CN107705359B - 利用三维视觉重建技术的信道建模方法和装置 - Google Patents
利用三维视觉重建技术的信道建模方法和装置 Download PDFInfo
- Publication number
- CN107705359B CN107705359B CN201710954079.5A CN201710954079A CN107705359B CN 107705359 B CN107705359 B CN 107705359B CN 201710954079 A CN201710954079 A CN 201710954079A CN 107705359 B CN107705359 B CN 107705359B
- Authority
- CN
- China
- Prior art keywords
- propagation environment
- current propagation
- model
- channel measurement
- wireless
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种利用三维视觉重建技术的信道建模方法和装置。本发明提供的利用三维视觉重建技术的信道建模方法包括:用户设备从传感器获取当前传播环境的图像数据;用户设备根据图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,坐标为当前传播环境对应的坐标系中的坐标;用户设备根据三维重构模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。本发明提供的利用三维视觉重建技术的信道建模方法和装置,获取无线信道模型的效率和准确度均较高。
Description
技术领域
本发明涉及通信工程技术,尤其涉及一种利用三维视觉重建技术的信道建模方法和装置。
背景技术
随着移动通信技术的发展,无线电波的传播路径(即无线信道)的各种指标,如带宽、频段、天线规模等均成倍的增大,使得影响无线信道模型精度的因素越来越多。
现有技术在获取无线信道的模型时,通常采用人工构造无线信号的当前传播环境,以建立当前传播环境的模型,根据建立好当前传播环境的模型,通过电磁学原理得到无线信道模型。
但是,随着影响无线信道模型精度的因素越来越多,上述获取无线信道的模型的方法复杂度越来越高,表现在计算量增大且人力成本和时间成本增大,因此,获取无线信道模型的效率低下且准确度不高。
发明内容
本发明提供一种利用三维视觉重建技术的信道建模方法和装置,以克服现有技术中利用三维视觉重建技术的信道建模方法,效率低下且准确度不高的技术问题。
本发明提供一种利用三维视觉重建技术的信道建模方法,包括:
用户设备从传感器获取当前传播环境的图像数据;
所述用户设备根据所述图像数据对所述当前传播环境进行三维重构,得到当前传播环境的三维重构模型;所述三维重构模型包括:所述当前传播环境中包括的各物体各自的特征点的坐标,所述坐标为所述当前传播环境对应的坐标系中的坐标;
所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
如上所述的方法,在所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,还包括:
所述用户设备获取所述当前传播环境中包括的各物体各自的材质;
则所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型,包括:
所述用户设备根据所述三维重构模型和所述当前传播环境中包括的各物体各自的材质,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
如上所述的方法,在所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,还包括:
所述用户设备根据所述三维重构模型,得到所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;
所述用户设备获取所述当前传播环境中包括的各物体各自的材质;
所述用户设备根据所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,所述目标散射体为各所述物体中对所述无线信号衰落的影响大于预设程度的物体;
则所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型,包括:
所述用户设备根据每个所述目标散射体的相对位置、几何信息和材质与学习模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;其中,所述学习模型是基于多个训练样本各自的场景信息和无线信道测量数据进行学习得到的;对于每个训练样本,所述无线信道测量数据为无线信号发射端发射的原始无线信号经该训练样本对应的传播环境传播后的信号数据,所述场景信息为原始无线信号的信道测量配置参数、训练样本对应的传播环境的每个目标散射体的相对位置、几何信息、材质以及训练样本对应的传播环境的类型。
如上所述的方法,在所述用户设备根据每个所述目标散射体的相对位置、几何信息和材质与学习模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,所述方法还包括:
对于每个训练样本,获取所述训练样本的所述场景信息和所述无线信道测量数据;
根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型。
如上所述的方法,所述根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型,包括:
根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,通过神经网络学习算法对所有训练样本进行学习,得到神经网络模型。
