CN116094553A - 基于张量分解的车联网ris辅助注意力机制通信与感知方法 - Google Patents

Abstract

本发明涉及一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，包括：构建系统模型；对感知目标用户的接收信号进行四维张量分解，得到毫米波信道时间空间增益矩阵和多普勒频移信道模型；利用智能超表面的毫米波计算成像，系统感知基站发送信号和目标用户无线环境信息，得到相应基站和感知目标用户之间的毫米波信道；构建基站发射波束信号和智能超表面反射信号的联合波形优化问题，并利用基于注意力机制的深度强化学习模型进行求解，优化信号成形、反射图案以及联合波束成形，得到优化系统模型；利用优化系统模型进行通信与感知。与现有技术相比，本发明具有无需频繁估计信道等优点。

Description

基于张量分解的车联网RIS辅助注意力机制通信与感知方法

技术领域

本发明涉及智能通信、感知领域，尤其是涉及一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法。

背景技术

随着无线通信技术、人工智能与大数据技术的深度融合，使得信息技术的发展日新月异，驱动着5G向着6G演进。通信与感知一体化技术方向使得通信能力与感知能力相互融合，促进6G无线网络的发展。近年来，毫米波大规模MIMO无线通信系统由于能够支持海量的移动数据流量和无线连接，其作为一项颇有前途的技术，在学术界和工业界引起了研究热潮。为了实现绿色可持续发展的无线通信网络，智能超表面(RIS，ReconfigurableIntelligent Surface)技术作为一项新兴技术出现在相关学者的视线中，其拥有独特的准无源、软件可编程、易部署、低成本、低能耗的特点，能够与毫米波大规模MIMO无线通信相结合形成新型RIS辅助毫米波大规模MIMO无线通信与感知系统模型。

在毫米波大规模MIMO车联网环境下，毫米波在传输过程中面临着严重的多径效应和衰减损耗，多径效应导致了衰落现象，信号衰减限制了无线信号的传播距离，建筑物等大型物体的反射和折射等更是不可避免的因素。因此，通常利用多输入多输出技术发射窄波束进行毫米波通信。但是，窄波束传输性能依赖于波束对准，这就加剧了通信系统中频繁的信道估计，而在动态车联网场景下，准确获取信道状态信息以及动态地波束对准变得更加困难。

发明内容

本发明的目的就是为了提供一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，无需频繁的进行信道估计，且更易完成波束对准。

本发明的目的可以通过以下技术方案来实现：

一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，包括以下步骤：

S1、构建基于基站、智能超表面和感知目标用户通信感知一体化的RIS辅助毫米波大规模MIMO车联网系统模型；

S2、利用智能超表面信道矩阵的低秩特性和感知目标用户接收信号的张量结构，对感知目标用户的接收信号进行四维张量分解，将待探测的目标空间时间频率张量卷积分割成子张量块，得到毫米波信道时间空间增益矩阵和多普勒频移信道模型；

S3、利用智能超表面的毫米波计算成像，系统感知基站发送信号和目标用户无线环境信息，并结合毫米波信道时间空间增益矩阵和多普勒频移信道模型得到相应基站和感知目标用户之间的毫米波信道；

S4、构建基站发射波束信号和智能超表面反射信号的联合波形优化问题，并利用基于注意力机制的深度强化学习模型进行求解，优化信号成形、反射图案以及联合波束成形，得到优化系统模型；

S5、利用优化系统模型进行通信与感知。

所述步骤S1包括以下步骤：

S11、设定系统模型的参数，所述参数包括基站端发射天线数量、感知目标用户端接收天线数量、智能超表面端无源发射单元数量、俯仰角、方位角；

S12、构建基于基站、智能超表面和感知目标用户的两阶段级联信道通信系统模型；

S13、基于毫米波大规模MIMO通信系统模型，对步骤S12构建的基站-智能超表面和智能超表面-感知目标用户的两阶段信道矩阵分别建模，得到基于基站、智能超表面和感知目标用户通信感知一体化的RIS辅助毫米波大规模MIMO车联网系统模型。

