CN111193618B - 一种基于张量计算的6g移动通信系统及其数据处理方法 - Google Patents
一种基于张量计算的6g移动通信系统及其数据处理方法 Download PDFInfo
- Publication number
- CN111193618B CN111193618B CN201911327251.XA CN201911327251A CN111193618B CN 111193618 B CN111193618 B CN 111193618B CN 201911327251 A CN201911327251 A CN 201911327251A CN 111193618 B CN111193618 B CN 111193618B
- Authority
- CN
- China
- Prior art keywords
- tensor
- formula
- order
- dimensional
- matrix
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
Abstract
本发明涉及一种基于张量计算的6G移动通信系统及其数据处理方法,包括依次连接的高维信源、张量压缩单元、发送设备、信道、接收设备、张量补全单元、信宿;张量压缩单元用于将待传输的高维信源进行压缩,减少高维信源的信息冗余;张量补全单元用于补充完整高维信号在传输过程中受到干扰造成的信息丢失项;本发明解决了未来6G移动通信系统中的“痛点”,能实现高维数据的压缩及补全,并取得良好的效果。提高了对6G中高维数据处理能力,为未来6G的实现打下基础。
Description
技术领域
本发明涉及一种基于张量计算的6G移动通信系统及其数据处理方法,具体涉及张量分解和张量补全理论,属于数据分析以及移动通信技术领域。
背景技术
随着5G的到来,社会和科技发展将会提高到一个新高度。5G的“高带宽”、“低时延”、“万物互联”的特性将使数据存储的量级和数据的维度进一步增大。5G之后,B5G将重新面对这一难题。
最近,据工信部宣布2020年将启动6G研发;3月,首届6G全球峰会群策群力,拟定了首份6G白皮书,明确了6G发展的基本方向。其中,6G白皮书中商讨了6G的关键驱动力以及最近十年的研究挑战,定义了6G的关键指标。移动通信网络每一代升级后,其性能都将提升10至100倍,6G性能当然也将在5G基础上提升10至100倍,重新刷新人们对于无线网络的认知。6G中单用户最高传输速率将达到每秒1Tbps,实现网络容量的大幅度提升,使人类迈进“太赫兹(THz)”时代;连接设备密度达将达到每立方米达数百个,网络时延达到0.1ms,设备同步时延在1μs内、定位精度达厘米级,实现整个星球万物互联、空天地海一体化的总格局;同时,6G将对人工智能技术提出了新的要求,实现了人类更深层次的智能通信需求和智能生活需求。XR(VR、AR、MR)应用、远程全息、自动驾驶、边缘计算、高精度定位等海量应用与服务将随运而生。
然而,6G中,网络速率及网络带宽的增加,将使数据存储和处理的量级迈向新的台阶;万物互联及其交互,将使数据的维度得到了极大地扩展;6G空天地海一体化的布局使通信设备变化不同场景的同时,数据的丢失率大大增加;人工智能技术在为6G移动网络多体质、多频段、大量异构业务提供网络资源合理分配的同时也带来大量的待优化参数,引发维度诅咒问题。因此,在6G世界里,数据的海量增长引发的“灾难”,将使人类不得不未雨绸缪,积极寻找应对之策。
张量理论作为一种多维数据分析和处理的工具,已经在高维数据处理领域得到了广泛的关注。心理测量学与化学测量学曾是推动张量理论和算法发展的两个重要应用领域。之后,信号处理,计算机科学界的应用使张量应用逐渐流行起来。具体地,在信号处理领域,张量理论可以应用到语音、音频的压缩;机器学习方面,张量理论可以应用到聚类与降维;深度学习方面,可以减少中间层训练时需要的参数;高光谱图像方面,可以实现图像的降噪与补全。
发明内容
针对以上提到的6G需求,考虑到6G数据高纬度性与大规模性的特性和张量理论处理高维数据的优势,本发明提供了一种基于张量计算的6G移动通信系统,本发明还提供了上述6G移动通信系统的数据处理方法;
本发明基于张量计算的6G移动数据处理方法,提高了对6G中高维数据处理能力,为未来6G的实现打下基础。本发明针对6G移动网络数据量大,以及缺失的问题,提出了两种对应的解决方法,张量压缩及张量补全。并对其进行了理论分析及实验仿真。
术语解释:
1、VR,是指Virtual Reality的缩写,虚拟现实。