如上所述的方法,在所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之后,还包括
用户设备根据所述无线信道模型,预测不同时间下的所述当前传播环境中不同位置对应的无线信号的衰落幅度。
如上所述的方法,所述预设信道测量配置参数包括:预设无线信号频率和预设带宽和预设天线数目。
本发明还提供一种利用三维视觉重建技术的信道建模装置,包括:
获取模块,用于从传感器获取无线信号当前传播环境的图像数据;
三维重构模块,用于根据所述图像数据对所述当前传播环境进行三维重构,得到当前传播环境的三维重构模型;所述三维重构模型包括:所述当前传播环境中包括的各物体各自的特征点的坐标,所述坐标为所述当前传播环境对应的坐标系中的坐标;
无线信道模型生成模块,用于根据所述三维重构模型,所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
如上所述的装置,还包括:目标散射体确定模块,所述目标散射体确定模块用于:
根据所述三维重构模型,得到所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;
获取所述当前传播环境中包括的各物体各自的材质;
根据所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,所述目标散射体为各所述物体中对所述无线信号衰落的影响大于预设程度的物体;
则无线信道模型生成模块,具体用于根据每个所述目标散射体的相对位置、几何信息和材质与学习模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;其中,所述学习模型是基于多个训练样本各自的场景信息和无线信道测量数据进行学习得到的;对应每个训练样本,所述无线信道测量数据为无线信号发射端发射的原始无线信号经该训练样本对应的传播环境传播后的信号数据,所述场景信息为原始无线信号的信道测量配置参数,以及训练样本对应的传播环境的每个目标散射体的相对位置、几何信息、材质以及训练样本对应的传播环境的类型。
如上所述的装置,还包括训练模块,所述训练模块用于,
对于每个训练样本,获取所述训练样本的所述场景信息和所述无线信道测量数据;
根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型。
本发明的利用三维视觉重建技术的信道建模方法包括:用户设备从传感器获取当前传播环境的图像数据;用户设备根据所述图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,坐标为当前传播环境对应的坐标系中的坐标;用户设备根据三维重构模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。本发明的利用三维视觉重建技术的信道建模方法获取无线信道模型的效率和准确度均较高。
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一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种可能的系统架构图;
图2为本发明提供的利用三维视觉重建技术的信道建模方法的流程示意图一;
图3为本发明提供的利用三维视觉重建技术的信道建模方法的流程示意图二;
图4为本发明提供的利用三维视觉重建技术的信道建模装置的示意图一;
图5为本发明提供的利用三维视觉重建技术的信道建模装置的示意图二;
图6为本发明提供的利用三维视觉重建技术的信道建模装置的示意图三。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
图1为本发明提供的一种可能的系统架构图。参见图1,该系统架构图包括用户设备11和传感器12。用户设备可为计算机等具有计算能力的设备。
具体地,用户设备11从传感器12获取当前传播环境的图像数据,用户设备11根据当前传播环境的图像数据,对当前传播环境进行三维重构,得到当前传播环境的三维重构模型。接着,用户设备11根据当前传播环境的三维重构模型生成当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。进而,可根据生成的无线信道模型预测当前传播环境中满足预设信道测量配置参数的无线信号在当前传播环境中不同时间下的不同位置处的衰落情况。本发明的利用三维视觉重建技术的信道建模方法效率高且准确度高。
下面采用具体的实施例对本发明的利用三维视觉重建技术的信道建模方法进行详细的说明。
图2为本发明提供的利用三维视觉重建技术的信道建模方法的流程示意图一,如图2所示,本实施例的方法可以包括:
步骤S101、用户设备从传感器获取当前传播环境的图像数据;
具体地,采用传感器获取当前传播环境的图像数据。其中,传感器可为深度相机、双目相机、单目相机或者激光雷达。也就是说,传感器对当前传播环境进行拍照,得到当前传播环境的图像数据。
传播环境即为无线信号传播所经历的环境,比如可为:高铁、高架桥、U型槽、隧道等室外场景,还可为房间等室内场境。
步骤S102、用户设备根据当前传播环境的图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,该坐标为当前传播环境对应的坐标系中的坐标;
具体地,在传感器得到当前传播环境的图像数据后,用户设备从传感器获取当前传播环境的图像数据,并根据当前传播环境的图像数据,对当前传播环境进行三维重构,得到当前传播环境的三维重构模型。
三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,即当前传播环境中包括的各物体的特征点在当前传播环境对应的坐标系中的坐标。本领域技术人员可以理解的是当前传播环境对应的坐标系为根据无线信号发射端的位置与无线信号接收端的位置限定的空间坐标系。