所述两阶段级联信道通信系统模型为：

其中，Φ_k为智能超表面反射图案，H_T、H_R分别为基站到智能超表面和智能超表面到感知目标用户之间的等效信道矩阵，为重建噪声矩阵。

所述步骤S2包括以下步骤：

S21、利用接收信号的稀疏矩阵模型，将基站、智能超表面、感知目标用户的发射天线空间特征、接收天线空间特征、时间特征和频率特征进行四维张量分解；

S22、将待探测的感知目标用户的双空间、时间和频率张量卷积分割成子张量块，得到毫米波信道时间空间增益矩阵和多普勒频移的信道模型。

引入一个混合学习因子用来增强信道特征，则接收信号张量形式表示为：

其中，为噪声张量，为四维的核张量，H_T、H_R分别为基站到智能超表面和智能超表面到感知目标用户之间的等效信道矩阵，为智能超表面反射图案。

所述步骤S3包括以下步骤：

S31、利用感知环境中物体的回波信号反射到智能超表面上，通过智能超表面毫米波成像感知目标用户端的环境信息、用户位置和用户数量；

S32、利用智能超表面感知到的目标用户的环境信息，结合毫米波信道时间空间增益矩阵和多普勒频移信道模型，无需信道估计直接计算出基站端和感知目标用户端之间可用的毫米波信道，并进行数据传输。

所述步骤S4包括以下步骤：

S41、基于求解的信道构建基站发射波束信号和智能超表面反射信号的联合波形优化问题；

S42、构建基于注意力机制的深度强化学习模型，其中，所述注意力机制用于提取关键信道特征，利用基于注意力机制的深度强化学习模型求解联合波形优化问题，优化信号成形、反射图案以及联合波束成形，得到优化系统模型。

所述基于注意力机制的深度强化学习模型的actor模块和critic模块采用结构一致的循环神经网络，模型的输入为：系统的基站到智能超表面的等效信道矩阵H_T、智能超表面到感知目标用户端的等效信道矩阵H_R、发射信号候选集合X、反射信号候选集合Θ，输出为达到最小化误码率上限的最优信号成形、反射图案和联合波束成形。

所述步骤S42包括以下步骤：

S421、基于智能超表面毫米波成像得到的感知目标用户的无线通信环境，构建感知环境，感知环境中包括感知目标以及其他干扰源；

S422、基于注意力机制对感知环境中的感知目标以及其他干扰源进行权重配置，输出具有关键信道特征的特征图；

S423、将具有关键信道特征的特征图与感知目标用户的环境信息连接成一个张量，输入critic模块；

S424、基于actor模块计算车辆运动信息，并通过最大化优势函数进行优化，直到获取最小化误码率上限；

S425、基于最小化误码率上限，得到联合波形优化问题的求解结果，优化信号成形、反射图案以及联合波束成形。

所述步骤S422包括以下步骤：

S4221、通过SPC模块将智能超表面ON-OFF单元进行编码，智能超表面ON-OFF元素由反射面地址Key键和Value值组成，对输入的四维张量进行切分，得到双空间、时间和频率的多尺度特征图；

S4222、利用SE模块提取双空间、时间和频率的多尺度特征图中不同尺度的Value值，并根据Query和Key计算二者的相似度，通过加性模型计算注意力分数；

S4223、利用softmax函数对注意力分数进行数值转换，得到权重，并根据权重对Value值进行加权求和，得到Attention值；

S4224、用Softmax对Attention值进行重新校准，并将校准后的Attention值与特征图相乘积，完成关键信道特征提取，得到具有多尺度特征信息的特征图。

与现有技术相比，本发明具有以下有益效果：

(1)本发明在大规模毫米波MIMO车联网通信感知系统中部署了智能超表面，将原来MIMO通信系统中基站与目标用户之间的单一信道路径额外增加了基站-智能超表面-感知目标用户的级联路径，通过智能超表面的可编程特性和毫米波大规模MIMO信道的高维度特性和稀疏特性，挖掘了更深的信道的结构化稀疏特征，从而达到提升频谱效率、增加通信容量的目的。

