CN111372190B - 移动终端位置追踪的机器学习模型、方法、设备及存储介质 - Google Patents

移动终端位置追踪的机器学习模型、方法、设备及存储介质 Download PDF

Info

Publication number
CN111372190B
CN111372190B CN202010076652.9A CN202010076652A CN111372190B CN 111372190 B CN111372190 B CN 111372190B CN 202010076652 A CN202010076652 A CN 202010076652A CN 111372190 B CN111372190 B CN 111372190B
Authority
CN
China
Prior art keywords
point information
communication
target point
training
departure point
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
Application number
CN202010076652.9A
Other languages
English (en)
Other versions
CN111372190A (zh
Inventor
高跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202010076652.9A priority Critical patent/CN111372190B/zh
Publication of CN111372190A publication Critical patent/CN111372190A/zh
Application granted granted Critical
Publication of CN111372190B publication Critical patent/CN111372190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Abstract

移动终端位置追踪的机器学习模型、方法、设备及存储介质。本发明涉及一种通信方法、设备及存储介质，该方法包括：接收用户端的当前时隙的通信信号；根据预先训练得到的机器学习模型，对所述当前时隙的通信信号的参数进行处理以预测在下一时隙的所述用户端的移动；其中，所述机器学习模型的训练过程包括：获取通信观测数据；从所述通信观测数据之中，确定多个数据线，每个所述数据线包含出发点信息、目标点信息、以及所述出发点和所述目标点之间的运动方向标签；将所述多个数据线作为训练集进行训练。利用本发明能够提高预测用户移动的精度，减少通信中的中断情况。

Description

移动终端位置追踪的机器学习模型、方法、设备及存储介质
技术领域
本发明涉及通信技术领域，特别是涉及一种通信方法、移动通信网络中的移动终端位置追踪的机器学习模型、设备、及存储介质。
背景技术
此处的陈述仅提供与本发明有关的背景信息，而不必然地构成现有技术。
根据爱立信移动报告，到2023年，全球移动用户将增加到89亿，移动物联网(简称IoT)连接将达到35亿，全球每月移动数据总流量将达到107EB。毫米波(mmWave)通信扩展了当前的无线通信，其从30ghz到300ghz的宽带有助于提供极高的数据速率。毫米波通信擅于支持高速率业务的短程应用，如miracast、虚拟现实(简称VR)和移动游戏等。除了信道带宽大之外，毫米波通信还具有波长较短、波束窄、路径长、路径损耗高、穿透损耗高、对信道阻塞敏感、对视距(line of sight，简称LoS)通信信道有很高的要求等特点。基于波束形成技术的视距通信信道的定向通信对于室外远程毫米波通信尤其必要。由于毫米波段的短波长，天线阵列结构可以嵌入到便携式设备中。毫米波系统的特殊性在给下一代通信带来挑战的同时也增加了机遇。
定向毫米波通信(The directional mmWave communication)是利用高增益定向天线或天线阵列产生定向波束来实现的，由于通信波束的覆盖范围有限，这在移动毫米波网络(mobile mmWave networks)中仍然具有挑战性。传统的波束追踪方法，如基于压缩感知的信道估计、基于卡尔曼滤波(Kalman filtering，简称KF)和基于最小均方(简称LMS)的波束追踪方法，都是在假设信道是静态的情况下，利用高开销波束训练来估计信道参数。但是在移动场景中，用户需要频繁地向基站更新自己的位置信息。在实际应用中，特别是在室内环境中，由于GPS信号有时不起作用，用户的位置信息很难得到。
发明内容
本发明的目的在于提供一种新的通信方法、设备及存储介质。
本发明的目的采用以下技术方案来实现。依据本发明提出的通信方法，包括以下步骤：接收用户端的当前时隙的通信信号；根据预先训练得到的机器学习模型，对所述当前时隙的通信信号的参数进行处理以预测在下一时隙的所述用户端的移动；其中，所述机器学习模型的训练过程包括：获取通信观测数据；从所述通信观测数据之中，确定多个数据线，每个所述数据线包含出发点信息、目标点信息、以及所述出发点和所述目标点之间的运动方向标签；将所述多个数据线作为训练集进行训练。
在一个较佳实施例中，所述数据线中的所述出发点信息包括出发点的位置信息和出发点的通信信号参数，所述目标点信息包括目标点的位置信息和目标点的通信信号参数。
在一个较佳实施例中，所述将所述多个数据线作为训练集进行训练包括：将所述数据线中的所述出发点信息和所述目标点信息相减，将所述相减的结果经过一个或多个全连接神经网络以得到移动的预测概率。
