CN115296761B - 一种基于电磁传播模型的信道预测方法 - Google Patents

一种基于电磁传播模型的信道预测方法 Download PDF

Info

Publication number
CN115296761B
CN115296761B CN202211232609.2A CN202211232609A CN115296761B CN 115296761 B CN115296761 B CN 115296761B CN 202211232609 A CN202211232609 A CN 202211232609A CN 115296761 B CN115296761 B CN 115296761B
Authority
CN
China
Prior art keywords
neural network
channel
model
unmanned aerial
prediction
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
CN202211232609.2A
Other languages
English (en)
Other versions
CN115296761A (zh
Inventor
黄川�
崔曙光
汪彦丞
张晗
唐心怡
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.)
Chinese University of Hong Kong Shenzhen
Original Assignee
Chinese University of Hong Kong Shenzhen
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 Chinese University of Hong Kong Shenzhen filed Critical Chinese University of Hong Kong Shenzhen
Priority to CN202211232609.2A priority Critical patent/CN115296761B/zh
Publication of CN115296761A publication Critical patent/CN115296761A/zh
Application granted granted Critical
Publication of CN115296761B publication Critical patent/CN115296761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于电磁传播模型的信道预测方法，包括以下步骤：S1.对于一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，并构建不同接收区域内该类物品的分布式样本集；S2.构建神经网络预测模型，并基于步骤S1中得到的分布式样本集中的样本进行联邦学习，得到成熟神经网络预测模型；S3.对于不同类别的物品S类物体
Figure DEST_PATH_IMAGE001
，重复执行步骤S1~S2，得到每一类物体对应的成熟神经网络预测模型；S4.基于成熟的神经网络预测模型，预测信道的冲击响应作为信道预测结果。本发明针对每一类物品建立了神经网络预测模型，并基于光线追踪实现了信道预测，有效提高了预测精度。