(2)本发明采用了注意力机制，聚焦于对基站发射信号和智能反射信号当前时间更为关键的信道特征，降低对其他信道特征的关注度。

(3)本发明有效地将张量分解方法和深度学习中的注意力机制应用于RIS辅助的毫米波大规模MIMO通信与感知系统中，无需进行信道估计，通过直接计算大大降低了频繁估计的计算复杂度，并感知无线环境中的目标，克服车联网环境中动态波束难以对准问题。

附图说明

图1为本发明的方法流程图；

图2为本发明的RIS辅助毫米波大规模MIMO车联网系统模型示意图；

图3为智能超表面进行毫米波成像感知目标用户所处环境的流程示意图；

图4为本发明注意力机制提取关键信道特征的流程示意图；

图5为本发明的基于注意力机制的深度强化学习模型示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，如图1所示，包括以下步骤：

S1、构建基于基站、智能超表面和感知目标用户通信感知一体化的RIS辅助毫米波大规模MIMO车联网系统模型。

S11、设定系统模型的参数，所述参数包括基站端发射天线数量、感知目标用户端接收天线数量、智能超表面端无源发射单元数量、俯仰角、方位角。

S12、构建基于基站、智能超表面和感知目标用户的两阶段级联信道通信系统模型，如图2所示。

在这个级联信道系统模型中，考虑基站配备了N_T根发射天线，感知目标配备N_R根接收天线，智能超表面含有N_S个无源反射单元，目标发射速率为rbit/channel use，每次信道使用有L＝2^r种长为r的比特序列。

由于从基站传输到感知目标用户的路径中会受到无线通信环境中各种因素的干扰，信号传播过于复杂，因此，本发明弱化了此通道的信号传输，只保留分析基站到智能超表面和智能超表面到感知目标用户两条链路的信号传播。假定一个相干时隙T的块衰落信道场景，那么感知目标用户的接收信号可以被表示为：

其中，为基站到智能超表面之间的信道矩阵，为智能超表面到感知目标用户之间的信道矩阵，基站发射信号向量为智能超表面反射图案为元组(i,k)是基站发射信号向量和智能超表面反射图案Φ_k共同传输比特序列，占用了L＝I·K个子帧，i＝{1,...,I}，k＝{1,...,K}，是加性高斯白噪声，均值为0，方差为σ²。

为了更简洁地描述系统模型，根据毫米波信道的稀疏性特征，本发明将接收信号重新表示为一个稀疏信道矩阵模型：

Y_i＝H_TΦ_kH_RX+W_i (2)

同时，为了后续便于处理信号特征和优化信号映射，本发明将基站发射信号候选集合定义为X，且大小|X|＝M_T，智能超表面反射图案候选集合定义为Θ，且大小为|Θ|＝M_R，当Φ_k激活时，基站发射信号集合为则，Φ_k∈Θ。

假设发射信号集合矩阵X采用标准的正交行设计，那么有将接收信号的稀疏信道矩阵模型Y_i右乘X^H，将稀疏矩阵重新表示为：

其中，为单位矩阵，分别表示重建接收信号、重建噪声矩阵。

S13、基于毫米波大规模MIMO通信系统模型，对步骤S12构建的基站-智能超表面和智能超表面-感知目标用户的两阶段信道矩阵分别建模，得到基于基站、智能超表面和感知目标用户通信感知一体化的RIS辅助毫米波大规模MIMO车联网系统模型。

在毫米波大规模MIMO车联网通信系统模型中，随着车辆的移动，会使接收信号受到多普勒频移的影响，造成通信链路质量的下降。所考虑的是，H_T、H_R的路径数量远远小于发射和接收天线的数量，这就意味着rank{H_T}≤l_T、rank{H_R}≤l_R。假设H_T、H_R路径数量分别l_T、l_R，并采用均匀线性阵列，则H_T、H_R遵循几何信道模型，可以表示为：

其中，是第l条路径上的复增益，ψ_(T,l)∈[0,2π]是来自基站的第l个出发方向的DOD空间频率，ψ_(R,l)∈[0,2π]是感知目标用户第l个到达方向DOA的空间频率，u_(T,l)∈[0,2π]是智能超表面的第l个DOA空间频率，u_(R,l)∈[0,2π]是智能超表面的第l个方向的DOD空间频率，同时，将阵列转向矢量描述为v₁(v)，v₂(v)，f_l是多普勒频移，T_s为采样周期。