2、AR,是指Augmented Reality的缩写,增强现实。
3、MR,是指Mixed Reality的缩写,混合现实。
4、CR,是指Compression Ratio的缩写,压缩率。
5、FER,是指F-norm Error Ratio的缩写,F范数误差率。
6、SVD,是指Singular Value Decomposition的缩写,奇异值分解。
7、PCA,是指Principal Components Analysis的缩写,主成成分分析。
8、HaLRTC,是指High Accuracy Low Rank Tensor Completion的缩写,高精度低秩张量补全。
本发明的技术方案为:
一种基于张量计算的6G移动通信系统,包括依次连接的高维信源、张量压缩单元、发送设备、信道、接收设备、张量补全单元、信宿;
所述高维信源用于在信息传输过程中,把各种信息转换成原始信号的同时,将向量信源转化为高维信源;所述张量压缩单元用于将待传输的高维信源进行压缩,减少高维信源的信息冗余;所述发送设备用于将压缩后的高维信源转换为适合在信道中传输的高维信号;使发送信号的特性和信号特性相匹配,具有抗信道干扰的能力,并且具有足够的功率以满足远距离传输的需要;所述信道是一种物理媒介,用于将来自所述发送设备的高维信号传送到所述接收设备;在信号的传输过程中,可能受到噪声的干扰以及由于其他硬件原因造成信号的缺失。所述接收设备用于将接收到的高维信号进行放大和反变换(如译码、解调等),从接收到的高维信号中正确恢复出原始电信号;所述张量补全单元用于补充完整高维信号在传输过程中受到干扰造成的信息丢失项;所述信宿是传送消息的目的地,其功能与高维信源相反,即把原始电信号还原成相应的信息,将高维信源转化成向量信源。
在基于张量计算的6G移动通信系统中,以高维数据的传输过程为例。假设信源为高维数据,由于数据量比较大,需要将数据从维度和数据量两个层面压缩。将数据压缩后通过发送设备发送。当通过信道时,6G中由于多场景、通信设备故障及设备间通信电路的干扰,容易造成高维数据的丢失与污染,需要将数据经张量补全再发送给信宿。
上述基于张量计算的6G移动通信系统的数据处理方法,具体步骤包括:
(1)构建6G移动通信数据模型,在信息传输过程中,把各种信息转换成原始信号的同时,将向量信源转化为高维信源;
未来6G移动网络发展过程中,个人无线设备的数量呈指数型增长,海量的移动通信数据与日俱增,不同种类的数据交互性增加,类似矩阵的二维数据处理方法已经不能满足未来6G数据处理需求。为了解决未来6G移动通信数据处难题,提升高维数据利用率,开发新颖的移动通信大数据处理方法显得十分重要,因此,本发明中以高阶张量理论为基础构建了一种新颖的6G移动通信数据模型。
张量是多维数组的总称,一阶张量是向量,二阶张量是矩阵,对于更高阶,称为N阶张量,符号表示为In的大小表示这一阶的维度的大小,并且,每一阶I1、I2、…、IN都有自己的物理意义,例如,可以表示时刻、长度、重量等。张量每一项表示为n模式矩阵化表示为X(n),其大小为In×(∏k≠nIk)。例如,对于一个长、高、宽的三阶张量数据模型,如果在添加上时间、用户两个变量,就构成了一个五阶张量数据模型,如图2所示。更高阶张量数据模型以此类推。一个高阶张量数据模型可以通过展开操作,展成矩阵形式,称为张量的矩阵化。N阶张量数据模型n模式展开为:
(2)压缩6G移动通信数据模型,即:通过所述张量压缩单元将待传输的高维信源进行压缩,减少高维信源的信息冗余;
面对6G海量而复杂的数据,为了减少数据的冗余信息,提高数据传输的利用率,需要有效的工具对高维数据进行压缩处理。在张量计算工具中,Tucker分解是一种有效的工具。接下来,通过介绍Tucker分解的原理,实现高维数据进行压缩,并对其性能进行分析。
Tucker分解原理:Tucker的1966年文章中第一次提到了Tucker分解。Tucker分解是将一个N阶张量分解为一个核张量与N个因子矩阵Un,每个模式上的因子矩阵称为张量在此模式上的基矩阵或者是主成分。所以,在一定意义上,Tucker分解又称为高阶PCA,高阶SVD等。
由分解公式,可以得到核张量的求解公式。
类似于矩阵的奇异值分解,通过忽略较小的奇异值,原数据实现降维压缩。接下来,通过分别求解U1、U2、……、Un及实现N阶张量数据模型的压缩,是指核张量,U1、U2、……、Un是指N个因子矩阵;包括步骤如下:
奇异值矩阵主要表示了噪声与数据的相互依赖性。通常情况下,较小的奇异值占据了大部分。忽略较小的奇异值,保留大的奇异值不仅能够减小奇异值矩阵的维度,而且与原数据得到了很好地近似。所以,设定奇异值阈值σk,仅保留大于σk的奇异值时,原N阶张量数据模型被截断,假设N个奇异值矩阵截断后的大小分别为……、S1<I1,S2<I2,……,SN<IN,各模式展开矩阵化为N个奇异值矩阵XT1、XT2、……、XTN近似表达为……、
(3)所述发送设备将压缩后的高维信源转换为适合在信道中传输的高维信号,使发送信号的特性和信号特性相匹配,具有抗信道干扰的能力,并且具有足够的功率以满足远距离传输的需要;并通过所述信道将来自所述发送设备的高维信号传送到所述接收设备;所述接收设备将接收到的高维信号进行放大和反变换(如译码、解调等),从接收到的高维信号中正确恢复出原始电信号;
(4)补全6G移动通信数据模型:即:补充完整高维信号在传输过程中受到干扰造成的信息丢失项;
6G移动数据在信息的传输过程中,不可避免地受到发射设备、接收设备以及传输过程中的影响导致出现信息丢失的问题,这就需要通过一定的工具将数据遗失的项补全回来。丢失项补全的核心问题是如何建立已知元素与未知元素之间的关系。已知元素可以是邻近值、远处值,也可以指全局数值的信息。在矩阵补全的问题上,利用秩捕捉到全局的信息,如下所示:
s.t.:XΩ=MΩ
然而,rank(·)不是凸函数,所以此优化问题是非凸的。
采用迹范数||·||*近似矩阵的秩;这样,非优化问题就变为凸优化问题。用矩阵迹范数求解公式近似矩阵的秩,如下所示:
s.t.:XΩ=MΩ
以上是矩阵低秩补全问题的阐述。
随着6G的到来,海量数据的维度必定远远超过二维,需要寻求更高维的补全算法。如果将高维数据转化为矩阵形式求解,会破坏各维度之间的关联性。以上低秩矩阵补全形式可以泛化到张量的理论。
优化问题表述为式(III):
数据集Ω为观测值集合,不在Ω集合里的项为缺失值;
引入HaLRTC(High accuracy low rank tensor completion algorithm)算法,来说明张量计算如何实现6G移动数据补全的。采用HALRTC算法优化问题形式如式(IV):
式(V)中,ρ>0,可以适应性的改变ρ值,来加速算法。ADMM框架能够有效地处理大尺度问题并解决目标中具有多个非平滑项的优化问题。
利用ADMM框架,定义增广拉格朗日函数如式(Ⅵ):
式(VIII)的封闭形式解,通过计算奇异值收缩计算得到式(Ⅸ):
(5)并步骤(4)处理后的信号发送至所述信宿,把原始电信号还原成相应的信息,将高维信源转化成向量信源。
三个奇异值矩阵分解为式(XIV)、式(XV)、式(XVI):
设定奇异值阈值σk,仅保留大于σk的奇异值时,原三阶频谱张量被截断,假设三个奇异值矩阵截断后的大小分别为P<It,Q<Il,R<If,各模式展开矩阵化为三个奇异值矩阵XTt、XTl、XTf近似表达为式(XVII)、式(XVIII)、式(XIX):
A、选取频段:在某空间内选用毫无干扰的某一信号频段作为测试频段F;例如,电视空白频段(TV White Space));并将该测试频段F以|f1-f2|的频带宽度作为间隔,分割该频段为个;f1、f2分别是频率轴上的两个频率点;
B、设置接收设备位置:假设某一时刻将空间平面分为大小相等的G个网格块,大小为h×h,用一台发射信号设备作为信号发射端,设信号发射端到该空间平面的距离为d,每一个网格上放置接收设备;
C、用MATLAB仿真三阶频谱张量获取信号为y=h*s+n,s表示信号,h表示信道,n表示噪声;因此,某一时刻t得到It×Il×If的三阶频谱张量It代表时间维度,Il代表空间维度,If代表频率维度,且信号功率为P=y2,作为频谱张量的每一项。
本发明的有益效果为:
1、本发明提出基于张量计算的6G移动通信系统,该系统在原有通信系统的基础上,考虑了6G移动数据模型维度高、数据量大的特点,并考虑了设备故障、噪音污染引发的数据丢失与污染的问题。在此基础上,引入张量压缩、张量补全的系列解决办法。
2、本发明提供了基于张量计算的6G移动通信系统的数据处理方法,在6G的背景下,首先构建了一个6G移动通信数据模型。
3、本发明根据6G移动数据维度高、易丢失的问题,利用Tucker分解实现张量压缩,并对其进行理论分析和实验仿真。
4、实验结果表明,本发明提出的基于张量计算的6G移动通信系统的数据处理方法,解决了未来6G移动通信系统中的“痛点”,能实现高维数据的压缩及补全,并取得良好的效果。
附图说明
图1为基于张量计算的6G移动通信系统的结构示意图;
图2为五阶张量数据模型的结构示意图;
图3为三阶频谱张量模型的结构示意图;
图4为数据收集平面示意图;
图5为不同模式下奇异值归一化分布示意图;