其中,对当前传播环境进行三维重构,得到当前传播环境的三维重构模型,可采用如下的方法:“基于视觉的(Simultaneous LocalizationandMapping,简称SLAM)三维重构”算法,或者基于(StructurefromMotion,简称SFM)的三维重构”算法。
本实施例中的当前传播环境的各物体包括当前传播环境中的所有物体。
上述的三维重构的算法的具体实现过程为现有技术中成熟的技术,本实施例中不再赘述。
步骤S103、用户设备获取当前传播环境中包括的各物体各自的材质;
其中,用户设备可采用现有技术中的算法(比如,可为物体表观材质建模算法或基于全卷积网络的语义分割算法)得到当前传播环境中各物体各自的材质;或者是用户通过肉眼分析得到物体的材质之后,通过用户设备的用户操作界面输入物体的材质,用户设备获取用户通过用户操作界面输入的物体的材质。
步骤S104、用户设备根据三维重构模型和当前传播环境中包括的各物体各自的材质,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
具体地,预设信道测量配置参数包括:预设无线信号频率和预设带宽和预设天线数目;用户设备根据当前传播环境的三维重构模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型,也可以说用户设备根据当前传播环境中各物体的坐标,得到当前传播环境下满足预设无线信号频率、预设带宽和预设天线数目的无线信号对应的无线信道模型。
本领域技术人员可以理解的是,预设信道测量配置参数和/或传播环境不相同,那么对应的无线信道模型也不相同。也就是说不同属性的无线信号以及不同的传播环境对应的无线信道模型是不一样的。
具体地,用户设备可以通过电磁学计算(例如射线追踪(raytracing))的方法,得到无线信道模型,具体为:设置raytracing模型方法计算的精度,如发射次数、是否有绕射等,根据确定的无线信号发射端和接收端的位置,扫描当前传播环境中所有物体的坐标,根据不同物体的材质信息确定反射、折射参数,进而确定信号经过每个位置时衰减的程度、传播方向的变化,进而计算出在当前传播环境中无线信号从无线信号发射端经历所有物体后到达接收端时无线信号的衰落幅度,即得到了无线信道模型。
无线信道模型可为如下的形式:
h=h(t);
其中,h表示信号衰落的复数幅度,即包括当前传播环境引起的原始无线信号的幅度衰落和相位的变化,其中h是一个与时间有关的函数。
本领域技术人员可以理解,无线信道模型并不限于上述的形式。
在用户设备根据当前传播环境的三维重构模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之后,用户设备可根据得到的无线信道模型,预测满足预设信道测量配置参数的无线信号在不同时间下的不同位置处对应的无线信号的衰落幅度,进而帮助用户分析以及提升无线信道的通信性能。
本领域技术人员应当明白,无线信道模型的获取到后,就无需采用无线信号接收装置接收不同时间下的不同位置处的信号数据(即信号衰落幅度),根据无线信道模型便可以预测到不同时间下的不同位置处的信号衰落幅度。
本发明的利用三维视觉重建技术的信道建模方法无需人工构造当前传播环境的模型,而是通过用户设备采用三维重构得到当前传播环境的三维重构模型,根据三维重构模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型,获取无线信道模型的效率和准确度均较高。
本实施的利用三维视觉重建技术的信道建模方法,包括:用户设备从传感器获取无线信号当前传播环境的图像数据;用户设备根据图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,该坐标为当前传播环境对应的坐标系中的坐标;用户设备获取当前传播环境中包括的各物体各自的材质;用户设备根据三维重构模型和当前传播环境中包括的各物体各自的材质,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。本实施的利用三维视觉重建技术的信道建模方法,获取无线信道模型的效率和准确度均较高。
为了进一步提高获取的无线信道模型的准确率,本实施例在上一实施例的基础上进行了改进。
图3为本发明提供的利用三维视觉重建技术的信道建模方法的流程示意图二,如图3所示,本实施例的方法可以包括:
步骤S201、用户设备从传感器获取当前传播环境的图像数据;
具体实现过程同上一实施例,本实施例不再赘述。
步骤S202、用户设备根据当前传播环境的图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,该坐标为当前传播环境对应的坐标系中的坐标;
具体实现过程同上一实施例,本实施例不再赘述。
步骤S203、用户设备根据三维重构模型,得到当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;
用户设备根据当前传播环境的三维重构模型中包括的各物体各自的特征点的坐标得到当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息。其中,几何信息包括:体积和形状。
各物体的相对位置是指各物体之间的相对位置:不仅包括各物体在当前环境中的实际位置信息,还包括与其它物体的实际位置之间的关系,比如与其它物体的距离、在其它物体的哪个角度等。
本领域技术人员应当明白:当前传播环境的三维重构模型中包括的各物体的特征点的数目应当足够多,以使用户设备可根据当前传播环境的三维重构模型中包括的各物体各自的特征点的坐标准确的得到当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息。此处的特征点是指构成物体轮廓的点,每个物体具有多个特征点,并不仅仅是指现有技术中的拐点、角点等特征点。
步骤S204、用户设备获取当前传播环境中包括的各物体各自的材质;
具体地,用户设备可采用现有技术中的算法(比如,可为物体表观材质建模算法或基于全卷积网络的语义分割算法)得到当前传播环境中各物体各自的材质;或者是用户通过肉眼分析得到物体的材质之后,通过用户设备的用户操作界面输入物体的材质,用户设备获取用户通过用户操作界面输入的物体的材质。
