自動化毫米波信道測量與建模技術

段開源，劉成國+，張博涵，胡文韜，熊得安，周鴻錕

(1.武漢理工大學 理學院，湖北 武漢 430070；2.武漢理工大學 湖北省射頻微波應用工程技術 研究中心，湖北 武漢 430070；3.武漢理工大學 信息工程學院，湖北 武漢 430070)

0 引 言

為了解決5G通信中室內外網絡環境的擁塞[1-3]，實現高速率、低時延要求，頻譜資源更豐富、可利用頻帶寬的毫米波，被作為關鍵技術引入5G通信。我國5G商業預留了26.5 GHz～29.5 GHz毫米波段作為推進5G后續建設的重點頻段[4]，5G涵蓋的各種物聯網場景頻率達到78 GHz～90 GHz[4,5]。這都需要5G毫米波信道特性的自動化測量和智能建模技術支撐[6-8]。

5G中要使用MIMO天線和波束成型技術，毫米波頻段測量建模的參數既需要傳統的路徑損耗，還引入角度擴展等新的信道參數。要求在傳統測量技術中增加各個方向的測量，使測量方式和建模技術變得更復雜，時間大幅延長[9-12]。利用先進計算機技術、商用編程儀器等，研發自動化測量和智能信道建模技術，成為移動通信新無線技術的一個重要研究方面[13-16]。

1 系統構成方案

信道測量是獲得無線信道特性的最直接有效方法，即通過大量的實際測量對實際電波環境中電磁信號傳播進行統計性信道建模[13,17]。常用信道測量系統一般分為頻域信道測量系統和時域信道測量系統，前者在信號的發射和接收上主要使用發射機和接收機一體的矢量網絡分析儀，后者則使用矢量信號發生器和和頻譜儀進行信號的產生和采集。本文根據5G通信毫米波信道傳播損耗、角度參數的測量要求，選取時域測量技術實現控制5G不同頻段毫米波在各傳播方向上的自動化測量，形成基于測量數據的智能信道特性建模和自適應選出最優信道模型的方法及其技術。

為實現這些功能，本文構建的技術方案如圖1所示，共4個部分。第一部分是毫米波收發設備，選用具有程控功能的通用設備構建，用于不同頻率毫米波信號的產生和接收。第二部分是可編程轉臺系統，實現系統不同角度路徑損耗的自動化測量。第三部分是上位機伺服系統，運行系統軟件，實現收發系統和轉臺的控制、接收數據的存儲記錄。第四部分是系統控制處理軟件，要求可對收發機的頻率、幅度和系統工作參數進行設置，能合理對系統各部分進行資源分配和實時調度，并根據計算機伺服系統中記錄存儲數據使用BP人工神經網絡(back propagating arti-ficial neural network)進行智能建模，實現信道特性的自動分類建模，并輸出最優模型參數，完成數據后處理。

圖1 技術方案

2 系統硬件實現

本文選用是德科技信號發生器、頻譜分析儀和自主設計高精度天線轉臺，配置毫米波擴展部件，形成毫米波信道自動化測量和智能化建模技術的硬件系統，基本系統如圖2所示。

圖2 系統框架

2.1 毫米波收發設備

如圖2所示，本文選用是德科技E8267D矢量信號發生器、N9010A頻譜分析儀及其擴展部件作為收發設備。收發設備使用上位計算機控制，通過GPIB轉USB接口使用SPCI儀器指令對信號發生器和頻譜分析儀進行遠程控制，信號發生器產生線性頻率信號并由發射天線輻射后經過相應傳播環境，最后由接收天線接收并由頻譜分析儀采樣存儲。系統基礎發收設備的輸出頻率為31.8 GHz、接收頻率為44 GHz，外部擴展組件為達到90 GHz的配置。

系統可配置至90 GHz的不同分段收發天線。本系統基礎配置為400 MHz～60 GHz的三分段喇叭天線3組。本文給出了使用18 GHz～40 GHz的一組天線的測試研究結果。該組天線和系統線纜在24 GHz和28 GHz的相應參數見表1。

表1 系統參數

2.2 天線轉臺

在使用方向天線進行信道測量的過程中，為了更好的對毫米波信道中到達角、角度擴展和多徑等小尺度參數進行測量，本文在C++平臺通過串口對設計的天線轉臺進行控制，以實現自動化控制測量過程中角度參數的控制與獲取。在機械結構上為了減少金屬表面對電磁波的反射現象，轉臺整體結構和固定螺絲使用光敏樹脂材料進行3D打印。使用微處理器、步進電機和自行設計的轉臺結構研發了如圖3所示的雙軸天線轉臺系統。