图6为三阶频谱张量Tucker分解示意图;
图7为频谱张量压缩重构原理图;
图8为F-范数误差率结果示意图;
图9为补全与未补全数据的RSE对照图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种基于张量计算的6G移动通信系统,如图1所示,包括依次连接的高维信源、张量压缩单元、发送设备、信道、接收设备、张量补全单元、信宿;
高维信源用于在信息传输过程中,把各种信息转换成原始信号的同时,将向量信源转化为高维信源;张量压缩单元用于将待传输的高维信源进行压缩,减少高维信源的信息冗余;发送设备用于将压缩后的高维信源转换为适合在信道中传输的高维信号;使发送信号的特性和信号特性相匹配,具有抗信道干扰的能力,并且具有足够的功率以满足远距离传输的需要;信道是一种物理媒介,用于将来自所述发送设备的高维信号传送到所述接收设备;在信号的传输过程中,可能受到噪声的干扰以及由于其他硬件原因造成信号的缺失。接收设备用于将接收到的高维信号进行放大和反变换(如译码、解调等),从接收到的高维信号中正确恢复出原始电信号;张量补全单元用于补充完整高维信号在传输过程中受到干扰造成的信息丢失项;信宿是传送消息的目的地,其功能与高维信源相反,即把原始电信号还原成相应的信息,将高维信源转化成向量信源。
在基于张量计算的6G移动通信系统中,以高维数据的传输过程为例。假设信源为高维数据,由于数据量比较大,需要将数据从维度和数据量两个层面压缩。将数据压缩后通过发送设备发送。当通过信道时,6G中由于多场景、通信设备故障及设备间通信电路的干扰,容易造成高维数据的丢失与污染,需要将数据经张量补全后再发送给信宿。
实施例2
实施例1所述的基于张量计算的6G移动通信系统的数据处理方法,具体步骤包括:
(1)构建6G移动通信数据模型,在信息传输过程中,把各种信息转换成原始信号的同时,将向量信源转化为高维信源;
未来6G移动网络发展过程中,个人无线设备的数量呈指数型增长,海量的移动通信数据与日俱增,不同种类的数据交互性增加,类似矩阵的二维数据处理方法已经不能满足未来6G数据处理需求。为了解决未来6G移动通信数据处难题,提升高维数据利用率,开发新颖的移动通信大数据处理方法显得十分重要,因此,本发明中以高阶张量理论为基础构建了一种新颖的6G移动通信数据模型。
张量是多维数组的总称,一阶张量是向量,二阶张量是矩阵,对于更高阶,称为N阶张量,符号表示为In的大小表示这一阶的维度的大小,并且,每一阶I1、I2、…、IN都有自己的物理意义,例如,可以表示时刻、长度、重量等。张量每一项表示为n模式矩阵化表示为X(n),其大小为In×(∏k≠nIk)。例如,对于一个长、高、宽的三阶张量数据模型,如果在添加上时间、用户两个变量,就构成了一个五阶张量数据模型,如图2所示。更高阶张量数据模型以此类推。一个高阶张量数据模型可以通过展开操作,展成矩阵形式,称为张量的矩阵化。N阶张量数据模型n模式展开为:
(2)压缩6G移动通信数据模型,即:通过所述张量压缩单元将待传输的高维信源进行压缩,减少高维信源的信息冗余;
面对6G海量而复杂的数据,为了减少数据的冗余信息,提高数据传输的利用率,需要有效的工具对高维数据进行压缩处理。在张量计算工具中,Tucker分解是一种有效的工具。接下来,通过介绍Tucker分解的原理,实现高维数据进行压缩,并对其性能进行分析。
Tucker分解原理:Tucker的1966年文章中第一次提到了Tucker分解。Tucker分解是将一个N阶张量分解为一个核张量与N个因子矩阵Un,每个模式上的因子矩阵称为张量在此模式上的基矩阵或者是主成分。所以,在一定意义上,Tucker分解又称为高阶PCA,高阶SVD等。
由分解公式,可以得到核张量的求解公式。
类似于矩阵的奇异值分解,通过忽略较小的奇异值,原数据实现降维压缩。接下来,通过分别求解U1、U2、……、Un及实现N阶张量数据模型的压缩,是指核张量,U1、U2、……、Un是指N个因子矩阵;包括步骤如下:
奇异值矩阵主要表示了噪声与数据的相互依赖性。通常情况下,较小的奇异值占据了大部分。忽略较小的奇异值,保留大的奇异值不仅能够减小奇异值矩阵的维度,而且与原数据得到了很好地近似。所以,设定奇异值阈值σk,仅保留大于σk的奇异值时,原N阶张量数据模型被截断,假设N个奇异值矩阵截断后的大小分别为……、S1<I1,S2<I2,……,SN<IN,各模式展开矩阵化为N个奇异值矩阵XT1、XT2、……、XTN近似表达为……、
实验仿真