Description

一种基于电磁传播模型的信道预测方法
技术领域
本发明涉及电磁波领域，特别是涉及一种基于电磁传播模型的信道预测方法。
背景技术
无线信道是无线通信至关重要的部分，无线通信系统传输的所有信息必须通过无线信道。信道情况直接决定了发射和接受端的通信参数设置，决定了基站的功率分配等重要参数。因此精确预测无线信道意义重大，并吸引了众多研究者参与。
传统的信道预测方法主要为建立统计模型，模型中的几个参数，例如传播时延扩展、角度扩展是根据测量结果加以确定，这样预测得到的信道存在，预测结果不精确，预测场景和统计模型场景不匹配的问题。他们预测的信道无法直接得到信道的冲击响应。而本专利提出了一种基于电磁传播模型的预测方法，具体做法是先针对传播环境中的各种物体，通过联邦学习的方法，快速、实时建立他们的高精度电磁传播模型，然后通过光线追踪法，确定待预测位置下的传播簇和传播子路径，根据预测的传播路径调用对应物体的传播模型，精确预测出每个子路径的信道，通过求和得到各簇信道和总信道。这样能直接预测出包含了传播损耗、传播时延、离去角、到达角信息的完整信道冲激响应，而传统方法无法预测。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于电磁传播模型的信道预测方法，针对每一类物品建立了神经网络预测模型，并基于光线追踪实现了信道预测，有效提高了预测精度。
本发明的目的是通过以下技术方案来实现的：一种基于电磁传播模型的信道预测方法，包括以下步骤：
S1.对于一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，并构建不同接收区域内该类物品的分布式样本集；
S2.构建神经网络预测模型，并基于步骤S1中得到的分布式样本集中的样本进行联邦学习，得到成熟神经网络预测模型；
S3.对于不同类别的物品S类物体
Figure 937744DEST_PATH_IMAGE001
，重复执行步骤S1~S2，得到每一类物体对应的成熟神经网络预测模型；
S4.基于成熟的神经网络预测模型，预测信道的冲击响应作为信道预测结果。
本发明的有益效果是：本发明针对每一类物品建立了神经网络预测模型，并基于光线追踪实现了信道预测，有效提高了预测精度。
附图说明
图1为本发明的方法流程图；
图2为本发明的预测的BRTDF图片与真实值图片的对比示意图；
图3为单接收机预测的BRTDF图片与真实图片对比示意图；
图4为本发明提出的方法进行预测的误差与联邦学习训练轮数的关系示意图；
图5为不使用联邦学习时的训练误差示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于电磁传播模型的信道预测方法，包括以下步骤：
S1.对于一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，并构建不同接收区域内该类物品的分布式样本集；
S2.构建神经网络预测模型，并基于步骤S1中得到的分布式样本集中的样本进行联邦学习，得到成熟神经网络预测模型；
S3.对于不同类别的物品S类物体
Figure 136776DEST_PATH_IMAGE001
，重复执行步骤S1~S2，得到每一类物体对应的成熟神经网络预测模型；
S4.基于成熟的神经网络预测模型，预测信道的冲击响应作为信道预测结果。
进一步地，所述步骤S1包括以下子步骤：
S101.对于一类物品中的任一待测物体
Figure 588617DEST_PATH_IMAGE002
，首先用激光雷达测量该待测物体
Figure 921509DEST_PATH_IMAGE002
的外形结构，得到该待测物体
Figure 405055DEST_PATH_IMAGE002
的三维模型，三维模型用dxf格式的文件；然后该待测物体
Figure 571726DEST_PATH_IMAGE002
拍摄多个不同角度下的照片，作为反映待测物体
Figure 776442DEST_PATH_IMAGE002
材质信息的照片，将待测物体
Figure 178605DEST_PATH_IMAGE002
三维模型和反应待测物体
Figure 722850DEST_PATH_IMAGE002
的材质信息记为物品的地理环境信息
Figure 653896DEST_PATH_IMAGE003
；
S102.设电磁传播模型通过信道BRTDF进行刻画，则需要测量待测物体
Figure 304100DEST_PATH_IMAGE002
的信道BRTDF：
信道BRTDF为一个二维向量，包括BRTDF值和时间差信息：其中，BRTDF值通过BRTDF函数进行求解，所述BRTDF函数即为双向反射透射分布函数，等于电磁波接收位置处能量与电磁波发射位置处能量的比值；时间差信息即电磁波从发射位置传播到接收位置的时间差；
BRDF是双向反射分布函数（Bidirectional Reflectance DistributionFunction），但是真实的电磁波反射和透射并不是之前光线追踪法中的只有镜像反射分量和单一的透射方向，而是朝多个方向反射、透射能量。因此传统的方法带来了预测误差。因此，通过预测电磁波在经历物体表面反射和穿过物体透射之后路径能量比值的方法，能够提高了整体的预测精度。
