CN114900234A - 一种太赫兹频谱环境地图构建方法及设备 - Google Patents

一种太赫兹频谱环境地图构建方法及设备 Download PDF

Info

Publication number
CN114900234A
CN114900234A CN202210823549.5A CN202210823549A CN114900234A CN 114900234 A CN114900234 A CN 114900234A CN 202210823549 A CN202210823549 A CN 202210823549A CN 114900234 A CN114900234 A CN 114900234A
Authority
CN
China
Prior art keywords
network
terahertz
countermeasure network
spectrum environment
map
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.)
Granted
Application number
CN202210823549.5A
Other languages
English (en)
Other versions
CN114900234B (zh
Inventor
陈智
李玲香
胡田钰
谢昀航
宁博宇
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.)
Sichuan Terahertz Communication Co ltd
Original Assignee
Sichuan Terahertz Communication 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 Sichuan Terahertz Communication Co ltd filed Critical Sichuan Terahertz Communication Co ltd
Priority to CN202210823549.5A priority Critical patent/CN114900234B/zh
Publication of CN114900234A publication Critical patent/CN114900234A/zh
Application granted granted Critical
Publication of CN114900234B publication Critical patent/CN114900234B/zh
Priority to PCT/CN2023/092070 priority patent/WO2024012018A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/90—Non-optical transmission systems, e.g. transmission systems employing non-photonic corpuscular radiation
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • H04B10/07955—Monitoring or measuring power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及通信技术领域，提供了一种太赫兹频谱环境地图构建方法及设备。该方法包括：构建包含障碍物的虚拟通信场景，获取第一预设信息。根据其对第一生成对抗网络和第二生成对抗网络进行单独和联合训练。获取实地通信场景中的第二预设信息，根据其对第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练完成的第一生成对抗网络和第二生成对抗网络。将待检测通信场景
Figure DEST_PATH_IMAGE001
时刻的太赫兹频谱环境估计地图和
Figure 62741DEST_PATH_IMAGE002
时刻的障碍物信息，输入最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure DEST_PATH_IMAGE003
时刻的太赫兹频谱环境估计地图。如此，可以有效解决太赫兹频谱环境地图精度较低、计算开销大及通信延迟等问题。

Description

一种太赫兹频谱环境地图构建方法及设备
技术领域
本申请涉及通信技术领域，更具体地，涉及一种太赫兹频谱环境地图构建方法及设备。
背景技术
随着无线通信技术的发展，太赫兹频段通信已经成为了一项重要且极具潜力的技术。太赫兹频段的信号既具有高速数据传输能力，又具有高精度感知能力，且太赫兹的通信功能模块和感知功能模块可以在硬件上集成，太赫兹实现通信功能时，可以借助其高精度和高分辨率的感知模块来感知通信场景中的障碍物，从而通过波束方向的及时调整等方式增强太赫兹的通信覆盖范围。
太赫兹频谱环境地图可以表征信号功率谱密度在太赫兹频段上的时空频分布情况，并将其所提供的通信场景中障碍物分布情况和太赫兹信号传播情况应用于太赫兹通信系统，即通过上述方式提升太赫兹的通信覆盖范围。
现有技术根据每个时刻无线电监测节点对太赫兹信号的接收功率进行检测，进而基于阴影衰落、信号衰减等推断出障碍物分布情况，然后再构建太赫兹频谱环境地图。但一方面，该种方法获得的障碍物信息精度较低，构建的太赫兹频谱环境地图精度也较低，另一方面，在障碍物发生位置变动的动态场景中，如行人移动的场景中，该种方法需要反复部署无线电监测节点，和多次监测太赫兹信号接收功率，这会导致极大的计算开销和通信延迟，影响通信数据的传输。
因此，现有技术在构建太赫兹频谱环境地图时，存在太赫兹频谱环境地图精度较低、计算开销大及通信延迟等问题。
发明内容
本申请发明人通过长期实践发现，现有技术还可以使用生成对抗网络构建低频信号的频谱环境地图。但是，第一，现有技术无法通过生成对抗网络构建高频的太赫兹频谱环境地图，第二，现有技术直接根据当前时刻的障碍物信息，使用一个生成对抗网络构建当前时刻的频谱环境地图，但现实中，难以实时获得完全准确的障碍物信息，因此，该种方法难以应用于实际，第三，现有技术还通过生成对抗网络，根据缺损区域构建完整的频谱环境地图，但该种方法不适用于障碍物发生位置变动的动态场景。
基于此，本申请提出了一种太赫兹频谱环境地图构建方法，构建包含障碍物的虚拟通信场景，其中，障碍物的位置可能会变动，获取所述虚拟通信场景的第一预设信息。根据所述第一预设信息对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，获得初步训练的第一生成对抗网络和第二生成对抗网络。获取实地通信场景中的第二预设信息，将所述第二预设信息带入到前面获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练完成的第一生成对抗网络和第二生成对抗网络，从而得到可以应用于构建高频的太赫兹频谱环境地图的两个生成对抗网络。
Figure 512402DEST_PATH_IMAGE001
为在所述待检测通信场景内的任意时刻，将所述待检测通信场景
Figure 836067DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 816137DEST_PATH_IMAGE003
时刻的障碍物信息，输入由前面获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 742504DEST_PATH_IMAGE001
时刻的太赫兹频谱环境估计地图，只需要上一时刻的太赫兹频谱环境真实地图和当前时刻的障碍物信息，就可以获得当前时刻的太赫兹频谱环境估计地图，无需反复部署无线电监测节点，和多次监测太赫兹信号接收功率，可以减小计算开销并降低通信延迟。如此，可以有效解决现有技术在构建太赫兹频谱环境地图时，存在的太赫兹频谱环境地图精度较低、计算开销大及通信延迟等问题。
第一方面，提供了一种太赫兹频谱环境地图构建方法，该方法包括：构建包含至少一个障碍物的虚拟通信场景，所述虚拟通信场景中的障碍物中的至少一个在任意时刻发生位置变动，获取所述虚拟通信场景的第一预设信息。根据所述第一预设信息对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，获得初步训练的第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络用于获得t时刻的估计缺损灰度图
Figure 697822DEST_PATH_IMAGE004
，所述估计缺损灰度图
Figure 51443DEST_PATH_IMAGE004
用于对第二生成对抗网络进行训练，所述第二生成对抗网络用于获得t时刻的太赫兹频谱环境估计地图
Figure 990580DEST_PATH_IMAGE005
，t为在所述虚拟通信场景内的时间。获取实地通信场景中的第二预设信息，将所述第二预设信息带入到前面获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练完成的第一生成对抗网络和第二生成对抗网络，其中，所述实地通信场景包含至少一个障碍物，且所述实地通信场景中的障碍物中的至少一个在任意时刻发生位置变动。将所述待检测通信场景
Figure 720639DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 796042DEST_PATH_IMAGE001
时刻的障碍物信息，输入由前面获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 320564DEST_PATH_IMAGE001
时刻的太赫兹频谱环境估计地图，其中，待检测通信场景包含至少一个障碍物且所述待检测通信场景中的障碍物中的至少一个在任意时刻发生位置变动，
Figure 809315DEST_PATH_IMAGE001
为在所述待检测通信场景内的任意时刻。
第二方面，还提供了一种太赫兹频谱环境地图构建设备，该设备包括一个或多个处理器；存储器；一个或多个应用程序。其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行前述方法。
综上所述，本申请至少具有如下技术效果：
1.本申请对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，并对其进行微调，然后根据待检测通信场景
Figure 952851DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 7395DEST_PATH_IMAGE001
时刻的障碍物信息，得到
Figure 109343DEST_PATH_IMAGE001
时刻的太赫兹频谱环境估计地图，只需要上一时刻的太赫兹频谱环境估计地图估计地图，就可以得到后续多个时刻的太赫兹频谱环境估计地图，无需反复部署无线电监测节点，和多次监测太赫兹信号接收功率，可以减小计算开销并降低通信延迟。
进一步地，所节省的计算开销可以用来调整波束方向或波束宽度宽度、规划非直射路径、部署太赫兹节点以及协作使用低频段信号等，从而以更低的通信延迟提高太赫兹信号的实时覆盖范围，满足移动宽带应用的高速数据传输需求。
2.构建虚拟通信场景，并获取虚拟通信场景的障碍物信息、太赫兹频谱环境真实地图，属于理论仿真方法，成本较低，时间较快，但通过仿真数据得到的结果可能会不符合实际。获取实地通信场景的障碍物信息、太赫兹频谱环境真实地图，需要在现实场景中获取实际数据，成本较高，时间较慢，但通过实际数据得到的结果更加精确。因此，本申请可以通过使用虚拟通信场景的仿真数据对第一生成对抗网络和第二生成对抗网络进行多次训练，并使用实地通信场景的实际数据对第一生成对抗网络和第二生成对抗网络进行较少次数的微调，既保证了第一生成对抗网络和第二生成对抗网络输出结果的精度，又不必较多次数地获取实地通信场景的实际数据，节约了成本和时间。
3.本申请根据待检测通信场景第1时刻的太赫兹频谱环境真实地图和第2时刻的障碍物信息，得到第2时刻的太赫兹频谱环境估计地图，只需要在第一时刻部署无线电监测节点监测太赫兹信号接收功率，通过无线电监测数据构建第一时刻的太赫兹频谱环境真实地图，就可以得到后续多个时刻的太赫兹频谱环境估计地图，无需反复部署无线电监测节点，和多次监测太赫兹信号接收功率，可以减小计算开销并降低通信延迟。
4.本申请通过太赫兹通感一体化系统感知障碍物信息，利用太赫兹信号的高精度感知能力，获得精度较高的障碍物信息，构建精度较高的太赫兹频谱环境地图。
5.本申请通过根据t-1时刻的太赫兹频谱环境真实地图、t时刻的障碍物信息，和t时刻的太赫兹频谱环境真实地图，对第一生成对抗网络和第二生成对抗网络进行训练，以获得可以应用于构建高频的太赫兹频谱环境地图的两个生成对抗网络。
6.本申请通过将上一时刻的太赫兹频谱环境真实地图、当前时刻的障碍物信息，输入训练完成的所述第一生成对抗网络和所述第二生成对抗网络，得到当前时刻的太赫兹频谱环境估计地图，相比现有技术中直接根据当前时刻的障碍物信息，使用一个生成对抗网络，得到当前时刻的频谱环境地图，本申请的方案构建的频谱环境地图更符合实际应用且更加精确。
7.本申请通过对第一生成对抗网络进行训练，使第一生成对抗网络基于障碍物位置变动获得当前时刻的估计缺损灰度图，并对第二生成对抗网络进行训练，使第二生成对抗网络根据第一生成对抗网络获得的当前时刻的估计缺损灰度图，获得当前时刻的太赫兹频谱环境估计地图，使本申请的方案可以应用于障碍物发生位置变动的动态场景。
因此，本申请提供的方案可以有效解决现有技术在构建太赫兹频谱环境地图时，存在的太赫兹频谱环境地图精度较低、计算开销大及通信延迟等问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例1提供的本申请实施例1提供的一种太赫兹频谱环境地图构建方法的流程示意图；
图2示出了本申请实施例1提供的构建虚拟通信场景并获取第一预设信息的流程示意图；
图3示出了本申请实施例1提供的障碍物位置变动前的虚拟通信场景的三维示意图；
图4示出了本申请实施例1提供的障碍物位置变动前的虚拟通信场景的俯视图；
图5示出了本申请实施例1提供的障碍物位置变动后的虚拟通信场景的三维示意图；
图6示出了本申请实施例1提供的障碍物位置变动后的虚拟通信场景的俯视图；
图7示出了本申请实施例2提供的太赫兹通感一体化系统监测实地通信场景数据的流程示意图；
图8示出了本申请实施例2提供的太赫兹通感一体化系统监测待检测通信场景数据的流程示意图；
图9示出了本申请实施例3提供的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下，首先对本申请涉及的技术术语进行介绍。
太赫兹，是指频率为0.1THz至10THz的电磁波。
通信感知一体化技术，是指基于软硬件资源共享或信息共享同时实现感知功能与通信功能的新型信息处理技术，可以有效提升系统频谱效率、硬件效率和信息处理效率。其中，感知功能的实现主要是通过分析无线电波的直射、反射、散射信号，从而获得目标对象的信息或环境的信息，具体地，可以获得目标对象的位置、距离、速度，还可以获得环境的图像。在通信感知一体化技术中，通信系统可以利用相同的频谱甚至复用硬件或信号处理模块完成不同类型的感知功能。而感知结果又可以用于辅助通信接入或管理，提高通信质量。
太赫兹频谱环境地图，是指表征信号功率谱密度在太赫兹频段上的时空频分布情况的地图。太赫兹频谱环境地图可以将其所提供的通信场景中障碍物分布情况和太赫兹信号传播情况应用于太赫兹通信系统，从而帮助提升太赫兹通信系统的覆盖范围。太赫兹频谱环境地图不仅可以展现通信场景中障碍物分布位置及其具体形状等信息，还可以反映太赫兹信号在当前通信场景下的传播情况。
目前，现有技术根据每个时刻无线电监测节点对太赫兹信号的接收功率进行检测，进而基于阴影衰落、信号衰减等推断出障碍物分布情况，然后再构建太赫兹频谱环境地图。但一方面，该种方法获得的障碍物信息精度较低，构建的太赫兹频谱环境地图精度也较低，另一方面，在障碍物发生位置变动的动态场景中，如行人移动的场景中，该种方法需要反复部署无线电监测节点，和多次监测太赫兹信号接收功率，这会导致极大的计算开销和通信延迟，影响通信数据的传输。
因此，为了解决上述缺陷，本申请实施例提供了太赫兹频谱环境地图构建方法，该方法包括：构建包含障碍物的虚拟通信场景，其中，障碍物的位置可能会变动，获取所述虚拟通信场景的第一预设信息，根据所述第一预设信息对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，获得初步训练的第一生成对抗网络和第二生成对抗网络,获取实地通信场景中的第二预设信息，将所述第二预设信息带入到前面获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练完成的第一生成对抗网络和第二生成对抗网络，从而得到可以应用于构建高频的太赫兹频谱环境地图的两个生成对抗网络，
Figure 882127DEST_PATH_IMAGE001
为在所述待检测通信场景内的任意时刻，将所述待检测通信场景
Figure 891671DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 941667DEST_PATH_IMAGE001
时刻的障碍物信息，输入由前面获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 73571DEST_PATH_IMAGE001
时刻的太赫兹频谱环境估计地图，只需要上一时刻的太赫兹频谱环境真实地图和当前时刻的障碍物信息，就可以获得当前时刻的太赫兹频谱环境估计地图，无需反复部署无线电监测节点，和多次监测太赫兹信号接收功率，可以减小计算开销并降低通信延迟。如此，可以有效解决现有技术在构建太赫兹频谱环境地图时，存在的太赫兹频谱环境地图精度较低、计算开销大及通信延迟等问题。
下面对本申请所涉及到的太赫兹频谱环境地图构建方法进行介绍。应说明的是：本申请方法步骤的标号并非为了限制其顺序，而是为了区分不同的步骤。并且，本申请并未限定太赫兹频谱环境地图的空间维度，即本申请得到的太赫兹频谱环境估计地图既可以被表征为二维通信场景下的功率谱密度分布情况，也可以被表征为三维通信场景下的功率谱密度分布情况；进一步的，本申请既可以在被简化为二维的通信场景中实现太赫兹频谱环境地图的平面构建，也可在实际三维通信场景中实现太赫兹频谱环境地图的立体构建。
实施例1
请参照图1，图1为本申请实施例1提供的一种太赫兹频谱环境地图构建方法的流程示意图。该太赫兹频谱环境地图构建方法可以包括以下步骤：
步骤S110：构建包含至少一个障碍物的虚拟通信场景，所述虚拟通信场景中的障碍物中的至少一个在任意时刻发生位置变动，获取所述虚拟通信场景的第一预设信息。
在示例性实施例中，所述第一预设信息包括：第1时刻至第
Figure 209017DEST_PATH_IMAGE006
时刻的障碍物信息，并根据第一预设方法获得所述虚拟通信场景第1时刻至第
Figure 22252DEST_PATH_IMAGE006
时刻的太赫兹频谱环境真实地图，其中，
Figure 51388DEST_PATH_IMAGE006
为第一预设时刻。
在本申请实施例中，虚拟通信场景可以通过软件仿真的方法构建。作为一种可选实施方式，如图2所示，图2为构建虚拟通信场景并获取第一预设信息的流程示意图。通过几何体外接球不相交的方法，在一个虚拟场景中随机设置至少一个障碍物，从而构建虚拟通信场景，若障碍物的数量为两个或两个以上，则两个或两个以上障碍物互不相交，且在障碍物中的至少一个位置变动后，所述两个或两个以上障碍物互不相交。
具体地，在一个被划分为
Figure 492209DEST_PATH_IMAGE007
个栅格的虚拟场景中，设定该场景对应的三维区域为
Figure 974006DEST_PATH_IMAGE008
，随机得到障碍物个数
Figure 590932DEST_PATH_IMAGE009
，在该场景的三维区域中，选取
Figure 349941DEST_PATH_IMAGE009
*8个点来逐个构造所需要的
Figure 89227DEST_PATH_IMAGE009
个障碍物，为了使障碍物两两不相交，运用几何体外接球不相交的方法，对障碍物的外接球两两进行比较，反复多次选取
Figure 933686DEST_PATH_IMAGE009
*8个顶点坐标后可以得到
Figure 88724DEST_PATH_IMAGE009
个不同形状、不同位置、互不相交的障碍物。
Figure 92452DEST_PATH_IMAGE009
可以为1，也可以为2或2以上。优选地，每个时刻使其中一个障碍物以50%的可能性进行随机移动，而其他障碍物及相应通信设置保持不变。即随机选取所设置好的一个障碍物，计算其质心位置，并得到质心和该障碍物8个顶点的关系。在保证其余障碍物的位置不变的情况下，随机选取质心位置，并再次运用几何体外接球不相交的方法进行判断，若该
Figure 878005DEST_PATH_IMAGE009
个障碍物依然互不相交，则确定选取的该质心位置为位置变动后的障碍物的质心位置，并且，该障碍物位置变动后，所有障碍物的形状并未改变。
因此，在
Figure 334395DEST_PATH_IMAGE010
时刻和
Figure 293123DEST_PATH_IMAGE011
时刻，三维区域
Figure 761145DEST_PATH_IMAGE012
与三维区域
Figure 842233DEST_PATH_IMAGE013
可能完全相同，也可能存在一个障碍物的位置不同。如图3和图4所示，图3示出了障碍物位置变动前的虚拟通信场景的三维示意图。图4示出了障碍物位置变动前的虚拟通信场景的俯视图。如图5和图6所示，图5示出了障碍物位置变动后的虚拟通信场景的三维示意图。图6示出了障碍物位置变动后的虚拟通信场景的俯视图。具体地，图3至图6展示了6个障碍物，根据对比可以看出，障碍物B发生位置变动。可选地，每个障碍物的位置、形状、高度等环境几何信息均能被该场景中以集中式或分布式部署的太赫兹通感一体化系统感知得到，且均被表征为一个六面体（如四棱柱、立方体等）。太赫兹通感一体化系统周期性的以太赫兹感知波形扫描整个空间，通过对回波信号的处理来计算得出若干点目标位置，进而通过目标聚类、反射/散射面成型、信息融合等方式获得每时刻下固定或移动障碍物的环境几何信息。
在第
Figure 661285DEST_PATH_IMAGE014
个时刻，将虚拟通信场景中的第
Figure 423704DEST_PATH_IMAGE015
个障碍物的顶点位置集合记为
Figure 136445DEST_PATH_IMAGE016
,并将其所包含的闭区域
Figure 998222DEST_PATH_IMAGE017
在太赫兹频谱环境地图中进行标记，例如，用灰色对其进行标记。
在虚拟通信场景中，障碍物之外任意位置的功率谱密度由位置x，频率f，时刻t共同决定，因此将障碍物之外x位置的功率谱密度记为
Figure 429204DEST_PATH_IMAGE018
，其中，位置x可以是栅格中心，或者将栅格视为一个点，该点的位置为x，x位置的功率谱密度记为
Figure 729735DEST_PATH_IMAGE018
，在太赫兹频谱环境地图中，可以建立jet颜色图和功率谱密度之间的映射关系，从而以jet颜色图中的颜色对功率谱密度进行标记，例如，在设定好的太赫兹传输窗口内，若一位置处的接收功率极大，则该位置处的功率谱密度极大，且其颜色呈深红色；若另一位置处的接收功率极小，则该位置处的功率谱密度极小，且其颜色呈深蓝色。
此外，为保证太赫兹频谱环境地图的一致性，障碍物处的功率谱密度为0，即
Figure 437928DEST_PATH_IMAGE019
，
Figure 595240DEST_PATH_IMAGE020
。因此，对于包括最大传输频率
Figure 385954DEST_PATH_IMAGE021
和最小传输频率
Figure 286914DEST_PATH_IMAGE022
的太赫兹传输窗
Figure 911930DEST_PATH_IMAGE023
而言，
Figure 381089DEST_PATH_IMAGE014
时刻下的太赫兹频谱环境真实地图可被表示为
Figure 521083DEST_PATH_IMAGE024
，并将其简记为
Figure 428996DEST_PATH_IMAGE025
。
当
Figure 846202DEST_PATH_IMAGE026
时，将t时刻的太赫兹频谱环境估计地图标记为
Figure 610896DEST_PATH_IMAGE027
，其中
Figure 113552DEST_PATH_IMAGE027
是
Figure 356315DEST_PATH_IMAGE028
的简记形式。
在本申请实施例中，
Figure 955923DEST_PATH_IMAGE029
时刻的太赫兹频谱环境估计地图的构建可以被表示为：
Figure 766885DEST_PATH_IMAGE031
，
即通过更改t时刻的太赫兹频谱环境估计地图
Figure 881471DEST_PATH_IMAGE032
来最小化太赫兹频谱环境估计地图
Figure 865608DEST_PATH_IMAGE032
与太赫兹频谱环境真实地图
Figure 257406DEST_PATH_IMAGE025
之间的均方误差。
如果虚拟通信场景中的障碍物未发生位置变动，即
Figure 98323DEST_PATH_IMAGE033
，则
Figure 841151DEST_PATH_IMAGE034
。
作为一种可选实施方式，第一预设方法可以是射线跟踪方法，所述根据第一预设方法获得所述虚拟通信场景第1时刻至第
Figure 628978DEST_PATH_IMAGE006
时刻的太赫兹频谱环境真实地图，可以包括：控制虚拟通信场景中处于随机位置的发射机发射模拟太赫兹信号的射线，其中，该射线可实现反射、散射等功能，并控制虚拟通信场景中的至少一个接收机对所述射线进行全向接收。具体而言，在发射机波束宽度内等角度的设置每条射线，例如，角度间隔可默认为0.25°，并基于射线跟踪算法让射线在前进的过程和物理环境的互动来建立信号传播路径。同时，规定波束在传播过程中发生反射、散射等功能的次数。待信号传播路径建立之后，便可结合收发距离、水蒸汽密度、障碍物材料等来计算接收功率。
然后，根据射线跟踪方法获得所述虚拟通信场景第1时刻至第
Figure 999917DEST_PATH_IMAGE006
时刻的各个区域的接收功率，并根据所述虚拟通信场景第1时刻至第
Figure 152681DEST_PATH_IMAGE006
时刻的各个区域的接收功率，获得所述虚拟通信场景第1时刻至第
Figure 976280DEST_PATH_IMAGE006
时刻的太赫兹频谱环境真实地图。
步骤S120：根据所述第一预设信息对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，获得初步训练的第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络用于获得t时刻的估计缺损灰度图
Figure 236973DEST_PATH_IMAGE035
，所述估计缺损灰度图
Figure 665680DEST_PATH_IMAGE035
用于对第二生成对抗网络进行训练，所述第二生成对抗网络用于获得t时刻的太赫兹频谱环境估计地图
Figure 848400DEST_PATH_IMAGE027
，t为在所述虚拟通信场景内的时间。
在本申请实施例中，第一生成对抗网络和第二生成对抗网络可以是在Goodfellow（古德费洛）提出的生成对抗网络的基础上进行训练的。
在本申请实施例中，估计缺损灰度图
Figure 565820DEST_PATH_IMAGE027
是指第一生成对抗网络对t时刻的太赫兹频谱环境地图，相对于t-1时刻的太赫兹频谱环境地图的变动区域的估计，具体地，是指虚拟通信场景中，每个位置的功率谱密度发生变化的概率的灰度图。若某一位置的功率谱密度发生变化的概率越大，则该灰度图中，该位置处对应的元素值越接近1，反之，越接近0。
在示例性实施例中，所述步骤S120包括子步骤S121至子步骤S124。
子步骤S121：令t=2，根据所述虚拟通信场景t-1时刻的太赫兹频谱环境真实地图
Figure 492188DEST_PATH_IMAGE036
、t时刻的障碍物信息
Figure 775402DEST_PATH_IMAGE037
和t时刻的太赫兹频谱环境真实地图
Figure 269968DEST_PATH_IMAGE038
，对所述第一生成对抗网络进行单独训练，获得
Figure 333739DEST_PATH_IMAGE039
，其中，
Figure 939164DEST_PATH_IMAGE040
为障碍物在所述虚拟通信场景中所处的闭区域，b为所述障碍物的序号，
Figure 873622DEST_PATH_IMAGE041
为所述虚拟通信场景中的障碍物个数，
Figure 866985DEST_PATH_IMAGE042
为从b=1至b=
Figure 27839DEST_PATH_IMAGE041
的
Figure 561589DEST_PATH_IMAGE041
个障碍物信息。
在示例性实施例中，根据
Figure 491499DEST_PATH_IMAGE043
和
Figure 452502DEST_PATH_IMAGE038
，获得所述虚拟通信场景t时刻的真实缺损灰度图
Figure 162969DEST_PATH_IMAGE044
。
在本申请实施例中，真实缺损灰度图
Figure 110196DEST_PATH_IMAGE044
是指t时刻的太赫兹频谱环境地图，相对于t-1时刻的太赫兹频谱环境地图的变动区域，若其中一位置的功率谱密度发生变化，则该灰度图中，该位置处对应的元素值为1，反之，为0。
将
Figure 550405DEST_PATH_IMAGE036
、
Figure 292096DEST_PATH_IMAGE037
输入所述第一生成对抗网络的生成器网络
Figure 755438DEST_PATH_IMAGE045
，使所述第一生成对抗网络的生成器网络
Figure 365411DEST_PATH_IMAGE045
输出
Figure 266983DEST_PATH_IMAGE046
，即
Figure 569789DEST_PATH_IMAGE047
，其中，
Figure 192531DEST_PATH_IMAGE048
为输入所述生成器网络
Figure 809457DEST_PATH_IMAGE045
的潜变量，且
Figure 693100DEST_PATH_IMAGE049
，即
Figure 307752DEST_PATH_IMAGE048
服从高斯分布，
Figure 276845DEST_PATH_IMAGE050
为所述生成器网络
Figure 431883DEST_PATH_IMAGE045
的神经网络参数。
将
Figure 310977DEST_PATH_IMAGE036
、
Figure 955585DEST_PATH_IMAGE037
输入所述第一生成对抗网络的鉴别器网络
Figure 287340DEST_PATH_IMAGE051
，并将
Figure 246069DEST_PATH_IMAGE039
或
Figure 104304DEST_PATH_IMAGE044
输入所述第一生成对抗网络的鉴别器网络
Figure 60758DEST_PATH_IMAGE051
，使所述第一生成对抗网络的鉴别器网络
Figure 4443DEST_PATH_IMAGE051
输出真假判断信息
Figure 501284DEST_PATH_IMAGE052
，即
Figure 89391DEST_PATH_IMAGE053
，其中，
Figure 341381DEST_PATH_IMAGE054
为所述鉴别器网络
Figure 647729DEST_PATH_IMAGE051
的神经网络参数，所述真假判断信息
Figure 948260DEST_PATH_IMAGE052
用于表示所述鉴别器网络
Figure 515507DEST_PATH_IMAGE051
对输入的
Figure 545256DEST_PATH_IMAGE039
或
Figure 729112DEST_PATH_IMAGE044
的真假判断。
在本申请实施例中，鉴别器网络
Figure 239859DEST_PATH_IMAGE051
可以输出预设实数来表示对输入的
Figure 130455DEST_PATH_IMAGE039
或
Figure 458668DEST_PATH_IMAGE044
的真假判断。
以第一对抗损失
Figure 739608DEST_PATH_IMAGE055
、第一重构损失
Figure 444259DEST_PATH_IMAGE056
、第一自适应损失
Figure 861465DEST_PATH_IMAGE057
对所述第一生成对抗网络进行单独训练，且采用wasserstein距离作为所述第一对抗损失
Figure 563841DEST_PATH_IMAGE055
的分布距离衡量函数，且
Figure 191132DEST_PATH_IMAGE058
Figure 309261DEST_PATH_IMAGE059
Figure 971186DEST_PATH_IMAGE060
，
Figure 844464DEST_PATH_IMAGE061
，
Figure 834417DEST_PATH_IMAGE062
Figure 615291DEST_PATH_IMAGE063
Figure 272669DEST_PATH_IMAGE064
，
其中，
Figure 316848DEST_PATH_IMAGE065
为所述第一生成对抗网络的惩罚因子，
Figure 918731DEST_PATH_IMAGE066
为所述第一生成对抗网络的重构因子，
Figure 378662DEST_PATH_IMAGE067
为所述第一生成对抗网络的自适应因子，
Figure 15180DEST_PATH_IMAGE068
，
Figure 230260DEST_PATH_IMAGE069
为服从分布
Figure 762234DEST_PATH_IMAGE070
的随机数，
Figure 150490DEST_PATH_IMAGE071
为
Figure 516880DEST_PATH_IMAGE072
在其概率分布下对以
Figure 699600DEST_PATH_IMAGE072
为自变量的函数
Figure 479337DEST_PATH_IMAGE073
的数学期望运算，
Figure 281071DEST_PATH_IMAGE074
为
Figure 626602DEST_PATH_IMAGE075
在其概率分布下对以
Figure 121168DEST_PATH_IMAGE075
为自变量的复合函数
Figure 919360DEST_PATH_IMAGE076
的数学期望运算，
Figure 587101DEST_PATH_IMAGE077
为
Figure 928084DEST_PATH_IMAGE078
在其概率分布下对以
Figure 718186DEST_PATH_IMAGE078
为自变量的函数
Figure 941356DEST_PATH_IMAGE079
的数学期望运算，
Figure 350472DEST_PATH_IMAGE080
为：对
Figure 405016DEST_PATH_IMAGE081
进行2范数运算，
Figure 241385DEST_PATH_IMAGE082
为微分算子，
Figure 14169DEST_PATH_IMAGE083
为
Figure 289292DEST_PATH_IMAGE075
在其概率分布下对以
Figure 73709DEST_PATH_IMAGE075
为自变量的函数
Figure 471192DEST_PATH_IMAGE084
的数学期望运算，
Figure 338129DEST_PATH_IMAGE085
为：对
Figure 213681DEST_PATH_IMAGE086
进行1范数运算，
Figure 446080DEST_PATH_IMAGE087
为
Figure 358672DEST_PATH_IMAGE075
在其概率分布下对以
Figure 371627DEST_PATH_IMAGE075
为自变量的函数
Figure 988554DEST_PATH_IMAGE088
的数学期望运算，
Figure 544300DEST_PATH_IMAGE089
为对
Figure 627793DEST_PATH_IMAGE090
进行对数运算，
Figure 596886DEST_PATH_IMAGE091
为
Figure 17503DEST_PATH_IMAGE075
在其概率分布下对以
Figure 631019DEST_PATH_IMAGE075
为自变量的函数
Figure 541206DEST_PATH_IMAGE092
的数学期望运算，
Figure 872961DEST_PATH_IMAGE093
为对
Figure 831690DEST_PATH_IMAGE094
进行对数运算；
所述第一生成对抗网络进行单独训练的训练目标为：
Figure 689924DEST_PATH_IMAGE095
，
其中，
Figure 646379DEST_PATH_IMAGE096
的含义为：通过更改
Figure 324485DEST_PATH_IMAGE097
的取值来最大化函数
Figure 86905DEST_PATH_IMAGE098
Figure 675012DEST_PATH_IMAGE099
的值，
Figure 927002DEST_PATH_IMAGE100
的含义为：通过更改
Figure 230420DEST_PATH_IMAGE101
的取值来最小化函数
Figure 327689DEST_PATH_IMAGE102
的值。
子步骤S122：根据
Figure 98199DEST_PATH_IMAGE043
、
Figure 396456DEST_PATH_IMAGE037
、
Figure 49154DEST_PATH_IMAGE103
，以及
Figure 153376DEST_PATH_IMAGE039
，对所述第二生成对抗网络进行单独训练，获得
Figure 716076DEST_PATH_IMAGE027
。
在示例性实施例中，将
Figure 309868DEST_PATH_IMAGE043
、
Figure 325229DEST_PATH_IMAGE037
、
Figure 967563DEST_PATH_IMAGE039
输入所述第二生成对抗网络的生成器网络
Figure 509402DEST_PATH_IMAGE104
，使所述第二生成对抗网络的生成器网络
Figure 149462DEST_PATH_IMAGE104
输出
Figure 776753DEST_PATH_IMAGE027
，即
Figure 222778DEST_PATH_IMAGE105
，其中，
Figure 760069DEST_PATH_IMAGE106
为输入所述生成器网络
Figure 695664DEST_PATH_IMAGE104
的潜变量，且
Figure 420038DEST_PATH_IMAGE107
，即
Figure 669754DEST_PATH_IMAGE106
服从高斯分布，
Figure 186186DEST_PATH_IMAGE108
为所述生成器网络
Figure 168048DEST_PATH_IMAGE104
的神经网络参数。
将
Figure 504351DEST_PATH_IMAGE036
、
Figure 292179DEST_PATH_IMAGE037
输入所述第二生成对抗网络的鉴别器网络
Figure 535554DEST_PATH_IMAGE109
，并将
Figure 812951DEST_PATH_IMAGE110
或
Figure 777496DEST_PATH_IMAGE038
输入所述第二生成对抗网络的鉴别器网络
Figure 103436DEST_PATH_IMAGE109
，使所述第二生成对抗网络的鉴别器网络
Figure 594460DEST_PATH_IMAGE109
输出真假判断信息
Figure 918125DEST_PATH_IMAGE111
，即
Figure 229020DEST_PATH_IMAGE112
，其中，
Figure 358650DEST_PATH_IMAGE113
为所述鉴别器网络
Figure 579547DEST_PATH_IMAGE109
的神经网络参数，所述真假判断信息
Figure 198748DEST_PATH_IMAGE111
用于表示所述鉴别器网络
Figure 872305DEST_PATH_IMAGE109
对输入的
Figure 805626DEST_PATH_IMAGE027
或
Figure 5664DEST_PATH_IMAGE038
的真假判断。
在本申请实施例中，鉴别器网络
Figure 671131DEST_PATH_IMAGE109
可以输出预设实数来表示对输入的
Figure 956619DEST_PATH_IMAGE027
或
Figure 693631DEST_PATH_IMAGE038
的真假判断。
以第二对抗损失
Figure 623541DEST_PATH_IMAGE114
、第二重构损失
Figure 584544DEST_PATH_IMAGE115
、第二空间通道损失
Figure 232694DEST_PATH_IMAGE116
对所述第二生成对抗网络进行单独训练，且采用wasserstein距离作为所述第二对抗损失
Figure 507817DEST_PATH_IMAGE114
的分布距离衡量函数，且
Figure 416867DEST_PATH_IMAGE117
Figure 686787DEST_PATH_IMAGE118
Figure 681288DEST_PATH_IMAGE119
，
Figure 760103DEST_PATH_IMAGE120
，
Figure 399025DEST_PATH_IMAGE121
Figure 967410DEST_PATH_IMAGE122
Figure 324573DEST_PATH_IMAGE123
，
其中，
Figure 941499DEST_PATH_IMAGE124
为基于
Figure 825142DEST_PATH_IMAGE125
的依据自注意力机制进行的通道注意力计算函数，
Figure 439794DEST_PATH_IMAGE126
为基于
Figure 408887DEST_PATH_IMAGE127
的依据自注意力机制进行的通道注意力计算函数，
Figure 501608DEST_PATH_IMAGE128
为基于
Figure 443019DEST_PATH_IMAGE125
的依据自注意力机制进行的空间注意力计算函数，
Figure 353206DEST_PATH_IMAGE129
为基于
Figure 684961DEST_PATH_IMAGE127
的依据自注意力机制进行的空间注意力计算函数，
Figure 440428DEST_PATH_IMAGE130
为所述第二生成对抗网络的惩罚因子，
Figure 501925DEST_PATH_IMAGE131
为所述第二生成对抗网络的重构因子，
Figure 927221DEST_PATH_IMAGE132
为所述第二生成对抗网络的空间通道因子，
Figure 136485DEST_PATH_IMAGE133
，
Figure 571009DEST_PATH_IMAGE134
为
Figure 487012DEST_PATH_IMAGE135
在其概率分布下对以
Figure 473423DEST_PATH_IMAGE135
为自变量的函数
Figure 776841DEST_PATH_IMAGE136
的数学期望运算，
Figure 874110DEST_PATH_IMAGE137
为
Figure 910199DEST_PATH_IMAGE138
在其概率分布下对以
Figure 942877DEST_PATH_IMAGE138
为自变量的复合函数
Figure 861154DEST_PATH_IMAGE139
的数学期望运算，
Figure 637480DEST_PATH_IMAGE140
为
Figure 528076DEST_PATH_IMAGE141
在其概率分布下对以
Figure 856289DEST_PATH_IMAGE141
为自变量的函数
Figure 871650DEST_PATH_IMAGE142
的数学期望运算，
Figure 576301DEST_PATH_IMAGE143
为：对
Figure 993507DEST_PATH_IMAGE144
进行2范数运算，
Figure 695883DEST_PATH_IMAGE145
为微分算子，
Figure 323174DEST_PATH_IMAGE146
为
Figure 706882DEST_PATH_IMAGE138
在其概率分布下对以
Figure 103228DEST_PATH_IMAGE138
为自变量的函数
Figure 976506DEST_PATH_IMAGE147
的数学期望运算，
Figure 966459DEST_PATH_IMAGE148
为：对
Figure 278491DEST_PATH_IMAGE149
进行1范数运算，
Figure 404710DEST_PATH_IMAGE150
为
Figure 448890DEST_PATH_IMAGE138
在其概率分布下对以
Figure 316352DEST_PATH_IMAGE138
为自变量的函数
Figure 773353DEST_PATH_IMAGE151
的数学期望运算，
Figure 144292DEST_PATH_IMAGE152
为对
Figure 359372DEST_PATH_IMAGE153
进行1范数运算，
Figure 323917DEST_PATH_IMAGE154
为
Figure 712173DEST_PATH_IMAGE138
在其概率分布下对以
Figure 812985DEST_PATH_IMAGE138
为自变量的函数
Figure 464546DEST_PATH_IMAGE155
的数学期望运算，
Figure 41021DEST_PATH_IMAGE155
为对
Figure 842755DEST_PATH_IMAGE156
进行1范数运算；
所述第二生成对抗网络进行单独训练的训练目标为：
Figure 188285DEST_PATH_IMAGE157
，
其中，
Figure 745169DEST_PATH_IMAGE158
的含义为：通过更改
Figure 418727DEST_PATH_IMAGE159
的取值来最大化函数
Figure 414364DEST_PATH_IMAGE160
Figure 489768DEST_PATH_IMAGE161
的值，
Figure 217552DEST_PATH_IMAGE162
的含义为：通过更改
Figure 503040DEST_PATH_IMAGE163
的取值来最小化函数
Figure 912156DEST_PATH_IMAGE164
的值。
子步骤S123：根据
Figure 966700DEST_PATH_IMAGE036
、
Figure 130965DEST_PATH_IMAGE037
、
Figure 779115DEST_PATH_IMAGE038
，对所述第一生成对抗网络和所述第二生成对抗网络进行联合训练。
在示例性实施例中，以第三对抗损失
Figure 850976DEST_PATH_IMAGE165
、第三重构损失
Figure 898042DEST_PATH_IMAGE166
、第三自适应损失
Figure 967629DEST_PATH_IMAGE167
、第三空间通道损失
Figure 227709DEST_PATH_IMAGE168
对所述第一生成对抗网络和所述第二生成对抗网络进行联合训练，且采用wasserstein距离作为所述第三对抗损失
Figure 978627DEST_PATH_IMAGE165
的分布距离衡量函数,且
所述第一生成对抗网络和所述第二生成对抗网络进行联合训练的训练目标为：
Figure 7763DEST_PATH_IMAGE169
Figure 513831DEST_PATH_IMAGE170
，
其中，
Figure 870994DEST_PATH_IMAGE171
，
Figure 550237DEST_PATH_IMAGE172
，
Figure 309246DEST_PATH_IMAGE173
，且
Figure 986215DEST_PATH_IMAGE174
的含义为：通过更改
Figure 955308DEST_PATH_IMAGE175
的取值来最大化函数
Figure 48029DEST_PATH_IMAGE176
的值，
Figure 51757DEST_PATH_IMAGE177
的含义为：通过更改
Figure 899627DEST_PATH_IMAGE178
和
Figure 231382DEST_PATH_IMAGE179
的取值来最小化函数
Figure 252428DEST_PATH_IMAGE180
的值。
子步骤S124：令
Figure 720450DEST_PATH_IMAGE181
，并再次执行步骤S121-S123，直至
Figure 739221DEST_PATH_IMAGE182
。
在本申请实施例中，生成器网络
Figure 682906DEST_PATH_IMAGE045
在初始化或更新后的神经网络参数（即神经元的权重与偏置、卷积核参数等）的作用下，将潜变量及相应条件信息转换为与真实缺损灰度图
Figure 383009DEST_PATH_IMAGE183
（服从真实数据分布）规格相同的估计缺损灰度图
Figure 95750DEST_PATH_IMAGE035
（服从生成器网络
Figure 19844DEST_PATH_IMAGE045
对真实数据分布隐式建模得到的分布），以及，生成器网络
Figure 346699DEST_PATH_IMAGE104
在初始化或更新后的神经网络参数（即神经元的权重与偏置、卷积核参数等）的作用下，将潜变量及相应条件信息转换为与太赫兹频谱环境真实地图（服从真实数据分布）规格相同的太赫兹频谱环境估计地图（服从生成器网络
Figure 709548DEST_PATH_IMAGE045
和
Figure 417741DEST_PATH_IMAGE104
对真实数据分布隐式建模得到的分布）。
在本申请实施例中，基于wasserstein距离对所服从的隐式建模分布和所服从的真实数据分布间的距离进行衡量。
进一步的，第一生成对抗网络和第二生成对抗网络通过潜变量学习真实数据分布，因此第一生成对抗网络和第二生成对抗网络采用生成器网络
Figure 512735DEST_PATH_IMAGE045
和
Figure 431013DEST_PATH_IMAGE104
分别和鉴别器网络
Figure 472918DEST_PATH_IMAGE184
和
Figure 894672DEST_PATH_IMAGE185
相互对抗的训练策略。具体地，鉴别器网络
Figure 98252DEST_PATH_IMAGE184
和
Figure 441508DEST_PATH_IMAGE185
分别期望最大化其正确鉴别的概率，而生成器网络
Figure 146159DEST_PATH_IMAGE045
和
Figure 563365DEST_PATH_IMAGE104
则分别期望最大化鉴别器网络
Figure 328059DEST_PATH_IMAGE184
和
Figure 830715DEST_PATH_IMAGE185
鉴别出错的概率。因此，在分别针对鉴别器网络
Figure 73478DEST_PATH_IMAGE184
和
Figure 673087DEST_PATH_IMAGE185
关于模拟样本或真实样本的不同鉴别结果的反馈下，鉴别器网络
Figure 218469DEST_PATH_IMAGE184
、
Figure 598634DEST_PATH_IMAGE185
和/或生成器网络
Figure 582771DEST_PATH_IMAGE045
、
Figure 974569DEST_PATH_IMAGE104
可不断提升其网络鉴别和/或生成能力。假如鉴别器网络
Figure 81065DEST_PATH_IMAGE184
和
Figure 555384DEST_PATH_IMAGE185
和生成器网络
Figure 139950DEST_PATH_IMAGE045
和
Figure 714150DEST_PATH_IMAGE104
具备足够的网络容量（即足够多的神经网络参数），则两者可实现动态平衡。此时生成器网络
Figure 601335DEST_PATH_IMAGE045
和
Figure 690514DEST_PATH_IMAGE104
隐性建模得到的分布收敛于真实数据分布，而鉴别器网络
Figure 282032DEST_PATH_IMAGE184
和
Figure 382843DEST_PATH_IMAGE185
不能正确的区分真实样本和模拟样本。
在本申请实施例中，对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，并对其进行微调，使其学得更符合所在通信场景电磁频谱环境特征的太赫兹频谱环境地图构建机制，从而降低传统方法反复构建太赫兹频谱环境地图时的计算开销和通信延迟，以及对应的构建误差。
步骤S130：获取实地通信场景中的第二预设信息，将所述第二预设信息带入到步骤S120获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练完成的第一生成对抗网络和第二生成对抗网络，其中，所述实地通信场景包含至少一个障碍物，且所述实地通信场景中的障碍物中的至少一个在任意时刻发生位置变动。
在本申请实施例中，实地通信场景是实际生活中的场景，既可以是室内场景，也可以是室外场景。
在本申请实施例中，对第一生成对抗网络和第二生成对抗网络进行微调的过程，与对第一生成对抗网络和第二生成对抗网络进行单独和联合训练的过程一样。由于构建虚拟通信场景，并获取虚拟通信场景的障碍物信息、太赫兹频谱环境真实地图，属于理论仿真方法，成本较低，时间较快，但通过仿真数据得到的结果可能会不符合实际，获取实地通信场景的障碍物信息、太赫兹频谱环境真实地图，需要在现实场景中获取实际数据，成本较高，时间较慢，但通过实际数据得到的结果更加精确。因此，本申请可以通过使用虚拟通信场景的仿真数据对第一生成对抗网络和第二生成对抗网络进行多次训练，并使用实地通信场景的实际数据对第一生成对抗网络和第二生成对抗网络进行较少次数的微调，既保证了第一生成对抗网络和第二生成对抗网络输出结果的精度，又不必较多次数地获取实地通信场景的实际数据，节约了成本和时间。
在示例性实施例中，所述第二预设信息包括：所述实地通信场景的
Figure 831142DEST_PATH_IMAGE186
时刻的太赫兹频谱环境真实地图、
Figure 282983DEST_PATH_IMAGE187
时刻的障碍物信息和
Figure 412613DEST_PATH_IMAGE188
时刻的太赫兹频谱环境真实地图，
Figure 492565DEST_PATH_IMAGE187
为在所述实地通信场景内的时间。
在示例性实施例中，所述步骤S130包括子步骤S131。
子步骤S131：在所述实地通信场景的
Figure 252710DEST_PATH_IMAGE187
时刻的障碍物信息与
Figure 50902DEST_PATH_IMAGE186
时刻的障碍物信息相比，存在至少一个障碍物发生位置变动时，将所述第二预设信息带入到步骤S120获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练得到的第一生成对抗网络和第二生成对抗网络。
若
Figure 984223DEST_PATH_IMAGE187
时刻的障碍物信息与
Figure 794047DEST_PATH_IMAGE186
时刻的障碍物信息没有发生改变，那么
Figure 849728DEST_PATH_IMAGE187
时刻的第二预设信息与
Figure 10582DEST_PATH_IMAGE186
时刻的第二预设信息没有发生改变，此时的第二预设信息无法起到较好的微调效果，为了起到根据现实场景中的实际数据对第一生成对抗网络和第二生成对抗网络微调校正的作用，就需要多获取一些第二预设信息，并多进行几次微调。因此，本申请在所述实地通信场景的
Figure 482014DEST_PATH_IMAGE187
时刻的障碍物信息与
Figure 536558DEST_PATH_IMAGE186
时刻的障碍物信息相比，存在至少一个障碍物发生位置变动时，才进行微调，节省了进行微调的次数，从而节约了成本和时间。
步骤S140：将所述待检测通信场景
Figure 638506DEST_PATH_IMAGE189
时刻的太赫兹频谱环境估计地图和
Figure 145711DEST_PATH_IMAGE190
时刻的障碍物信息，输入由步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 420835DEST_PATH_IMAGE190
时刻的太赫兹频谱环境估计地图，其中，待检测通信场景包含至少一个障碍物且所述待检测通信场景中的障碍物中的至少一个在任意时刻发生位置变动，
Figure 467900DEST_PATH_IMAGE190
为在所述待检测通信场景内的任意时刻。
作为一种可选实施方式，
Figure 599805DEST_PATH_IMAGE190
可以为在所述待检测通信场景内第2时刻之后（不包含第2时刻）的任意时刻，则：在获得2时刻的太赫兹频谱环境估计地图时，输入的可以是第1时刻的太赫兹频谱环境估计地图，也可以是第1时刻的太赫兹频谱环境真实地图。
作为另一种可选实施方式，
Figure 735251DEST_PATH_IMAGE190
可以为在所述待检测通信场景内第1时刻之后（不包含第1时刻）的任意时刻，则：在获得2时刻的太赫兹频谱环境估计地图时，输入的是第一时刻的太赫兹频谱环境估计地图。
在本申请实施例中，待检测通信场景是实际生活中的场景，既可以是室内场景，也可以是室外场景。待检测通信场景可以是实地通信场景，也可以不是，本申请对此不做限制。
在示例性实施例中，所述步骤S140包括子步骤S141。
子步骤S141：在
Figure 548486DEST_PATH_IMAGE191
时，在所述待检测通信场景内的第2时刻，将所述待检测通信场景第1时刻的太赫兹频谱环境真实地图和第2时刻的障碍物信息，输入由所述步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到第2时刻的太赫兹频谱环境估计地图。
在示例性实施例中，所述步骤S140包括子步骤S142和子步骤S143。
子步骤S142：令
Figure 577622DEST_PATH_IMAGE192
，将所述待检测通信场景
Figure 755793DEST_PATH_IMAGE189
时刻的太赫兹频谱环境估计地图和
Figure 503170DEST_PATH_IMAGE190
时刻的障碍物信息，输入由步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 120096DEST_PATH_IMAGE190
时刻的太赫兹频谱环境估计地图。
子步骤S143：再次执行子步骤S142，如此重复直至
Figure 879104DEST_PATH_IMAGE193
，其中，
Figure 618390DEST_PATH_IMAGE194
为第三预设时刻。
在本申请实施例中，只有第1时刻输入的地图是真实地图
Figure 462849DEST_PATH_IMAGE195
，后续时刻输入的地图是由第一生成对抗网络和第二生成对抗网络获得的估计地图
Figure 617887DEST_PATH_IMAGE196
，若以
Figure 621615DEST_PATH_IMAGE197
来表示
Figure 141590DEST_PATH_IMAGE190
时刻的太赫兹频谱环境估计地图，则
Figure 597979DEST_PATH_IMAGE190
时刻的太赫兹频谱环境估计地图是由
Figure 556707DEST_PATH_IMAGE190
次对
Figure 555887DEST_PATH_IMAGE198
的递归调用实现，即：
Figure 371397DEST_PATH_IMAGE199
Figure 518344DEST_PATH_IMAGE200
。
而每个时刻的太赫兹频谱环境估计地图相较于太赫兹频谱环境真实地图，可能会存在一定的误差，为避免误差的连续传递，本申请还可以设置第三预设时刻
Figure 687289DEST_PATH_IMAGE201
作为时间阈值，当
Figure 665609DEST_PATH_IMAGE202
时，重新部署无线电监测节点，检测每个位置处的太赫兹信号接收功率，并使
Figure 524456DEST_PATH_IMAGE203
，或使
Figure 158700DEST_PATH_IMAGE204
，重新执行步骤S140。
因此，本申请根据待检测通信场景第1时刻的太赫兹频谱环境真实地图和第2时刻的障碍物信息，得到第2时刻的太赫兹频谱环境估计地图，并根据第
Figure 255969DEST_PATH_IMAGE189
时刻的太赫兹频谱环境估计地图和
Figure 964162DEST_PATH_IMAGE190
时刻的障碍物信息，得到
Figure 121473DEST_PATH_IMAGE190
时刻的太赫兹频谱环境估计地图，只需要在第一时刻部署无线电监测节点监测太赫兹信号接收功率，通过无线电监测数据构建第一时刻的太赫兹频谱环境真实地图，就可以得到后续多个时刻的太赫兹频谱环境估计地图，无需反复部署无线电监测节点，和多次监测太赫兹信号接收功率，可以减小计算开销并降低通信延迟。
进一步地，所节省的计算开销可以用来调整波束方向或波束宽度宽度、规划非直射路径、部署太赫兹节点以及协作使用低频段信号等，从而以更低的通信延迟提高太赫兹信号的实时覆盖范围，满足移动宽带应用的高速数据传输需求。
实施例2
本申请实施例2也提供了一种太赫兹频谱环境地图构建方法，在实施例1的基础上，实施例2还包括：
在示例性实施例中，所述实地通信场景中设置有太赫兹通感一体化系统，所述实地通信场景
Figure 243013DEST_PATH_IMAGE187
时刻的障碍物信息由所述实地通信场景中的太赫兹通感一体化系统获得，所述实地通信场景
Figure 753760DEST_PATH_IMAGE186
时刻和
Figure 706673DEST_PATH_IMAGE187
时刻的太赫兹频谱环境真实地图由所述实地通信场景中的太赫兹通感一体化系统以及部署在实地通信场景中的监测节点监测的数据获得。
具体地，如图7所示，图7为太赫兹通感一体化系统监测实地通信场景数据的流程示意图，实地通信场景中设置的太赫兹通感一体化系统被部署于太赫兹通感一体化基站上，因此实地通信场景中的太赫兹通感一体化基站发送周期性的太赫兹信号扫描实地通信场景，从而与部署在实地通信场景中的若干无线电监测节点进行通信，同时在第1时刻至第
Figure 910252DEST_PATH_IMAGE205
时刻的每个通信时刻来实时感知实地通信场景的障碍物信息；实地通信场景中的无线电监测节点通过与实地通信场景中的太赫兹通感一体化基站通信，获得实地通信场景第1时刻至第
Figure 253509DEST_PATH_IMAGE205
时刻的各个区域的接收功率；根据实地通信场景第1时刻至第
Figure 958159DEST_PATH_IMAGE205
时刻中每个时刻的各个区域的接收功率，分别获得实地通信场景第1时刻至第
Figure 640945DEST_PATH_IMAGE205
时刻的太赫兹频谱环境真实地图。
在所述实地通信场景的
Figure 140059DEST_PATH_IMAGE187
时刻的障碍物信息与
Figure 970612DEST_PATH_IMAGE186
时刻的障碍物信息相比，存在至少一个障碍物发生位置变动时，将实地通信场景的
Figure 88741DEST_PATH_IMAGE186
时刻的太赫兹频谱环境真实地图、
Figure 750666DEST_PATH_IMAGE187
时刻的障碍物信息和
Figure 296048DEST_PATH_IMAGE187
时刻的太赫兹频谱环境真实地图带入到步骤S120获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练得到的第一生成对抗网络和第二生成对抗网络。
具体地，太赫兹通感一体化系统在感知障碍物信息时，可以借助同步信号块来实现感知功能。太赫兹通感一体化基站通过接收和处理若干波束方向的回波信号来得到对应若干波束方向点目标的位置、速度、材料等信息。通过对上述信息进行聚类，可得到归属于不同反射面的点目标类别信息。进一步的，在每个类别中，通过对若干点目标位置进行计算，可得到其所在反射面的平面方程和顶点位置，由此可得到障碍物的位置、形状等信息。虽然感知得到的障碍物信息是有误差的，但是太赫兹通感一体化系统的感知精度相对较高，因此获得的障碍物信息也更精确。
在示例性实施例中，所述待检测通信场景中设置有太赫兹通感一体化系统，所述待检测通信场景
Figure 613897DEST_PATH_IMAGE190
时刻的障碍物信息由所述待检测通信场景中的太赫兹通感一体化系统获得，所述待检测通信场景
Figure 660350DEST_PATH_IMAGE189
时刻的太赫兹频谱环境估计地图由所述步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络获得，所述待检测通信场景第1时刻的太赫兹频谱环境真实地图由所述待检测通信场景中的太赫兹通感一体化系统以及部署在待检测通信场景中的监测节点监测的数据获得。
具体地，如图8所示，图8为太赫兹通感一体化系统监测待检测通信场景数据的流程示意图，待检测通信场景中设置的太赫兹通感一体化系统被部署于太赫兹通感一体化基站上，因此待检测通信场景中的太赫兹通感一体化基站发送周期性的太赫兹信号扫描待检测通信场景，从而在
Figure 52149DEST_PATH_IMAGE190
时刻与待检测通信场景中的用户进行通信，并同时感知待检测通信场景
Figure 96328DEST_PATH_IMAGE190
时刻的障碍物信息。虽然感知得到的障碍物信息是有误差的，但是太赫兹通感一体化系统的感知精度相对较高，因此获得的障碍物信息也更精确。
相比于现有技术直接根据当前时刻的障碍物信息，使用一个生成对抗网络构建当前时刻的频谱环境地图，现有技术难以实时获得完全准确的障碍物信息，因此难以应用于实际，而本申请实施例通过太赫兹通感一体化系统获取精度较高的障碍物信息，更符合实际。
在待检测通信场景的第1时刻，额外部署若干无线电监测节点与所述待检测通信场景中的太赫兹通感一体化基站通信，获得待检测通信场景第1时刻的各个区域的接收功率；根据待检测通信场景第1时刻的各个区域的接收功率，获得待检测通信场景第1时刻的太赫兹频谱环境真实地图。
在所述待检测通信场景内的第2时刻，将所述待检测通信场景第1时刻的太赫兹频谱环境真实地图和第2时刻的障碍物信息，输入由所述步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到第2时刻的太赫兹频谱环境估计地图。
将所述待检测通信场景
Figure 698211DEST_PATH_IMAGE189
时刻的太赫兹频谱环境估计地图和
Figure 420791DEST_PATH_IMAGE190
时刻的障碍物信息，输入由步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 791730DEST_PATH_IMAGE190
时刻的太赫兹频谱环境估计地图，其中，待检测通信场景包含至少一个障碍物且所述待检测通信场景中的障碍物中的至少一个在任意时刻发生位置变动，在该实施例中，
Figure 6811DEST_PATH_IMAGE190
可以为在所述待检测通信场景内第2时刻之后（不包含第2时刻）的任意时刻。
本申请实施例提供的方法通过太赫兹通感一体化系统感知障碍物信息，利用太赫兹信号的高精度感知能力，获得精度较高的障碍物信息，构建精度较高的太赫兹频谱环境地图。并且，若由太赫兹通感一体化系统执行本申请实施例提供的太赫兹频谱环境地图构建方法，则构建的太赫兹频谱环境地图可以直接用于太赫兹通感一体化系统的通信功能，相比于现有技术由其他系统构建频谱环境地图，再将频谱环境地图传输至通信系统，可以节省时间。
实施例3
请参照图9，图9为本申请实施例3提供的一种电子设备900的结构框图。本申请中的电子设备900可以包括一个或多个如下部件：处理器910、存储器920、以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器920中并被配置为由一个或多个处理器910执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器910可以包括一个或者多个处理核。处理器910利用各种接口和线路连接整个电子设备900内的各个部分，通过运行或执行存储在存储器920内的指令、程序、代码集或指令集，以及调用存储在存储器920内的数据，执行电子设备900的各种功能和处理数据。可选地，处理器910可以采用数字信号处理（Digital Signal Processing, DSP）、现场可编程门阵列（Field－Programmable Gate Array, FPGA）、可编程逻辑阵列（ProgrammableLogic Array, PLA）中的至少一种硬件形式来实现。处理器910可集成中央处理器（CentralProcessing Unit, CPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器910中，单独通过一块通信芯片进行实现。
存储器920可以包括随机存储器（Random Access Memory, RAM），也可以包括只读存储器（Read-Only Memory, ROM）。存储器920可用于存储指令、程序、代码、代码集或指令集。存储器920可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备900在使用中所创建的数据等。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种太赫兹频谱环境地图构建方法，其特征在于，所述方法包括：
S110.构建包含至少一个障碍物的虚拟通信场景，所述虚拟通信场景中的障碍物中的至少一个在任意时刻发生位置变动，获取所述虚拟通信场景的第一预设信息；
S120.根据所述第一预设信息对第一生成对抗网络和第二生成对抗网络进行单独和联合训练，获得初步训练的第一生成对抗网络和第二生成对抗网络,所述第一生成对抗网络用于获得t时刻的估计缺损灰度图
Figure 683444DEST_PATH_IMAGE001
，所述估计缺损灰度图
Figure 178011DEST_PATH_IMAGE001
用于对第二生成对抗网络进行训练，所述第二生成对抗网络用于获得t时刻的太赫兹频谱环境估计地图
Figure 241782DEST_PATH_IMAGE002
，t为在所述虚拟通信场景内的时间；
S130.获取实地通信场景中的第二预设信息，将所述第二预设信息带入到步骤S120获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练完成的第一生成对抗网络和第二生成对抗网络，其中，所述实地通信场景包含至少一个障碍物，且所述实地通信场景中的障碍物中的至少一个在任意时刻发生位置变动；
S140.将待检测通信场景
Figure 597939DEST_PATH_IMAGE003
时刻的太赫兹频谱环境估计地图和
Figure 938922DEST_PATH_IMAGE004
时刻的障碍物信息，输入由步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络,得到
Figure 463444DEST_PATH_IMAGE005
时刻的太赫兹频谱环境估计地图，其中，所述待检测通信场景包含至少一个障碍物且所述待检测通信场景中的障碍物中的至少一个在任意时刻发生位置变动，
Figure 139145DEST_PATH_IMAGE005
为在所述待检测通信场景内的任意时刻。
2.根据权利要求1所述的太赫兹频谱环境地图构建方法，其特征在于，所述第一预设信息包括：第1时刻至第
Figure 672894DEST_PATH_IMAGE006
时刻的障碍物信息，并根据第一预设方法获得所述虚拟通信场景第1时刻至第
Figure 868383DEST_PATH_IMAGE006
时刻的太赫兹频谱环境真实地图，其中，
Figure 189906DEST_PATH_IMAGE006
为第一预设时刻；
所述第二预设信息包括：所述实地通信场景的
Figure 228269DEST_PATH_IMAGE007
时刻的太赫兹频谱环境真实地图、
Figure 175496DEST_PATH_IMAGE008
时刻的障碍物信息和
Figure 474759DEST_PATH_IMAGE008
时刻的太赫兹频谱环境真实地图，
Figure 606663DEST_PATH_IMAGE008
为在所述实地通信场景内的时间。
3.根据权利要求2所述的太赫兹频谱环境地图构建方法，其特征在于，所述步骤S120包括S121至S124：
S121.令t=2，根据所述虚拟通信场景t-1时刻的太赫兹频谱环境真实地图
Figure 742110DEST_PATH_IMAGE009
、t时刻的障碍物信息
Figure 617662DEST_PATH_IMAGE010
和t时刻的太赫兹频谱环境真实地图
Figure 272896DEST_PATH_IMAGE011
，对所述第一生成对抗网络进行单独训练，获得
Figure 451068DEST_PATH_IMAGE012
，其中，
Figure 198444DEST_PATH_IMAGE013
为障碍物在所述虚拟通信场景中所处的闭区域，b为所述障碍物的序号，
Figure 2321DEST_PATH_IMAGE014
为所述虚拟通信场景中的障碍物个数，
Figure 761329DEST_PATH_IMAGE010
为从b=1至b=
Figure 500615DEST_PATH_IMAGE014
的
Figure 84088DEST_PATH_IMAGE014
个障碍物信息；
S122.根据
Figure 442388DEST_PATH_IMAGE009
、
Figure 180537DEST_PATH_IMAGE010
、
Figure 215358DEST_PATH_IMAGE011
，以及
Figure 812693DEST_PATH_IMAGE012
，对所述第二生成对抗网络进行单独训练，获得
Figure 568159DEST_PATH_IMAGE015
；
S123.根据
Figure 318072DEST_PATH_IMAGE009
、
Figure 868002DEST_PATH_IMAGE010
、
Figure 952632DEST_PATH_IMAGE011
，对所述第一生成对抗网络和所述第二生成对抗网络进行联合训练；
S124.令
Figure 636423DEST_PATH_IMAGE016
，并再次执行步骤S121-S123，直至
Figure 614744DEST_PATH_IMAGE017
。
4.根据权利要求3所述的太赫兹频谱环境地图构建方法，其特征在于，所述步骤S121包括：
根据
Figure 476520DEST_PATH_IMAGE009
和
Figure 533600DEST_PATH_IMAGE011
，获得所述虚拟通信场景t时刻的真实缺损灰度图
Figure 896449DEST_PATH_IMAGE018
；
将
Figure 604642DEST_PATH_IMAGE009
、
Figure 152166DEST_PATH_IMAGE010
输入所述第一生成对抗网络的生成器网络
Figure 804865DEST_PATH_IMAGE019
，使所述第一生成对抗网络的生成器网络
Figure 846770DEST_PATH_IMAGE019
输出
Figure 534103DEST_PATH_IMAGE012
，即
Figure 753994DEST_PATH_IMAGE020
，其中，
Figure 769355DEST_PATH_IMAGE021
为输入所述生成器网络
Figure 474006DEST_PATH_IMAGE019
的潜变量，且
Figure 140479DEST_PATH_IMAGE022
，即
Figure 780539DEST_PATH_IMAGE021
服从高斯分布，
Figure 407830DEST_PATH_IMAGE023
为所述生成器网络
Figure 542270DEST_PATH_IMAGE019
的神经网络参数；
将
Figure 79562DEST_PATH_IMAGE009
、
Figure 749577DEST_PATH_IMAGE010
输入所述第一生成对抗网络的鉴别器网络
Figure 254377DEST_PATH_IMAGE024
，并将
Figure 441776DEST_PATH_IMAGE012
或
Figure 692629DEST_PATH_IMAGE018
输入所述第一生成对抗网络的鉴别器网络
Figure 425223DEST_PATH_IMAGE024
，使所述第一生成对抗网络的鉴别器网络
Figure 27106DEST_PATH_IMAGE024
输出真假判断信息
Figure 752617DEST_PATH_IMAGE025
，即
Figure 248189DEST_PATH_IMAGE026
，其中，
Figure 525586DEST_PATH_IMAGE027
为所述鉴别器网络
Figure 490131DEST_PATH_IMAGE024
的神经网络参数，所述真假判断信息
Figure 504486DEST_PATH_IMAGE025
用于表示所述鉴别器网络
Figure 995510DEST_PATH_IMAGE024
对输入的
Figure 319175DEST_PATH_IMAGE012
或
Figure 630071DEST_PATH_IMAGE018
的真假判断；
以第一对抗损失
Figure 946652DEST_PATH_IMAGE028
、第一重构损失
Figure 433128DEST_PATH_IMAGE029
、第一自适应损失
Figure 786749DEST_PATH_IMAGE030
对所述第一生成对抗网络进行单独训练，且采用wasserstein距离作为所述第一对抗损失
Figure 476618DEST_PATH_IMAGE028
的分布距离衡量函数，且
Figure 82043DEST_PATH_IMAGE031
Figure 547660DEST_PATH_IMAGE032
Figure 196816DEST_PATH_IMAGE033
，
Figure 623249DEST_PATH_IMAGE034
，
Figure 891419DEST_PATH_IMAGE035
Figure 849359DEST_PATH_IMAGE036
Figure 810362DEST_PATH_IMAGE037
，
其中，
Figure 724092DEST_PATH_IMAGE038
为所述第一生成对抗网络的惩罚因子，
Figure 655007DEST_PATH_IMAGE039
为所述第一生成对抗网络的重构因子，
Figure 95216DEST_PATH_IMAGE040
为所述第一生成对抗网络的自适应因子，
Figure 102486DEST_PATH_IMAGE041
，
Figure 988665DEST_PATH_IMAGE042
为服从分布
Figure 864217DEST_PATH_IMAGE043
的随机数，
Figure 768719DEST_PATH_IMAGE044
为
Figure 992896DEST_PATH_IMAGE045
在其概率分布下对以
Figure 350059DEST_PATH_IMAGE045
为自变量的函数
Figure 29302DEST_PATH_IMAGE046
的数学期望运算，
Figure 539043DEST_PATH_IMAGE047
为
Figure 153695DEST_PATH_IMAGE048
在其概率分布下对以
Figure 388367DEST_PATH_IMAGE048
为自变量的复合函数
Figure 464777DEST_PATH_IMAGE049
的数学期望运算，
Figure 609450DEST_PATH_IMAGE050
为
Figure 254058DEST_PATH_IMAGE051
在其概率分布下对以
Figure 602125DEST_PATH_IMAGE051
为自变量的函数
Figure 357592DEST_PATH_IMAGE052
的数学期望运算，
Figure 91192DEST_PATH_IMAGE053
为：对
Figure 31335DEST_PATH_IMAGE054
进行2范数运算，
Figure 240600DEST_PATH_IMAGE055
为微分算子，
Figure 675123DEST_PATH_IMAGE056
为
Figure 279542DEST_PATH_IMAGE048
在其概率分布下对以
Figure 374DEST_PATH_IMAGE048
为自变量的函数
Figure 572300DEST_PATH_IMAGE057
的数学期望运算，
Figure 669569DEST_PATH_IMAGE058
为：对
Figure 892609DEST_PATH_IMAGE059
进行1范数运算，
Figure 659708DEST_PATH_IMAGE060
为
Figure 843565DEST_PATH_IMAGE048
在其概率分布下对以
Figure 370623DEST_PATH_IMAGE048
为自变量的函数
Figure 933323DEST_PATH_IMAGE061
的数学期望运算，
Figure 261536DEST_PATH_IMAGE062
为对
Figure 791743DEST_PATH_IMAGE063
进行对数运算，
Figure 496394DEST_PATH_IMAGE064
为
Figure 179179DEST_PATH_IMAGE048
在其概率分布下对以
Figure 569972DEST_PATH_IMAGE048
为自变量的函数
Figure 197262DEST_PATH_IMAGE065
的数学期望运算，
Figure 315391DEST_PATH_IMAGE066
为对
Figure 101950DEST_PATH_IMAGE067
进行对数运算；
所述第一生成对抗网络进行单独训练的训练目标为：
Figure 771966DEST_PATH_IMAGE068
，
其中，
Figure 27498DEST_PATH_IMAGE069
的含义为：通过更改
Figure 700050DEST_PATH_IMAGE070
的取值来最大化函数
Figure 216482DEST_PATH_IMAGE071
Figure 198344DEST_PATH_IMAGE072
的值，
Figure 800227DEST_PATH_IMAGE073
的含义为：通过更改
Figure 775005DEST_PATH_IMAGE074
的取值来最小化函数
Figure 21310DEST_PATH_IMAGE075
的值。
5.根据权利要求4所述的太赫兹频谱环境地图构建方法，其特征在于，所述步骤S122还包括：
将
Figure 298707DEST_PATH_IMAGE009
、
Figure 736687DEST_PATH_IMAGE076
、
Figure 265888DEST_PATH_IMAGE012
输入所述第二生成对抗网络的生成器网络
Figure 491333DEST_PATH_IMAGE077
，使所述第二生成对抗网络的生成器网络
Figure 64266DEST_PATH_IMAGE077
输出
Figure 781686DEST_PATH_IMAGE002
，即
Figure 708054DEST_PATH_IMAGE078
，其中，
Figure 679683DEST_PATH_IMAGE079
为输入所述生成器网络
Figure 298883DEST_PATH_IMAGE077
的潜变量，且
Figure 238020DEST_PATH_IMAGE080
，即
Figure 92713DEST_PATH_IMAGE079
服从高斯分布，
Figure 292750DEST_PATH_IMAGE081
为所述生成器网络
Figure 958218DEST_PATH_IMAGE077
的神经网络参数；
将
Figure 135383DEST_PATH_IMAGE009
、
Figure 669133DEST_PATH_IMAGE010
输入所述第二生成对抗网络的鉴别器网络
Figure 599043DEST_PATH_IMAGE082
，并将
Figure 950259DEST_PATH_IMAGE002
或
Figure 457463DEST_PATH_IMAGE011
输入所述第二生成对抗网络的鉴别器网络
Figure 670270DEST_PATH_IMAGE082
，使所述第二生成对抗网络的鉴别器网络
Figure 844899DEST_PATH_IMAGE082
输出真假判断信息
Figure 602902DEST_PATH_IMAGE083
，即
Figure 738348DEST_PATH_IMAGE084
，其中，
Figure 613900DEST_PATH_IMAGE085
为所述鉴别器网络
Figure 767670DEST_PATH_IMAGE082
的神经网络参数，所述真假判断信息
Figure 945842DEST_PATH_IMAGE083
用于表示所述鉴别器网络
Figure 693218DEST_PATH_IMAGE082
对输入的
Figure 998559DEST_PATH_IMAGE002
或
Figure 882202DEST_PATH_IMAGE011
的真假判断；
以第二对抗损失
Figure 496854DEST_PATH_IMAGE086
、第二重构损失
Figure 590581DEST_PATH_IMAGE087
、第二空间通道损失
Figure 807935DEST_PATH_IMAGE088
对所述第二生成对抗网络进行单独训练，且采用wasserstein距离作为所述第二对抗损失
Figure 687030DEST_PATH_IMAGE086
的分布距离衡量函数，且
Figure 957736DEST_PATH_IMAGE089
Figure 414126DEST_PATH_IMAGE090
Figure 310537DEST_PATH_IMAGE091
，
Figure 168772DEST_PATH_IMAGE092
，
Figure 374494DEST_PATH_IMAGE093
Figure 193546DEST_PATH_IMAGE094
Figure 752703DEST_PATH_IMAGE095
，
其中，
Figure 91543DEST_PATH_IMAGE096
为基于
Figure 218899DEST_PATH_IMAGE097
的依据自注意力机制进行的通道注意力计算函数，
Figure 649880DEST_PATH_IMAGE098
为基于
Figure 137362DEST_PATH_IMAGE099
的依据自注意力机制进行的通道注意力计算函数，
Figure 704610DEST_PATH_IMAGE100
为基于
Figure 2867DEST_PATH_IMAGE097
的依据自注意力机制进行的空间注意力计算函数，
Figure 547243DEST_PATH_IMAGE101
为基于
Figure 448203DEST_PATH_IMAGE099
的依据自注意力机制进行的空间注意力计算函数，
Figure 10902DEST_PATH_IMAGE102
为所述第二生成对抗网络的惩罚因子，
Figure 729329DEST_PATH_IMAGE103
为所述第二生成对抗网络的重构因子，
Figure 869323DEST_PATH_IMAGE104
为所述第二生成对抗网络的空间通道因子，
Figure 714919DEST_PATH_IMAGE105
，
Figure 256759DEST_PATH_IMAGE106
为
Figure 659270DEST_PATH_IMAGE107
在其概率分布下对以
Figure 427506DEST_PATH_IMAGE107
为自变量的函数
Figure 404689DEST_PATH_IMAGE108
的数学期望运算，
Figure 456828DEST_PATH_IMAGE109
为
Figure 2210DEST_PATH_IMAGE110
在其概率分布下对以
Figure 382375DEST_PATH_IMAGE110
为自变量的复合函数
Figure 789348DEST_PATH_IMAGE111
的数学期望运算，
Figure 446726DEST_PATH_IMAGE112
为
Figure 553222DEST_PATH_IMAGE113
在其概率分布下对以
Figure 279738DEST_PATH_IMAGE113
为自变量的函数
Figure 5249DEST_PATH_IMAGE114
的数学期望运算，
Figure 376187DEST_PATH_IMAGE115
为：对
Figure 279683DEST_PATH_IMAGE116
进行2范数运算，
Figure 244228DEST_PATH_IMAGE117
为微分算子，
Figure 632484DEST_PATH_IMAGE118
为
Figure 248142DEST_PATH_IMAGE110
在其概率分布下对以
Figure 430862DEST_PATH_IMAGE110
为自变量的函数
Figure 148282DEST_PATH_IMAGE119
的数学期望运算，
Figure 700749DEST_PATH_IMAGE120
为：对
Figure 46279DEST_PATH_IMAGE121
进行1范数运算，
Figure 806425DEST_PATH_IMAGE122
为
Figure 729250DEST_PATH_IMAGE110
在其概率分布下对以
Figure 459309DEST_PATH_IMAGE110
为自变量的函数
Figure 534712DEST_PATH_IMAGE123
的数学期望运算，
Figure 216492DEST_PATH_IMAGE124
为对
Figure 501980DEST_PATH_IMAGE125
进行1范数运算，
Figure 911095DEST_PATH_IMAGE126
为
Figure 355852DEST_PATH_IMAGE110
在其概率分布下对以
Figure 51276DEST_PATH_IMAGE110
为自变量的函数
Figure 965005DEST_PATH_IMAGE127
的数学期望运算，
Figure 36866DEST_PATH_IMAGE127
为对
Figure 837594DEST_PATH_IMAGE128
进行1范数运算；
所述第二生成对抗网络进行单独训练的训练目标为：
Figure 844864DEST_PATH_IMAGE129
，
其中，
Figure 104945DEST_PATH_IMAGE130
的含义为：通过更改
Figure 370710DEST_PATH_IMAGE131
的取值来最大化函数
Figure 275212DEST_PATH_IMAGE132
Figure 578017DEST_PATH_IMAGE133
的值，
Figure 951492DEST_PATH_IMAGE134
的含义为：通过更改
Figure 506101DEST_PATH_IMAGE135
的取值来最小化函数
Figure 389744DEST_PATH_IMAGE136
的值。
6.根据权利要求5所述的太赫兹频谱环境地图构建方法，其特征在于，所述步骤S123还包括：
以第三对抗损失
Figure 988084DEST_PATH_IMAGE137
、第三重构损失
Figure 957177DEST_PATH_IMAGE138
、第三自适应损失
Figure 315477DEST_PATH_IMAGE139
、第三空间通道损失
Figure 679725DEST_PATH_IMAGE140
对所述第一生成对抗网络和所述第二生成对抗网络进行联合训练，且采用wasserstein距离作为所述第三对抗损失
Figure 589912DEST_PATH_IMAGE141
的分布距离衡量函数,且
所述第一生成对抗网络和所述第二生成对抗网络进行联合训练的训练目标为：
Figure 921667DEST_PATH_IMAGE142
Figure 67347DEST_PATH_IMAGE143
，
其中，
Figure 925581DEST_PATH_IMAGE144
，
Figure 882036DEST_PATH_IMAGE145
，
Figure 560142DEST_PATH_IMAGE146
，且
Figure 999258DEST_PATH_IMAGE147
的含义为：通过更改
Figure 587366DEST_PATH_IMAGE148
的取值来最大化函数
Figure 839355DEST_PATH_IMAGE149
的值，
Figure 394970DEST_PATH_IMAGE150
的含义为：通过更改
Figure 633185DEST_PATH_IMAGE151
和
Figure 200432DEST_PATH_IMAGE152
的取值来最小化函数
Figure 249422DEST_PATH_IMAGE153
的值。
7.根据权利要求2所述的太赫兹频谱环境地图构建方法，其特征在于，所述步骤S140包括：
在所述待检测通信场景内的第2时刻，将所述待检测通信场景第1时刻的太赫兹频谱环境真实地图和第2时刻的障碍物信息，输入由所述步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络，得到第2时刻的太赫兹频谱环境估计地图。
8.根据权利要求7所述的太赫兹频谱环境地图构建方法，其特征在于，所述待检测通信场景中设置有太赫兹通感一体化系统，所述待检测通信场景
Figure 902120DEST_PATH_IMAGE005
时刻的障碍物信息由所述待检测通信场景中的太赫兹通感一体化系统获得，所述待检测通信场景
Figure 944026DEST_PATH_IMAGE154
时刻的太赫兹频谱环境估计地图由所述步骤S130获得的最终训练完成的第一生成对抗网络和第二生成对抗网络获得，所述待检测通信场景第1时刻的太赫兹频谱环境真实地图由所述待检测通信场景中的太赫兹通感一体化系统以及部署在所述待检测通信场景中的监测节点监测的数据获得。
9.根据权利要求2所述的太赫兹频谱环境地图构建方法，其特征在于，所述步骤S130包括：
在所述实地通信场景的
Figure 21572DEST_PATH_IMAGE008
时刻的障碍物信息与
Figure 349785DEST_PATH_IMAGE007
时刻的障碍物信息相比，存在至少一个障碍物发生位置变动时，将所述第二预设信息带入到步骤S120获得的初步训练的第一生成对抗网络和第二生成对抗网络，对所述第一生成对抗网络和第二生成对抗网络进行微调，获得最终训练得到的第一生成对抗网络和第二生成对抗网络。
10.一种太赫兹频谱环境地图构建设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如权利要求1-9任一项所述的方法。
CN202210823549.5A 2022-07-14 2022-07-14 一种太赫兹频谱环境地图构建方法及设备 Active CN114900234B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210823549.5A CN114900234B (zh) 2022-07-14 2022-07-14 一种太赫兹频谱环境地图构建方法及设备
PCT/CN2023/092070 WO2024012018A1 (zh) 2022-07-14 2023-05-04 一种太赫兹频谱环境地图构建方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210823549.5A CN114900234B (zh) 2022-07-14 2022-07-14 一种太赫兹频谱环境地图构建方法及设备

Publications (2)

Publication Number Publication Date
CN114900234A true CN114900234A (zh) 2022-08-12
CN114900234B CN114900234B (zh) 2022-10-21

Family

ID=82730191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210823549.5A Active CN114900234B (zh) 2022-07-14 2022-07-14 一种太赫兹频谱环境地图构建方法及设备

Country Status (2)

Country Link
CN (1) CN114900234B (zh)
WO (1) WO2024012018A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012018A1 (zh) * 2022-07-14 2024-01-18 四川太赫兹通信有限公司 一种太赫兹频谱环境地图构建方法及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107359948A (zh) * 2017-07-11 2017-11-17 北京邮电大学 一种认知无线网络的频谱预测方法及装置
WO2019133048A1 (en) * 2017-12-30 2019-07-04 Intel Corporation Methods and devices for wireless communications
US20200205062A1 (en) * 2016-12-30 2020-06-25 Intel Corporation Methods and devices for radio communications
CN112114463A (zh) * 2020-08-27 2020-12-22 中国人民解放军军事科学院国防科技创新研究院 一种产生可调谐太赫兹波的装置及方法
CN112698112A (zh) * 2021-03-23 2021-04-23 中国人民解放军国防科技大学 电磁频谱地图构建方法、装置、计算机设备和存储介质
CN112967357A (zh) * 2021-02-19 2021-06-15 中国人民解放军国防科技大学 一种基于卷积神经网络的频谱地图构建方法
CN113114399A (zh) * 2021-03-30 2021-07-13 南京航空航天大学 基于生成对抗网络的三维频谱态势补全方法和装置
CN114359490A (zh) * 2021-11-23 2022-04-15 北京邮电大学 基于多模态融合的电磁地图构建方法及相关装置
CN114553284A (zh) * 2022-04-27 2022-05-27 四川太赫兹通信有限公司 一种波束对准方法、装置、基站及计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000793B (zh) * 2018-06-07 2019-08-13 深圳市华讯方舟太赫兹科技有限公司 一种太赫兹时域光谱数据采集系统
CN112562728B (zh) * 2020-11-13 2024-06-18 百果园技术(新加坡)有限公司 生成对抗网络训练方法、音频风格迁移方法及装置
CN113938897B (zh) * 2021-09-30 2023-09-19 中国人民解放军陆军工程大学 一种主用户友好的抗干扰动态频谱接入方法
CN114118151A (zh) * 2021-11-25 2022-03-01 中国电子科技集团公司第五十四研究所 一种具有环境适应能力的智能频谱感知方法
CN114900234B (zh) * 2022-07-14 2022-10-21 四川太赫兹通信有限公司 一种太赫兹频谱环境地图构建方法及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200205062A1 (en) * 2016-12-30 2020-06-25 Intel Corporation Methods and devices for radio communications
CN107359948A (zh) * 2017-07-11 2017-11-17 北京邮电大学 一种认知无线网络的频谱预测方法及装置
WO2019133048A1 (en) * 2017-12-30 2019-07-04 Intel Corporation Methods and devices for wireless communications
CN112114463A (zh) * 2020-08-27 2020-12-22 中国人民解放军军事科学院国防科技创新研究院 一种产生可调谐太赫兹波的装置及方法
CN112967357A (zh) * 2021-02-19 2021-06-15 中国人民解放军国防科技大学 一种基于卷积神经网络的频谱地图构建方法
CN112698112A (zh) * 2021-03-23 2021-04-23 中国人民解放军国防科技大学 电磁频谱地图构建方法、装置、计算机设备和存储介质
CN113114399A (zh) * 2021-03-30 2021-07-13 南京航空航天大学 基于生成对抗网络的三维频谱态势补全方法和装置
CN114359490A (zh) * 2021-11-23 2022-04-15 北京邮电大学 基于多模态融合的电磁地图构建方法及相关装置
CN114553284A (zh) * 2022-04-27 2022-05-27 四川太赫兹通信有限公司 一种波束对准方法、装置、基站及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘成勇: "基于群智感知的无线信号地图高效构建技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012018A1 (zh) * 2022-07-14 2024-01-18 四川太赫兹通信有限公司 一种太赫兹频谱环境地图构建方法及设备

Also Published As

Publication number Publication date
CN114900234B (zh) 2022-10-21
WO2024012018A1 (zh) 2024-01-18

Similar Documents

Publication Publication Date Title
US10887029B2 (en) Method and apparatus for analysing communication channel in consideration of material and contours of objects
CN109891781B (zh) 考虑物体的材质和轮廓分析通信信道的方法和装置
Masood et al. A machine learning based 3D propagation model for intelligent future cellular networks
KR20190038117A (ko) 무선 통신 시스템에서 통신 환경을 분석하는 방법 및 장치
KR20180055631A (ko) 실재 환경관련 정보를 고려한 통신 채널 분석과 무선 망 설계 방법 및 장치
US11475607B2 (en) Radio coverage map generation
CN114900234B (zh) 一种太赫兹频谱环境地图构建方法及设备
US11467148B2 (en) Method and apparatus for analyzing communication environments and designing networks in consideration of trees
Kim et al. mmWave path loss modeling for urban scenarios based on 3D-convolutional neural networks
CN113644996B (zh) 基于深度学习的小区级rsrp估计方法
Zhao et al. An accurate approach of device-free localization with attention empowered residual network
KR102211847B1 (ko) 경로 손실 지수 예측 시스템 및 방법
Bhatia et al. Efficient ray-tracing channel emulation in industrial environments: An analysis of propagation model impact
Wang et al. Meta-learning approaches for indoor path loss modeling of 5G communications in smart factories
Okamura et al. Indoor model reconstruction using 3D point cloud data for ray tracing simulation
Jaensch et al. Radio Map Estimation--An Open Dataset with Directive Transmitter Antennas and Initial Experiments
He et al. Radio propagation modeling and real test of ZigBee based indoor wireless sensor networks
US11395152B2 (en) Method and apparatus for communication environment analysis and network design considering radio wave incoming unit of structure
Ikegami et al. Multipath-RTI: Millimeter-Wave Radio Based Device-Free Localization
Nagao et al. A study on path loss modeling using ResNet and pre-training with free space path loss
Haojie et al. Deep Learning-Based Method for 5G Micro-Base Station Signal Identification
Hu et al. Study on Wireless Signal Propagation in Residential Outdoor Activity Area Based on Deep Learning
CN117793754B (zh) 一种基于数字孪生的智能反射表面通信系统推演优化方法及系统
Li et al. Map-Driven Mmwave Link Quality Prediction With Spatial-Temporal Mobility Awareness
CN116916332A (zh) 信号覆盖估计方法、装置及计算机设备

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