根据以上分析,将构建的三阶频谱张量数据模型进行截断Tucker分解,并通过压缩重构,构造原三阶张量的近似模型,通过与原三阶张量数据模型比较,记录两者的F-范数误差率。同时,按照同样的原理,将原三阶张量数据模型各模式矩阵化后不经过截断Tucker分解,直接以矩阵为单位进行压缩重构,记录F-范数误差率。比较两种方法的在不同压缩率下的F-范数误差率差异,得到了仿真结果图,见图8。
其中,数据压缩率是代表压缩效果的重要指标之一,N阶张量数据模型χ的压缩率(CR)定义为:
num(·)是计算元素个数函数。
|·|F是F-范数函数。
图8所示,对比各模式的矩阵图线,可以明显看到,经过Tucker分解压缩的三阶频谱张量数据模型,数据在压缩比率与F-范数误差率上已经远远的好于各模式矩阵得到的结果。由于实验数据可能过小,导致各模式矩阵的图线是平行于x轴的,且三阶频谱张量数据模型在低压缩比下没有值。
(3)所述发送设备将压缩后的高维信源转换为适合在信道中传输的高维信号,使发送信号的特性和信号特性相匹配,具有抗信道干扰的能力,并且具有足够的功率以满足远距离传输的需要;并通过所述信道将来自所述发送设备的高维信号传送到所述接收设备;所述接收设备将接收到的高维信号进行放大和反变换(如译码、解调等),从接收到的高维信号中正确恢复出原始电信号;
(4)补全6G移动通信数据模型:即:补充完整高维信号在传输过程中受到干扰造成的信息丢失项;
6G移动数据在信息的传输过程中,不可避免地受到发射设备、接收设备以及传输过程中的影响导致出现信息丢失的问题,这就需要通过一定的工具将数据遗失的项补全回来。图4中,灰色的圆圈就代表了频谱张量的丢失项。丢失项补全的核心问题是如何建立已知元素与未知元素之间的关系。已知元素可以是邻近值、远处值,也可以指全局数值的信息。在矩阵补全的问题上,利用秩捕捉到全局的信息,如下所示:
s.t.:XΩ=MΩ
然而,rank(·)不是凸函数,所以此优化问题是非凸的。
采用迹范数||·||*近似矩阵的秩;这样,非优化问题就变为凸优化问题。用矩阵迹范数求解公式近似矩阵的秩,如下所示:
s.t.:XΩ=MΩ
以上是矩阵低秩补全问题的阐述。
随着6G的到来,海量数据的维度必定远远超过二维,需要寻求更高维的补全算法。如果将高维数据转化为矩阵形式求解,会破坏各维度之间的关联性。以上低秩矩阵补全形式可以泛化到张量的理论。
优化问题表述为式(III):
数据集Ω为观测值集合,不在Ω集合里的项为缺失值;
引入HaLRTC(High accuracy low rank tensor completion algorithm)算法,来说明张量计算如何实现6G移动数据补全的。采用HALRTC算法优化问题形式如式(IV):
式(V)中,ρ>0,可以适应性的改变ρ值,来加速算法。ADMM框架能够有效地处理大尺度问题并解决目标中具有多个非平滑项的优化问题。
利用ADMM框架,定义增广拉格朗日函数如式(Ⅵ):
式(VIII)的封闭形式解,通过计算奇异值收缩计算得到式(Ⅸ):
根据以上分析,HALRTC算法的具体流程如下:
设三阶频谱张量的稀疏数据含有率为10%,20%,30%,40%,50%,60%,70%,80%,利用HaLRTC算法对其补全,在不同的数据含有率下,分别求得补全数据和稀疏数据与原始数据的相对标准误差RSEc、RSEs;如图9。
由上图9可知,随着数据含有率的增加,RSEc、RSEs随之减小,由于RSEc表示的是通过HALRTC算法补全后的,RSEc的减小幅度远远小于RSEs。证明了通过张量理论对多维数据进行补全的有效性与可行性。
(5)并步骤(4)处理后的信号发送至所述信宿,把原始电信号还原成相应的信息,将高维信源转化成向量信源。
实施例3
根据实施例2所述的基于张量计算的6G移动通信系统的数据处理方法,其区别在于:
以时域、空域、频域为轴构建三阶频谱张量It代表时间维度,Il代表空间维度,If代表频率维度,在三阶频谱张量中,将每一项表示为:在t时刻,位于l位置,f频段的信号强度值Pt,l,f;具体的见图3三阶频谱张量模型。
三个奇异值矩阵分解为式(XIV)、式(XV)、式(XVI):
设定奇异值阈值σk,仅保留大于σk的奇异值时,原三阶频谱张量被截断,假设三个奇异值矩阵截断后的大小分别为P<It,Q<Il,R<If,各模式展开矩阵化为三个奇异值矩阵XTt、XTl、XTf近似表达为式(XVII)、式(XVIII)、式(XIX):
A、选取频段:在某空间内选用毫无干扰的某一信号频段作为测试频段F;例如,电视空白频段(TV White Space));并将该测试频段F以|f1-f2|的频带宽度作为间隔,分割该频段为个;f1、f2分别是频率轴上的两个频率点;