在一个较佳实施例中，所述出发点信息和所述目标点信息为n维向量；所述将所述相减的结果经过一个或多个全连接神经网络以得到移动的预测概率，包括：将所述相减的结果经过一个n×m的全连接神经网络，然后以tanh函数作为激活函数进行计算，得到m维的结果；以及将所述m维的结果经过一个m×m的全连接神经网络，然后以softmax函数作为激活函数进行计算，以得到m维的预测结果，其中所述预测结果的每一维分别表示向一个方向移动的预测概率。
在一个较佳实施例中，所述m为4，所述m维的结果中的每一维分别表示东南西北四个移动方向的预测概率。
在一个较佳实施例中，在所述将所述数据线中的所述出发点信息和所述目标点信息相减的步骤之前，还包括：将所述出发点信息和所述目标点信息分别经过批归一化网络以将数据归一化，转化为正态分布，得到归一化的出发点信息和归一化的目标点信息；所述将所述数据线中的所述出发点信息和所述目标点信息相减包括：将所述归一化的出发点信息和所述归一化的目标点信息相减，以得到所述相减的结果。
在一个较佳实施例中，在所述将所述数据线中的所述出发点信息和所述目标点信息相减，将所述相减的结果经过一个或多个全连接神经网络以得到移动的预测概率的步骤之后，还包括：根据所述预测概率和所述运动方向标签来计算交叉熵，得到损失值；计算当前的轮的学习率，利用随机梯度下降算法，计算所述损失值对网络参数的导数，进行网络参数更新；以及循环上述步骤，每次选取不同的多个所述数据线进行训练，直到所述损失值收敛或稳定。
在一个较佳实施例中，所述机器学习模型是深度神经网络。
在一个较佳实施例中，所述通信信号为毫米波信号。
在一个较佳实施例中，所述方法还包括：根据所述预测的结果来调整基站端的通信信号。
本发明的目的还采用以下的技术方案来实现。依据本发明提出的一种设备，用于实现述任一项可能的通信方法。
本发明的目的还采用以下的技术方案来实现。依据本发明提出的一种计算机存储介质，包括计算机指令，当计算机指令在设备上运行时，使得设备执行上述任一项可能的通信方法。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提高了预测用户移动的精度，减少通信中的中断情况，能够保持通信链路鲁棒性。
上述说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明一个实施例提供的波束追踪的应用场景的示意图；
图2是毫米波通信移动场景的示意图；
图3是图2的俯视图；
图4是图2的侧视图；
图5是毫米波网络中的波束对准以及运动用户的移动模型的示意图；
图6是本发明一个实施例的通信方法的流程框图；
图7是本发明一个实施例提供的机器学习模型的训练过程的流程框图；
图8是本发明一个实施例提供的64QAM的星座图的示意图；
图9是本发明一个实施例提供的星座图中的子空间和正方形覆盖区域的示意图；
图10本发明一个实施例提供的移动毫米波网络中的位置追踪试验的设备示意图；
图11本发明一个实施例提供的移动毫米波网络中的位置追踪试验的设备示意图；
图12是本发明一个实施例的提供的预测结果的示意图；
图13是本发明一个实施例的提供的预测结果的热力图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的通信方法、设备及存储介质的具体实施方式、结构、特征及其功效，详细说明如后。
本文提及的位置追踪，也称为位置跟踪、移动性追踪/跟踪、用户追踪/跟踪或波束追踪/跟踪，是指跟踪用户的移动，即知道其是否移动，预测用户在发射端(简称TX)和接收端(简称RX)之间的下一时隙的移动，以便基站(简称BS)能够根据预测结果将其波束方向与移动用户对齐。此外，接收到的诸如毫米波信号的通信信号随着用户的移动而变化。
波束形成技术依赖于精确的信道信息，如到达角(angle of arrival，简称AoA)、离去角(angle of departure，简称AoD)和信道状态信息(简称CSI)，这些信息对波束训练的开销要求很大，特别是在诸如列车、车辆和无人机(简称UAV)的高移动场景中。高移动毫米波通信意味着快速时变信道和频繁信道估计，这导致巨大的计算复杂度。鉴于毫米波信道的稀疏性，压缩感知(compressive sensing，简称CS)被用于估计信道信息，但其计算复杂度和信令开销仍然过高。波束追踪方法，如基于卡尔曼滤波(Kalman filtering，简称KF)的信道追踪、基于扩展Kalman滤波(extended Kalman filtering，简称EKF)的波束追踪算法，以及基于最小均方的波束追踪，被探索用于追踪包括AOA/AOD和CSI的信道参数，以期达到较低的计算复杂度。这些波束追踪算法的主要思想是在移动毫米波网络中，当用户的波束方向和位置发生变化时，由基站来预测与毫米波用户的通信方向。具体来说，追踪用户的移动和轨迹可以预测用户的位置变化。因此，这将为移动毫米波网络带来一个基于用户轨迹的波束追踪方法的新时代。
毫米波通信具有信道带宽大、波长短、路径损耗高、穿透损耗高等特点。毫米波系统的特殊性在给下一代通信带来挑战的同时也增加了机遇。以下具体介绍毫米波通信的这些特性。
(1)大的带宽、毫米级的波长：
国际电信联盟指定毫米波频段为30GHz至300GHz的射频频段。毫米波段的吸收随频率增加，并且具有一些最大的特定吸收线，例如在60GHz、24GHz和184GHz。但它仍有150ghz以上的适用范围，这样丰富的频谱可以减轻目前sub-6GHz频率的通信负担。
毫米波具有10到1毫米的短波长，与sub-6GHz的微波相比，提供比Sub-6 GHz频率更窄的波束，具有更高的大气衰减，因此在短程通信领域很受欢迎。由于波长较短，毫米波通信中的信道条件很复杂，容易受到环境的影响，例如漫反射增加。然而，短波长使得能够使用天线阵列来增加利用波束形成实现的天线增益，以提高接收器处的信噪比(简称SNR)。具体地，结合波束形成和波束追踪技术的定向天线阵列可用于提供高鲁棒性的通信链路。此外，在城市环境中，丰富的多路径，特别是28ghz及以上的反射和散射能量，能够利用智能天线和波束形成技术加以探究，以提高非视距(简称NLoS)场景中的接收功率。