步骤S205、用户设备根据当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,目标散射体为各物体中对无线信号衰落的影响大于预设程度的物体;
用户设备根据当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,目标散射体为当前传播环境的各物体中对无线信号衰落的影响大于预设程度的物体;
具体地,目标散射体为当前传播环境的各物体中对无线信号衰落的影响大于预设程度的物体,是指:当前传播环境的各物体中对无线信号衰落的影响比较大的物体。
其中,预设程度可根据无线信号的属性参数和传播环境的属性参数确定。
物体对无线信号衰落的影响与物体相对于其它物体的位置、物体的体积、物体的形状、材质等属性有关系。
用户设备可采用无监督的主成分分析(Principle Component Analyisis,简称PCA)算法,或者有监督的线性判别式分析算法(Linear DiscriminantAnalysis,简称LDA)得到目标散射体。比如采用LDA算法时,事先采集大量的场景数据(即对应传播环境下的各物体的相对位置、几何信息和材质),加上人为的经验对上述采集的场景数据对应的所有物体按照其对对应的传播环境中传播的无线信号衰落的影响进行分类,每个类别进行标签标注,然后进行训练得到判别模型;将当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质作为输入,利用该判别模型即可以将当前传播环境下的目标散射体识别出来。
用户设备还可基于电磁学原理,比如:采用基于方向性信道模型反向推导出对无线信号衰落影响较大的物体。该方法主要通过电磁波传播的原理,根据当前传播环境中各物体之间的相对位置推导出电磁波传播的路线,进而反向推导出目标散射体。
此外,用户可通过经验分析当前传播环境中的各物体是否为目标散射体,用户通过用户设备的用户操作界面输入哪些物体被确定为目标散射体,用户设备获取用户通过用户操作界面输入的目标散射体信息。
在目标散射体被确定后,由于步骤S203~步骤S204已经得到了当前传播环境中所有物体的相对位置、几何信息和材质,因此,目标散射体的相对位置、几何信息和材质已经获知。
步骤S206、根据每个目标散射体的相对位置、几何信息和材质与学习模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;其中,学习模型是基于多个训练样本各自的场景信息和无线信道测量数据进行学习得到的;对应每个训练样本,无线信道测量数据为无线信号发射端发射的原始无线信号经该训练样本对应的传播环境传播后的信号数据,场景信息为原始无线信号的信道测量配置参数,以及训练样本对应的传播环境的每个目标散射体的相对位置、几何信息、材质以及训练样本对应的传播环境的类型。
具体地,在根据每个目标散射体的相对位置、几何信息和材质与学习模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,需要得到学习模型。学习模型的获取方法如下:
对于每个训练样本,获取训练样本的场景信息和无线信道测量数据;根据所有训练样本各自对应的场景信息和无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型。
首先,以获取一个训练样本为例,说明训练样本的场景信息和无线信道测量数据的获取方法。
(1)选取传播环境,确定传播环境的类型。
(2)获取该传播环境中每个目标散射体的相对位置信息、几何信息和材质,具体为:
采用实施一中获取当前传播环境三维重构模型的方法获取该传播环境的三维重构模型,根据步骤S203~步骤S205的方法得到该传播环境中每个目标散射体的相对位置信息、几何信息和材质。
(3)获取无线信道测量数据,具体为:
确定采用的信道测量设备,设定信道测量配置参数。信道测量设备可为如下的任一:基于频域测量的矢量网络分析仪搭建的测量平台或基于时域精准同步的多天线MIMO测量平台。每种预设信道测量设备均包括无线信号发射端和无线信号接收端。
采用信道测量设备的无线信号发射端发射满足设定的信道测量配置参数的原始无线信号。如上一实施例所述,信道测量配置参数包括无线信号频率和带宽和天线数目。
采用信道测量设备的无线信号接收端接收原始无线信号经该传播环境传播后的信号数据:即无线信道测量数据,也就是不同时间下的不同位置处的信号衰落幅度。
更为具体地,若信道测量设备为基于频域测量的矢量网络分析仪搭建的测量平台,传播环境为客厅,那么在获取无线信道模型的过程中,基于频域测量的矢量网络分析仪搭建的测量平台的无线信号发射端在预设信道测量配置参数下发射原始无线信号,原始无线信号在传播过程中,会经客厅内的各物体的反射、绕射和折射,基于频域测量的矢量网络分析仪搭建的测量平台的无线信号接收端接收无线信号发射端发射的原始无线信号在客厅内传播后的无线信号,即为无线信道测量数据。其中,无线信道测量数据可以用于指示接收时间下不同位置处的原始无线信号的衰落幅度。
本领域技术人员可以理解的是,原始无线信号遍布整个当前传播环境,而当前传播环境中各物体的位置和几何信息不一致,所以,原始的无线信号可能会不经任何物体反射、绕射或折射,在第一时间被无线信号接收端接收,原始无线信号还可能会被当前传播环境中的A物体、B物体反射、绕射或折射,经反射后的原始无线信号在第二时间被无线信号接收端接收,等等。
其次,对通过神经网络学习算法,基于所有训练样本的场景信息和无线信道测量数据进行学习,得到神经网络模型的过程进行说明。
神经网络模型主要分为三层结构:输入层、隐藏层和输出层。不同层之间的节点可以采用全连接的方式,隐藏层的节点数配置可以由输入层和输出层节点的维度相应确定。