B、设置接收设备位置:假设某一时刻将空间平面分为大小相等的G个网格块,大小为h×h,用一台发射信号设备作为信号发射端,设信号发射端到该空间平面的距离为d,每一个网格上放置接收设备;图4显示了在不同频段,不同时刻G个接收器接收信号情况。见图4数据收集平面图。
C、用MATLAB仿真三阶频谱张量获取信号为y=h*s+n,s表示信号,h表示信道,n表示噪声;因此,某一时刻t得到It×Il×If的三阶频谱张量It代表时间维度,Il代表空间维度,If代表频率维度,且信号功率为P=y2,作为频谱张量的每一项;
Claims (5)
1.一种基于张量计算的6G移动通信系统,其特征在于,包括依次连接的高维信源、张量压缩单元、发送设备、信道、接收设备、张量补全单元、信宿;
所述高维信源用于在信息传输过程中,把各种信息转换成原始信号的同时,将向量信源转化为高维信源;所述张量压缩单元用于将待传输的高维信源进行压缩,减少高维信源的信息冗余;所述发送设备用于将压缩后的高维信源转换为适合在信道中传输的高维信号;所述信道是一种物理媒介,用于将来自所述发送设备的高维信号传送到所述接收设备;所述接收设备用于将接收到的高维信号进行放大和反变换,从接收到的高维信号中正确恢复出原始电信号;所述张量补全单元用于补充完整高维信号在传输过程中受到干扰造成的信息丢失项;所述信宿是传送消息的目的地,即把原始电信号还原成相应的信息,将高维信源转化成向量信源。
2.权利要求1所述基于张量计算的6G移动通信系统的数据处理方法,其特征在于,具体步骤包括:
(1)构建6G移动通信数据模型,在信息传输过程中,把各种信息转换成原始信号的同时,将向量信源转化为高维信源;
(2)压缩6G移动通信数据模型,即:通过所述张量压缩单元将待传输的高维信源进行压缩,减少高维信源的信息冗余;通过分别求解U1、U2、……、Un及实现N阶张量数据模型的压缩,是指核张量,U1、U2、……、Un是指N个因子矩阵;包括步骤如下:
设定奇异值阈值σk,仅保留大于σk的奇异值时,原N阶张量数据模型被截断,假设N个奇异值矩阵截断后的大小分别为S1<I1,S2<I2,……,SN<IN,各模式展开矩阵化为N个奇异值矩阵XT1、XT2、……、XTN近似表达为
(3)所述发送设备将压缩后的高维信源转换为适合在信道中传输的高维信号,并通过所述信道将来自所述发送设备的高维信号传送到所述接收设备;所述接收设备将接收到的高维信号进行放大和反变换,从接收到的高维信号中正确恢复出原始电信号;
(4)补全6G移动通信数据模型:即:补充完整高维信号在传输过程中受到干扰造成的信息丢失项;
优化问题表述为式(III):
采用HALRTC算法优化问题形式如式(IV):
式(V)中,ρ>0;
利用ADMM框架,定义增广拉格朗日函数如式(VI):
式(Ⅷ)的封闭形式解,通过计算奇异值收缩计算得到式(Ⅸ):
(5)将步骤(4)处理后的信号发送至所述信宿,把原始电信号还原成相应的信息,将高维信源转化成向量信源。
三个奇异值矩阵分解为式(XIV)、式(XV)、式(XVI):
设定奇异值阈值σk,仅保留大于σk的奇异值时,原三阶频谱张量被截断,假设三个奇异值矩阵截断后的大小分别为P<It,Q<Il,R<If,各模式展开矩阵化为三个奇异值矩阵XTt、XTl、XTf近似表达为式(XVII)、式(XVIII)、式(XIX):
B、设置接收设备位置:假设某一时刻将空间平面分为大小相等的G个网格块,大小为h×h,用一台发射信号设备作为信号发射端,设信号发射端到该空间平面的距离为d,每一个网格上放置接收设备;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911327251.XA CN111193618B (zh) | 2019-12-20 | 2019-12-20 | 一种基于张量计算的6g移动通信系统及其数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911327251.XA CN111193618B (zh) | 2019-12-20 | 2019-12-20 | 一种基于张量计算的6g移动通信系统及其数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111193618A CN111193618A (zh) | 2020-05-22 |
CN111193618B true CN111193618B (zh) | 2021-05-25 |
Family