(2)高路径损耗和高穿透损耗：
根据弗里斯自由空间传播模型(Friis free space propagation model)，在视距场景中，传播路径损耗与频率平方成正比。因此，与传统的微波通信相比，毫米波通信比sub-6GHz的频段有更高的路径损耗。为了克服严重的路径损耗，需要部署高增益定向天线和能够在发射端和接收端之间实现定向通信链路的相控阵天线。毫米波信号对阻塞很敏感，这是移动毫米波网络中的一个基本挑战，因为视距通信链路的突然阻塞会造成很高的穿透损耗，甚至中断通信会话。主要取决于材料特性，在非视距场景中，在计算路径损耗时需考虑穿透损耗。利用机器学习工具预测阻塞，对于保持高度可能的视距链路和减少高波束训练开销是有效的。
考虑到移动毫米波通信中环境的微小变化可能导致信道的严重变化，以下利用如图1所示的典型毫米波通信应用场景中，对在移动毫米波网络中追踪用户移动性时影响信道变化的几个关键参数进行分析。
(1)距离：如图1所示，移动用户和基站之间的距离由于用户的移动性而改变，这决定了路径丢失的程度，即通信链路的鲁棒性。例如，在流行的60GHz，通信距离不超过100米。但是对于室外和卫星通信，需要远程通信，幸运的是，28、38或72GHz频段提供了解决方案，因为20dB/km的氧气衰减在这些毫米波段消失了。
(2)速度：移动用户的速度直接决定了AoD、AoA、基站处的处理时延、以及波束对准频率。在传统的移动通信中，在用户移动时基站是静止的，这正如图1中的室外和室内通信环境中的基站和控制中心。然而，在无人机和卫星通信中，移动的无人机和卫星与移动用户通信，在这种情况下，需要考虑它们的相对速度。此外，由于多普勒效应，用户的移动导致由每个信道路径中的速度决定的附加相位旋转。
(3)轨迹：追踪移动用户的轨迹是为了知道其未来时隙的实际位置及其移动方向。在这里，运动方向和角度大小是估计AoD和AoA的基础，AoD和AoA是定向毫米波通信中的重要参数。基本上，一些用户有固定的轨迹，这些轨迹很容易获得，如图1中的汽车、火车、无人机和卫星。然而，有些用户(例如，人、机器)是随机移动的，也就是说，他们可以向任何方向移动，这使得很难获得他们的轨迹。
(4)阻塞：毫米波通信高度依赖于与视距通信信道的定向通信，视距通信链路的突然阻塞会导致通信质量的下降甚至中断通信会话。此外，如图1所示，阻塞使传播环境更加复杂，加大了设计毫米波通信方案的难度，因为房间中的许多物体都可能是信道的障碍物。
在毫米波通信中，接收到的毫米波信号的特性(例如，接收功率、频谱信息、调制方案和星座图等)随用户向不同方向移动而时变。由于毫米波通信依赖于定向波束对准，当用户端的波束与基站端的波束没有重叠区域时，通信中断。因此，可以将重点放在追踪用户在BS波束覆盖区域的移动过程中的移动方向。这可以得到用户移动性的预先预测，并为改变其波束方向留下足够的时间。
如图2所示，将实际的毫米波通信移动场景构造成具有异构拓扑结构的三维毫米波网络模型。在这里，当基站保持静止时，用户能够向任何方向移动。为了在高负载下同时支持更多用户，在基站处使用了多输入多输出(简称MIMO)技术。在多用户MIMO系统中，基站端和用户端都具有天线阵列，天线阵列产生多个不同方向的波束，波束宽度用Wbm表示，基站可以使用相同的时频资源发送多个数据流。类似地，用户设备能够在不同方向上产生多个波束，以便与更多的基站通信。
在图3中，从基站的俯视图来看，通信波束的辐射被组织为扇区(sector)。其中的每个扇区代表：当改变到该方向时，波束辐射的有限覆盖区域。任意两个扇区的间隔表示波束对准的分辨度(resolution degree)。此外，如图4所示，从侧视图来看，波束以三维方式示出。其中，波束宽度是高增益毫米波天线或天线阵列的主瓣的3dB波束宽度。波束宽度决定波束覆盖的区域，即图3中的扇区区域。这是移动毫米波通信中的一个重要参数，因为它直接决定波束对准的频率。
在一些示例中，用户移动预测是通过学习用户的移动轨迹来预测用户的移动方向，例如东、西、北、南等方向。具体地，将发射端波束和接收端波束没有任何重叠定义为波束失准(beam misalignment)。边缘点被定义为：不再有任何波束重叠，并且那里的通信质量急剧下降。在用户移动到边缘点之前，由于用户在基站波束的覆盖范围内移动，信道状态的变化微小。边缘点在波束追踪中起着关键的作用，它是进行波束对准的最后一个标志(如果忽略基站改变其波束方向的处理时间)，否则会发生通信中断。
因此，可以将重点放在追踪用户在基站波束覆盖区域的移动过程中的移动方向。这可以得到用户移动性的预测，并为改变基站波束方向留下足够的时间。在图5所示通信场景中，让基站波束和用户波束在时隙T处对准，并且假设在时隙T+k处发生波束失准。此处，将移动过程中的时间范围(time horizon)离散为k个时隙，在每个时隙，基站接收用户发送的毫米波信号，记录包括星座图、EVM和频谱信息等毫米波信号参数。
在一些实施例中，如图5所示，为了演示说明的简便起见，假设基站和用户位于同一平面上，并且它们之间没有阻塞，即它们具有视距通信链路。基站是静止的，而用户在二维平面中，向四个可能的方向(即东、西、北和南)移动，并且用户的波束方向在移动时保持不变。可见，通过基于对用户终端移动方向的预判，主动调整基站波束方向，可以在用户终端移动时保持基站波束(发射端波束)与用户端波束(接收端波束)的重叠，避免通信链路的中断。
图6为本发明的通信方法一个实施例的示意性流程框图。参阅图6，本发明示例的通信方法主要包括以下步骤：
步骤S11，接收用户端的当前时隙的通信信号；可选地，该通信信号为毫米波信号；
步骤S12，根据预先训练得到的机器学习(简称ML)模型，如有监督学习、深度学习和深度强化学习(简称DRL)，对当前时隙的通信信号的参数进行处理以预测在下一时隙的用户端的移动。