S2、利用智能超表面信道矩阵的低秩特性和感知目标用户接收信号的张量结构，对感知目标用户的接收信号进行四维张量分解，将待探测的目标空间时间频率张量卷积分割成子张量块，得到毫米波信道时间空间增益矩阵和多普勒频移信道模型。

S21、利用接收信号的稀疏矩阵模型，将基站、智能超表面、感知目标用户的发射天线空间特征、接收天线空间特征、时间特征和频率特征进行四维张量分解。

通过利用接收信号的稀疏信道矩阵模型沿模4连接时，可以得到四维张量其中表示第i个正面切片。则可以基于Tucker-2张量分解引入一种混合学习因子形成一种全新的HL-Tucker分解方法，引入的目的是为了在后续研究中提高基于注意力机制的特征提取能力。

首先，将进行Tucker张量分解为一个四维的核张量和因子矩阵：

其中，为噪声张量，为四维的核张量。

利用的n模展开，即得到：

其次，引入了一个全新的混合学习因子用来增强信道特征，重新将张量表示为：

同样的，将张量的4模对应展开，得到：

S22、将待探测的感知目标用户的双空间、时间和频率张量卷积分割成子张量块，得到毫米波信道时间空间增益矩阵和多普勒频移的信道模型。

为了更清晰、简洁地描述H_T、H_R，通过定义信号出发角集合A＝[v₁(ψ_(,1)),...,v₁(ψ_(,l))]，信号到达角集合B＝[v₁(u_(,1)),...,v₁(u_(,l))]以及第l条路径上的快衰落因子将H_T、H_R表示为一个更加紧凑的形式：

同时，为了方便描述车联网背景下的时间空间增益矩阵和多普勒频移模型，车辆的接收信号可以简述为四维张量形式：

其中，是车辆接收信号的张量形式，D₁是感知目标用户端信道的张量形式，D₂是基站端信道的张量形式，D₃是智能超表面反射图案的张量形式，是相应噪声的张量形式。

将因子矩阵D₄定义为

D₄＝[g(,1),g(,2),...,g(,l)]                      (19)

g(,1)＝[g(1,1),...,g(T,1)]                       (20)

根据Tucker分解的性质，将张量表示为的模4分解的Kronecker积形式：

因子矩阵中含有的非零元素中包含多普勒频移带来的路径增益。因子矩阵和第l条路径上的多普勒频移f_l可以分别表示为：

其中，f_max是最大多普勒频移，c为光速，v为感知目标用户移动速度，f_c是载波频率。

根据因子矩阵和第l条路径上的多普勒频移f_l，得到基站发射端和感知目标用户接收端的时间空间增益矩阵和在本发明中，简述为

S3、利用智能超表面的毫米波计算成像，系统感知基站发送信号和目标用户无线环境信息，并结合毫米波信道时间空间增益矩阵和多普勒频移信道模型得到相应基站和感知目标用户之间的毫米波信道。

S31、利用感知环境中物体的回波信号反射到智能超表面上，通过智能超表面毫米波成像感知目标用户端的环境信息、用户位置和用户数量。

基于所述的智能超表面端毫米波成像，其成像信号处理流程结构图如图3所示，立体的无线环境信息可以表述成三维坐标，设定智能超表面的位置则处于三维坐标系的原点，感知目标用户的位置信息可以用三维坐标来表示。