将各训练样本的场景信息转化成数学表示,比如:目标散射体的相对位置信息、几何信息本身就是用数据度量的,因而可以将多个不同目标散射体的相对位置、几何信息以向量形式表示;对于材质信息、信道测量配置参数信息和传播环境类型信息,可以通过材质信息、信道测量配置参数信息和传播环境类型信息的种类预先定义数学表示的符号,然后同样转化成向量形式表示。每个训练样本的场景信息最终对应转化成一个输入向量
采用上述相同的方法将无线信道测量数据的转化成一个期望输出量。
设定训练样本具有K个,最大学习次数为P,其中,K、P为正整数。
初始化过程为现有技术中的过程,本实施例中不再赘述。初始化后,第p次学习时,将第k个训练样本对应的输入向量作为第p次学习的输入向量,将第k个训练样本对应的期望输出向量第p次学习的期望输出向量,根据第p-1次学习得到的隐藏层和输出层的校正误差以及第p-1次学习的神经元之间的连接权值,采用梯度下降法调整p-1次学习的连接权值,得到第p次学习的神经元之间连接权值;
根据第p次学习输入向量、第p次学习期望输出向量和第p次学习的神经元之间连接权值,采用神经网络算法对第k个训练样本学习;
将第k+1个训练样本对应的输入向量作为第p+1次学习的输入向量,将第k+1个训练样本对应的期望输出向量第p+1次学习的期望输出向量,根据第p次学习得到的隐藏层和输出层的校正误差以及第p次学习的神经元之间连接权值,采用梯度下降法调整p次学习的神经元之间连接权值,得到第p+1次学习的神经元之间连接权值;
根据第p+1次学习输入向量、第p+1次学习期望输出向量和第p+1次学习的神经元之间连接权值,采用神经网络算法对第k+1个训练样本学习;
重复上述过程,当达到预设学习次数P或期望误差和小于等于预设值时,停止学习,得到神经网络模型,也就是最后一次学习调整后的神经元之间的连接权值。
其中,每个训练样本被学习的次数大于等于1次;P≥K,比如若设定的最大学习次数为1000次,训练样本具有300个,则有的训练样本被训练3次,有的训练样本被训练4次。
接着,对根据神经网络模型和当前传播环境中每个目标散射体的相对位置、几何信息和材质,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型的过程进行说明。
在得到神经网络模型后,将当前传播环境的场景信息转化成当前输入向量,转化方法同训练样本的场景信息转化成输入向量的方式,根据当前输入向量和神经网络模型,采用神经网络算法进行计算,计算后的输出即为当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
其中,当前传播环境的场景信息包括:当前传播环境中目标散射体的相对位置、几何信息、材质、当前传播环境类型、预设信道测量配置参数。
不同的预设信道测量配置参数,对应得到当前传播环境下不同的无线信道模型。
在用户设备得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之后,用户设备可根据得到的无线信道模型,预测满足预设信道测量配置参数的无线信号在不同时间下的不同位置处的信号衰落幅度,进而帮助用户分析以及提升无线信道的通信性能。
本发明的利用三维视觉重建技术的信道建模方法无需人工构造当前传播环境的模型,也无需人工标注当前传播环境中各物体的相对位置、几何信息等,而是通过用户设备采用三维重构得到当前传播环境的三维重构模型,用户设备根据三维重构模型得到每个目标散射体的相对位置、几何信息和材质,获取无线信道模型的效率和准确度均较高。
本实施例的利用三维视觉重建技术的信道建模方法,包括:用户设备从传感器获取无线信号当前传播环境的图像数据;用户设备根据图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,该坐标为当前传播环境对应的坐标系中的坐标;用户设备根据三维重构模型,得到当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;用户设备获取当前传播环境中包括的各物体各自的材质;用户设备根据当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,目标散射体为各物体中对无线信号衰落的影响大于预设程度的物体;根据每个目标散射体的相对位置、几何信息和材质与学习模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。本实施例的利用三维视觉重建技术的信道建模方法获取无线信道模型的效率和准确度均较高。
图4为本发明提供的利用三维视觉重建技术的信道建模装置实施例一的结构示意图,如图4所示,本实施例的装置可以包括:获取模块31、三维重构模块32和无线信道模型生成模块33。
获取模块31,用于从传感器获取当前传播环境的图像数据;
三维重构模块32,根据图像数据对当前传播环境进行三维重构,得到当前传播环境的三维重构模型;三维重构模型包括:当前传播环境中包括的各物体各自的特征点的坐标,该坐标为当前传播环境对应的坐标系中的坐标;
无线信道模型生成模块33,用于根据三维重构模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图5为本发明提供的利用三维视觉重建技术的信道建模装置实施例二的结构示意图,如图5所示,本实施例的装置在图4所示装置结构的基础上,进一步地,还可以包括:目标散射体确定模块34和训练模块35。
目标散射体确定模块用于:根据三维重构模型,得到当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;获取当前传播环境中包括的各物体各自的材质;根据当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,目标散射体为各所述物体中对无线信号衰落的影响大于预设程度的物体。
无线信道模型生成模块33还用于根据每个目标散射体的相对位置、几何信息和材质与学习模型,得到当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;其中,学习模型是基于多个训练样本各自的场景信息和无线信道测量数据进行学习得到的;对应每个训练样本,无线信道测量数据为无线信号发射端发射的原始无线信号经该训练样本对应的传播环境传播后的信号数据,场景信息为在训练样本对应的传播环境传播的原始无线信号的信道测量配置参数,以及训练样本对应的传播环境的每个目标散射体的相对位置、几何信息、材质以及训练样本对应的传播环境的类型。
