CN114866173B - 基于语义通信的信道环境感知方法及装置 - Google Patents

基于语义通信的信道环境感知方法及装置 Download PDF

Info

Publication number
CN114866173B
CN114866173B CN202210417220.9A CN202210417220A CN114866173B CN 114866173 B CN114866173 B CN 114866173B CN 202210417220 A CN202210417220 A CN 202210417220A CN 114866173 B CN114866173 B CN 114866173B
Authority
CN
China
Prior art keywords
information
semantic
channel state
environment
state information
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
CN202210417220.9A
Other languages
English (en)
Other versions
CN114866173A (zh
Inventor
黄联芬
谢新典
胡威
叶明淦
李仲亮
赵毅峰
高志斌
李王明卉
刘重军
丁宝国
杨波
于吉涛
钱丽萍
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.)
Xiamen University
Comba Network Systems Co Ltd
Original Assignee
Xiamen University
Comba Network Systems Co Ltd
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 Xiamen University, Comba Network Systems Co Ltd filed Critical Xiamen University
Priority to CN202210417220.9A priority Critical patent/CN114866173B/zh
Publication of CN114866173A publication Critical patent/CN114866173A/zh
Application granted granted Critical
Publication of CN114866173B publication Critical patent/CN114866173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了一种基于语义通信的信道环境感知方法及装置，该方法包括：获取多个离线感知的环境信息和信号信息；建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对多种不同的信道模型进行训练，以得到信道状态信息，并将信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库；获取在线感知的环境信息和信号信息与语义库进行匹配以得到匹配后的信道状态信息；判断匹配后的信道状态信息是否存在语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功；由此，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。

Description

基于语义通信的信道环境感知方法及装置
技术领域
本发明涉及无线通信技术领域，特别涉及一种基于语义通信的信道环境感知方法和一种基于语义通信的信道环境感知装置。
背景技术
相关技术中，移动网络正从纯通信网络向感知通信一体化的方向发展，感知信号可以获取周围环境中感兴趣对象的信息，如对目标属性和状态进行信息采集、目标检测、测距、测速、成像和识别等，可以利用感知结果辅助通信，即利用感知的环境信息估计出通信CSI；然而，不同感知设备之间的感知方式不同，产生的感知数据也不同，从感知信息中提取CSI将会面临数据量大、数据处理复杂等问题。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于语义通信的信道环境感知方法，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于语义通信的信道环境感知装置。
为达到上述目的，本发明第一方面实施例提出了一种基于语义通信的信道环境感知方法，包括以下步骤：获取多个离线感知的环境信息和信号信息；建立多种不同的信道模型，并将所述多个离线感知的环境信息和信号信息作为数据集对所述多种不同的信道模型进行训练，以得到信道状态信息，并将所述信道状态信息与所述多个离线感知的环境信息和信号信息进行映射以构建语义库；获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与语义库进行匹配以得到匹配后的信道状态信息；判断所述匹配后的信道状态信息是否存在于所述语义库，如果否，则根据所述在线感知的环境信息和信号信息更新所述语义库；如果是，则认为匹配成功。