所述感知目标用户的三维坐标可以表示为：(X_RV,Y_RV,Z_RV)。

所述感知目标用户的俯仰角θ和方位角可以分别表示为：

同理，基站端俯仰角和方位角分别可以用θ'和来表示。

根据所述感知目标用户端的俯仰角和方位角，计算出智能超表面反射信号波束的相角，具体表示为：

其中，λ为毫米波波长，d为天线之间的距离，N为智能超表面单元列数，M为智能超表面单元列数，且智能超表面单元数N_s＝N×M。

同理，根据所述基站端的俯仰角和方位角，计算出智能反射端入射信号波束的相角，具体表示为：

根据所述的智能发射端反射信号波束相角和入射信号波束相角，以及智能超表面可以实时调控反射单元相位的特征，计算出其阵列单元需要进行调整的单元，具体可以表示为：

S32、利用智能超表面感知到的目标用户的环境信息，结合毫米波信道时间空间增益矩阵和多普勒频移信道模型，无需信道估计直接计算出基站端和感知目标用户端之间可用的毫米波信道，并进行数据传输。

基于所述的智能发射端反射信号波束相角和入射信号波束相角，得到感知目标用户的无线环境信息，则不需要进行信道估计，而是直接计算得到信道模型；

所述基站到智能超表面的信道具体表示为：

其中，为该信道的幅度参数，为相位偏移参数。

所述智能超表面到感知目标用户端的信道具体表示为：

其中，为该信道的幅度参数，为相位偏移参数。

基于所述的时间空间增益矩阵和恢复信道矩阵

通过对基站到智能超表面的信道和智能超表面到感知目标用户端的信道进行重建后，得到感知目标用户的接收信号为：

S4、构建基站发射波束信号和智能超表面反射信号的联合波形优化问题，并利用基于注意力机制的深度强化学习模型进行求解，优化信号成形、反射图案以及联合波束成形，得到优化系统模型。

S41、基于求解的信道构建基站发射波束信号和智能超表面反射信号的联合波形优化问题。

假设本发明中所有的信道都可以通过上述步骤求解出来，且没有误差，则将联合优化问题设计出给定的发射信号候选集合和反射信号候选集合的最小误码率上限。

误码率可以表示为：

其中，为两个比特序列之间的汉明距离，表示成对出现的错误概率。

成对错误概率可以表示为：

其中，表示目标感知用户接收信号之间的欧氏距离。

基于所述的误码率受到汉明距离和欧氏距离的影响，且误码率对欧氏距离更为敏感，并将比特序列b_l到的映射规则定义为Λ，那么联合波形优化问题可以表述为：

优化问题：

初始化：H_T、H_R、L、σ、X、Θ

找到：Λ，X₁,X₂,...,X_K

再初始化：H_T、H_R、σ、X₁,X₂,...,X_K

找到：Φ₁,Φ₂,...,Φ_K

最小化：

直到目标函数收敛，得到最佳波束成形

S42、构建基于注意力机制的深度强化学习模型，其中，所述注意力机制用于提取关键信道特征，利用基于注意力机制的深度强化学习模型求解联合波形优化问题，优化信号成形、反射图案以及联合波束成形，得到优化系统模型。

设定感知环境中有N个物体，将感知目标用户设定为i，i∈{1,...,N}，其他干扰源设置为 设定物体集合为{i}，干扰源集合为且感知环境中的物体{i}的俯仰角集合为θ＝{θ₁,...,θ_N}、方位角集合为

将注意力机制引入深度强化学习的critic模块和actor模块，形成Actor-Attention-Critic模型，即AAC模型。

Critic模块将{i}中感知目标以及干扰源的俯仰角θ_i、方位角输入循环神经网络RNN中进行编码。

所述基于注意力机制的深度强化学习模型的actor模块和critic模块采用结构一致的循环神经网络，模型的输入为：系统的基站到智能超表面的等效信道矩阵H_T、智能超表面到感知目标用户端的等效信道矩阵H_R、发射信号候选集合X、反射信号候选集合Θ，输出为达到最小化误码率上限的最优信号成形、反射图案和联合波束成形，其优化求解过程如图5所示，即：

初始化：H_T、H_R、X、Θ

输出：最佳动作(最优信号成形、反射图案和联合波束成形)