ID=70709292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911327251.XA Active CN111193618B (zh) | 2019-12-20 | 2019-12-20 | 一种基于张量计算的6g移动通信系统及其数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111193618B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111769891B (zh) * | 2020-06-16 | 2022-08-26 | 西安大衡天成信息科技有限公司 | 一种基于张量分解的频谱监测大数据处理系统及处理方法 |
CN112272066B (zh) * | 2020-09-15 | 2022-08-26 | 中国民用航空飞行学院 | 一种用于机场终端区甚高频通信中的频谱数据清洗方法 |
CN112600596B (zh) * | 2020-12-04 | 2022-02-11 | 南京邮电大学 | 基于张量并行压缩的毫米波系统信道反馈方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103237204A (zh) * | 2013-03-21 | 2013-08-07 | 上海交通大学 | 基于高维压缩感知的视频信号采集与重构系统 |
CN104331404A (zh) * | 2013-07-22 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
CN105959065A (zh) * | 2016-06-28 | 2016-09-21 | 西安邮电大学 | 一种量子信息的压缩方法及装置 |
WO2017210225A1 (en) * | 2016-05-31 | 2017-12-07 | Q Bio, Inc. | Tensor field mapping |
CN107515843A (zh) * | 2017-09-04 | 2017-12-26 | 四川易诚智讯科技有限公司 | 基于张量近似的各向异性数据压缩方法 |
CN107566383A (zh) * | 2017-09-12 | 2018-01-09 | 南京师范大学 | 一种有限网络带宽约束下的高维时空场数据实时传输方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169298B1 (en) * | 2017-05-11 | 2019-01-01 | NovuMind Limited | Native tensor processor, using outer product unit |
CN107728211B (zh) * | 2017-08-31 | 2020-11-24 | 电子科技大学 | 基于张量核范数正则化的地震信号恢复算法 |
-
2019
- 2019-12-20 CN CN201911327251.XA patent/CN111193618B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103237204A (zh) * | 2013-03-21 | 2013-08-07 | 上海交通大学 | 基于高维压缩感知的视频信号采集与重构系统 |
CN104331404A (zh) * | 2013-07-22 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
WO2017210225A1 (en) * | 2016-05-31 | 2017-12-07 | Q Bio, Inc. | Tensor field mapping |
CN105959065A (zh) * | 2016-06-28 | 2016-09-21 | 西安邮电大学 | 一种量子信息的压缩方法及装置 |
CN107515843A (zh) * | 2017-09-04 | 2017-12-26 | 四川易诚智讯科技有限公司 | 基于张量近似的各向异性数据压缩方法 |
CN107566383A (zh) * | 2017-09-12 | 2018-01-09 | 南京师范大学 | 一种有限网络带宽约束下的高维时空场数据实时传输方法 |
Non-Patent Citations (1)
Title |
---|