圖3 天線轉臺系統框架

該天線轉臺使用STM32單片機為控制芯片，電機驅動使用三洋半導體公司PWM恒流控制雙極性步進電機驅動芯片LV8729V，步進電機使用扭矩為0.6 N*m、步進精度為1.8°的42步進電機。步進電機驅動電路如圖4所示，圖中芯片外圍供電電壓均由外部穩壓芯片提供，第6、13、14引腳(ST/FR/STP)為外部邏輯輸入引腳，通過光耦隔離器與MCU相連接。MA1、MB1、MA2、MB2為電機驅動輸出端，輸出端電流大小可以通過21引腳(Vref)端的輸入電壓確定，計算公式如式(1)所示

(1)

本文驅動電路中R3阻值為0.2 Ω，所選擇42步進電機額定電流的大小為1.6 A，固選擇輸入電壓Vref=1.4 V，以確保步進電機正常工作。

圖4 步進電機驅動電路

在電機轉動過程中可以通過細分方法有規律的對步進電機A，B線圈中的電流進行正弦變化控制，實現對電機整步位移的分解，從而達到對步進電機更精確的控制。通過對LV8729V芯片7、8、9引腳的輸入電平控制可實現步進電機細分功能，本文根據系統測量時間，選擇步進電機細分方式為1/2細分。

如圖3所示，MCU控制端通過輸出PWM脈沖信號到電機驅動電路，最終驅動步進電機轉動。通過步進電機1實現轉臺方位角的旋轉，步進電機2實現轉臺仰角的旋轉，以實現全方位全自動的測量。

3 系統軟件

系統軟件結合Qt在C++平臺上使用SCPI儀器指令對是德科技信號源E8267D、頻譜儀N9010A和自主設計天線轉臺進行整體系統控制，完成系統自動化測量，并在數據后處理中使用Matlab完成信道模型建模和最優模型輸出。

3.1 SCPI收發設備控制軟件

3.1.1 控制語言

為了規范和方便不同的制造商的程控儀器的使用，電氣和電子工程師協會(IEEE)在上世紀90年代提出了可編程儀器標準命令SCPI(standard commands for programmable instruments)。該儀器控制指令在自動化測試設備的設計中具有很好的兼容性，在物理層電氣的連接上支持GPIB、RS232串口、以太網(LAN)、VXIbus等硬件總線；在軟件層面該儀器編程指令更是支持如C/C++、JAVA、FORTAN等多種編程語言，易于各種商用程控儀器測試程序的移植。其縮短了自動測試設備程序的開發時間，使得各式各樣的可編程自動化測試系統被廣泛應用到工業和社會生活的各個領域，極大地促進了電子測量系統的發展[18]。

3.1.2 程序流程和功能

系統整體控制流程如圖5所示。系統由電腦主機輸入各設備的接口信息、所需要測試的頻率、掃描方式、轉臺步進角度等系統參數和測量方式控制參數。測量中電腦主機首先對信號發生器進行設置，然后控制頻譜分析儀進行預采樣，驗證采樣信號的頻率與設置的頻率是否一致，并對50次采樣信號的平穩度進行相應計算，若連續50次的預采樣存在較大的波動則直接反饋相應的信號并結束程序。當確定采樣信號為有效信號后，使用3.2節轉臺控制流程對轉臺進行旋轉，在旋轉完成后系統控制信號發生器和頻譜分析儀完成相應測量頻段采樣，并將接收端得到的信號頻率和強度等信息存儲到電腦中。在完成所有測量工作后系統恢復原位置并停止。

圖5 系統流程

3.2 轉臺控制系統

天線轉臺控制的流程如圖6所示。由圖6可知微處理器MCU在接收到電腦主機發送的信號后，對信號按相應的字符進行讀取和分析，確定旋轉電機、旋轉方向、旋轉角度后，通過電機驅動對轉臺進行相應轉動，轉臺完成轉

表2 天線轉臺串口通信信號格式

動后將通過串口向電腦主機回復相應的信號，電機轉動期間電腦主機不進行任何操作，在接收到MCU轉動成功的信號后電腦主機將通過SCPI儀器指令控制信號源產生相應頻段毫米波信號，并同時使用頻譜儀記錄此時的測量數據和轉臺角度，若轉動異常則直接結束程序的運行停止測量。

3.3 信道模型及智能建模流程

不同環境中毫米波傳播特性往往不同，對毫米波信道測量結果進行分析和提取是信道建模中的重要問題。國內外各研究機構在對毫米波大尺度路徑損耗的建模中使用自由空間鄰近參考距離模型(close-in free space reference distance path loss model，CI)或滑動截距模型(floating-intercept path loss model，FI)對室內外環境路徑損耗進行建模，其中CI模型和FI模型表達式如式(2)和式(3)所示[5,6,17]