图7为本发明的一个实施例提供的机器学习模型的训练过程的示意性流程框图。请参阅图7，在本发明的一些实施例中，前述的步骤S12中的机器学习模型的训练过程包括：
步骤S21，获取通信观测数据。可选地，该通信观测数据是以往的通信数据。
步骤S22，从该通信观测数据之中，确定多个数据线，其中，每个数据线包含出发点信息、目标点信息、以及出发点和目标点之间的运动方向标签。
可选地，可以将每两个位置相邻的观测数据作为一对，其中的一个位置作为出发点、另一个位置作为目标点。
可选地，作为一个可选示例，前述的运动方向标签的至少一部分是根据出发点的信息和目标点的信息确定的，例如，根据出发点的位置和目标点的位置来确定移动终端在出发点和目标点之间的运动方向，作为该运动方向标签。或者，作为另一可选示例，前述的运动方向标签的至少一部分是预先保存好的运动方向数据。
步骤S23，将多个数据线作为训练集进行训练，以得到机器学习模型。
可选地，该机器学习模型为深度神经网络(简称DNN)。深度学习利用输入和输出层之间的多层结构，基于人工神经网络从原始输入数据中提取特征，利用学习后的深度神经网络对用户的运动方向进行预测。可选地，该深度学习可以是有监督的学习。
在本发明的一些实施例中，前述的数据线中的出发点信息包括出发点的位置信息和出发点的通信信号参数，目标点信息包括目标点的位置信息和目标点的通信信号参数。需注意，出发点的通信信号与目标点的通信信号可能并不一致，从而具有不同的通信信号参数。
在本发明的一些实施例中，前述的步骤S23包括：将数据线中的出发点信息和目标点信息相减，将相减的结果经过一个或多个全连接神经网络以得到移动的预测概率。
在本发明的一些实施例中，出发点信息和目标点信息为n维向量；前述的将相减的结果经过一个或多个全连接神经网络(full connected neural network)以得到移动的预测概率，包括：
将相减的结果经过一个n×m的全连接神经网络，然后以tanh函数作为激活函数进行计算，得到m维的结果；
将m维的结果经过一个m×m的全连接神经网络，然后以softmax函数作为激活函数进行计算，以将m维的结果的每一维映射到[0,1]之间，以得到m维的预测结果，其中预测结果的每一维分别表示向一个方向移动的预测概率。
在本发明的一些实施例中，在前述的将数据线中的出发点信息和目标点信息相减的步骤之前，还包括：将出发点信息和目标点信息分别经过批归一化网络(BatchNormalization network)以将数据归一化，转化为正态分布，得到归一化的出发点信息和归一化的目标点信息。并且，前述的将数据线中的出发点信息和目标点信息相减包括：将归一化的出发点信息和归一化的目标点信息相减，以得到相减的结果。
在本发明的一些实施例中，在前述的将数据线中的出发点信息和目标点信息相减，将相减的结果经过一个或多个全连接神经网络以得到移动的预测概率的步骤之后，还包括：
根据预测概率和运动方向标签来计算交叉熵，得到损失值loss；
计算当前的轮epoch的学习率(learning rate，简称lr)，利用随机梯度下降(Stochastic gradient descent，简称SGD)算法，计算损失值对网络参数的导数，进行网络参数更新；
循环上述步骤，每次从训练集中选取不同的多个数据线进行训练，直到损失值收敛或稳定。
在本发明的一个实施例中，前述的步骤S23的一个具体过程包括：
将训练集中的出发点的信息和目标点的信息分别经过批归一化网络以将数据归一化，转化为正态分布，得到归一化的出发点的信息和归一化的目标点的信息，其中，出发点的信息和目标点的信息为n维向量；
将归一化的出发点的信息和归一化的目标点的信息相减；
将相减的结果经过一个n×m的全连接神经网络，然后以tanh函数作为激活函数进行计算，得到m维的结果；
将m维的结果经过一个m×m的全连接神经网络，然后以softmax函数作为激活函数进行计算，以将m维的结果映射到[0,1]之间，其中每一维分别表示向一个方向移动的预测概率；
根据预测概率和前述的运动方向标签来计算交叉熵(cross entropy)，得到损失值(loss)；
计算当前轮(epoch)的学习率(简称lr)，利用随机梯度下降(Stochasticgradient descent，简称SGD)算法，计算损失值(loss)对网络参数的导数，进行网络参数更新；
循环上述步骤，每次从训练集中选取不同的多个数据线(例如可以是10个样本)进行训练，直到损失值收敛或稳定。
可选地，将批(batch)的大小设置为10；将批归一化网络的丢弃(Dropout)设置为0.8，即出发点的信息、目标点信息的n维向量的每一维，有0.2的概率被重置为0；轮约为15；将学习率设置为0.004；将学习率衰减比例(learning rate decay ratio)设置为0.015，从而下一轮的学习率＝初始学习率×((1-学习率衰减比例)×轮数)。
在本发明的一些实施例中，前述的m为4，前述的m维的结果中的每一维分别表示向东、南、西、北四个方向移动的预测概率。
本发明提出的通信方法，利用机器学习技术来学习用户的移动性，然后根据收集到的训练数据来预测用户的轨迹，能够准确预测用户的移动。
在本发明的一些实施例中，可选地，前述步骤S12中的当前时隙的通信信号的参数包括：星座图(constellation map)、频谱信息和/或星座图误差向量幅度(简称EVM)。需注意，并不限制必须同时获取前述的三种参数，例如，作为一个可选实施例，当前时隙的通信信号的参数包括：星座图；而作为另一可选实施例，当前时隙的通信信号的参数包括：星座图、频谱信息、和星座图误差向量幅度。
前述的误差向量(包括幅度和相位的矢量)是在一个给定时刻理想无误差基准信号与实际发射信号的向量差。前述的误差向量幅度定义为误差矢量信号平均功率的均方根值与理想信号平均功率的均方根值之比，并以百分比的形式表示。
