本发明属于无线通信，尤其涉及一种基于深度学习的6g近场非平稳信道空时联合外推方法。
背景技术：
1、导频信号是下行功率的一部分，与其他下行信道共同分享下行功率。导频信号可以是用于测量基站与各用户终端之间的信道状态的信号，该信号中可以不携带数据。
2、随着天线规模的增大和用户移动速度的加快，现有的频分双工(fdd)和时分双工(tdd)系统将面临反馈延迟和处理延迟等问题，导致获取的信道状态信息(csi)过时，严重影响自适应无线系统的性能。
3、而且，随着6g系统天线规模、带宽和用户连接数量的增加，通过发送导频分别获取各个域的csi会产生巨大的导频开销，基本是不切实际的。
技术实现思路
1、本发明的目的是提供一种基于深度学习的6g近场非平稳信道空时联合外推方法，降低信道状态估计对导频信号的依赖性。
2、本发明采用以下技术方案：基于深度学习的6g近场非平稳信道空时联合外推方法，包括以下步骤：
3、获取历史时刻的部分空域信道状态信息；其中，部分空域信道状态信息为不完整的信道状态信息；
4、将部分空域信道状态信息输入空时联合信道外推模型，并得到空时联合信道外推模型输出的未来目标时刻的完整空域信道状态信息；其中，空时联合信道外推模型包括串联的lstm模块和生成器。
5、优选的，lstm模块用于根据部分空域信道状态信息生成未来目标时刻的部分空域信道状态信息；
6、lstm模块包括依次连接的第一lstm层、第二lstm层、第三lstm层和全连接层；
7、其中，第一lstm层、第二lstm层和第三lstm层内均添加有dropout层。
8、优选的，生成器用于根据未来目标时刻的部分空域信道状态信息生成未来目标时刻的完整空域信道状态信息；
9、生成器包括若干个卷积层、若干个反卷积层和若干个膨胀卷积层。
10、优选的，生成器包括依次连接的第一卷积层、第二卷积层、第三卷积层、第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层、第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和第七卷积层。
11、优选的，空时联合信道外推模型的训练方法包括以下步骤：
12、根据生成器建立对应的第一鉴别器和第二鉴别器；生成器、第一鉴别器和第二鉴别器组成gan网络；第一鉴别器和第二鉴别器的网络结构不同，其中第一鉴别器和第二鉴别器的差异化设计可以从不同角度和精度评估生成器生成的空域信道信息的真实性，有助于gan网络捕捉和学习复杂的非平稳信道特性，增强整体系统对近场非平稳信道状态信息的外推能力；
13、基于第一训练数据集和gan网络对生成器进行训练；其中，第一训练数据集包括同一时刻的部分空域信道状态信息和真实完整空域信道状态信息。
14、优选的，基于第一训练数据集和gan网络对生成器进行训练包括：
15、将同一时刻的部分空域信道状态信息输入生成器，得到预测完整空域信道状态信息；
16、将预测完整空域信道状态信息和真实完整空域信道状态信息输入到第一鉴别器，得到第一鉴别结果；将预测完整空域信道状态信息和真实完整空域信道状态信息输入到第二鉴别器，得到第二鉴别结果；
17、联合第一鉴别结果和第二鉴别结果，得到总鉴别结果；
18、基于总鉴别结果优化生成器。
19、优选的，基于总鉴别结果优化生成器的总损失函数为：
20、
21、其中，lo(g,d)表示总损失函数，g表示生成器，d表示鉴别器网络，鉴别器网络包括第一鉴别器和第二鉴别器，α表示加权超参数，l(g,d)表示鉴别器网络的交叉熵损失函数，nmseg表示生成器的nmse损失函数。
22、其中，生成器和鉴别器的输入数据均来自于特定时刻的部分空域信道状态信息和完整空域信道状态信息。这种处理方式有助于模型在训练过程中捕捉和模拟的空域信道状态信息间的相互关系，从而更准确地建模近场空间非平稳特性。
23、优选的，空时联合信道外推模型的训练方法还包括以下步骤：
24、将训练好的生成器的输入端与lstm模块的输出端连接；
25、基于第二训练数据集对lstm模块进行训练；其中，第二训练数据集包括历史时刻的部分空域信道状态信息和未来目标时刻的完整空域信道状态信息。
26、优选的，基于第二训练数据集对lstm模块进行训练时的损失函数为：
27、
28、其中，nmsegl表示lstm模块的nmse损失，h(t+δt)表示未来目标时刻的真实完整空域信道状态信息，t表示历史时刻，δt表示历史时刻和未来目标时刻之间的时间间隔，表示生成器输出的未来目标时刻的完整空域信道状态信息，表示lstm模块输出的未来目标时刻的完整空域信道状态信息。
29、本发明的另一种技术方案：基于深度学习的6g近场非平稳信道空时联合外推装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的方法。
30、本发明的有益效果是：本发明通过lstm模块根据历史时刻的部分空域信道状态信息确定未来目标时刻的部分空域信道状态信息，再通过生成器生成未来目标时刻的完整空域信道状态信息，从而实现了由历史时刻的部分空域信道状态信息到目标时刻完整空域信道状态信息的外推，降低了csi预测对导频信号的依赖性，减少系统信道估计时的导频开销和反馈开销。
1.基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，所述lstm模块用于根据所述部分空域信道状态信息生成所述未来目标时刻的部分空域信道状态信息；
3.如权利要求2所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，所述生成器用于根据所述未来目标时刻的部分空域信道状态信息生成所述未来目标时刻的完整空域信道状态信息；
4.如权利要求3所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，所述生成器包括依次连接的第一卷积层、第二卷积层、第三卷积层、第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层、第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和第七卷积层。
5.如权利要求2-4所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，所述空时联合信道外推模型的训练方法包括以下步骤：
6.如权利要求5所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，基于第一训练数据集和所述gan网络对所述生成器进行训练包括：
7.如权利要求6所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，基于所述总鉴别结果优化所述生成器的总损失函数为：
8.如权利要求6或7所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，所述空时联合信道外推模型的训练方法还包括以下步骤：
9.如权利要求8所述的基于深度学习的6g近场非平稳信道空时联合外推方法，其特征在于，基于第二训练数据集对所述lstm模块进行训练时的损失函数为：
10.基于深度学习的6g近场非平稳信道空时联合外推装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的方法。