(2)

(3)

在使用CI模型或FI模型對典型環境中毫米波信道進行建模的過程中，往往只能對單一可視區域(line of sight，LOS)或非可視區域(non line of sight，NLOS)環境進行建模，而在LOS區域和NLOS區域共存的復雜室內環境建模過程中其適用性往往較差。在復雜環境中為了對毫米波在LOS區域和NLOS區域傳播特性進行充分考慮，通常使用式(4)給出的分段模型進行建模

(4)

在實際信道建模過程中往往通過人為對實際信道測量結果進行判斷后才選取相對應的路徑損耗模型建模。本文在對毫米波大尺度損耗建模上，在Matlab數學處理軟件上使用誤差反向傳播的前饋BP神經網絡對各種測量環境中大尺度信道模型路徑損耗因子進行特征提取，并實現對多類信道環境進行分類，最后根據分類結果選取合適信道模型對測量結果進行建模，結合BP神經網絡的路徑損耗建模流程如圖7所示。

圖7 路徑損耗模型建模流程

由于不同類型的環境中接收天線的到達角往往不同，并且在只有LOS區域存在的傳播環境和LOS與NLOS共存的復雜傳播環境中建模模型的路徑損耗因子和陰影衰落往往也各具差異。將這類具有非線性特征的信道參數供BP神經網絡進行學習，構建神經網絡可以有效對不同類型環境進行分別。系統在建模過程中會根據發射天線的離開角和接收天線到達角判斷該系統中的主要傳播環境機制，并根據利用大量實測數據構建的BP神經網絡對實測數據進行分類，在確定環境類別后使用相應的模型對該路徑損耗進行建模，最后輸出與測量結果相適應的路徑損耗模型。

4 性能分析

本文成功研發上述軟硬件，集成為整體系統，聯機調試成功。為分析本文提出技術和實現系統的功能。將系統在微波暗室和商用系統進行了天線方向圖測試比對說明方向測量性能，在實際走廊環境中對22 GHz～29 GHz毫米波信號進行了信道的測量和建模，驗證信道參數自動測量性能和智能建模的效果。

4.1 方向測量性能

方向測量使用天線轉臺實現，為說明其性能，設計了對比實驗測試。使用該天線轉臺在微波暗室中對標準喇叭天線的天線方向圖進行相應測量，然后與商用DAMS7000天線轉臺的相同測量作對比。

在微波暗室中對18 GHz～40 GHz標準喇叭天線做了天線方向圖對比測量。圖8繪出了28 GHz的方向圖測量結果。圖中虛線為商用轉臺測量結果，實線為本文設計轉臺測量結果，圖8(a)和圖8(b)分別為28 GHz喇叭天線E面和H面歸一化方向圖測量結果。

圖8 28 GHz天線方向圖實際測量結果

由圖8中可以看出本文使用的標準喇叭天線具有較好的方向性。表3給出了方向圖歸一化后、本文轉臺與商用轉臺之間不同步進間隔下24 GHz和28 GHz的平均測量誤差，可以看出在主瓣方向-30°～30°范圍內，轉臺步進精度為9°時的測量誤差約在-0.0249～-0.0506，步進精度為4.5°時的測量誤差約在-0.0235～-0.0208。可見該系統用于實際信道環境測量中，可以獲得較高的方向精度。

4.2 BP智能建模

BP神經網絡是一種誤差反向傳播的前饋神經網絡，可以通過輸出層與實際數據之間的誤差對網絡中隱含層權值和閾值進行調整，最終實現期望輸出的多層神經網絡優化算法[19]。針對毫米波在LOS與NLOS共存環境中應用，各區域中路徑損耗具有不同路徑損耗因子的建模困難，本文對多種該類環境中毫米波路徑損耗建模結果使用BP神經網絡進行學習，構建了可以區分LOS區域與NLOS區域的神經網絡建模技術。

表3 本文轉臺與商用轉臺的測量平均誤差

建模技術中構建的神經網絡包含6個輸入參數，9個隱含神經元，1個輸出參數。輸入層參數包含根據路徑損耗實測值所提取的路徑損耗因子n和損耗系數β。在神經網絡的訓練中，訓練數據集對所構建的神經網絡有著直接影響，但實際信道測量數據往往有限，由于無線信道中陰影衰落可以表示在一定范圍或時間內信道大尺度損耗的波動，所以在測量數據不足時可利用陰影衰落對所測量的路徑損耗進行數據擴展，故使用LOS與NLOS區域共存環境中路徑損耗實測結果和文獻[5-7]中的部分測量數據進行數據擴充后形成200組訓練樣本對BP神經網絡進行訓練。并使用文獻[20-24]中的實測數據對已訓練完畢的神經網絡進行驗證，圖9為本文建模技術中BP神經網絡對驗證數據集的區分結果。