在本发明的一些实施例中，前述步骤S12中的机器学习模型的训练过程包括：基于训练数据的参数得到特征向量，并基于训练数据的特征向量来训练机器学习模型。可选地，训练数据的参数包括：星座图、频谱信息和/或星座图误差向量幅度。作为一个可选实施例，训练数据的参数包括：星座图。作为另一可选实施例，训练数据的参数还包括：星座图、频谱信息、和星座图误差向量幅度。一般来说，训练数据的参数与当前时隙的通信信号的参数的种类一致。
在本发明的一些实施例中，星座图包括一个正方形区域以及该正方形区域内的多个点，这些点位于多个理想中心的周围。其中，理想中心是的不含噪声的理想状态下的信号所对应的星座图中的点。在星座图中，以每个理想中心为中心的正方形子区域将星座图的整个正方形区域划分为多个子空间；可选地，每个子空间面积相同，子空间的数量与理想中心的数量相同，且全部子空间恰好覆盖整个星座图。
进一步地，在该星座图的每个子空间选取一个或多个正方形覆盖区域。可选地，每个正方形覆盖区域的大小相同，不妨利用超参数L来表示正方形覆盖区域的边长；可选地，每个子空间包含三个正方形覆盖区域；可选地，一个子空间的正方形覆盖区域分布在该子空间的对角线上。可选地，在每个子空间中，以相同的方式来选取正方形覆盖区域；一般来说，该相同的方式可以是：每个子空间所包含的正方形覆盖区域的数量N相同、且在子空间中的位置相同。作为一个可选的具体示例，在每个子空间的从左上到右下的对角线上设置三个边长均为超参数L的正方形覆盖区域：中心覆盖、左上覆盖和右下覆盖。可选地，该中心覆盖的中心与理想中心重合，该左上覆盖的右下角与理想中心重合，该右下覆盖的左上角与理想中心重合。并且，前述的基于当前时隙的通信信号的参数得到特征向量、以及前述的机器学习模型的训练过程中的基于训练数据的参数得到特征向量包括：
在星座图的每个子空间选取一个或多个正方形覆盖区域；
基于正方形覆盖区域所覆盖的星座图中的点的信息，得到与星座图相对应的向量；
根据该与星座图相对应的向量得到通信信号的特征向量。
在本发明的一些实施例中，前述的基于正方形覆盖区域所覆盖的星座图中的点的信息，得到与星座图相对应的向量，具体包括：
在星座图的每个子空间中，计算每个正方形覆盖区域所覆盖的星座图中的点的数量，以及计算正方形覆盖区域中的每个点到最近的理想中心的距离的平均值，从而得到与每个正方形覆盖区域相对应的一个2维数组；
将一个子空间中的全部N个正方形覆盖区域的计算结果综合到一起，得到与该子空间相对应的一个2N维数组；
然后，对星座图中的全部子空间的2N维数组取平均值，就得到与该星座图相对应的一个2N维向量；需注意，事实上，该2N维向量表现了星座图的信息；可选地，如果在每个子空间选取三个正方形覆盖区域，则可以得到星座图的一个六维向量。
在本发明的一些实施例中，前述的当前时隙的通信信号的参数和训练数据的参数还包括频谱信息和星座图误差向量幅度；并且前述的根据该与星座图相对应的向量得到通信信号的特征向量具体包括：将前述的与星座图相对应的向量、作为标量的星座图误差向量幅度和频谱信息相结合，得到传送的通信信号的特征向量。在一个可选的具体示例中，将前述的2N维向量、星座图误差向量幅度和频谱信息相结合，得到通信信号的特征向量。
在本发明的一些实施例中，前述的基于当前时隙的通信信号的参数得到特征向量、以及前述的基于训练数据的参数得到特征向量还包括：利用卷积神经网络对频谱信息进行预处理，以将原始信息(raw information)标准化。并且，前述的将与星座图相对应的向量、星座图误差向量幅度、和频谱信息相结合，得到特征向量，包括：将与星座图相对应的向量、星座图误差向量幅度、和预处理后的频谱信息相结合，得到特征向量。
在本发明的一些实施例中，通信信号为毫米波信号，通信信号的调制方案为正交振幅调制(简称为QAM)。可选地，采用64QAM的调制方案。图8是64QAM的星座图，其中共有8×8＝64个理想中心。在本发明的一个采用64QAM的实施例中，星座图是一个高维矩阵，表示在一个正方形区域内的坐标平面上的大量的点。可选地，该正方形区域的边长为1，该边长为1的正方形区域可表示为(|x|≤1，|y|≤1)。由于传送的毫米波信号的调制方案被设置为64QAM，因此这些点位于理想的64个中心的区域周围。请参阅图9的左半部分，将64QAM的星座图的正方形区域(|x|≤1，|y|≤1)划分为64个子空间，每个子空间以64QAM星座图的一个理想中心为中心点，每个子空间可以表示为边长为1/8的正方形区域。该边长为1/8的正方形区域可表示为(|x-xi|≤1/8，|y-yi|≤1/8)。其中i＝1、2、3...64，(xi,yi)表示64个理想中心中的一个。
图9的右半部分是星座图的某一个子空间的放大后的图示，图9右半部份中间的X表示该子空间的中心点。参阅图9，以星座图中某一个子空间为例：
在星座图的每个子空间中，选取三个正方形覆盖区域：在该子空间中选取三个大小相同的正方形覆盖区域，将该正方形覆盖区域的边长记为超参数L，可选地，该三个正方形覆盖区域分布在子空间的对角线上；在一个可选的具体示例中，如图9的右半部分所示，这三个边长为L正方形覆盖区域分布在子空间的左上、中间和右下；
之后，计算这三个正方形覆盖区域的点数，并计算每个点到最近的中心的距离的平均值，从而得到一个与该子空间相对应的一个六维数组；
然后，对星座图的全部64个子空间的六维数组取平均值，就得到与该星座图相对应的一个六维向量；
将该六维向量、作为标量的星座图误差向量幅度和频谱信息相结合，得到采用64QAM的毫米波信号的特征向量。
本发明通过在移动通信网络中，利用诸如深度学习算法的机器学习方法来记录和训练用户在不同位置的接收信号的观测值，根据学习结果来预测用户在下一个时隙中的位置和移动方向，能够提高预测精度，能够保持通信链路鲁棒性。