根据本发明实施例的基于语义通信的信道环境感知方法，首先，获取多个离线感知的环境信息和信号信息；接着，建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对多种不同的信道模型进行训练，以得到信道状态信息，并信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库；再接着，获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与语义库进行匹配以得到匹配后的信道状态信息；最后，判断匹配后的信道状态信息是否存在于语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功；由此，将感知到的环境信息结合信号信息上传到云端进行训练，持续地更新信道状态信息语义库，然后本地端下载云端更新好的信道状态信息语义库，与采集到的环境信息和信号信息进行匹配，最后将相应的信道状态信息传输给接收端进行还原处理，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
另外，根据本发明上述实施例提出的基于语义通信的信道环境感知方法还可以具有如下附加的技术特征：
可选地，采用随机决策算法对所述在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息，包括：将所述在线感知的环境信息和信号信息转化为序列，并将所述序列划分为训练集和测试集；根据所述训练集构建多个决策树，并对所述多个决策树进行后剪枝处理；采用后剪枝处理后的多个决策树对所述训练集进行训练，并将所述测试集输入到所述后剪枝处理后的多个决策树以得到匹配后的信道状态信息。
可选地，判断所述匹配后的信道状态信息是否存在所述语义库，包括：对所述匹配后的信道状态信息进行语义距离判断；如果所述语义距离大于等于预先设置的门限阈值，则认为所述匹配后的信道状态信息不存在于所述语义库，如果所述语义距离小于预先设置的门限阈值，则认为所述匹配后的信道状态信息存在于所述语义库。
可选地，根据以下公式计算语义距离：
Figure GDA0004031554070000021
其中，在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H；语义库的环境信息为
Figure GDA0004031554070000022
信号信息为
Figure GDA0004031554070000023
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于语义通信的信道环境感知程序，该基于语义通信的信道环境感知程序被处理器执行时实现如上述的基于语义通信的信道环境感知方法。
根据本发明实施例的计算机可读存储介质，通过基于语义通信的信道环境感知程序，以便处理器在执行该基于语义通信的信道环境感知程序时实现如上述的基于语义通信的信道环境感知方法，从而有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的基于语义通信的信道环境感知方法。
根据本发明实施例的计算机设备，通过存储器存储可在处理器上运行的计算机程序，以便处理器在执行该计算机程序时，实现如上述的基于语义通信的信道环境感知方法。
为达到上述目的，本发明第四方面实施例提出了一种基于语义通信的信道环境感知装置，包括：感知单元，所述感知单元用于获取多个离线感知的环境信息和信号信息；语义更新单元，所述语义更新单元用于建立多种不同的信道模型，并将所述多个离线感知的环境信息和信号信息作为数据集对所述多种不同的信道模型进行训练，以得到信道状态信息，并将所述信道状态信息与所述多个离线感知的环境信息和信号信息进行映射以构建语义库；语义匹配单元，所述语义匹配单元用于获取在线感知的环境信息和信号信息，并采用随机决策算法对所述在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息；语义判决单元，所述语义判决单元用于判断匹配后的信道状态信息是否存在于语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功。
根据本发明实施例的基于语义通信的信道环境感知装置，通过设置感知单元用于获取多个离线感知的环境信息和信号信息；语义更新单元用于建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对多种不同的信道模型进行训练，以得到信道状态信息，并将信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库；语义匹配单元用于获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息；语义判决单元用于判断匹配后的信道状态信息是否存在于语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功。由此，将感知到的环境信息结合信号信息上传到云端进行训练，持续地更新信道状态信息语义库，然后本地端下载云端更新好的信道状态信息语义库，与采集到的环境信息和信号信息进行匹配，最后将相应的信道状态信息传输给接收端进行还原处理，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
另外，根据本发明上述实施例提出的基于语义通信的信道环境感知装置还可以具有如下附加的技术特征：
可选地，所述语义匹配单元还用于，将所述在线感知的环境信息和信号信息转化为序列，并将所述序列划分为训练集和测试集；根据所述训练集构建多个决策树，并对所述多个决策树进行后剪枝处理；采用后剪枝处理后的多个决策树对所述训练集进行训练，并将所述测试集输入到所述后剪枝处理后的多个决策树以得到匹配后的信道状态信息。
