【摘 要】为了适应未来6G通信系统的超宽频谱、超大规模天线阵列、高度异构化以及众多新型应用场景，信道建模成为新系统开发必不可少的技术基础。由于6G通信系统将具有典型的大数据特征，基于机器学习的数据驱动型无线信道建模方法已经将成为未来信道模型开发的重要手段。综合分析机器学习在无线信道建模中的应用现状，主要包括确定性信道模型的射线追踪法，随机性信道模型的多径分量聚类与跟踪以及模型参数估计，数据驱动型信道建模，以及信道场景识别，最后，讨论基于机器学习的无线信道建模方法面临的挑战。
【关键词】机器学习；无线信道；信道建模
0 引言
无线信道作为无线通信系统传输电磁波信号的媒介，其传播特性对通信系统的误码率、信道容量、能量效率和频谱效率等性能具有决定性作用。一个反映实际传播环境的信道模型对于通信系统的设计、开发、性能评估与实际部署具有重要的指导意义。因此，无线信道建模被认为是无线通信领域最基础且重要的研究课题之一[1]。具体来说，信道建模是一个探索并表征真实环境中信道传播特性的过程，通过有效的数学模型对信道进行刻画，从而揭示电磁波在不同场景下的传播特性。为了尽可能准确地表征真实环境的信道传播特性，对实际场景的无线信道进行大量的测量是必不可少的，目前，国内外许多研究团队及项目已经针对B5G/6G的需求开展了无线信道的测量与建模工作[2]。
对于无线信道传播特性的研究，根据建模方法的差异性可将无线信道模型分类为确定性模型和随机性模型，其中的随机性模型又包括了非几何随机模型（NGSM, Non-Geometric Stochastic Model）和基于几何的随机模型（GBSM, Geometry-Based Stochastic Model）