张量主要成分分析与高维信息压缩方法;夏志明 等;《工程数学学报》;20171215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111193618A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111193618B (zh) | 一种基于张量计算的6g移动通信系统及其数据处理方法 | |
CN111555781B (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
Holevo | Gaussian optimizers and the additivity problem in quantum information theory | |
Zhang et al. | Signal reconstruction of compressed sensing based on alternating direction method of multipliers | |
CN105374054A (zh) | 基于空谱特性的高光谱图像压缩方法 | |
CN102300095B (zh) | 一种超谱信号的快速压缩编码方法及图像压缩方法 | |
Nguyen et al. | Deep learning sparse ternary projections for compressed sensing of images | |
CN104301728A (zh) | 基于结构化稀疏字典学习的压缩视频采集与重构系统 | |
CN105791189A (zh) | 一种提高重构精度的稀疏系数分解方法 | |
Peng et al. | P-tensor product in compressed sensing | |
CN105721869A (zh) | 基于结构化稀疏的压缩张量采集与重构系统 | |
Liu et al. | Recovery of future data via convolution nuclear norm minimization | |
Taghouti | Compressed sensing | |
Lan et al. | Communication-efficient federated learning for resource-constrained edge devices | |
Zhu et al. | Model compression and privacy preserving framework for federated learning | |
CN104270642B (zh) | 一种基于rklt和主成分选取的高光谱图像无损压缩方法 | |
CN104683818A (zh) | 基于双正交不变集多小波的图像压缩方法 | |
Rajan et al. | Hyperspectral Image Compression Based on DWT and TD with ALS Method. | |
Yang et al. | Large scale tensor factorization via parallel sketches | |
Kong et al. | End-to-end multispectral image compression framework based on adaptive multiscale feature extraction | |
Jorgensen et al. | Comparison of discrete and continuous wavelet transforms | |
CN115170613A (zh) | 一种基于时序分级与重组机制的人体运动预测方法 | |
Li et al. | Hyperspectral image compressive reconstruction with low-rank tensor constraint | |
Jorgensen et al. | Analysis of fractals, image compression, entropy encoding, Karhunen-Loeve transforms | |
CN103442236B (zh) | 一种多级和分维矢量量化的遥感信号压缩编码方法 |
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 |