在本发明的一些实施例中，提出了一个试验，利用毫米波收发系统来收集原始毫米波信号数据，并用于测试前述实施例所示方法。在图10中，接收端被视为基站，而发射端被视为移动用户。基站是静止的，位于(0,0)，并假设用户向四个方向移动，因此其轨迹必然包含在栅格图中。分别地，对应于n个时隙，将波束对准点到在任意方向的第一个波束失准点的距离离散成n个间隔。然后绘制一个栅格图，这样就可以很容易地在每个位置(即交叉点)收集毫米波信号。发射端和接收端之间的初始距离是根据【表1】所示的天线增益来设置的。在该试验中，天线增益是固定的，为此调整发射功率，以确保能够观察到在室内短距离移动时的接收端星座图和EVM波动的明显变化。以下是该试验所用到的设备。
(1)毫米波系统：毫米波系统由一个发射端和一个接收端组成，这两个发射端和接收端都是软件定义的。毫米波系统的详细参数如【表1】所示。接收到的毫米波信号的详细信息可从图11的接收端系统接口直接观察到。此外，在接收系统上设计了数据采集接口。
(2)天线：在图10中，示出了一种高增益毫米波天线，工作频率为28.5GHz，在E面测量的半功率束宽(half power beam width，简称HPBW)为26.5度，在H面测量的HPBW为46度。
【表1】
频率(GHz) 28.5
发射端天线增益(dBi) 13.5
接收端天线增益(dBi) 12.8
x轴距离(m) 0.75-1.35
y轴距离(m) 0-0.8
调制 64QAM
发射端放大器增益(dB) 0
发射端放大器强迫增益(dB) 30.8
有源元件载波数量 8
分量载波偏移(MHz) -350～350
根据前述的如图6和图7所示的实施例的学习过程，能够得到已训练的深度神经网络DNN。为了测试所学习的深度神经网络，利用测试数据集进行了南北、西南、西北、东西五个方向的预测试验。图12示出了预测精度随着训练时间轮数的增加而增加。仅考虑两个具体的方向预测试验，南北向预测的预测精度最高可达80％，东西向预测的预测精度最差。这是因为发射端的波束和接收端的波束都是在东西方向上对齐的，而且，由于移动距离较短，发射的毫米波信号遭受较小的路径损失，而两个波束都在南北方向上失准。西南和东北预测试验均具有与东西向预测趋势一致的中性预测精度，进一步验证了该方法的有效性。特别是在全方位预测中，由于东西向预测干扰了南北向预测，所以预测精度最低。
图13示出了试验区的预测精度热力图，包括两个试验：南北预测和东西预测。在图13(a)中，预测精度从左到右逐渐降低。在图13(b)中，预测精度从上到下递减。这是因为波束重叠区的大小随着用户的移动而减小，重叠区越小，接收到的毫米波信号质量越差。而且，距离边缘点越近，信号参数变化越剧烈，因此运动方向预测更准确。
本发明还提出一种通信方法，该方法利用前述任意一个实施例的通信方法来预测用户端的移动，以便根据预测的结果来调整基站端的通信信号。可选地，该通信信号为毫米波信号、微波信号等。
本发明还提出一种设备，用于实现前述的任意一个实施例所示的通信方法。需注意，该设备可以包括用于实现前述的任意一个实施例所示的通信方法的发射端设备、或包括用于实现前述的任意一个实施例所示的通信方法的接收端设备、或者同时包括用于实现前述的任意一个实施例所示的通信方法的发射端设备和接收端设备。另一方面，该设备可以包括用于实现前述的任意一个实施例所示的通信方法的基站端设备、或包括用于实现前述的任意一个实施例所示的通信方法的用户端设备、或者同时包括用于实现前述的任意一个实施例所示的通信方法的基站端设备和用户端设备。
本发明的实施例还提供一种计算机存储介质，该计算机存储介质中存储有计算机指令，当该计算机指令在设备上运行时，使得设备执行上述相关方法步骤实现上述实施例中的通信方法。
本发明的实施例还提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的通信方法。
另外，本发明的实施例还提供一种装置，这个装置具体可以是芯片，组件或模块，该装置可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的通信方法。
其中，本发明提供的设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (12)

1.一种通信方法，其特征在于，所述方法包括以下步骤：
接收用户端的当前时隙的通信信号；
根据预先训练得到的机器学习模型，对所述当前时隙的通信信号的参数进行处理以预测在下一时隙的所述用户端的移动；
其中，所述机器学习模型的训练过程包括：获取通信观测数据；从所述通信观测数据之中，确定多个数据线，每个所述数据线包含出发点信息、目标点信息、以及所述出发点和所述目标点之间的运动方向标签，其中，所述出发点信息和所述目标点信息为n维向量；将所述多个数据线作为训练集进行训练，以得到所述机器学习模型；
其中，所述将所述多个数据线作为训练集进行训练包括：将所述数据线中的所述出发点信息和所述目标点信息相减；将所述相减的结果经过一个n×m的神经网络，得到m维的结果；将所述m维的结果经过一个m×m的神经网络，以得到m维的预测结果，其中所述预测结果的每一维分别表示向一个方向移动的预测概率。
2.根据权利要求1所述的通信方法，其中：所述数据线中的所述出发点信息包括出发点的位置信息和出发点的通信信号参数，所述目标点信息包括目标点的位置信息和目标点的通信信号参数。
3.根据权利要求2所述的通信方法，其中所述训练集中的所述出发点信息和所述目标点信息的所述通信信号参数包括：与通信信号的星座图、频谱信息和/或星座图误差向量幅度对应的向量；
所述当前时隙的通信信号的参数与所述训练集中的所述出发点信息和所述目标点信息的所述通信信号参数的种类一致。
4.根据权利要求1所述的通信方法，其中：
所述将所述相减的结果经过一个n×m的神经网络，得到m维的结果，包括：将所述相减的结果经过一个n×m的全连接神经网络，然后以tanh函数作为激活函数进行计算，得到m维的结果；