电磁波与物体的影响主要分为反射和透射。故本发明在BRDF的基础上考虑了电磁波透射物体的情况，定义BRTDF，即双向反射透射分布函数（Bidirectional Reflectanceand Transmission Distribution Function，BRTDF）；电磁波从一个入射角度照射在物体表面之后，物体会朝各个方向反射电磁波。传统预测方法主要只考虑了镜面方向的能量，而没有考虑别的方向的能量，因此对预测产生了误差。透射也是如此，光线追踪方法不能预测电磁波穿过物体之后朝多个角度传播的能量，只能计算直线传播穿透一个物体的能量，因此产生了误差。本发明的预测方案中，考虑了物体反射和透射能量并非是单一角度，而是一个角度范围的特性。从而实现精确预测。同时，本发明还融入了时间差信息即电磁波从发射位置传播到接收位置的时间差，形成信道BRTDF，从而对电磁传播模型进行刻画。
测量过程为：将载有发射机TX的无人机，悬空在坐标为
Figure 447636DEST_PATH_IMAGE004
的地方并朝着物体
Figure 315229DEST_PATH_IMAGE005
发射电磁波，发射的电磁波能量是
Figure 886019DEST_PATH_IMAGE006
；将载有接收机RX的无人机放置在接收位置
Figure 796819DEST_PATH_IMAGE007
，测量得到这个接收位置的RX接收到的电磁波能量
Figure 540784DEST_PATH_IMAGE008
；TX将发射电磁波的时间
Figure 856359DEST_PATH_IMAGE009
和发射的电磁波能量是
Figure 129208DEST_PATH_IMAGE010
同步传输给接收机RX；接收机RX接受到电磁波的时间记为
Figure 592551DEST_PATH_IMAGE011
，则收发的时间差信息为
Figure 343469DEST_PATH_IMAGE012
将接收角度
Figure 779129DEST_PATH_IMAGE007
下的信道BRTDF记为：
Figure 19618DEST_PATH_IMAGE013
；
S103.将整个接收范围划分为多个接收区域，在每一个接收区域内设置多个接收位置，并在每一个接收区域处设置一个载有接收机RX的无人机，且每一个载有接收机RX的无人机中均搭载有用于联邦学习的客户端处理器和与客户端处理器连接的数据存储器；
S104.对于任一个载有RX的无人机，遍历其所在接收区域内的每一个接收位置，并由该无人机搭载的客户端处理器按照步骤S102获取该无人机在每一个接收位置时的信道BRTDF，并将这些信道BRTDF构成一张图片，记为
Figure 907939DEST_PATH_IMAGE014
：
所述图片中包含整个接收范围所有接收位置的信道BRTDF信息的填充位置；将当前无人机所在接收区域各个接收位置的信道BRTDF在图片上填充，其余位置填充0，则构成了图片
Figure 725198DEST_PATH_IMAGE014
；
将地理环境信息和载有TX的无人机悬空坐标构成样本特征
Figure 15365DEST_PATH_IMAGE015
，将
Figure 161176DEST_PATH_IMAGE014
作为样本特征
Figure 271214DEST_PATH_IMAGE015
的标签，构成一个训练样本；
S105.改变载有TX的无人机的悬空坐标，使得载有TX的无人机的悬空坐标遍历所有预设的发射位置，设预设的发射位置共有R个，并在每一个发射位置下重复执行步骤S104，得到任一无人机的R个训练样本；
S106.对于每一个载有RX的无人机，重复执行步骤S104~S105,则每一个载有RX的无人机均获得了R个样本；
S107.遍历当前类物品中的每一个待测物体，并在每一个待测物体下重复执行步骤S101~S106，设当前类物品共有C个待测物体，则每个载有RX的无人机均得到
Figure 426252DEST_PATH_IMAGE016
个训练样本，并保存到自身搭载的数据存储器中，形成各个无人机处的当前类物品的分布式训练样本集，由于每一个无人机对应一个不同的接收区域，即得到了不同区域内当前类物品的分布式训练样本集。
进一步地，所述步骤S2包括：
S201.构建联邦学习系统，所述联邦学习系统包括一个服务端和多个客户端，所述客户端与整个接收范围内划分的接收区域数目相同且一一对应；每一个客户端部署于对应接收区域内载有RX的无人机搭载的客户端处理器上，并建立客户端与服务端之间的无线通讯；
所述服务端采用云服务器，建立无线通讯时，在服务端连接第一无线通讯模块，在每一个客户端所在的无人机上部署与客户端处理器相连的第二无线通讯模块，通过第一无线通讯模块与各个无人机上的第二无线通讯模块建立无线通讯；
S202.服务端通过神经网络算法构建信道BRTDF的神经网络预测模型，设初始的神经网络预测模型参数为
Figure 836505DEST_PATH_IMAGE017
,服务端首先设定训练总轮数；
S203.并将神经网络预测模型参数为
Figure 622058DEST_PATH_IMAGE017
分别传输给每一个客户端；
S204.各个客户端利用所在无人机上数据存储器中保存的当前类物品的分布式训练样本集对神经网络预测模型进行训练：
训练过程中，在训练过程中训练样本中的样本特征作为模型输入，标签作为期望输出，在所有样本训练结束后，保存训练得到的神经网络预测模型参数；
S204.设共有K个客户端，其中第k个客户端训练结束后，得到的神经网络预测模型参数为
Figure 484972DEST_PATH_IMAGE018
,k=1,2,…K；各个客户端将得到的神经网络预测模型参数上传给服务端，由服务端进行对各个客户端上传的神经网络预测模型参数进行平均，得到神经网络模型参数