训练模块35,用于对于每个训练样本,获取训练样本的场景信息和无线信道测量数据;根据所有训练样本各自对应的场景信息和无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型。
训练模块35具体用于,根据所有训练样本各自对应的场景信息和无线信道测量数据,通过神经网络学习算法模型对所有训练样本进行学习,得到学习模型。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图6为本发明提供的利用三维视觉重建技术的信道建模装置实施例三的结构示意图,如图6所示,本实施例的装置在图5所示装置结构的基础上,进一步地,还可以包括:预测模块36,用于根据无线信道模型,预测不同时间下的当前传播环境中不同位置对应的无线信号的衰落幅度。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种利用三维视觉重建技术的信道建模方法,其特征在于,包括:
用户设备从传感器获取当前传播环境的图像数据;
所述用户设备根据所述图像数据对所述当前传播环境进行三维重构,得到当前传播环境的三维重构模型;所述三维重构模型包括:所述当前传播环境中包括的各物体各自的特征点的坐标,所述坐标为所述当前传播环境对应的坐标系中的坐标;
所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;
其中,在所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,还包括:
所述用户设备根据所述三维重构模型,得到所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;
所述用户设备获取所述当前传播环境中包括的各物体各自的材质;
所述用户设备根据所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,所述目标散射体为各所述物体中对所述无线信号衰落的影响大于预设程度的物体;
则所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型,包括:
所述用户设备根据每个所述目标散射体的相对位置、几何信息和材质与学习模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;其中,所述学习模型是基于多个训练样本各自的场景信息和无线信道测量数据进行学习得到的;对于每个训练样本,所述无线信道测量数据为无线信号发射端发射的原始无线信号经该训练样本对应的传播环境传播后的信号数据,所述场景信息为原始无线信号的信道测量配置参数、训练样本对应的传播环境的每个目标散射体的相对位置、几何信息、材质以及训练样本对应的传播环境的类型。
2.根据权利要求1所述的方法,其特征在于,在所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,还包括:
所述用户设备获取所述当前传播环境中包括的各物体各自的材质;
则所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型,包括:
所述用户设备根据所述三维重构模型和所述当前传播环境中包括的各物体各自的材质,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型。
3.根据权利要求1所述的方法,其特征在于,在所述用户设备根据每个所述目标散射体的相对位置、几何信息和材质与学习模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之前,所述方法还包括:
对于每个训练样本,获取所述训练样本的所述场景信息和所述无线信道测量数据;
根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型,包括:
根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,通过神经网络学习算法对所有训练样本进行学习,得到神经网络模型。
5.根据权利要求1所述的方法,其特征在于,在所述用户设备根据所述三维重构模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型之后,还包括
用户设备根据所述无线信道模型,预测不同时间下的所述当前传播环境中不同位置对应的无线信号的衰落幅度。
6.根据权利要求1所述的方法,其特征在于,所述预设信道测量配置参数包括:预设无线信号频率和预设带宽和预设天线数目。
7.一种利用三维视觉重建技术的信道建模装置,其特征在于,包括:
获取模块,用于从传感器获取无线信号当前传播环境的图像数据;
三维重构模块,用于根据所述图像数据对所述当前传播环境进行三维重构,得到当前传播环境的三维重构模型;所述三维重构模型包括:所述当前传播环境中包括的各物体各自的特征点的坐标,所述坐标为所述当前传播环境对应的坐标系中的坐标;
无线信道模型生成模块,用于根据所述三维重构模型,所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;
其中,所述装置还包括:目标散射体确定模块,所述目标散射体确定模块用于:
根据所述三维重构模型,得到所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息;
获取所述当前传播环境中包括的各物体各自的材质;
根据所述当前传播环境中包括的各物体的相对位置以及各物体各自的几何信息和材质,从各物体中确定出至少一个目标散射体,所述目标散射体为各所述物体中对所述无线信号衰落的影响大于预设程度的物体;