S421、基于智能超表面毫米波成像得到的感知目标用户的无线通信环境，构建感知环境，感知环境中包括感知目标以及其他干扰源。

感知环境中的物体i＝1,...,N，获得此时的H_T、H_R，建立初始状态。

感知环境中的时间维度t＝1,...,T，得到此时目标车辆的速度、位置等信息。

感知目标车辆的速度、位置等动作信息进行状态转移得到新的感知目标信息和及时反馈，将这些放入全局记忆池中，并从中选取一部分进行循环神经网络的训练。

S422、基于注意力机制对感知环境中的感知目标以及其他干扰源进行权重配置，输出具有关键信道特征的特征图，如图4所示。

S4221、通过SPC(Split And Concat)模块将智能超表面ON-OFF单元进行编码，智能超表面ON-OFF元素由反射面地址Key键和Value值(0-1)组成，对输入的四维张量进行切分，得到双空间、时间和频率的多尺度特征图。

S4222、利用SE模块提取双空间、时间和频率的多尺度特征图中不同尺度的Value值，并根据Key＝Query的查询，获取智能超表面元素对应的Value值，通过Query和Key计算二者的相似度，通过加性模型计算注意力分数s_i：

s_i＝F(Q,k_i)       (41)

S4223、利用softmax函数对注意力分数进行数值转换，得到所有智能超表面元素权重系数之和为1的概率分布，另一方面可以用softmax函数的特性突出智能超表面元素重要元素的权重α_i，并根据权重对Value值进行加权求和，得到Attention值。

权重α_i具体表示为：

加权求和得到Attention值具体为：

其中，V是感知环境中单个物体的线性价值投影矩阵，q_i是全连接编码器。

将感知目标i的俯仰角和方位角表达成函数形式，并感知目标也会受到其他干扰源的影响，具体表示为：

其中，Q_i表示感知目标i的Q函数，p_i是全连接网络。

S4224、用Softmax对Attention值进行重新校准，并将校准后的Attention值与特征图相乘积，完成关键信道特征提取，得到具有多尺度特征信息的特征图，有效地提取更细粒度的多尺度空间信息。

S423、将具有关键信道特征的特征图与感知目标用户的环境信息连接成一个张量，输入critic模块。

S424、基于actor模块计算车辆运动信息，并通过最大化优势函数进行优化，直到获取最小化误码率上限。

actor模块基于感知目标i的函数最小化联合损失函数以及最大化优势函数构建。

最小化联合损失函数具体表示为：

其中，是期望值，y_i是感知目标执行时感知环境给的真实反馈值。

基于损失函数和对训练critic模块和训练actor模块的参数进行更新，得到下一状态的优势函数

最大化优势函数具体表示为：

其中，为优势函数，为反事实基线。

基于优势函数对目标critic模块和目标actor模块的参数进行更新。

通过上述优化过程，得到最小化误码率上限。

S425、基于最小化误码率上限，得到联合波形优化问题的求解结果，优化信号成形、反射图案以及联合波束成形。

S5、利用优化系统模型进行通信与感知。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (10)

1.一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，包括以下步骤：

S1、构建基于基站、智能超表面和感知目标用户通信感知一体化的RIS辅助毫米波大规模MIMO车联网系统模型；

S2、利用智能超表面信道矩阵的低秩特性和感知目标用户接收信号的张量结构，对感知目标用户的接收信号进行四维张量分解，将待探测的目标空间时间频率张量卷积分割成子张量块，得到毫米波信道时间空间增益矩阵和多普勒频移信道模型；

S3、利用智能超表面的毫米波计算成像，系统感知基站发送信号和目标用户无线环境信息，并结合毫米波信道时间空间增益矩阵和多普勒频移信道模型得到相应基站和感知目标用户之间的毫米波信道；

S4、构建基站发射波束信号和智能超表面反射信号的联合波形优化问题，并利用基于注意力机制的深度强化学习模型进行求解，优化信号成形、反射图案以及联合波束成形，得到优化系统模型；

S5、利用优化系统模型进行通信与感知。

2.根据权利要求1所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述步骤S1包括以下步骤：

S11、设定系统模型的参数，所述参数包括基站端发射天线数量、感知目标用户端接收天线数量、智能超表面端无源发射单元数量、俯仰角、方位角；

S12、构建基于基站、智能超表面和感知目标用户的两阶段级联信道通信系统模型；

S13、基于毫米波大规模MIMO通信系统模型，对步骤S12构建的基站-智能超表面和智能超表面-感知目标用户的两阶段信道矩阵分别建模，得到基于基站、智能超表面和感知目标用户通信感知一体化的RIS辅助毫米波大规模MIMO车联网系统模型。

3.根据权利要求2所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述两阶段级联信道通信系统模型为：

其中，Φ_k为智能超表面反射图案，H_T、H_R分别为基站到智能超表面和智能超表面到感知目标用户之间的等效信道矩阵，

为重建噪声矩阵。

4.根据权利要求1所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述步骤S2包括以下步骤：

S21、利用接收信号的稀疏矩阵模型，将基站、智能超表面、感知目标用户的发射天线空间特征、接收天线空间特征、时间特征和频率特征进行四维张量分解；

S22、将待探测的感知目标用户的双空间、时间和频率张量卷积分割成子张量块，得到毫米波信道时间空间增益矩阵和多普勒频移的信道模型。

5.根据权利要求4所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，引入一个混合学习因子

用来增强信道特征，则接收信号张量形式表示为：

其中，

为噪声张量，

为四维的核张量，H_T、H_R分别为基站到智能超表面和智能超表面到感知目标用户之间的等效信道矩阵，

为智能超表面反射图案。

6.根据权利要求1所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述步骤S3包括以下步骤：

S31、利用感知环境中物体的回波信号反射到智能超表面上，通过智能超表面毫米波成像感知目标用户端的环境信息、用户位置和用户数量；

S32、利用智能超表面感知到的目标用户的环境信息，结合毫米波信道时间空间增益矩阵和多普勒频移信道模型，无需信道估计直接计算出基站端和感知目标用户端之间可用的毫米波信道，并进行数据传输。

7.根据权利要求1所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述步骤S4包括以下步骤：

S41、基于求解的信道构建基站发射波束信号和智能超表面反射信号的联合波形优化问题；

S42、构建基于注意力机制的深度强化学习模型，其中，所述注意力机制用于提取关键信道特征，利用基于注意力机制的深度强化学习模型求解联合波形优化问题，优化信号成形、反射图案以及联合波束成形，得到优化系统模型。

8.根据权利要求7所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述基于注意力机制的深度强化学习模型的actor模块和critic模块采用结构一致的循环神经网络，模型的输入为：系统的基站到智能超表面的等效信道矩阵H_T、智能超表面到感知目标用户端的等效信道矩阵H_R、发射信号候选集合X、反射信号候选集合Θ，输出为达到最小化误码率上限的最优信号成形、反射图案和联合波束成形。

9.根据权利要求8所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述步骤S42包括以下步骤：

S421、基于智能超表面毫米波成像得到的感知目标用户的无线通信环境，构建感知环境，感知环境中包括感知目标以及其他干扰源；

S422、基于注意力机制对感知环境中的感知目标以及其他干扰源进行权重配置，输出具有关键信道特征的特征图；

S423、将具有关键信道特征的特征图与感知目标用户的环境信息连接成一个张量，输入critic模块；

S424、基于actor模块计算车辆运动信息，并通过最大化优势函数进行优化，直到获取最小化误码率上限；

S425、基于最小化误码率上限，得到联合波形优化问题的求解结果，优化信号成形、反射图案以及联合波束成形。

10.根据权利要求9所述的一种基于张量分解的车联网RIS辅助注意力机制通信与感知方法，其特征在于，所述步骤S422包括以下步骤：

S4221、通过SPC模块将智能超表面ON-OFF单元进行编码，智能超表面ON-OFF元素由反射面地址Key键和Value值组成，对输入的四维张量进行切分，得到双空间、时间和频率的多尺度特征图；

S4222、利用SE模块提取双空间、时间和频率的多尺度特征图中不同尺度的Value值，并根据Query和Key计算二者的相似度，通过加性模型计算注意力分数；

S4223、利用softmax函数对注意力分数进行数值转换，得到权重，并根据权重对Value值进行加权求和，得到Attention值；

S4224、用Softmax对Attention值进行重新校准，并将校准后的Attention值与特征图相乘积，完成关键信道特征提取，得到具有多尺度特征信息的特征图。

Images