Figure 646963DEST_PATH_IMAGE019
；
S205.服务端将神经网络模型参数
Figure 112055DEST_PATH_IMAGE019
作为新的
Figure 802930DEST_PATH_IMAGE017
，并重复执行步骤S203~S205，当重复执行此处达到设定训练总轮数后，服务端将此时得到的神经网络模型参数
Figure 153140DEST_PATH_IMAGE019
作为最终的神经网络模型参数，即得到了成熟神经网络预测模型。
进一步地，所述步骤S4包括：
S401.获取预测区域的地理环境信息：
利用激光雷达测量预测区域内物品的外形结构，得到物品的三维模型，三维模型用dxf格式的文件存储，以便于光线追踪的使用；
对预测区域内物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片；
S402.通过光线追踪计算出从发射机到接收机的所有传播路径，相近的路径计入一个传播簇，所有的传播簇记为cluster1, … , clusterK；
S403.针对每个传播簇，基于步骤S3中得到的成熟神经网络预测模型，计算该路径冲击响应；
S404.将每条路径得到的信道冲击响应进行叠加，得到整个信道的冲击响应。
所述步骤S402包括：
首先以发射机为球心，向各个方向均匀发射光线；
然后追踪每一条光线，光线直线传播并与S1中获取的环境中三维模型发生反射；
最后能传播到接收机的所有光线组成了所有的传播路径，所述传播路径包括离去角DoA、到达角AoA、传播路径的三维长度d、与环境中物体发生反射的坐标位置和传播时间构成。
如果两条光线DoA和AoA的角度差值小于预先设定的阈值
Figure 649981DEST_PATH_IMAGE020
那么将他们分为一簇光线，所述一簇光线是指簇内各条光线经历了相同的物体。
所述步骤S403包括：
首先确定预测区域内的物体种类，选择对应种类的成熟神经网络预测模型，然后将预测区域内物体的特征M，以及入射角度，作为成熟神经网络预测模型的输入，由成熟神经网络预测模型输出预测结果，所述预测结果为信道BRTDF预测结构构成的一张图片，包含所有接收角度（接收位置）下的信道BRTDF预测结果；这是因为在联邦学习过程中，对各个客户端训练的模型进行了融合，所以联邦学习多轮训练完成后，得到的最终模型在预测时，预测输出的图片能够包含所有接收角度下的信道BRTDF预测值。
对于通过光线追踪法得到一簇光线路径Cluster k，k=1,…,K，中的第
Figure 113454DEST_PATH_IMAGE021
条子路径, 通过光线追踪发计算得到了路径
Figure 503460DEST_PATH_IMAGE022
的离去角AoD为
Figure 75387DEST_PATH_IMAGE023
，到达角AoA是
Figure 110339DEST_PATH_IMAGE024
，用神经网络预测出来的结果
Figure 880849DEST_PATH_IMAGE025
；这个预测结果给出了信道冲击响应的幅度和传播时延，即
Figure 179106DEST_PATH_IMAGE026
，
Figure 503908DEST_PATH_IMAGE027
。
将上面得到的数值带入信道冲击响应的计算公式：
Figure 342551DEST_PATH_IMAGE028
就得到了第k簇光线路径第l条子路径的信道，其中：
Figure 436409DEST_PATH_IMAGE029
分别是第k簇，第l条子路径对应信道的冲击响应，传播时延，离去角，到达角；j为虚数单位，
Figure 905568DEST_PATH_IMAGE030
是第k簇，第l条子路径信号的随机相位；一般情况下，该随机相位服从在零到2π之间的均匀分布。
通过对第k簇所有子路径求和，得到了第k簇的信道的冲击响应：
Figure 983245DEST_PATH_IMAGE031
然后通过对总共K个簇的冲击响应求和得到总的信道预测结果，即
Figure 91491DEST_PATH_IMAGE032
。
在本发明的实施例中，通过实验验证提出的学习物体反射透射模型的有效性。下图展示了学到的物体电磁反射模型。通过对比可以看见，针对反射能量集中区域的能量分布预测，采用联邦学习的方法能比只用单个接收机的方法取得更准确的预测精度。
其中，图2中，单数列是真实值，偶数列是提出的本发明预测方法预测结果；图3中，单数列是真实值，偶数列是单接收机的预测结果；图4中，采用了联邦学习的方法，融合了多个接收机不同角度的测量结果，学到的物体反射模型，对比5图单个接收机的方案，能看到，多接收机收敛更快预测误差更小。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种基于电磁传播模型的信道预测方法，其特征在于：包括以下步骤：
S1.对于一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，并构建不同接收区域内该类物品的分布式样本集；
S2.构建神经网络预测模型，并基于步骤S1中得到的分布式样本集中的样本进行联邦学习，得到成熟神经网络预测模型；
S3.对于不同类别的物品S类物体
Figure 193249DEST_PATH_IMAGE001
，重复执行步骤S1~S2，得到每一类物体对应的成熟神经网络预测模型；
S4.基于成熟的神经网络预测模型，预测信道的冲击响应作为信道预测结果。