则无线信道模型生成模块,具体用于根据每个所述目标散射体的相对位置、几何信息和材质与学习模型,得到所述当前传播环境下满足预设信道测量配置参数的无线信号对应的无线信道模型;其中,所述学习模型是基于多个训练样本各自的场景信息和无线信道测量数据进行学习得到的;对应每个训练样本,所述无线信道测量数据为无线信号发射端发射的原始无线信号经该训练样本对应的传播环境传播后的信号数据,所述场景信息为原始无线信号的信道测量配置参数,以及训练样本对应的传播环境的每个目标散射体的相对位置、几何信息、材质以及训练样本对应的传播环境的类型。
8.根据权利要求7所述的装置,其特征在于,还包括训练模块,所述训练模块用于,
对于每个训练样本,获取所述训练样本的所述场景信息和所述无线信道测量数据;
根据所有训练样本各自对应的所述场景信息和所述无线信道测量数据,采用机器学习算法对所有训练样本进行学习,得到学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710954079.5A CN107705359B (zh) | 2017-10-13 | 2017-10-13 | 利用三维视觉重建技术的信道建模方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710954079.5A CN107705359B (zh) | 2017-10-13 | 2017-10-13 | 利用三维视觉重建技术的信道建模方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705359A CN107705359A (zh) | 2018-02-16 |
CN107705359B true CN107705359B (zh) | 2020-07-07 |
Family
ID=61184128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710954079.5A Active CN107705359B (zh) | 2017-10-13 | 2017-10-13 | 利用三维视觉重建技术的信道建模方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705359B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111836184B (zh) * | 2019-04-16 | 2022-02-25 | 华为技术有限公司 | 处理数据的方法、装置、设备及可读存储介质 |
CN111355546B (zh) * | 2020-03-11 | 2021-10-01 | 北京邮电大学 | 一种无线电波传播的三维可视化方法 |
CN114844785B (zh) * | 2021-02-01 | 2024-02-06 | 大唐移动通信设备有限公司 | 通信系统中的模型更新方法、装置及存储介质 |
CN113037668B (zh) * | 2021-05-20 | 2023-03-10 | 武汉科技大学 | 一种毫米波点对点通信信道均衡方法 |
US11785477B2 (en) | 2021-07-21 | 2023-10-10 | Cisco Technology, Inc. | Three-dimensional visualization of Wi-Fi signal propagation based on telemetry data |
CN114884597B (zh) * | 2022-03-25 | 2023-09-26 | 天津大学 | 一种基于神经网络的海上无线电波传播预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006116766A1 (en) * | 2005-04-27 | 2006-11-02 | The Regents Of The University Of California | Physics-based statistical model and simulation method of rf propagation in urban environments |
CN103747455A (zh) * | 2013-12-27 | 2014-04-23 | 南京信息工程大学 | 基于非均匀散射体分布的信道建模方法及参数匹配方法 |
CN104144021A (zh) * | 2014-07-23 | 2014-11-12 | 南京航空航天大学 | 动态场景下无线信道实时模拟方法及装置 |
CN105530660A (zh) * | 2015-12-15 | 2016-04-27 | 厦门大学 | 一种基于主成分分析的信道建模方法及装置 |
WO2016145937A1 (zh) * | 2015-03-19 | 2016-09-22 | 中兴通讯股份有限公司 | 一种多通道宽带信道模拟方法及装置 |
CN106126807A (zh) * | 2016-06-22 | 2016-11-16 | 北京邮电大学 | 一种基于大数据挖掘的无线信道建模方法 |
-
2017
- 2017-10-13 CN CN201710954079.5A patent/CN107705359B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006116766A1 (en) * | 2005-04-27 | 2006-11-02 | The Regents Of The University Of California | Physics-based statistical model and simulation method of rf propagation in urban environments |