圖9 BP神經網絡模型測試數據集預測結果

圖9中縱坐標為預測類型，當預測值接近1時為僅存在LOS的傳播環境，預測值等于2時為LOS與NLOS共存的復雜環境，橫坐標為文獻[20-24]實測路徑損耗結果所構成的樣本(共8組)。其中第6組和第8組樣本為LOS與NLOS區域共存傳播環境中的路徑損耗測量數據(文獻[23,24]中數據)。其余為僅存在LOS區域的傳播環境，可以看出本文所構建的神經網絡能有效區分部分典型毫米波傳播環境，能針對不同環境的特征使用特定信道模型進行建模。

4.3 實際走廊環境測試

使用該系統對走廊環境進行了自動化測量。測量中計算機控制收發設備在22 GHz～29 GHz毫米波頻段進行線性掃頻、控制天線轉臺驅動窄波束喇叭天線間隔18°進行轉動。測量實際環境如圖10所示(圖中嵌入的是控制軟件的控制界面)，接收天線以等距離d=1.1 m為間隔進行測量，每個測量位置接收天線在各方向均采樣100次。

圖10 實際測試環境

測量完成后使用Matlab對測量環境中不同頻點測量數據的離開角、平均到達角、角度擴展等信道參數進行分析提取。本文選取其中24 GHz和28 GHz兩個頻率的結果作以說明。平均到達角和角擴展見表4，可以看出走廊環境中傳播主要以視距傳播為主，平均到達角均接近0°方向，即指向發射天線、角度擴展分別為54.45°和58.84°。

在大尺度路徑損耗建模結果中，系統自動對走廊環境中所測量的路徑損耗結果進行處理，并根據BP神經網絡智

表4 走廊環境信道平均到達角和角度擴展

能建模結果得到了如表5所示的視距環境下路徑損耗CI模型、FI模型、多頻率ABG模型的建模結果。可以看出系統輸出的模型為單斜率模型。24 GHz的CI模型和FI模型的路徑損耗因子分別為1.352和1.182，而28 GHz的CI模型和FI模型的路徑損耗因子分別在1.442和1.334，均較自由空間中的路徑損耗n=2小，符合走廊環境中四周封閉的類波導結構物理機制。由于CI模型具有實際物理意義，在自適應建模過程中結合各模型所設置閾值，系統最終輸出模型為CI模型。

表5 走廊環境路徑損耗建模結果對比

為了驗證該系統自適應建模適用性，使用該自適應建模單元對其它文獻中的路徑損耗測量結果進行了建模，建模結果見表6。

表6 其它文獻中路徑損耗自適應建模結果

由表6中建模結果和實際測量結果可以看出，在LOS傳播環境中系統自適應輸出模型為單斜率FI模型，與原文獻[20,22]中建模結果相符，在LOS-NLOS復雜室外傳播環境中，由于NLOS區域的存在導致在該區域路徑損耗急劇增加，自適應單元也選擇了合適的分段FI模型進行建模，并輸出了路徑損耗變化的斷點約在距離發射天線76.9 m處，與實際結果基本相符。

上述結果說明，本系統可以在典型毫米波傳播環境中進行多頻段信道自動化測量，獲得相應信道角度參數，并且可通過角度擴展、路徑損耗因子、陰影衰落等信道參數對建模結果進行判別并輸出最終優選模型，對實際信道測量具有實際價值。

5 結束語

本文研究了5G毫米波信道特性自動化測量和智能建模技術，形成了一種方案并構建了原型系統。本系統由信號發生器、頻譜分析儀和天線轉臺構成，解決了系統整體控制、高精度控制轉臺和人工神經網絡智能建模技術等關鍵技術。系統調試和整體性能驗證表明，該系統可對毫米波信道路徑損耗、平均到達角、角度擴展等參數進行測量，能給出多種模型的建模結果，具有在給定判據特征情況下自適應輸出最優模型及其參數的能力。表明可以在未來5G毫米波典型應用場景進行信道測量。

本文仍然可以使用SCPI儀器對系統信號實現多種方式的調制，在未來研究中對信號的時延特性和多普勒頻移等小尺度參數進行進一步研究。