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 PDFInfo
- 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
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
Description
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。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时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,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时刻至第时刻的太赫兹频谱环境真实地图,其中,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、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,其中,t为在所述虚拟通信场景内的时间,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,为所述虚拟通信场景中的障碍物个数,为从b=1至b=的个障碍物信息。S122.根据、、,以及,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。S123.根据、、,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,并再次执行步骤S121-S123,直至。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时刻的太赫兹频谱环境真实地图、时刻的障碍物信息和时刻的太赫兹频谱环境真实地图,为在所述实地通信场景内的时间。S140.将待检测通信场景时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,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,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时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,得到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,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时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,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时刻至第时刻的太赫兹频谱环境真实地图,其中,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,在一个被划分为个栅格的虚拟场景中,设定该场景对应的三维区域为,随机得到障碍物个数,在该场景的三维区域中,选取*8个点来逐个构造所需要的个障碍物,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*8个顶点坐标后可以得到个不同形状、不同位置、互不相交的障碍物。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,在时刻和时刻,三维区域与三维区域可能完全相同,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,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,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。
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、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,其中,t为在所述虚拟通信场景内的时间,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,为所述虚拟通信场景中的障碍物个数,为从b=1至b=的个障碍物信息。
将、输入所述第一生成对抗网络的鉴别器网络,并将或输入所述第一生成对抗网络的鉴别器网络,使所述第一生成对抗网络的鉴别器网络输出真假判断信息,即,其中,为所述鉴别器网络的神经网络参数,所述真假判断信息用于表示所述鉴别器网络对输入的或的真假判断。
其中,为所述第一生成对抗网络的惩罚因子,为所述第一生成对抗网络的重构因子,为所述第一生成对抗网络的自适应因子,,为服从分布的随机数,为在其概率分布下对以为自变量的函数 的数学期望运算,为在其概率分布下对以为自变量的复合函数的数学期望运算,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行2范数运算,为微分算子,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行1范数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行对数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行对数运算;
所述第一生成对抗网络进行单独训练的训练目标为:
将、输入所述第二生成对抗网络的鉴别器网络,并将或输入所述第二生成对抗网络的鉴别器网络,使所述第二生成对抗网络的鉴别器网络输出真假判断信息,即,其中,为所述鉴别器网络的神经网络参数,所述真假判断信息用于表示所述鉴别器网络对输入的或的真假判断。
其中,为基于的依据自注意力机制进行的通道注意力计算函数,为基于的依据自注意力机制进行的通道注意力计算函数,为基于的依据自注意力机制进行的空间注意力计算函数,为基于的依据自注意力机制进行的空间注意力计算函数,为所述第二生成对抗网络的惩罚因子,为所述第二生成对抗网络的重构因子,为所述第二生成对抗网络的空间通道因子,,为在其概率分布下对以为自变量的函数的数学期望运算,为在其概率分布下对以为自变量的复合函数 的数学期望运算,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行2范数运算,为微分算子,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行1范数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行1范数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行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:
在示例性实施例中,以第三对抗损失、第三重构损失、第三自适应损失、第三空间通道损失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:
在本申请实施例中,生成器网络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(服从真实数据分布)规格相同的估计缺损灰度图(服从生成器网络对真实数据分布隐式建模得到的分布),以及,生成器网络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(服从生成器网络和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和分别和鉴别器网络和相互对抗的训练策略。具体地,鉴别器网络和分别期望最大化其正确鉴别的概率,而生成器网络和则分别期望最大化鉴别器网络和鉴别出错的概率。因此,在分别针对鉴别器网络和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、和/或生成器网络、可不断提升其网络鉴别和/或生成能力。假如鉴别器网络和和生成器网络和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。此时生成器网络和隐性建模得到的分布收敛于真实数据分布,而鉴别器网络和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时刻的太赫兹频谱环境真实地图、时刻的障碍物信息和时刻的太赫兹频谱环境真实地图,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时刻的障碍物信息与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。
若时刻的障碍物信息与时刻的障碍物信息没有发生改变,那么时刻的第二预设信息与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时刻的障碍物信息与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时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,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,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,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。
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。
在本申请实施例中,只有第1时刻输入的地图是真实地图,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,若以来表示时刻的太赫兹频谱环境估计地图,则时刻的太赫兹频谱环境估计地图是由次对的递归调用实现,即:
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作为时间阈值,当时,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,或使,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,并根据第时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,得到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,所述实地通信场景时刻和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时刻至第时刻的太赫兹频谱环境真实地图。
在所述实地通信场景的时刻的障碍物信息与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,将实地通信场景的时刻的太赫兹频谱环境真实地图、时刻的障碍物信息和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时刻的太赫兹频谱环境估计地图和时刻的障碍物信息,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,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时刻至第时刻的太赫兹频谱环境真实地图,其中,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、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,其中,t为在所述虚拟通信场景内的时间,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,为所述虚拟通信场景中的障碍物个数,为从b=1至b=的个障碍物信息;
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时刻的太赫兹频谱环境真实地图、时刻的障碍物信息和时刻的太赫兹频谱环境真实地图,为在所述实地通信场景内的时间;
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:
将、输入所述第一生成对抗网络的鉴别器网络,并将或输入所述第一生成对抗网络的鉴别器网络,使所述第一生成对抗网络的鉴别器网络输出真假判断信息,即,其中,为所述鉴别器网络的神经网络参数,所述真假判断信息用于表示所述鉴别器网络对输入的或的真假判断;
其中,为所述第一生成对抗网络的惩罚因子,为所述第一生成对抗网络的重构因子,为所述第一生成对抗网络的自适应因子,,为服从分布的随机数,为在其概率分布下对以为自变量的函数 的数学期望运算,为在其概率分布下对以为自变量的复合函数的数学期望运算,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行2范数运算,为微分算子,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行1范数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行对数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行对数运算;
所述第一生成对抗网络进行单独训练的训练目标为:
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、输入所述第二生成对抗网络的鉴别器网络,并将或输入所述第二生成对抗网络的鉴别器网络,使所述第二生成对抗网络的鉴别器网络输出真假判断信息,即,其中,为所述鉴别器网络的神经网络参数,所述真假判断信息用于表示所述鉴别器网络对输入的或的真假判断;
其中,为基于的依据自注意力机制进行的通道注意力计算函数,为基于的依据自注意力机制进行的通道注意力计算函数,为基于的依据自注意力机制进行的空间注意力计算函数,为基于的依据自注意力机制进行的空间注意力计算函数,为所述第二生成对抗网络的惩罚因子,为所述第二生成对抗网络的重构因子,为所述第二生成对抗网络的空间通道因子,,为在其概率分布下对以为自变量的函数的数学期望运算,为在其概率分布下对以为自变量的复合函数 的数学期望运算,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行2范数运算,为微分算子,为在其概率分布下对以为自变量的函数的数学期望运算,为:对进行1范数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行1范数运算,为在其概率分布下对以为自变量的函数的数学期望运算,为对进行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:
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。
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。
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)
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)
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)
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 |
-
2022
- 2022-07-14 CN CN202210823549.5A patent/CN114900234B/zh active Active
-
2023
- 2023-05-04 WO PCT/CN2023/092070 patent/WO2024012018A1/zh unknown
Patent Citations (7)
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)
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 |