所述将所述m维的结果经过一个m×m的神经网络，以得到m维的预测结果，包括：将所述m维的结果经过一个m×m的全连接神经网络，然后以softmax函数作为激活函数进行计算，以将所述m维的结果的每一维映射到[0,1]之间，以得到m维的预测结果。
5.根据权利要求1所述的通信方法，其中：所述m为4，所述m维的结果中的每一维分别表示东南西北四个移动方向的预测概率。
6.根据权利要求1所述的通信方法，其中：
在所述将所述数据线中的所述出发点信息和所述目标点信息相减的步骤之前，还包括：将所述出发点信息和所述目标点信息分别经过批归一化网络以将数据归一化，转化为正态分布，得到归一化的出发点信息和归一化的目标点信息；
所述将所述数据线中的所述出发点信息和所述目标点信息相减包括：将所述归一化的出发点信息和所述归一化的目标点信息相减，以得到所述相减的结果。
7.根据权利要求1所述的通信方法，其中，所述将所述多个数据线作为训练集进行训练，以得到所述机器学习模型的步骤，还包括：
根据所述预测概率和所述运动方向标签来计算交叉熵，得到损失值；
计算当前的轮的学习率，利用随机梯度下降算法，计算所述损失值对网络参数的导数，进行网络参数更新；
循环上述步骤，每次选取不同的多个所述数据线进行训练，直到所述损失值收敛或稳定。
8.根据权利要求1至7中任意一项所述的通信方法，其中：所述机器学习模型是深度神经网络。
9.根据权利要求1至7中任意一项所述的通信方法，其中：所述通信信号为毫米波信号。
10.根据权利要求1到7中任意一项所述的通信方法，其中：所述方法还包括：根据所述预测在下一时隙的所述用户端的移动的结果来调整基站端的通信信号。
11.一种设备，用于实现权利要求1到10中任意一项所述的通信方法。
12.一种计算机存储介质，其特征在于，包括计算机指令，当所述计算机指令在设备上运行时，使得所述设备执行如权利要求1到10中任意一项所述的通信方法。
CN202010076652.9A 2020-01-23 2020-01-23 移动终端位置追踪的机器学习模型、方法、设备及存储介质 Active CN111372190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010076652.9A CN111372190B (zh) 2020-01-23 2020-01-23 移动终端位置追踪的机器学习模型、方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076652.9A CN111372190B (zh) 2020-01-23 2020-01-23 移动终端位置追踪的机器学习模型、方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111372190A CN111372190A (zh) 2020-07-03
CN111372190B true CN111372190B (zh) 2021-11-02

Family

ID=71210019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076652.9A Active CN111372190B (zh) 2020-01-23 2020-01-23 移动终端位置追踪的机器学习模型、方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111372190B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204010B (zh) * 2021-03-15 2021-11-02 锋睿领创(珠海)科技有限公司 非视域目标检测方法、装置和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101141773A (zh) * 2007-01-17 2008-03-12 中兴通讯股份有限公司 一种利用前向信道质量信息进行无线资源分配的方法
CN103533648A (zh) * 2013-10-24 2014-01-22 哈尔滨工业大学 基于支持向量机的无线异构网络移动用户位置预测方法
CN105704657A (zh) * 2014-11-27 2016-06-22 深圳市腾讯计算机系统有限公司 监测移动终端位置的方法及装置
CN107426703A (zh) * 2017-08-24 2017-12-01 北京邮电大学 一种在室外人流密集场所基于模糊聚类的移动性预测方法
CN107465443A (zh) * 2017-08-08 2017-12-12 珠海市魅族科技有限公司 一种波束成形优化方法及装置
KR102067114B1 (ko) * 2018-08-22 2020-01-16 한양대학교 산학협력단 밀리미터 통신을 위한 딥러닝 기반 빔추적 및 예측 방법 그리고 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108574954A (zh) * 2017-03-08 2018-09-25 索尼公司 无线通信系统中的电子设备和方法
CN108696932B (zh) * 2018-04-09 2020-03-17 西安交通大学 一种利用csi多径及机器学习的室外指纹定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101141773A (zh) * 2007-01-17 2008-03-12 中兴通讯股份有限公司 一种利用前向信道质量信息进行无线资源分配的方法
CN103533648A (zh) * 2013-10-24 2014-01-22 哈尔滨工业大学 基于支持向量机的无线异构网络移动用户位置预测方法
CN105704657A (zh) * 2014-11-27 2016-06-22 深圳市腾讯计算机系统有限公司 监测移动终端位置的方法及装置