可选地，所述语义判决单元还用于，对所述匹配后的信道状态信息进行语义距离判断；如果所述语义距离大于等于预先设置的门限阈值，则认为所述匹配后的信道状态信息不存在于所述语义库，如果所述语义距离小于预先设置的门限阈值，则认为所述匹配后的信道状态信息存在于所述语义库。
可选地，根据以下公式计算语义距离：
Figure GDA0004031554070000041
其中，在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H；语义库的环境信息为
Figure GDA0004031554070000042
信号信息为
Figure GDA0004031554070000043
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重。
附图说明
图1为根据本发明实施例的基于语义通信的信道环境感知方法的流程示意图；
图2为根据本发明一个实施例的基于语义通信的信道环境感知方法的流程示意图；
图3为根据本发明实施例的信道状态信息语义库的集合示意图；
图4为根据本发明实施例的神经网络的语义提取示意图；
图5为根据本发明实施例的游牧式中基于语义通信的信道环境感知方法示意图；
图6为根据本发明实施例的基于语义通信的信道环境感知装置的方框示意图；
图7为根据本发明一个实施例的基于语义通信的信道环境感知装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，无线环境是复杂多变的，信号在传输过程中会受到各种各样的干扰，到达接收端时，信号的幅度、相位和频率都会发生很大的改变，接收端的信道均衡和符号检测都需要精确的信道状态信息，信道估计是指接收端根据一定的准则，从接收数据中将某个信道模型的模型参数估计出来的过程，信道估计器是接收机一个很重要的组成成分，信道估计的目的就是估计信道的时域或频域响应，对接收到的数据进行校正和恢复，以获得相干检测的性能增益。在多载波系统中，传统的信道估计方法是在多载波符号中插入导频，根据多载波信号的特性，可在时间方向和频率方向分布导频信号，对时间变化和频率变化进行抽样，然后利用这种衰落已完备描述的抽样信息，经过滤波降噪和内插，恢复全频率的频率响应。然而，插入导频信号产生的负荷会占用系统的时域和频域资源，从而降低传输效率。
在香农的信息理论中，通信通常被建模为从发送方到接收方的消息传输，要求信息能以比特级精准复制，这必然会带来巨大的带宽和功率需求。语义通信作为一种新的通信框架，其核心内容是“先理解后传输”，目标是传输数据的含义或语义，而不是准确恢复原始信息，可广泛应用于频谱和功率受限的场景。语义处理与传统的信号处理相比，该处理允许信号具有一定程度的失真的特点，这也是语义通信能够自适应的调整子载波数量的主要原因。
本发明基于以上的问题，提出一种基于语义通信的信道环境感知方法，将感知到的环境信息结合信号信息上传到云端进行训练，持续地更新信道状态信息语义库，然后本地端下载云端更新好的信道状态信息语义库，与采集到的环境信息和信号信息进行匹配，最后将相应的信道状态信息传输给接收端进行还原处理，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，该基于语义通信的信道环境感知方法包括以下步骤：
S101，获取多个离线感知的环境信息和信号信息。
需要说明的是，建立语义通信的信道环境感知装置，负责车联网中指定区域内的环境信息检测应用，建立装置之后初始化所有单元。感知装置中包括大量感知设备，这些感知设备可以实时地感知外部环境信息从而得到离线感知的环境信息；环境信息和信号信息包括了与通信相关的各种信道参数。
作为一个实施例，信道环境感知装置包括毫米波雷达、激光雷达、摄像头等多种传感器，可采集多种类型的信道环境信息，同时，射频接收单元接收信号信息；环境信息包括静态自然环境信息如自然地形(高山、丘陵、平原或水域等)，人工建筑的数量、高度、分布和材料特性，气候条件和天气状况等。此外，还包括动态交通环境信息如速度、距离、角度等；环境信息会产生直射径、反射径、散射径和衍射径等多种无线信道；同时结合信号信息，将信号信息建模为一个基于时空频的三维地图谱，其中主要包含了一些通信的物理参量，包括频率、带宽、方位、仰角等；地图谱颜色的深浅可以表示频域信息，地图谱的分布表示空域信息，地图谱的变化表示时域信息。
需要说明得知，在获取到多个离线感知的环境信息和信号信息后，还将其进行融合得到
Figure GDA0004031554070000061
每一行元素表示对应感知设备得到的环境信息结合信号信息的感知数据集；之后将数据集传输到云端进行离线训练。
S102，建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对所述多种不同的信道模型进行训练，以得到信道状态信息，并将信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库。
需要说明的是，在MI模型训练的同时，进行语义库的构建，即在训练过程中，将离线感知的环境信息和信号信息
Figure GDA0004031554070000062
与输出的信道状态信息
Figure GDA0004031554070000063
进行映射，构建对应的信道状态信息语义库。需要注意的是，由于感知设备能够不断地对环境进行感知，信道状态信息语义库容量是不断扩大的，且由于MI模型在不断进行训练，语义库的映射关系也是不断改变的。
另外，语义知识库是语义通信过程中的重要组成部分，在语义通信过程中，通信双方可以无需知道语义提取的具体模型，通过语义知识库对需要传输的信息进行语义编码；在本发明中，根据环境信息和信号信息的不同，建立相关的CSI语义库，查找出对应的信道状态信息；CSI语义库包括如下特征信息如下表所示：
