.根据权利要求6或7所述装置，其特征在于，所述遗传运算模块包括：

交叉运算子模块：用于对初始种群中的初始个体按第一预设规则进行交叉，对应得到交叉个体，并将未进行交叉的初始个体确定为交叉个体后与进行交叉后得到的所有交叉个体组成交叉种群；

变异运算子模块：用于对所述交叉种群中的交叉个体按第二预设规则进行取反，将取反后的交叉个体作为遗传个体，并将未进行变异的交叉个体确定为遗传个体后与进行变异后得到的所有遗传个体组成遗传种群。

9.根据权利要求8所述装置，其特征在于，所述交叉运算子模块具体用于按照预设的交叉概率从初始种群中选择一组或多组初始个体进行交叉，每一组为两个初始个体，其中，每组中的两个初始个体的适应度值差值越大，这两个初始个体中互换的二进制字符串越多。

10.根据权利要求8所述装置，其特征在于，所述变异运算子模块具体用于按照预设的变异概率从交叉种群中选择一个或多个交叉个体，对被选择的交叉个体中的一个或多个二进制字符串中的任意一位字符进行取反。