2.根据权利要求1所述的一种基于电磁传播模型的信道预测方法，其特征在于：所述步骤S1包括以下子步骤：
S101.对于一类物品中的任一待测物体
Figure 984094DEST_PATH_IMAGE002
，首先用激光雷达测量该待测物体
Figure 730333DEST_PATH_IMAGE002
的外形结构，得到该待测物体
Figure 226036DEST_PATH_IMAGE002
的三维模型，三维模型用dxf格式的文件；然后该待测物体
Figure 473347DEST_PATH_IMAGE002
拍摄多个不同角度下的照片，作为反映待测物体
Figure 698792DEST_PATH_IMAGE002
材质信息的照片，将待测物体
Figure 553615DEST_PATH_IMAGE002
三维模型和反应待测物体
Figure 490609DEST_PATH_IMAGE002
的材质信息记为物品的地理环境信息
Figure 416977DEST_PATH_IMAGE003
；
S102.设电磁传播模型通过信道BRTDF进行刻画，则需要测量待测物体
Figure 169033DEST_PATH_IMAGE004
的信道BRTDF：
信道BRTDF为一个二维向量，包括BRTDF值和时间差信息：其中，BRTDF值通过BRTDF函数进行求解，所述BRTDF函数即为双向反射透射分布函数，等于电磁波接收位置处能量与电磁波发射位置处能量的比值；时间差信息即电磁波从发射位置传播到接收位置的时间差；
测量过程为：将载有发射机TX的无人机，悬空在坐标为
Figure 647287DEST_PATH_IMAGE005
的地方并朝着物体
Figure 445479DEST_PATH_IMAGE004
发射电磁波，发射的电磁波能量是
Figure 847641DEST_PATH_IMAGE006
；将载有接收机RX的无人机放置在接收位置
Figure 399409DEST_PATH_IMAGE007
，测量得到这个接收位置的RX接收到的电磁波能量
Figure 923931DEST_PATH_IMAGE008
；TX将发射电磁波的时间
Figure 84785DEST_PATH_IMAGE009
和发射的电磁波能量是
Figure 274327DEST_PATH_IMAGE010
同步传输给接收机RX；接收机RX接受到电磁波的时间记为
Figure 63291DEST_PATH_IMAGE011
，则收发的时间差信息为
Figure 696398DEST_PATH_IMAGE012
将接收角度
Figure 829701DEST_PATH_IMAGE013
下的信道BRTDF记为：
Figure 635983DEST_PATH_IMAGE014
；
S103.将整个接收范围划分为多个接收区域，在每一个接收区域内设置多个接收位置，并在每一个接收区域处设置一个载有接收机RX的无人机，且每一个载有接收机RX的无人机中均搭载有用于联邦学习的客户端处理器和与客户端处理器连接的数据存储器；
S104.对于任一个载有RX的无人机，遍历其所在接收区域内的每一个接收位置，并由该无人机搭载的客户端处理器按照步骤S102获取该无人机在每一个接收位置时的信道BRTDF，并将这些信道BRTDF构成一张图片，记为
Figure 482717DEST_PATH_IMAGE015
：
所述图片中包含整个接收范围所有接收位置的信道BRTDF信息的填充位置；将当前无人机所在接收区域各个接收位置的信道BRTDF在图片上填充，其余位置填充0，则构成了图片
Figure 208096DEST_PATH_IMAGE015
；
将地理环境信息和载有TX的无人机悬空坐标构成样本特征
Figure 140280DEST_PATH_IMAGE016
，将
Figure 750253DEST_PATH_IMAGE015
作为样本特征
Figure 136979DEST_PATH_IMAGE016
的标签，构成一个训练样本；
S105.改变载有TX的无人机的悬空坐标，使得载有TX的无人机的悬空坐标遍历所有预设的发射位置，设预设的发射位置共有R个，并在每一个发射位置下重复执行步骤S104，得到任一无人机的R个训练样本；
S106.对于每一个载有RX的无人机，重复执行步骤S104~S105,则每一个载有RX的无人机均获得了R个样本；
S107.遍历当前类物品中的每一个待测物体，并在每一个待测物体下重复执行步骤S101~S106，设当前类物品共有C个待测物体，则每个载有RX的无人机均得到
Figure 174205DEST_PATH_IMAGE017
个训练样本，并保存到自身搭载的数据存储器中，形成各个无人机处的当前类物品的分布式训练样本集，由于每一个无人机对应一个不同的接收区域，即得到了不同区域内当前类物品的分布式训练样本集。
3.根据权利要求1所述的一种基于电磁传播模型的信道预测方法，其特征在于：所述步骤S2包括：
S201.构建联邦学习系统，所述联邦学习系统包括一个服务端和多个客户端，所述客户端与整个接收范围内划分的接收区域数目相同且一一对应；每一个客户端部署于对应接收区域内载有RX的无人机搭载的客户端处理器上，并建立客户端与服务端之间的无线通讯；
S202.服务端通过神经网络算法构建信道BRTDF的神经网络预测模型，设初始的神经网络预测模型参数为
Figure 593685DEST_PATH_IMAGE018
,服务端首先设定训练总轮数；