环境信息 信号信息 信道类型 信道参数 语义信息
作为一个具体实施例，如图3所示，信道状态信息(Channel State Information,CSI)语义库是一个多层次、多内容的语义库集合，该语义库集合包含多种信道类型，每种信道类型对应多种该类型下的信道参数；CSI语义库在云端建立，与后续的语义匹配过程同步进行，包括了以下内容：环境信息、信号信息、信道类型、信道参数和语义信息，在使用CSI语义库时，只需根据环境信息和信号信息按照码本的方式进行查表，便可以得到该环境下的信道类型和信道参数对应的语义信息，信道类型和信道参数由字母-数字的方式组合。例如R-1表示莱斯信道中的第一个信道参数。
Figure GDA0004031554070000071
需要说明的是，将环境信息通过MI模型进行处理，假设共有M种经典信道模型，每种信道模型对应多种该模型下的信道参数，如信道路径数、相对延迟时间、相对平均功率、以及由于速度因素所需考虑的多普勒频谱分析模型；信道模型支持路径损耗、阴影衰落、小尺度衰落等；MI模型的输出对应于该环境下的信道状态信息
Figure GDA0004031554070000072
需要注意的是，信道状态信息
Figure GDA0004031554070000073
是一个稀疏矩阵，仅有一个非零行对应于该信道模型下的信道参数。
作为一个实施例，如图4所示，假设系统中具有N个感知单元用于采集感知的环境信息和信号信息表示为
Figure GDA0004031554070000074
第i行元素xi表示对应感知单元i得到的感知数据集。将环境信息和信号信息通过MI模型进行语义提取，MI模型可由神经网络进行训练，本质上表示为环境信息及信号信息与信道状态信息之间的映射关系。
另外，假设共有M种经典信道模型，每种信道模型对应多种该模型下的信道参数，MI模型的输出对应于该环境下的信道状态信息
Figure GDA0004031554070000075
结合在该感知环境下真实的信道状态信息Y，可以得到关于信道状态信息和感知环境信息之间的互信息
Figure GDA0004031554070000076
将该指标作为深度强化学习中的奖励函数，可以不断改进神经网络的性能。由于该训练过程是离线训练，可以有效解决反馈带来的语义提取效果不理想等问题。
S103，获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与语义库进行匹配以得到匹配后的信道状态信息。
也就是说，采用一种基于机器学习的环境信息、信号信息和信道状态信息语义库的语义匹配方法，以信道参数作为环境、信号和信道状态信息语义库的共同语义来构建两者的语义匹配机制，构建环境-信号-信道状态信息数据集。
作为一个实施例，采用随机决策算法对在线感知的环境信息、信号信息与语义库进行匹配以得到匹配后的信道状态信息，包括：将在线感知的环境信息和信号信息转化为序列，并将序列划分为训练集和测试集；根据训练集构建多个决策树，并对多个决策树进行后剪枝处理；采用后剪枝处理后的多个决策树对训练集进行训练，并将测试集输入到后剪枝处理后的多个决策树以得到匹配后的信道状态信息。
也就是说，按不同数据集中信道参数的主题(包括衰减因子、振幅、时延等)采集环境信息，将环境信息结合信号信息转化为由英文字母和数字组成的序列，将得到的序列划分为训练集和测试集；采用决策训练方法通过训练集并行构建多个决策树，为防止出现过拟合问题，需要在决策树构建完成后进行后剪枝处理(Post-Purning)。剪枝的过程是对拥有同样父结点的一组结点进行检查，根据互信息的增加量是否小于某个阈值，决定叶子结点(即信道状态信息语义)是否合并；随机决策算法指的是利用多个决策树(DecisionTree)对样本进行训练并预测的一种分类器，其输出的类别是由个别树输出的信道状态信息语义的众数而定。
S104，判断匹配后的信道状态信息是否存在于语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功。
需要说明的是，语义更新过程在云端进行，拟在构建感知环境信息和信号信息
Figure GDA0004031554070000081
与信道状态信息
Figure GDA0004031554070000082
之间的语义关系，从外界环境中提取出有用的信道参数的语义信息，即：
Figure GDA0004031554070000083
互信息是信息论中用来评价两个随机变量之间依赖程度的度量，可作为语义更新过程的具体指标。信道类型和信道参数复杂多样，可以使用神经网络对模型进行训练，解除多样化信道类型和信道参数的限制，获得较好的信道估计效果。
作为一个实施例，对匹配后的信道状态信息进行语义距离判断；如果语义距离大于等于预先设置的门限阈值，则认为匹配后的信道状态信息不存在于语义库，如果语义距离小于预先设置的门限阈值，则认为匹配后的信道状态信息存在于语义库。
也就是说，采用语义距离判决决定在线感知信息及信号信息与语义库匹配得到的信道状态信息是否为语义库集合中已有的；计算语义距离D，与门限值R进行比较，如果D＞R则视为新环境信息，需要上传到云端通过强化学习的方式进行更新，如果D＜R则认为语义匹配成功，将匹配后的信道状态信息通过通信传输给用户端；通信端传输后，将结果反馈给语义端，从而更新或矫正语义库。
作为一个实施例，根据以下公式计算语义距离：
Figure GDA0004031554070000084
其中，在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H；语义库的环境信息为
Figure GDA0004031554070000091
信号信息为
Figure GDA0004031554070000092
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重。
也就是说，对语义信道输出的信道状态信息进行语义距离判决，设定相关的语义门限值；超过该门限值视为新的在线感知环境信息，需再次进行语义库更新和语义匹配过程；反之认为匹配成功，直接传输给匹配后的信道状态信息。对环境信息和信号信息进行归一化，定义在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H，语义库的环境信息为
Figure GDA0004031554070000093
信号信息为
Figure GDA0004031554070000094
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重；则语义距离D可以表示为
Figure GDA0004031554070000095
设定门限值为R，如果D＞R就视为新环境信息，需要上传到云端通过强化学习的方式进行更新；如果D＜R则认为匹配成功，得到匹配后的信道状态信息。
本地用户端得到在线环境信息和信号信息，与离线环境信息和信号信息进行语义匹配，语义匹配结果是如下所示的链表结构：
Figure GDA0004031554070000096
另外，如图5所示，在一个实施例中，基于语义通信的多环境感知场景存在一个感知单元RSU，一个云端服务器，一个语义库存储单元，多个本地用户；感知单元的功能是采集环境周围建筑物的物理参数。射频接收单元接收信号的物理参数。云端服务器对感知单元收集到的物理参数和信号参数进行计算。语义库存储单元用于存储收集到的参数并构建语义库。本地用户下载语义存储单元中的语义库与自身感知到的环境信息及信号信息进行匹配得到信道状态信息。
也就是说，如图2所示，感知单元实时感知外部环境信息得到离线感知的环境信息和信号信息，将感知的环境信息和信号信息进行融合得到感知数据集，并上传到云端进行离线训练，然后通过MI模型对感知数据集进行处理得到对应环境下的信道状态信息，构建互信息函数，并采用深度神经网络对MI模型进行训练，在MI模型训练的同时构建语义库，将离线感知信息与输出信道状态信息进行映射并不断更新语义库，将在线感知的环境信息及信号信息与语义库进行匹配，语义距离是否大于设定门限值，如果是，重新更新语义库，如果否，输出匹配之后的信道状态信息。
综上所述，根据本发明实施例的基于语义通信的信道环境感知方法，首先，获取多个离线感知的环境信息和信号信息；接着，建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对多种不同的信道模型进行训练，以得到信道状态信息，并信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库；再接着，获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与语义库进行匹配以得到匹配后的信道状态信息；最后，判断匹配后的信道状态信息是否存在于语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功；由此，将感知到的环境信息结合信号信息上传到云端进行训练，持续地更新信道状态信息语义库，然后本地端下载云端更新好的信道状态信息语义库，与采集到的环境信息和信号信息进行匹配，最后将相应的信道状态信息传输给接收端进行还原处理，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有基于语义通信的信道环境感知程序，该基于语义通信的信道环境感知程序被处理器执行时实现如上述的基于语义通信的信道环境感知方法。
根据本发明实施例的计算机可读存储介质，通过基于语义通信的信道环境感知程序，以便处理器在执行该基于语义通信的信道环境感知程序时实现如上述的基于语义通信的信道环境感知方法，从而有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的基于语义通信的信道环境感知方法。
根据本发明实施例的计算机设备，通过存储器存储可在处理器上运行的计算机程序，以便处理器在执行该计算机程序时，实现如上述的基于语义通信的信道环境感知方法。
为了实现上述实施例，本发明实施例提出了一种基于语义通信的信道环境感知装置，如图6所示，该基于语义通信的信道环境感知装置，包括：感知单元10、语义更新单元20、语义匹配单元30和语义判决单元40。
其中，设置感知单元10用于获取多个离线感知的环境信息和信号信息；语义更新单元20用于建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对多种不同的信道模型进行训练，以得到信道状态信息，并将信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库；语义匹配单元30用于获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息；语义判决单元40用于判断匹配后的信道状态信息是否存在于语义库，如果否，则认为在线感知的环境信息和信号信息为新的信息，将在线感知的环境信息和信号信息作为数据集以便更新语义库；如果是，则认为匹配成功。
在一些实施例中，语义匹配单元30还用于，将在线感知的环境信息和信号信息转化为序列，并将序列划分为训练集和测试集；根据训练集构建多个决策树，并对多个决策树进行后剪枝处理；采用后剪枝处理后的多个决策树对训练集进行训练，并将测试集输入到所述后剪枝处理后的多个决策树以得到匹配后的信道状态信息。
在一些实施例中，语义判决单元40还用于，对匹配后的信道状态信息进行语义距离判断；如果语义距离大于等于预先设置的门限阈值，则认为匹配后的信道状态信息不存在于语义库，如果语义距离小于预先设置的门限阈值，则认为匹配后的信道状态信息存在于语义库。
在一些实施例中，根据以下公式计算语义距离：
Figure GDA0004031554070000111
其中，在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H；语义库的环境信息为
Figure GDA0004031554070000112
信号信息为
Figure GDA0004031554070000113
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重。
也就是说，感知单元包括毫米波雷达、激光雷达、摄像头等多种传感器，可采集多种类型的信道环境信息，同时，射频接收单元接收信号信息。这些环境信息和信号信息包含了与通信相关的各种信道参数。语义更新单元用来接收感知单元的环境信息和发送端的信号信息，并构建信道状态信息更新模型，采用离线训练的方式来更新信道状态信息语义库集合。需要注意的是，离线训练是在云端或者边缘端进行的，并且是实时更新的，本地端只负责下载更新好的语义库并直接使用。语义匹配单元融合环境特性及信号本身特性的信息，与本地端下载的信道状态信息语义库进行相互匹配，得到与环境参数相关的信道状态信息。语义判决单元设定语义距离门限值，对在线感知的环境信息、信号信息、语义库相互匹配得到的信道状态信息进行语义距离判决，如果超过该阈值则返回语义更新单元，否则可传输到通信单元。
如图7所示，基于语义通信的信道环境感知装置还包括通信传输单元50，通信传输单元50是信道状态信息的接收端，同时该单元可以利用已知的信道状态信息来辅助通信传输，可以更好地分配通信带宽，从而提高感知数据的传输速率。
需要说明的是，前述对于基于语义通信的信道环境感知方法的实施例的解释说明同样适用于本实施例的基于语义通信的信道环境感知装置，此处不再赘述。
根据本发明实施例的基于语义通信的信道环境感知装置，通过设置感知单元用于获取多个离线感知的环境信息和信号信息；语义更新单元用于建立多种不同的信道模型，并将多个离线感知的环境信息和信号信息作为数据集对多种不同的信道模型进行训练，以得到信道状态信息，并将信道状态信息与多个离线感知的环境信息和信号信息进行映射以构建语义库；语义匹配单元用于获取在线感知的环境信息和信号信息，并采用随机决策算法对在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息；语义判决单元用于判断匹配后的信道状态信息是否存在于语义库，如果否，则根据在线感知的环境信息和信号信息更新语义库；如果是，则认为匹配成功；由此，将感知到的环境信息结合信号信息上传到云端进行训练，持续地更新信道状态信息语义库，然后本地端下载云端更新好的信道状态信息语义库，与采集到的环境信息和信号信息进行匹配，最后将相应的信道状态信息传输给接收端进行还原处理，可以有效避免大量感知数据在传输过程中造成的冗余，能够自适应地调整子载波数量从而更好地去辅助通信传输。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于语义通信的信道环境感知方法，其特征在于，包括以下步骤：
获取多个离线感知的环境信息和信号信息；
建立多种不同的信道模型，并将所述多个离线感知的环境信息和信号信息作为数据集对所述多种不同的信道模型进行训练，以得到信道状态信息，并将所述信道状态信息与所述多个离线感知的环境信息和信号信息进行映射以构建语义库；
获取在线感知的环境信息和信号信息，并采用随机决策算法对所述在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息；
判断所述匹配后的信道状态信息是否存在于所述语义库，如果否，则根据所述在线感知的环境信息和信号信息更新所述语义库；如果是，则认为匹配成功。
2.如权利要求1所述的基于语义通信的信道环境感知方法，其特征在于，采用随机决策算法对所述在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息，包括：
将所述在线感知的环境信息和信号信息转化为序列，并将所述序列划分为训练集和测试集；
根据所述训练集构建多个决策树，并对所述多个决策树进行后剪枝处理；
采用后剪枝处理后的多个决策树对所述训练集进行训练，并将所述测试集输入到所述后剪枝处理后的多个决策树以得到匹配后的信道状态信息。
3.如权利要求2所述的基于语义通信的信道环境感知方法，其特征在于，判断所述匹配后的信道状态信息是否存在于所述语义库，包括：
对所述匹配后的信道状态信息进行语义距离判断；
如果所述语义距离大于等于预先设置的门限阈值，则认为所述匹配后的信道状态信息不存在于所述语义库，如果所述语义距离小于预先设置的门限阈值，则认为所述匹配后的信道状态信息存在于所述语义库。
4.如权利要求3所述的基于语义通信的信道环境感知方法，其特征在于，根据以下公式计算语义距离：
Figure FDA0004031554060000011
其中，在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H；语义库的环境信息为
Figure FDA0004031554060000012
信号信息为
Figure FDA0004031554060000013
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重。
5.一种计算机可读存储介质，其特征在于，其上存储有基于语义通信的信道环境感知程序，该基于语义通信的信道环境感知程序被处理器执行时实现如权利要求1-4中任一项所述的基于语义通信的信道环境感知方法。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的基于语义通信的信道环境感知方法。
7.一种基于语义通信的信道环境感知装置，其特征在于，包括：
感知单元，所述感知单元用于获取多个离线感知的环境信息和信号信息；
语义更新单元，所述语义更新单元用于建立多种不同的信道模型，并将所述多个离线感知的环境信息和信号信息作为数据集对所述多种不同的信道模型进行训练，以得到信道状态信息，并将所述信道状态信息与所述多个离线感知的环境信息和信号信息进行映射以构建语义库；
语义匹配单元，所述语义匹配单元用于获取在线感知的环境信息和信号信息，并采用随机决策算法对所述在线感知的环境信息、信号信息与所述语义库进行匹配以得到匹配后的信道状态信息；
语义判决单元，所述语义判决单元用于判断所述匹配后的信道状态信息是否存在于所述语义库，如果否，则根据所述在线感知的环境信息和信号信息更新所述语义库；如果是，则认为匹配成功。
8.如权利要求7所述的基于语义通信的信道环境感知装置，其特征在于，所述语义匹配单元还用于，
将所述在线感知的环境信息和信号信息转化为序列，并将所述序列划分为训练集和测试集；
根据所述训练集构建多个决策树，并对所述多个决策树进行后剪枝处理；
采用后剪枝处理后的多个决策树对所述训练集进行训练，并将所述测试集输入到所述后剪枝处理后的多个决策树以得到匹配后的信道状态信息。
9.如权利要求8所述的基于语义通信的信道环境感知装置，其特征在于，所述语义判决单元还用于，
对所述匹配后的信道状态信息进行语义距离判断；
如果所述语义距离大于等于预先设置的门限阈值，则认为所述匹配后的信道状态信息不存在于所述语义库，如果所述语义距离小于预先设置的门限阈值，则认为所述匹配后的信道状态信息存在于所述语义库。
10.如权利要求9所述的基于语义通信的信道环境感知装置，其特征在于，根据以下公式计算语义距离：
Figure FDA0004031554060000031
其中，在线感知的环境信息为Xi＝[X1,X2,…,XL]H，信号信息为Sj＝[S1,S2,…,SK]H；语义库的环境信息为
Figure FDA0004031554060000032
信号信息为
Figure FDA0004031554060000033
ω1表示环境信息中的语义距离权重；ω2表示信号信息的语义距离权重；ω1，i(i＝1,2，…L)表示环境信息中各环境参数分量的权重；ω2，j(j＝1,2，…K)表示信号信息中各信号参数分量的权重。
CN202210417220.9A 2022-04-20 2022-04-20 基于语义通信的信道环境感知方法及装置 Active CN114866173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210417220.9A CN114866173B (zh) 2022-04-20 2022-04-20 基于语义通信的信道环境感知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210417220.9A CN114866173B (zh) 2022-04-20 2022-04-20 基于语义通信的信道环境感知方法及装置

Publications (2)

Publication Number Publication Date
CN114866173A CN114866173A (zh) 2022-08-05
CN114866173B true CN114866173B (zh) 2023-05-16

Family

ID=82632546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210417220.9A Active CN114866173B (zh) 2022-04-20 2022-04-20 基于语义通信的信道环境感知方法及装置

Country Status (1)

Country Link
CN (1) CN114866173B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107947874A (zh) * 2017-11-21 2018-04-20 太原理工大学 基于WiFi信道状态信息的室内地图语义标识方法
CN112152948A (zh) * 2019-06-28 2020-12-29 华为技术有限公司 一种无线通信处理的方法和装置
EP3817412A1 (en) * 2019-10-30 2021-05-05 Honeywell International Inc. Communication management using rules-based decision systems and artificial intelligence
CN113890795A (zh) * 2021-09-09 2022-01-04 广州杰赛科技股份有限公司 大规模mimo信道估计模型的构建方法、装置及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107947874A (zh) * 2017-11-21 2018-04-20 太原理工大学 基于WiFi信道状态信息的室内地图语义标识方法