CN107465443A (zh) * 2017-08-08 2017-12-12 珠海市魅族科技有限公司 一种波束成形优化方法及装置
CN107426703A (zh) * 2017-08-24 2017-12-01 北京邮电大学 一种在室外人流密集场所基于模糊聚类的移动性预测方法
KR102067114B1 (ko) * 2018-08-22 2020-01-16 한양대학교 산학협력단 밀리미터 통신을 위한 딥러닝 기반 빔추적 및 예측 방법 그리고 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Beam Tracking for Mobile Millimeter Wave Communication Systems;Vutha Va;<Signal & Information Processing>;20170424;全文 *
基于位置预测的60GHz通信波束成形移动性优化;周扬;《万方数据知识服务平台》;20150730;全文 *

Also Published As

Publication number Publication date
CN111372190A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
KR102204783B1 (ko) 딥러닝 기반의 빔포밍 통신 시스템 및 방법
Lyu et al. Joint maneuver and beamforming design for UAV-enabled integrated sensing and communication
Xiao et al. Enabling UAV cellular with millimeter-wave communication: Potentials and approaches
US10405360B2 (en) Method and equipment for establishing millimetre connection
WO2020113062A1 (en) Unmanned aerial vehicle communication
EP3868034B1 (en) Position likelihood based beamformer optimization
US11366195B1 (en) Dual function edge device and method for accelerating UE-specific beamforming
Liu et al. Learning to predict the mobility of users in mobile mmWave networks
CN111372195B (zh) 移动通信网络中移动终端的位置追踪方法、设备及存储介质
Yi et al. Beam training and tracking in mmwave communication: A survey
White et al. Data communications to trains from high-altitude platforms
KR20210115526A (ko) 무선 통신 시스템에서 적응적으로 빔 폭을 제어하기 위한 장치 및 방법
CN111372190B (zh) 移动终端位置追踪的机器学习模型、方法、设备及存储介质
US11218211B2 (en) Iterative beam training method for accessing a mm-wave network
Talvitie et al. Beamformed radio link capacity under positioning uncertainty
CN113783601A (zh) 动态波束形成及空分复用方法
Shahmansoori et al. Survey on 5G positioning
Chavva et al. Sensor intelligence based beam tracking for 5G mmwave systems: A practical approach
Wang et al. Location-based beamforming architecture for efficient farming applications with drones
Ye et al. Deep Reinforcement Learning Assisted Beam Tracking and Data Transmission for 5G V2X Networks
KR102637482B1 (ko) 위치 및 속도 인식 기반 다중 안테나 어레이 사용 차량 간 통신의 빔 관리 방법
Singh et al. Rotational motion-aware beam refinement for high-throughput mmWave communications
KR20150085720A (ko) 무선전송 장치의 전파 빔 방향 조정 방법
Xie et al. Adaptive Beamwidth Design for High-Mobility Terahertz Joint Radar and Communication Systems
Yu et al. A Small Range Ergodic Beamforming Method Based on Binocular Vision Positioning

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