CN103747455A (zh) * | 2013-12-27 | 2014-04-23 | 南京信息工程大学 | 基于非均匀散射体分布的信道建模方法及参数匹配方法 |
CN104144021A (zh) * | 2014-07-23 | 2014-11-12 | 南京航空航天大学 | 动态场景下无线信道实时模拟方法及装置 |
WO2016145937A1 (zh) * | 2015-03-19 | 2016-09-22 | 中兴通讯股份有限公司 | 一种多通道宽带信道模拟方法及装置 |
CN105530660A (zh) * | 2015-12-15 | 2016-04-27 | 厦门大学 | 一种基于主成分分析的信道建模方法及装置 |
CN106126807A (zh) * | 2016-06-22 | 2016-11-16 | 北京邮电大学 | 一种基于大数据挖掘的无线信道建模方法 |
Non-Patent Citations (4)
Title |
---|
Modeling of Fingerprint Characteristics of Wireless Communication;Chunli Jiang;《2016 IEEE Chinese Guidance, Navigation and Control Conference (IEEE CGNCC2016)》;20161231;1730-1734 * |
Three-dimensional fading channel models: A survey of elevation angle research;Jianhua Zhang;《IEEE Communications Magazine》;20140630;第52卷(第6期);218-226 * |
室内外场景下基于射线跟踪算法的无线信道预测研究;刘忠玉;《中国博士学位论文全文数据库 信息科技辑》;20141115(第11期);I136-40 * |
高频段信道建模研究现状与展望;张建华;《电信网技术》;20160331;10-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN107705359A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705359B (zh) | 利用三维视觉重建技术的信道建模方法和装置 | |
KR102588572B1 (ko) | 무선 신호 특성들에 대한 머신 러닝에 기반한 모션 탐지 | |
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
Levie et al. | RadioUNet: Fast radio map estimation with convolutional neural networks | |
CN110731096B (zh) | 使用深度神经网络预测电信网络中的接收信号强度 | |
CN108512621B (zh) | 一种基于神经网络的无线信道建模方法 | |
CN105517019B (zh) | 采用集成回归系统检测lte网络性能的方法 | |
Levie et al. | Pathloss prediction using deep learning with applications to cellular optimization and efficient D2D link scheduling | |
CN110139359B (zh) | 一种干扰源定位处理方法及装置 | |
US20210367691A1 (en) | Radio environment estimation method and radio environment estimation apparatus | |
Zhang et al. | Weighted adaptive KNN algorithm with historical information fusion for fingerprint positioning | |
CN110636516B (zh) | 信号传播模型的确定方法及装置 | |
JP6696859B2 (ja) | 品質推定装置及び品質推定方法 | |
CN106231553B (zh) | 基于无线声传感器网络的多节点信息融合声源定位方法 | |
CN115201750A (zh) | 一种超宽带定位系统nlos识别方法 | |
KR101627419B1 (ko) | 이동 노드의 위치 추정 방법 및 그 장치 | |
KR102211847B1 (ko) | 경로 손실 지수 예측 시스템 및 방법 | |
CN110971323B (zh) | 传播路径模型地图系统及路径损耗确定系统 | |
Hehn et al. | Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction from Variable-Sized Maps | |
KR102279563B1 (ko) | 레이더 신호 처리 장치 및 레이더 신호 처리 방법 | |
EP4205311A1 (en) | Technique for predicting radio quality | |
KR100222661B1 (ko) | 신경 회로망을 이용한 전계 강도 예측방법 | |
Li et al. | DOA-based localization algorithms under NLOS conditions | |
Arnold et al. | Vision-Assisted Digital Twin Creation for mmWave Beam Management | |
JP3854975B2 (ja) | フェージングシミュレータ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |