CN114900234B - 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
CN114900234B
CN114900234B CN202210823549.5A CN202210823549A CN114900234B CN 114900234 B CN114900234 B CN 114900234B CN 202210823549 A CN202210823549 A CN 202210823549A CN 114900234 B CN114900234 B CN 114900234B
Authority
CN
China
Prior art keywords
network
terahertz
countermeasure network
spectrum environment
time
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
CN202210823549.5A
Other languages
English (en)
Other versions
CN114900234A (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)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (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 100004_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 100004_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 100002_DEST_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 100002_DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 100002_DEST_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 752691DEST_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：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，其中，所述第一预设信息包括：所述虚拟通信场景中的第1时刻至第
Figure 100002_DEST_PATH_IMAGE004
时刻的障碍物信息，以及根据第一预设方法获得的所述虚拟通信场景第1时刻至第
Figure 210217DEST_PATH_IMAGE004
时刻的太赫兹频谱环境真实地图，其中，
Figure 759010DEST_PATH_IMAGE004
为第一预设时刻。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 100002_DEST_PATH_IMAGE005
、t时刻的障碍物信息
Figure 100002_DEST_PATH_IMAGE006
和t时刻的太赫兹频谱环境真实地图
Figure 100002_DEST_PATH_IMAGE007
，对所述第一生成对抗网络进行单独训练，获得t时刻的估计缺损灰度图
Figure 100002_DEST_PATH_IMAGE008
，其中，t为在所述虚拟通信场景内的时间，
Figure 100002_DEST_PATH_IMAGE009
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 100002_DEST_PATH_IMAGE010
为所述虚拟通信场景中的障碍物个数，
Figure 34002DEST_PATH_IMAGE006
为从b=1至b=
Figure 35456DEST_PATH_IMAGE010
的
Figure 703198DEST_PATH_IMAGE010
个障碍物信息。S122.根据
Figure 231131DEST_PATH_IMAGE005
、
Figure 693337DEST_PATH_IMAGE006
、
Figure 41141DEST_PATH_IMAGE007
，以及
Figure 512574DEST_PATH_IMAGE008
，对所述第二生成对抗网络进行单独训练，获得t时刻的太赫兹频谱环境估计地图
Figure 100002_DEST_PATH_IMAGE011
。S123.根据
Figure 363855DEST_PATH_IMAGE005
、
Figure 528120DEST_PATH_IMAGE006
、
Figure 238587DEST_PATH_IMAGE007
，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 100002_DEST_PATH_IMAGE012
，并再次执行步骤S121-S123，直至
Figure 100002_DEST_PATH_IMAGE013
。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，所述第二预设信息包括：所述实地通信场景的
Figure 100002_DEST_PATH_IMAGE014
时刻的太赫兹频谱环境真实地图、
Figure 100002_DEST_PATH_IMAGE015
时刻的障碍物信息和
Figure 638345DEST_PATH_IMAGE015
时刻的太赫兹频谱环境真实地图，
Figure 140870DEST_PATH_IMAGE015
为在所述实地通信场景内的时间。S140.将待检测通信场景
Figure 210457DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 408221DEST_PATH_IMAGE003
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 80510DEST_PATH_IMAGE001
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 312909DEST_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 678031DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 363090DEST_PATH_IMAGE001
时刻的障碍物信息，得到
Figure 980016DEST_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 925976DEST_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 602944DEST_PATH_IMAGE002
时刻的太赫兹频谱环境估计地图和
Figure 509721DEST_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 523813DEST_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。其中，所述第一预设信息包括：所述虚拟通信场景中的第1时刻至第
Figure 100002_DEST_PATH_IMAGE016
时刻的障碍物信息，以及根据第一预设方法获得的所述虚拟通信场景第1时刻至第
Figure 335998DEST_PATH_IMAGE016
时刻的太赫兹频谱环境真实地图，其中，
Figure 183868DEST_PATH_IMAGE016
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 100002_DEST_PATH_IMAGE017
个栅格的虚拟场景中，设定该场景对应的三维区域为
Figure 100002_DEST_PATH_IMAGE018
，随机得到障碍物个数
Figure 100002_DEST_PATH_IMAGE019
，在该场景的三维区域中，选取
Figure 499312DEST_PATH_IMAGE019
*8个点来逐个构造所需要的
Figure 458040DEST_PATH_IMAGE019
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 988379DEST_PATH_IMAGE019
*8个顶点坐标后可以得到
Figure 866205DEST_PATH_IMAGE019
个不同形状、不同位置、互不相交的障碍物。
Figure 13152DEST_PATH_IMAGE019
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 775572DEST_PATH_IMAGE019
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 100002_DEST_PATH_IMAGE020
时刻和
Figure 100002_DEST_PATH_IMAGE021
时刻，三维区域
Figure 100002_DEST_PATH_IMAGE022
与三维区域
Figure 100002_DEST_PATH_IMAGE023
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 100002_DEST_PATH_IMAGE024
个时刻，将虚拟通信场景中的第
Figure 100002_DEST_PATH_IMAGE025
个障碍物的顶点位置集合记为
Figure 100002_DEST_PATH_IMAGE026
,并将其所包含的闭区域
Figure 100002_DEST_PATH_IMAGE027
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 100002_DEST_PATH_IMAGE028
，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 206422DEST_PATH_IMAGE028
，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 100002_DEST_PATH_IMAGE029
，
Figure 100002_DEST_PATH_IMAGE030
。因此，对于包括最大传输频率
Figure 100002_DEST_PATH_IMAGE031
和最小传输频率
Figure 100002_DEST_PATH_IMAGE032
的太赫兹传输窗
Figure 100002_DEST_PATH_IMAGE033
而言，
Figure 379784DEST_PATH_IMAGE024
时刻下的太赫兹频谱环境真实地图可被表示为
Figure 100002_DEST_PATH_IMAGE034
，并将其简记为
Figure 100002_DEST_PATH_IMAGE035
。
当
Figure 100002_DEST_PATH_IMAGE036
时，将t时刻的太赫兹频谱环境估计地图标记为
Figure 100002_DEST_PATH_IMAGE037
，其中
Figure 404240DEST_PATH_IMAGE037
是
Figure 100002_DEST_PATH_IMAGE038
的简记形式。
在本申请实施例中，
Figure 100002_DEST_PATH_IMAGE039
时刻的太赫兹频谱环境估计地图的构建可以被表示为：
Figure 100002_DEST_PATH_IMAGE040
，
即通过更改t时刻的太赫兹频谱环境估计地图
Figure 100002_DEST_PATH_IMAGE041
来最小化太赫兹频谱环境估计地图
Figure 94985DEST_PATH_IMAGE041
与太赫兹频谱环境真实地图
Figure 131074DEST_PATH_IMAGE035
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 100002_DEST_PATH_IMAGE042
，则
Figure 100002_DEST_PATH_IMAGE043
。
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 288386DEST_PATH_IMAGE016
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、水蒸气密度、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 409925DEST_PATH_IMAGE016
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 373202DEST_PATH_IMAGE016
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 998218DEST_PATH_IMAGE016
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。
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 388749DEST_PATH_IMAGE037
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 732005DEST_PATH_IMAGE005
、t时刻的障碍物信息
Figure 374339DEST_PATH_IMAGE006
和t时刻的太赫兹频谱环境真实地图
Figure 244075DEST_PATH_IMAGE007
，对所述第一生成对抗网络进行单独训练，获得t时刻的估计缺损灰度图
Figure 680873DEST_PATH_IMAGE008
，其中，t为在所述虚拟通信场景内的时间，
Figure 511425DEST_PATH_IMAGE009
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 816505DEST_PATH_IMAGE010
为所述虚拟通信场景中的障碍物个数，
Figure 150534DEST_PATH_IMAGE006
为从b=1至b=
Figure 148446DEST_PATH_IMAGE010
的
Figure 200716DEST_PATH_IMAGE010
个障碍物信息。
在示例性实施例中，根据
Figure 100002_DEST_PATH_IMAGE044
和
Figure 100002_DEST_PATH_IMAGE045
，获得所述虚拟通信场景t时刻的真实缺损灰度图
Figure 100002_DEST_PATH_IMAGE046
。
在本申请实施例中，真实缺损灰度图
Figure 106224DEST_PATH_IMAGE046
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 100002_DEST_PATH_IMAGE047
、
Figure 100002_DEST_PATH_IMAGE048
输入所述第一生成对抗网络的生成器网络
Figure 100002_DEST_PATH_IMAGE049
，使所述第一生成对抗网络的生成器网络
Figure 622656DEST_PATH_IMAGE049
输出
Figure 100002_DEST_PATH_IMAGE050
，即
Figure 100002_DEST_PATH_IMAGE051
，其中，
Figure 100002_DEST_PATH_IMAGE052
为输入所述生成器网络
Figure 588206DEST_PATH_IMAGE049
的潜变量，且
Figure 100002_DEST_PATH_IMAGE053
，即
Figure 721247DEST_PATH_IMAGE052
服从高斯分布，
Figure 100002_DEST_PATH_IMAGE054
为所述生成器网络
Figure 243496DEST_PATH_IMAGE049
的神经网络参数。
将
Figure 676751DEST_PATH_IMAGE047
、
Figure 891832DEST_PATH_IMAGE048
输入所述第一生成对抗网络的鉴别器网络
Figure 100002_DEST_PATH_IMAGE055
，并将
Figure 100002_DEST_PATH_IMAGE056
或
Figure 981010DEST_PATH_IMAGE046
输入所述第一生成对抗网络的鉴别器网络
Figure 431583DEST_PATH_IMAGE055
，使所述第一生成对抗网络的鉴别器网络
Figure 860291DEST_PATH_IMAGE055
输出真假判断信息
Figure 100002_DEST_PATH_IMAGE057
，即
Figure 100002_DEST_PATH_IMAGE058
，其中，
Figure 100002_DEST_PATH_IMAGE059
为所述鉴别器网络
Figure 43010DEST_PATH_IMAGE055
的神经网络参数，所述真假判断信息
Figure 681802DEST_PATH_IMAGE057
用于表示所述鉴别器网络
Figure 811432DEST_PATH_IMAGE055
对输入的
Figure 94646DEST_PATH_IMAGE056
或
Figure 787882DEST_PATH_IMAGE046
的真假判断。
在本申请实施例中，鉴别器网络
Figure 789336DEST_PATH_IMAGE055
可以输出预设实数来表示对输入的
Figure 581711DEST_PATH_IMAGE056
或
Figure 453852DEST_PATH_IMAGE046
的真假判断。
以第一对抗损失
Figure 100002_DEST_PATH_IMAGE060
、第一重构损失
Figure 100002_DEST_PATH_IMAGE061
、第一自适应损失
Figure 100002_DEST_PATH_IMAGE062
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 368588DEST_PATH_IMAGE060
的分布距离衡量函数，且
Figure 100002_DEST_PATH_IMAGE063
Figure 100002_DEST_PATH_IMAGE064
Figure 100002_DEST_PATH_IMAGE065
，
Figure 100002_DEST_PATH_IMAGE066
，
Figure 100002_DEST_PATH_IMAGE067
Figure 100002_DEST_PATH_IMAGE068
Figure 100002_DEST_PATH_IMAGE069
，
其中，
Figure 100002_DEST_PATH_IMAGE070
为所述第一生成对抗网络的惩罚因子，
Figure 100002_DEST_PATH_IMAGE071
为所述第一生成对抗网络的重构因子，
Figure 100002_DEST_PATH_IMAGE072
为所述第一生成对抗网络的自适应因子，
Figure 100002_DEST_PATH_IMAGE073
，
Figure 100002_DEST_PATH_IMAGE074
为服从分布
Figure 100002_DEST_PATH_IMAGE075
的随机数，
Figure 100002_DEST_PATH_IMAGE076
为
Figure 100002_DEST_PATH_IMAGE077
在其概率分布下对以
Figure 637764DEST_PATH_IMAGE077
为自变量的函数
Figure 100002_DEST_PATH_IMAGE078
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE079
为
Figure 100002_DEST_PATH_IMAGE080
在其概率分布下对以
Figure 30568DEST_PATH_IMAGE080
为自变量的复合函数
Figure 100002_DEST_PATH_IMAGE081
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE082
为
Figure 100002_DEST_PATH_IMAGE083
在其概率分布下对以
Figure 85112DEST_PATH_IMAGE083
为自变量的函数
Figure 100002_DEST_PATH_IMAGE084
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE085
为：对
Figure 100002_DEST_PATH_IMAGE086
进行2范数运算，
Figure 100002_DEST_PATH_IMAGE087
为微分算子，
Figure 100002_DEST_PATH_IMAGE088
为
Figure 639590DEST_PATH_IMAGE080
在其概率分布下对以
Figure 209111DEST_PATH_IMAGE080
为自变量的函数
Figure 100002_DEST_PATH_IMAGE089
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE090
为：对
Figure 100002_DEST_PATH_IMAGE091
进行1范数运算，
Figure 100002_DEST_PATH_IMAGE092
为
Figure 874448DEST_PATH_IMAGE080
在其概率分布下对以
Figure 986760DEST_PATH_IMAGE080
为自变量的函数
Figure 100002_DEST_PATH_IMAGE093
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE094
为对
Figure 100002_DEST_PATH_IMAGE095
进行对数运算，
Figure 100002_DEST_PATH_IMAGE096
为
Figure 977719DEST_PATH_IMAGE080
在其概率分布下对以
Figure 175482DEST_PATH_IMAGE080
为自变量的函数
Figure 100002_DEST_PATH_IMAGE097
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE098
为对
Figure 100002_DEST_PATH_IMAGE099
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 100002_DEST_PATH_IMAGE100
，
其中，
Figure 100002_DEST_PATH_IMAGE101
的含义为：通过更改
Figure 100002_DEST_PATH_IMAGE102
的取值来最大化函数
Figure 100002_DEST_PATH_IMAGE103
Figure 100002_DEST_PATH_IMAGE104
的值，
Figure 100002_DEST_PATH_IMAGE105
的含义为：通过更改
Figure 100002_DEST_PATH_IMAGE106
的取值来最小化函数
Figure 100002_DEST_PATH_IMAGE107
的值。
子步骤S122：根据
Figure 97039DEST_PATH_IMAGE005
、
Figure 63858DEST_PATH_IMAGE006
、
Figure 163401DEST_PATH_IMAGE007
，以及
Figure 379619DEST_PATH_IMAGE008
，对所述第二生成对抗网络进行单独训练，获得t时刻的太赫兹频谱环境估计地图
Figure 730966DEST_PATH_IMAGE011
。
在示例性实施例中，将
Figure 411346DEST_PATH_IMAGE044
、
Figure 353894DEST_PATH_IMAGE048
、
Figure 385304DEST_PATH_IMAGE056
输入所述第二生成对抗网络的生成器网络
Figure 100002_DEST_PATH_IMAGE108
，使所述第二生成对抗网络的生成器网络
Figure 274763DEST_PATH_IMAGE108
输出
Figure 340808DEST_PATH_IMAGE037
，即
Figure 100002_DEST_PATH_IMAGE109
，其中，
Figure 100002_DEST_PATH_IMAGE110
为输入所述生成器网络
Figure 250995DEST_PATH_IMAGE108
的潜变量，且
Figure 100002_DEST_PATH_IMAGE111
，即
Figure 238543DEST_PATH_IMAGE110
服从高斯分布，
Figure 100002_DEST_PATH_IMAGE112
为所述生成器网络
Figure 931692DEST_PATH_IMAGE108
的神经网络参数。
将
Figure 852244DEST_PATH_IMAGE047
、
Figure 605436DEST_PATH_IMAGE048
输入所述第二生成对抗网络的鉴别器网络
Figure 100002_DEST_PATH_IMAGE113
，并将
Figure 611438DEST_PATH_IMAGE011
或
Figure 842699DEST_PATH_IMAGE045
输入所述第二生成对抗网络的鉴别器网络
Figure 629476DEST_PATH_IMAGE113
，使所述第二生成对抗网络的鉴别器网络
Figure 553570DEST_PATH_IMAGE113
输出真假判断信息
Figure 100002_DEST_PATH_IMAGE114
，即
Figure 100002_DEST_PATH_IMAGE115
，其中，
Figure 100002_DEST_PATH_IMAGE116
为所述鉴别器网络
Figure 109185DEST_PATH_IMAGE113
的神经网络参数，所述真假判断信息
Figure 144137DEST_PATH_IMAGE114
用于表示所述鉴别器网络
Figure 180226DEST_PATH_IMAGE113
对输入的
Figure 399855DEST_PATH_IMAGE037
或
Figure 255815DEST_PATH_IMAGE045
的真假判断。
在本申请实施例中，鉴别器网络
Figure 360038DEST_PATH_IMAGE113
可以输出预设实数来表示对输入的
Figure 109688DEST_PATH_IMAGE037
或
Figure 375584DEST_PATH_IMAGE045
的真假判断。
以第二对抗损失
Figure 100002_DEST_PATH_IMAGE117
、第二重构损失
Figure 100002_DEST_PATH_IMAGE118
、第二空间通道损失
Figure 100002_DEST_PATH_IMAGE119
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 640212DEST_PATH_IMAGE117
的分布距离衡量函数，且
Figure 100002_DEST_PATH_IMAGE120
Figure 100002_DEST_PATH_IMAGE121
Figure 100002_DEST_PATH_IMAGE122
，
Figure 100002_DEST_PATH_IMAGE123
，
Figure 100002_DEST_PATH_IMAGE124
Figure 100002_DEST_PATH_IMAGE125
Figure 100002_DEST_PATH_IMAGE126
，
其中，
Figure 100002_DEST_PATH_IMAGE127
为基于
Figure 100002_DEST_PATH_IMAGE128
的依据自注意力机制进行的通道注意力计算函数，
Figure 100002_DEST_PATH_IMAGE129
为基于
Figure 100002_DEST_PATH_IMAGE130
的依据自注意力机制进行的通道注意力计算函数，
Figure 100002_DEST_PATH_IMAGE131
为基于
Figure 125289DEST_PATH_IMAGE128
的依据自注意力机制进行的空间注意力计算函数，
Figure 100002_DEST_PATH_IMAGE132
为基于
Figure 604812DEST_PATH_IMAGE130
的依据自注意力机制进行的空间注意力计算函数，
Figure 100002_DEST_PATH_IMAGE133
为所述第二生成对抗网络的惩罚因子，
Figure 100002_DEST_PATH_IMAGE134
为所述第二生成对抗网络的重构因子，
Figure 100002_DEST_PATH_IMAGE135
为所述第二生成对抗网络的空间通道因子，
Figure 100002_DEST_PATH_IMAGE136
，
Figure 100002_DEST_PATH_IMAGE137
为
Figure 100002_DEST_PATH_IMAGE138
在其概率分布下对以
Figure 290877DEST_PATH_IMAGE138
为自变量的函数
Figure 100002_DEST_PATH_IMAGE139
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE140
为
Figure 100002_DEST_PATH_IMAGE141
在其概率分布下对以
Figure 918167DEST_PATH_IMAGE141
为自变量的复合函数
Figure 100002_DEST_PATH_IMAGE142
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE143
为
Figure 100002_DEST_PATH_IMAGE144
在其概率分布下对以
Figure 19984DEST_PATH_IMAGE144
为自变量的函数
Figure 100002_DEST_PATH_IMAGE145
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE146
为：对
Figure 100002_DEST_PATH_IMAGE147
进行2范数运算，
Figure 100002_DEST_PATH_IMAGE148
为微分算子，
Figure 100002_DEST_PATH_IMAGE149
为
Figure 744227DEST_PATH_IMAGE141
在其概率分布下对以
Figure 883084DEST_PATH_IMAGE141
为自变量的函数
Figure 100002_DEST_PATH_IMAGE150
的数学期望运算，
Figure 100002_DEST_PATH_IMAGE151
为：对
Figure 100002_DEST_PATH_IMAGE152
进行1范数运算，
Figure 100002_DEST_PATH_IMAGE153
为
Figure 591146DEST_PATH_IMAGE141
在其概率分布下对以
Figure 434337DEST_PATH_IMAGE141
为自变量的函数
Figure DEST_PATH_IMAGE154
的数学期望运算，
Figure DEST_PATH_IMAGE155
为对
Figure DEST_PATH_IMAGE156
进行1范数运算，
Figure DEST_PATH_IMAGE157
为
Figure 544244DEST_PATH_IMAGE141
在其概率分布下对以
Figure 854003DEST_PATH_IMAGE141
为自变量的函数
Figure DEST_PATH_IMAGE158
的数学期望运算，
Figure 987044DEST_PATH_IMAGE158
为对
Figure DEST_PATH_IMAGE159
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 DEST_PATH_IMAGE160
，
其中，
Figure DEST_PATH_IMAGE161
的含义为：通过更改
Figure DEST_PATH_IMAGE162
的取值来最大化函数
Figure DEST_PATH_IMAGE163
Figure DEST_PATH_IMAGE164
的值，
Figure DEST_PATH_IMAGE165
的含义为：通过更改
Figure DEST_PATH_IMAGE166
的取值来最小化函数
Figure DEST_PATH_IMAGE167
的值。
子步骤S123：根据
Figure 430664DEST_PATH_IMAGE047
、
Figure 863919DEST_PATH_IMAGE048
、
Figure 813421DEST_PATH_IMAGE045
，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 DEST_PATH_IMAGE168
、第三重构损失
Figure DEST_PATH_IMAGE169
、第三自适应损失
Figure DEST_PATH_IMAGE170
、第三空间通道损失
Figure DEST_PATH_IMAGE171
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 496075DEST_PATH_IMAGE168
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 DEST_PATH_IMAGE172
Figure DEST_PATH_IMAGE173
，
其中，
Figure DEST_PATH_IMAGE174
，
Figure DEST_PATH_IMAGE175
，
Figure DEST_PATH_IMAGE176
，且
Figure DEST_PATH_IMAGE177
的含义为：通过更改
Figure DEST_PATH_IMAGE178
的取值来最大化函数
Figure DEST_PATH_IMAGE179
的值，
Figure DEST_PATH_IMAGE180
的含义为：通过更改
Figure DEST_PATH_IMAGE181
和
Figure DEST_PATH_IMAGE182
的取值来最小化函数
Figure DEST_PATH_IMAGE183
的值。
子步骤S124：令
Figure DEST_PATH_IMAGE184
，并再次执行步骤S121-S123，直至
Figure DEST_PATH_IMAGE185
。
在本申请实施例中，生成器网络
Figure 4372DEST_PATH_IMAGE049
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 DEST_PATH_IMAGE186
（服从真实数据分布）规格相同的估计缺损灰度图
Figure DEST_PATH_IMAGE187
（服从生成器网络
Figure 495396DEST_PATH_IMAGE049
对真实数据分布隐式建模得到的分布），以及，生成器网络
Figure 740432DEST_PATH_IMAGE108
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 520170DEST_PATH_IMAGE049
和
Figure 384220DEST_PATH_IMAGE108
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 792068DEST_PATH_IMAGE049
和
Figure 348951DEST_PATH_IMAGE108
分别和鉴别器网络
Figure DEST_PATH_IMAGE188
和
Figure DEST_PATH_IMAGE189
相互对抗的训练策略。具体地，鉴别器网络
Figure 678301DEST_PATH_IMAGE188
和
Figure 205098DEST_PATH_IMAGE189
分别期望最大化其正确鉴别的概率，而生成器网络
Figure 608397DEST_PATH_IMAGE049
和
Figure 336182DEST_PATH_IMAGE108
则分别期望最大化鉴别器网络
Figure 683986DEST_PATH_IMAGE188
和
Figure 155419DEST_PATH_IMAGE189
鉴别出错的概率。因此，在分别针对鉴别器网络
Figure 413225DEST_PATH_IMAGE188
和
Figure 170966DEST_PATH_IMAGE189
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 147012DEST_PATH_IMAGE188
、
Figure 281190DEST_PATH_IMAGE189
和/或生成器网络
Figure 393502DEST_PATH_IMAGE049
、
Figure 463090DEST_PATH_IMAGE108
可不断提升其网络鉴别和/或生成能力。假如鉴别器网络
Figure 785487DEST_PATH_IMAGE188
和
Figure 598722DEST_PATH_IMAGE189
和生成器网络
Figure 831120DEST_PATH_IMAGE049
和
Figure 930663DEST_PATH_IMAGE108
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 881301DEST_PATH_IMAGE049
和
Figure 498228DEST_PATH_IMAGE108
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 444187DEST_PATH_IMAGE188
和
Figure 855577DEST_PATH_IMAGE189
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，所述第二预设信息包括：所述实地通信场景的
Figure 886987DEST_PATH_IMAGE014
时刻的太赫兹频谱环境真实地图、
Figure 307604DEST_PATH_IMAGE015
时刻的障碍物信息和
Figure 983436DEST_PATH_IMAGE015
时刻的太赫兹频谱环境真实地图，
Figure 955940DEST_PATH_IMAGE015
为在所述实地通信场景内的时间。
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，所述步骤S130包括子步骤S131。
子步骤S131：在所述实地通信场景的
Figure DEST_PATH_IMAGE190
时刻的障碍物信息与
Figure DEST_PATH_IMAGE191
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 677908DEST_PATH_IMAGE190
时刻的障碍物信息与
Figure 636637DEST_PATH_IMAGE191
时刻的障碍物信息没有发生改变，那么
Figure 557188DEST_PATH_IMAGE190
时刻的第二预设信息与
Figure 575960DEST_PATH_IMAGE191
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 191749DEST_PATH_IMAGE190
时刻的障碍物信息与
Figure 78802DEST_PATH_IMAGE191
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 DEST_PATH_IMAGE192
时刻的太赫兹频谱环境估计地图和
Figure DEST_PATH_IMAGE193
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 57123DEST_PATH_IMAGE193
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 246796DEST_PATH_IMAGE193
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 740094DEST_PATH_IMAGE193
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 40625DEST_PATH_IMAGE193
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 DEST_PATH_IMAGE194
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 DEST_PATH_IMAGE195
，将所述待检测通信场景
Figure 873452DEST_PATH_IMAGE192
时刻的太赫兹频谱环境估计地图和
Figure 234026DEST_PATH_IMAGE193
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 949041DEST_PATH_IMAGE193
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 DEST_PATH_IMAGE196
，其中，
Figure DEST_PATH_IMAGE197
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 DEST_PATH_IMAGE198
，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 DEST_PATH_IMAGE199
，若以
Figure DEST_PATH_IMAGE200
来表示
Figure 443476DEST_PATH_IMAGE193
时刻的太赫兹频谱环境估计地图，则
Figure 68493DEST_PATH_IMAGE193
时刻的太赫兹频谱环境估计地图是由
Figure 459023DEST_PATH_IMAGE193
次对
Figure DEST_PATH_IMAGE201
的递归调用实现，即：
Figure DEST_PATH_IMAGE202
Figure DEST_PATH_IMAGE203
。
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 DEST_PATH_IMAGE204
作为时间阈值，当
Figure DEST_PATH_IMAGE205
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 DEST_PATH_IMAGE206
，或使
Figure DEST_PATH_IMAGE207
，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 989230DEST_PATH_IMAGE192
时刻的太赫兹频谱环境估计地图和
Figure 897143DEST_PATH_IMAGE193
时刻的障碍物信息，得到
Figure 247440DEST_PATH_IMAGE193
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 684237DEST_PATH_IMAGE190
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 780369DEST_PATH_IMAGE191
时刻和
Figure 85449DEST_PATH_IMAGE190
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 DEST_PATH_IMAGE208
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 685057DEST_PATH_IMAGE208
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 417390DEST_PATH_IMAGE208
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 204080DEST_PATH_IMAGE208
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 47271DEST_PATH_IMAGE190
时刻的障碍物信息与
Figure 32545DEST_PATH_IMAGE191
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 935779DEST_PATH_IMAGE191
时刻的太赫兹频谱环境真实地图、
Figure 209765DEST_PATH_IMAGE190
时刻的障碍物信息和
Figure 263172DEST_PATH_IMAGE190
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 430848DEST_PATH_IMAGE193
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 911508DEST_PATH_IMAGE192
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 938370DEST_PATH_IMAGE193
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 123363DEST_PATH_IMAGE193