S203.并将神经网络预测模型参数为
Figure 131982DEST_PATH_IMAGE018
分别传输给每一个客户端；
S204.各个客户端利用所在无人机上数据存储器中保存的当前类物品的分布式训练样本集对神经网络预测模型进行训练：
训练过程中，在训练过程中训练样本中的样本特征作为模型输入，标签作为期望输出，在所有样本训练结束后，保存训练得到的神经网络预测模型参数；
S204.设共有K个客户端，其中第k个客户端训练结束后，得到的神经网络预测模型参数为
Figure 750045DEST_PATH_IMAGE019
,k=1,2,…K；各个客户端将得到的神经网络预测模型参数上传给服务端，由服务端进行对各个客户端上传的神经网络预测模型参数进行平均，得到神经网络模型参数
Figure 99118DEST_PATH_IMAGE020
；
S205.服务端将神经网络模型参数
Figure 491048DEST_PATH_IMAGE020
作为新的
Figure 177244DEST_PATH_IMAGE018
，并重复执行步骤S203~S205，当重复执行此处达到设定训练总轮数后，服务端将此时得到的神经网络模型参数
Figure 508868DEST_PATH_IMAGE020
作为最终的神经网络模型参数，即得到了成熟神经网络预测模型。
4.根据权利要求1所述的一种基于电磁传播模型的信道预测方法，其特征在于：所述步骤S4包括：
S401.获取预测区域的地理环境信息：
利用激光雷达测量预测区域内物品的外形结构，得到物品的三维模型，三维模型用dxf格式的文件存储，以便于光线追踪的使用；
对预测区域内物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片；
S402.通过光线追踪计算出从发射机到接收机的所有传播路径，相近的路径计入一个传播簇，所有的传播簇记为cluster1, … , clusterK；
S403.针对每个传播簇，基于步骤S3中得到的成熟神经网络预测模型，计算该路径冲击响应；
S404.将每条路径得到的信道冲击响应进行叠加，得到整个信道的冲击响应。
5.根据权利要求4所述的一种基于电磁传播模型的信道预测方法，其特征在于：所述步骤S402包括：
首先以发射机为球心，向各个方向均匀发射光线；
然后追踪每一条光线，光线直线传播并与S1中获取的环境中三维模型发生反射；
最后能传播到接收机的所有光线组成了所有的传播路径，所述传播路径包括离去角DoA、到达角AoA、传播路径的三维长度d、与环境中物体发生反射的坐标位置和传播时间；
如果两条光线DoA和AoA的角度差值小于预先设定的阈值那么将他们分为一簇光线，所述一簇光线是指簇内各条光线经历了相同的物体。
6.根据权利要求4所述的一种基于电磁传播模型的信道预测方法，其特征在于：所述步骤S403包括：
首先确定预测区域内的物体种类，选择对应种类的成熟神经网络预测模型，然后将预测区域内物体的特征M，以及入射角度，作为成熟神经网络预测模型的输入，由成熟神经网络预测模型输出预测结果，所述预测结果为BRTDF预测值构成的一张图片，包含所有接收角度下的BRTDF预测值；
对于通过光线追踪法得到一簇光线路径Cluster k，k=1,…,K，中的第
Figure 622318DEST_PATH_IMAGE021
条子路径, 通过光线追踪发计算得到了路径
Figure 954073DEST_PATH_IMAGE022
的离去角DoA 为
Figure 135305DEST_PATH_IMAGE023
，到达角AoA是
Figure 400065DEST_PATH_IMAGE024
，用神经网络预测出来的结果
Figure 871366DEST_PATH_IMAGE025
；这个预测结果给出了信道冲击响应的幅度和传播时延，即
Figure 549472DEST_PATH_IMAGE026
，
Figure 249575DEST_PATH_IMAGE027
；
将上面得到的数值带入信道冲击响应的计算公式：
Figure 119573DEST_PATH_IMAGE028
就得到了第k簇光线路径第l条子路径的信道，其中：
Figure 778087DEST_PATH_IMAGE029
分别是第k簇，第l条子路径对应信道的冲击响应，传播时延，离去角，到达角；j为虚数单位，是第k簇，
Figure 864861DEST_PATH_IMAGE030
第l条子路径信号的随机相位；
通过对第k簇所有子路径求和，得到了第k簇的信道的冲击响应：
Figure 571917DEST_PATH_IMAGE031
然后通过对总共K个簇的冲击响应求和得到总的信道预测结果，即
Figure 559071DEST_PATH_IMAGE032
。
CN202211232609.2A 2022-10-10 2022-10-10 一种基于电磁传播模型的信道预测方法 Active CN115296761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211232609.2A CN115296761B (zh) 2022-10-10 2022-10-10 一种基于电磁传播模型的信道预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211232609.2A CN115296761B (zh) 2022-10-10 2022-10-10 一种基于电磁传播模型的信道预测方法