CN112152948A (zh) * 2019-06-28 2020-12-29 华为技术有限公司 一种无线通信处理的方法和装置
EP3817412A1 (en) * 2019-10-30 2021-05-05 Honeywell International Inc. Communication management using rules-based decision systems and artificial intelligence
CN113890795A (zh) * 2021-09-09 2022-01-04 广州杰赛科技股份有限公司 大规模mimo信道估计模型的构建方法、装置及介质

Also Published As

Publication number Publication date
CN114866173A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
Messer et al. A new approach to precipitation monitoring: A critical survey of existing technologies and challenges
Kravchenko Influence of spatial structure on accuracy of interpolation methods
CN103874118B (zh) WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
CN104683051B (zh) 一种无线多径衰落信道仿真方法及信道仿真器
Mazzoleni et al. Exploring the influence of citizen involvement on the assimilation of crowdsourced observations: a modelling study based on the 2013 flood event in the Bacchiglione catchment (Italy)
CN113574412A (zh) 用于检测运动检测系统中的新运动区的离线调整系统
Emadi et al. An approach for land suitability evaluation using geostatistics, remote sensing, and geographic information system in arid and semiarid ecosystems
Rufaida et al. Construction of an indoor radio environment map using gradient boosting decision tree
CN106952167A (zh) 一种基于多元线性回归的餐饮业好友连边影响力预测方法
CN108459298A (zh) 一种基于LoRa技术的室外定位方法
Huang et al. A data-driven method for hybrid data assimilation with multilayer perceptron
Bathmann Justification for estimating observation‐error covariances with the Desroziers diagnostic
CN116862023A (zh) 一种基于谱聚类的鲁棒联邦学习异常客户端检测方法
CN117592005A (zh) Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN114866173B (zh) 基于语义通信的信道环境感知方法及装置
WO2023026024A2 (en) Methods and apparatus for determining above ground coverage of a mobile telecommunications network
CN110852440A (zh) 一种基于动态模糊神经网络的海洋锋探测方法
CN102708277B (zh) 基于蚁群算法的积雪深度反演设计方法
KR101818568B1 (ko) 매개변수지도-기반 포아송 클러스터 가상강우 생성 시스템 및 그 방법
WO2015070790A2 (en) System and method for localization and traffic density estimation via segmentation and calibration sampling
KR101959886B1 (ko) 온실의 구동기의 파라미터를 결정하는 서버 및 방법
Hema et al. Reconstructing missing hourly real-time precipitation data using a novel intermittent sliding window period technique for automatic weather station data
WO2023063343A1 (ja) 推定モデル取得装置、河川流量推定装置、推定モデルの製造方法、河川流量推定方法、及びプログラム
KR102500534B1 (ko) 순환신경망 기반 수자원 정보 생성 장치 및 방법
CN116318856A (zh) 一种基于差分隐私和联邦学习的模型参数优化方法和系统

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