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 411125DEST_PATH_IMAGE192
时刻的太赫兹频谱环境估计地图和
Figure 62687DEST_PATH_IMAGE193
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 311265DEST_PATH_IMAGE193
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 299950DEST_PATH_IMAGE193
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 (8)

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，其中，所述第一预设信息包括：所述虚拟通信场景中的第1时刻至第
Figure DEST_PATH_IMAGE001
时刻的障碍物信息，以及根据第一预设方法获得的所述虚拟通信场景第1时刻至第
Figure 358356DEST_PATH_IMAGE001
时刻的太赫兹频谱环境真实地图，其中，
Figure 711977DEST_PATH_IMAGE001
为第一预设时刻；
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 DEST_PATH_IMAGE002
、t时刻的障碍物信息
Figure DEST_PATH_IMAGE003
和t时刻的太赫兹频谱环境真实地图
Figure DEST_PATH_IMAGE004
，对所述第一生成对抗网络进行单独训练，获得t时刻的估计缺损灰度图
Figure DEST_PATH_IMAGE005
，其中，t为在所述虚拟通信场景内的时间，
Figure DEST_PATH_IMAGE006
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 DEST_PATH_IMAGE007
为所述虚拟通信场景中的障碍物个数，
Figure 759436DEST_PATH_IMAGE003
为从b=1至b=
Figure 489495DEST_PATH_IMAGE007
的
Figure 564898DEST_PATH_IMAGE007
个障碍物信息；
S122.根据
Figure 558262DEST_PATH_IMAGE002
、
Figure 499542DEST_PATH_IMAGE003
、
Figure 767712DEST_PATH_IMAGE004
，以及
Figure 822256DEST_PATH_IMAGE005
，对所述第二生成对抗网络进行单独训练，获得t时刻的太赫兹频谱环境估计地图
Figure DEST_PATH_IMAGE008
；
S123.根据
Figure 658625DEST_PATH_IMAGE002
、
Figure 165830DEST_PATH_IMAGE003
、
Figure 362325DEST_PATH_IMAGE004
，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 DEST_PATH_IMAGE009
，并再次执行步骤S121-S123，直至
Figure DEST_PATH_IMAGE010
；
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，所述第二预设信息包括：所述实地通信场景的
Figure DEST_PATH_IMAGE011
时刻的太赫兹频谱环境真实地图、
Figure DEST_PATH_IMAGE012
时刻的障碍物信息和
Figure 599271DEST_PATH_IMAGE012
时刻的太赫兹频谱环境真实地图，
Figure 731175DEST_PATH_IMAGE012
为在所述实地通信场景内的时间；
S140.将待检测通信场景
Figure DEST_PATH_IMAGE013
时刻的太赫兹频谱环境估计地图和
Figure DEST_PATH_IMAGE014
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 DEST_PATH_IMAGE015
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 799712DEST_PATH_IMAGE015
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，所述步骤S121包括：
根据
Figure 675264DEST_PATH_IMAGE002
和
Figure 314187DEST_PATH_IMAGE004
，获得所述虚拟通信场景t时刻的真实缺损灰度图
Figure DEST_PATH_IMAGE016
；
将
Figure 882571DEST_PATH_IMAGE002
、
Figure 223423DEST_PATH_IMAGE003
输入所述第一生成对抗网络的生成器网络
Figure DEST_PATH_IMAGE017
，使所述第一生成对抗网络的生成器网络
Figure 902666DEST_PATH_IMAGE017
输出
Figure 661674DEST_PATH_IMAGE005
，即
Figure DEST_PATH_IMAGE018
，其中，
Figure DEST_PATH_IMAGE019
为输入所述生成器网络
Figure 791173DEST_PATH_IMAGE017
的潜变量，且
Figure DEST_PATH_IMAGE020
，即
Figure 901212DEST_PATH_IMAGE019
服从高斯分布，
Figure DEST_PATH_IMAGE021
为所述生成器网络
Figure 384145DEST_PATH_IMAGE017
的神经网络参数；
将
Figure 246928DEST_PATH_IMAGE002
、
Figure 625957DEST_PATH_IMAGE003
输入所述第一生成对抗网络的鉴别器网络
Figure DEST_PATH_IMAGE022
，并将
Figure 223291DEST_PATH_IMAGE005
或
Figure 978758DEST_PATH_IMAGE016
输入所述第一生成对抗网络的鉴别器网络
Figure 961626DEST_PATH_IMAGE022
，使所述第一生成对抗网络的鉴别器网络
Figure 245977DEST_PATH_IMAGE022
输出真假判断信息
Figure DEST_PATH_IMAGE023
，即
Figure DEST_PATH_IMAGE024
，其中，
Figure DEST_PATH_IMAGE025
为所述鉴别器网络
Figure 251979DEST_PATH_IMAGE022
的神经网络参数，所述真假判断信息
Figure 811136DEST_PATH_IMAGE023
用于表示所述鉴别器网络
Figure 258298DEST_PATH_IMAGE022
对输入的
Figure 120075DEST_PATH_IMAGE005
或
Figure 19898DEST_PATH_IMAGE016
的真假判断；
以第一对抗损失
Figure DEST_PATH_IMAGE026
、第一重构损失
Figure DEST_PATH_IMAGE027
、第一自适应损失
Figure DEST_PATH_IMAGE028
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 179484DEST_PATH_IMAGE026
的分布距离衡量函数，且
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
，
其中，
Figure DEST_PATH_IMAGE036
为所述第一生成对抗网络的惩罚因子，
Figure DEST_PATH_IMAGE037
为所述第一生成对抗网络的重构因子，
Figure DEST_PATH_IMAGE038
为所述第一生成对抗网络的自适应因子，
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE040
为服从分布
Figure DEST_PATH_IMAGE041
的随机数，
Figure DEST_PATH_IMAGE042
为
Figure DEST_PATH_IMAGE043
在其概率分布下对以
Figure 386212DEST_PATH_IMAGE043
为自变量的函数
Figure DEST_PATH_IMAGE044
的数学期望运算，
Figure DEST_PATH_IMAGE045
为
Figure DEST_PATH_IMAGE046
在其概率分布下对以
Figure 605841DEST_PATH_IMAGE046
为自变量的复合函数
Figure DEST_PATH_IMAGE047
的数学期望运算，
Figure DEST_PATH_IMAGE048
为
Figure DEST_PATH_IMAGE049
在其概率分布下对以
Figure 445490DEST_PATH_IMAGE049
为自变量的函数
Figure DEST_PATH_IMAGE050
的数学期望运算，
Figure DEST_PATH_IMAGE051
为：对
Figure DEST_PATH_IMAGE052
进行2范数运算，
Figure DEST_PATH_IMAGE053
为微分算子，
Figure DEST_PATH_IMAGE054
为
Figure 346450DEST_PATH_IMAGE046
在其概率分布下对以
Figure 768204DEST_PATH_IMAGE046
为自变量的函数
Figure DEST_PATH_IMAGE055
的数学期望运算，
Figure DEST_PATH_IMAGE056
为：对
Figure DEST_PATH_IMAGE057
进行1范数运算，
Figure DEST_PATH_IMAGE058
为
Figure 689892DEST_PATH_IMAGE046
在其概率分布下对以
Figure 829886DEST_PATH_IMAGE046
为自变量的函数
Figure DEST_PATH_IMAGE059
的数学期望运算，
Figure DEST_PATH_IMAGE060
为对
Figure DEST_PATH_IMAGE061
进行对数运算，
Figure DEST_PATH_IMAGE062
为
Figure 518226DEST_PATH_IMAGE046
在其概率分布下对以
Figure 60065DEST_PATH_IMAGE046
为自变量的函数
Figure DEST_PATH_IMAGE063
的数学期望运算，
Figure DEST_PATH_IMAGE064
为对
Figure DEST_PATH_IMAGE065
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 DEST_PATH_IMAGE066
，
其中，
Figure DEST_PATH_IMAGE067
的含义为：通过更改
Figure DEST_PATH_IMAGE068
的取值来最大化函数
Figure DEST_PATH_IMAGE069
Figure DEST_PATH_IMAGE070
的值，
Figure DEST_PATH_IMAGE071
的含义为：通过更改
Figure DEST_PATH_IMAGE072
的取值来最小化函数
Figure DEST_PATH_IMAGE073
的值。
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S122还包括：
将
Figure 226691DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE074
、
Figure 978615DEST_PATH_IMAGE005
输入所述第二生成对抗网络的生成器网络
Figure DEST_PATH_IMAGE075
，使所述第二生成对抗网络的生成器网络
Figure 627902DEST_PATH_IMAGE075
输出
Figure DEST_PATH_IMAGE076
，即
Figure DEST_PATH_IMAGE077
，其中，
Figure DEST_PATH_IMAGE078
为输入所述生成器网络
Figure 211199DEST_PATH_IMAGE075
的潜变量，且
Figure DEST_PATH_IMAGE079
，即
Figure 287740DEST_PATH_IMAGE078
服从高斯分布，
Figure DEST_PATH_IMAGE080
为所述生成器网络
Figure 526960DEST_PATH_IMAGE075
的神经网络参数；
将
Figure 573413DEST_PATH_IMAGE002
、
Figure 699632DEST_PATH_IMAGE003
输入所述第二生成对抗网络的鉴别器网络
Figure DEST_PATH_IMAGE081
，并将
Figure 196342DEST_PATH_IMAGE076
或
Figure 267066DEST_PATH_IMAGE004
输入所述第二生成对抗网络的鉴别器网络
Figure 851631DEST_PATH_IMAGE081
，使所述第二生成对抗网络的鉴别器网络
Figure 97936DEST_PATH_IMAGE081
输出真假判断信息
Figure DEST_PATH_IMAGE082
，即
Figure DEST_PATH_IMAGE083
，其中，
Figure DEST_PATH_IMAGE084
为所述鉴别器网络
Figure 296705DEST_PATH_IMAGE081
的神经网络参数，所述真假判断信息
Figure 261250DEST_PATH_IMAGE082
用于表示所述鉴别器网络
Figure 383926DEST_PATH_IMAGE081
对输入的
Figure 734005DEST_PATH_IMAGE076
或
Figure 182304DEST_PATH_IMAGE004
的真假判断；
以第二对抗损失
Figure DEST_PATH_IMAGE085
、第二重构损失
Figure DEST_PATH_IMAGE086
、第二空间通道损失
Figure DEST_PATH_IMAGE087
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 555517DEST_PATH_IMAGE085
的分布距离衡量函数，且
Figure DEST_PATH_IMAGE088
Figure DEST_PATH_IMAGE089
Figure DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE091
，
Figure DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE093
Figure DEST_PATH_IMAGE094
，
其中，
Figure DEST_PATH_IMAGE095
为基于
Figure DEST_PATH_IMAGE096
的依据自注意力机制进行的通道注意力计算函数，
Figure DEST_PATH_IMAGE097
为基于
Figure DEST_PATH_IMAGE098
的依据自注意力机制进行的通道注意力计算函数，
Figure DEST_PATH_IMAGE099
为基于
Figure 137676DEST_PATH_IMAGE096
的依据自注意力机制进行的空间注意力计算函数，
Figure DEST_PATH_IMAGE100
为基于
Figure 138999DEST_PATH_IMAGE098
的依据自注意力机制进行的空间注意力计算函数，
Figure DEST_PATH_IMAGE101
为所述第二生成对抗网络的惩罚因子，
Figure DEST_PATH_IMAGE102
为所述第二生成对抗网络的重构因子，
Figure DEST_PATH_IMAGE103
为所述第二生成对抗网络的空间通道因子，
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE105
为
Figure DEST_PATH_IMAGE106
在其概率分布下对以
Figure 617254DEST_PATH_IMAGE106
为自变量的函数
Figure DEST_PATH_IMAGE107
的数学期望运算，
Figure DEST_PATH_IMAGE108
为
Figure DEST_PATH_IMAGE109
在其概率分布下对以
Figure 743342DEST_PATH_IMAGE109
为自变量的复合函数
Figure DEST_PATH_IMAGE110
的数学期望运算，
Figure DEST_PATH_IMAGE111
为
Figure DEST_PATH_IMAGE112
在其概率分布下对以
Figure 801297DEST_PATH_IMAGE112
为自变量的函数
Figure DEST_PATH_IMAGE113
的数学期望运算，
Figure DEST_PATH_IMAGE114
为：对
Figure DEST_PATH_IMAGE115
进行2范数运算，
Figure DEST_PATH_IMAGE116
为微分算子，
Figure DEST_PATH_IMAGE117
为
Figure 860388DEST_PATH_IMAGE109
在其概率分布下对以
Figure 119331DEST_PATH_IMAGE109
为自变量的函数
Figure DEST_PATH_IMAGE118
的数学期望运算，
Figure DEST_PATH_IMAGE119
为：对
Figure DEST_PATH_IMAGE120
进行1范数运算，
Figure DEST_PATH_IMAGE121
为
Figure 10013DEST_PATH_IMAGE109
在其概率分布下对以
Figure 153550DEST_PATH_IMAGE109
为自变量的函数
Figure DEST_PATH_IMAGE122
的数学期望运算，
Figure DEST_PATH_IMAGE123
为对
Figure DEST_PATH_IMAGE124
进行1范数运算，
Figure DEST_PATH_IMAGE125
为
Figure 801569DEST_PATH_IMAGE109
在其概率分布下对以
Figure 762572DEST_PATH_IMAGE109
为自变量的函数
Figure DEST_PATH_IMAGE126
的数学期望运算，
Figure 925569DEST_PATH_IMAGE126
为对
Figure DEST_PATH_IMAGE127
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 DEST_PATH_IMAGE128
，
其中，
Figure DEST_PATH_IMAGE129
的含义为：通过更改
Figure DEST_PATH_IMAGE130
的取值来最大化函数
Figure DEST_PATH_IMAGE131
Figure DEST_PATH_IMAGE132
的值，
Figure DEST_PATH_IMAGE133
的含义为：通过更改
Figure DEST_PATH_IMAGE134
的取值来最小化函数
Figure DEST_PATH_IMAGE135
的值。
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S123还包括：
以第三对抗损失
Figure DEST_PATH_IMAGE136
、第三重构损失
Figure DEST_PATH_IMAGE137
、第三自适应损失
Figure DEST_PATH_IMAGE138
、第三空间通道损失
Figure DEST_PATH_IMAGE139
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 DEST_PATH_IMAGE140
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 DEST_PATH_IMAGE141
Figure DEST_PATH_IMAGE142
，
其中，
Figure DEST_PATH_IMAGE143
，
Figure DEST_PATH_IMAGE144
，
Figure DEST_PATH_IMAGE145
，且
Figure DEST_PATH_IMAGE146
的含义为：通过更改
Figure DEST_PATH_IMAGE147
的取值来最大化函数
Figure DEST_PATH_IMAGE148
的值，
Figure DEST_PATH_IMAGE149
的含义为：通过更改
Figure DEST_PATH_IMAGE150
和
Figure DEST_PATH_IMAGE151
的取值来最小化函数
Figure DEST_PATH_IMAGE152
的值。
5.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。
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 89440DEST_PATH_IMAGE015
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 DEST_PATH_IMAGE153
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。
7.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，所述步骤S130包括：
在所述实地通信场景的
Figure 405015DEST_PATH_IMAGE012
时刻的障碍物信息与
Figure 395974DEST_PATH_IMAGE011
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。
8.一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1-7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 CN114900234A (zh) 2022-08-12
CN114900234B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114980221A (zh) * 2016-12-30 2022-08-30 英特尔公司 用于无线电通信的方法和设备
CN107359948B (zh) * 2017-07-11 2019-06-14 北京邮电大学 一种认知无线网络的频谱预测方法、装置及计算机可读存储介质
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
CN112562728A (zh) * 2020-11-13 2021-03-26 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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
基于群智感知的无线信号地图高效构建技术研究;刘成勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210715;全文 *

Also Published As

Publication number Publication date
CN114900234A (zh) 2022-08-12
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
EP3497827B1 (en) Method and apparatus for analysing communication channel in consideration of material and contours of objects
Masood et al. A machine learning based 3D propagation model for intelligent future cellular networks
KR102355301B1 (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
CN102546039B (zh) 一种无线电磁波传播预测方法及装置
CN114900234B (zh) 一种太赫兹频谱环境地图构建方法及设备
Sohrabi et al. Construction of the RSRP map using sparse MDT measurements by regression clustering
KR20180092741A (ko) 무선 통신 시스템에서 망 설계를 위한 방법 및 장치
Angeles et al. Neural network-based path loss prediction for digital TV macrocells
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
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
KR102211847B1 (ko) 경로 손실 지수 예측 시스템 및 방법
Bärring et al. Factory radio design of a 5G network in offline mode
He et al. Radio propagation modeling and real test of ZigBee based indoor wireless sensor networks
Ikegami et al. Multipath-RTI: Millimeter-Wave Radio Based Device-Free Localization
US20210409966A1 (en) Method and apparatus for communication environment analysis and network design considering radio wave incoming unit of structure
Jaensch et al. Radio Map Estimation--An Open Dataset with Directive Transmitter Antennas and Initial Experiments
Nagao et al. A Study on Path Loss Modeling using ResNet and Pre-Training with Free Space Path Loss
Habaebi et al. ANN-based LoRaWAN Channel Propagation Model.
Fathalla et al. Beam Profiling and Beamforming Modeling for mmWave NextG Networks
Haojie et al. Deep Learning-Based Method for 5G Micro-Base Station Signal Identification

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