Publications (2)

Publication Number Publication Date
CN115296761A CN115296761A (zh) 2022-11-04
CN115296761B true CN115296761B (zh) 2022-12-02

Family

ID=83819255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211232609.2A Active CN115296761B (zh) 2022-10-10 2022-10-10 一种基于电磁传播模型的信道预测方法

Country Status (1)

Country Link
CN (1) CN115296761B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372507A (zh) * 2015-10-30 2016-03-02 中国电子科技集团公司第二十九研究所 一种电磁环境实时监测方法及系统
CN107392234A (zh) * 2017-07-05 2017-11-24 北京航空航天大学 一种基于单张4d光场图像的物体表面材质类型识别方法
CN108318458A (zh) * 2017-01-16 2018-07-24 北京航空航天大学 一种适用于不同天气条件下的室外典型地物pBRDF的测量方法
CN109523617A (zh) * 2018-10-15 2019-03-26 中山大学 一种基于单目摄像机的光照估计方法
CN112367129A (zh) * 2020-07-27 2021-02-12 南京邮电大学 一种基于地理信息的5g参考信号接收功率预测方法
CN112789522A (zh) * 2019-09-11 2021-05-11 华为技术有限公司 一种目标物的反射率计算方法、装置及相关设备
CN113162665A (zh) * 2021-04-02 2021-07-23 中国电子科技集团公司第五十四研究所 一种基于深度学习信道预测的预编码方法
CN113285896A (zh) * 2021-04-30 2021-08-20 南京邮电大学 基于堆栈式elm的时变信道预测方法
WO2021249515A1 (zh) * 2020-06-12 2021-12-16 华为技术有限公司 信道信息反馈方法、通信装置及存储介质
CN114079866A (zh) * 2020-08-10 2022-02-22 大唐移动通信设备有限公司 一种信号传输方法及设备和装置
CN114448531A (zh) * 2021-12-06 2022-05-06 西安电子科技大学 一种信道特性分析方法、系统、介质、设备及处理终端
CN115022863A (zh) * 2022-07-15 2022-09-06 北京理工大学 一种基于AmBC的应急通信信道估计与检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101785953B1 (ko) * 2013-03-28 2017-11-15 노키아 솔루션스 앤드 네트웍스 오와이 무선 통신들에서 채널 추정
CN110601777B (zh) * 2019-08-29 2020-06-30 浙江大学 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
US11948096B2 (en) * 2020-03-13 2024-04-02 International Business Machines Corporation Adaptively adjusting influence in federated learning model updates

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372507A (zh) * 2015-10-30 2016-03-02 中国电子科技集团公司第二十九研究所 一种电磁环境实时监测方法及系统
CN108318458A (zh) * 2017-01-16 2018-07-24 北京航空航天大学 一种适用于不同天气条件下的室外典型地物pBRDF的测量方法
CN107392234A (zh) * 2017-07-05 2017-11-24 北京航空航天大学 一种基于单张4d光场图像的物体表面材质类型识别方法
CN109523617A (zh) * 2018-10-15 2019-03-26 中山大学 一种基于单目摄像机的光照估计方法
CN112789522A (zh) * 2019-09-11 2021-05-11 华为技术有限公司 一种目标物的反射率计算方法、装置及相关设备
WO2021249515A1 (zh) * 2020-06-12 2021-12-16 华为技术有限公司 信道信息反馈方法、通信装置及存储介质
CN112367129A (zh) * 2020-07-27 2021-02-12 南京邮电大学 一种基于地理信息的5g参考信号接收功率预测方法
CN114079866A (zh) * 2020-08-10 2022-02-22 大唐移动通信设备有限公司 一种信号传输方法及设备和装置
CN113162665A (zh) * 2021-04-02 2021-07-23 中国电子科技集团公司第五十四研究所 一种基于深度学习信道预测的预编码方法
CN113285896A (zh) * 2021-04-30 2021-08-20 南京邮电大学 基于堆栈式elm的时变信道预测方法
CN114448531A (zh) * 2021-12-06 2022-05-06 西安电子科技大学 一种信道特性分析方法、系统、介质、设备及处理终端
CN115022863A (zh) * 2022-07-15 2022-09-06 北京理工大学 一种基于AmBC的应急通信信道估计与检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Estimating Surface BRDF/Albedo Over Rugged Terrain Using an Extended Multisensor Combined BRDF Inversion (EMCBI) Model》;Jianguang Wen.etc;《Estimating Surface BRDF/Albedo Over Rugged Terrain Using an Extended Multisensor Combined BRDF Inversion (EMCBI) Model》;20220114;全文 *
面向6G物联网的智能反射表面设计;王兆瑞等;《物联网学报》;20200630(第02期);全文 *

Also Published As

Publication number Publication date
CN115296761A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN108696932B (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN108512621B (zh) 一种基于神经网络的无线信道建模方法
CN107181543B (zh) 一种基于传播模型和位置指纹的三维室内无源定位方法
CN1197397C (zh) 估测无线通信系统服务区域中用户位置的方法
CN102395196B (zh) 一种基于标校点的定位方法和装置
CN112040394B (zh) 一种基于ai深度学习算法的蓝牙定位方法及系统
CN105792129B (zh) 一种非视距环境下的定位方法及装置
CN108168559B (zh) 一种基于分布式天线的室内定位系统及方法
CN106358291A (zh) 一种基于信号强度的三边测量定位方法
JP2011214920A (ja) 位置推定装置、位置推定方法及びプログラム
CN113747360B (zh) 一种基于混合可见光和ble的室内定位方法
Wölfle et al. Enhanced localization technique within urban and indoor environments based on accurate and fast propagation models
CN103618997A (zh) 一种基于信号强度概率的室内定位方法和装置
CN111698695A (zh) 一种基于神经网络的lte指纹式定位方法
CN109901109B (zh) 一种基于空口时延测量实现授时的方法、终端及系统
CN112034421A (zh) 一种基于球面波的室内散射体定位方法及系统
Daramouskas et al. A survey of methods for location estimation on Low Power Wide Area Networks
Wang et al. Single base station positioning based on multipath parameter clustering in NLOS environment
CN115296761B (zh) 一种基于电磁传播模型的信道预测方法
Li et al. Automatic indoor radio map construction and localization via multipath fingerprint extrapolation
Nguyen et al. Probabilistic Ray-Tracing Aided Positioning at mmWave frequencies
Gadhgadhi et al. Distance estimation using polynomial approximation and neural network based on rssi technique
EP3399328B1 (fr) Procédé et système de localisation distribué phdoa, pwdoa, de sources émettrices
CN108271245A (zh) 一种直射径判断方法及装置
CN114051209B (zh) 一种基于智能反射面和场景几何模型的指纹定位方法

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