CN117527111A - 一种无线信道知识地图的快速构建方法与系统 - Google Patents

一种无线信道知识地图的快速构建方法与系统 Download PDF

Info

Publication number
CN117527111A
CN117527111A CN202311478685.6A CN202311478685A CN117527111A CN 117527111 A CN117527111 A CN 117527111A CN 202311478685 A CN202311478685 A CN 202311478685A CN 117527111 A CN117527111 A CN 117527111A
Authority
CN
China
Prior art keywords
channel knowledge
map
knowledge map
module
layer
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.)
Pending
Application number
CN202311478685.6A
Other languages
English (en)
Inventor
尤力
金振洲
谢晨洁
高西奇
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202311478685.6A priority Critical patent/CN117527111A/zh
Publication of CN117527111A publication Critical patent/CN117527111A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/09—Supervised learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开了一种无线信道知识地图的快速构建方法与系统。本发明利用图像修复技术进行信道知识地图的构建，通过恢复图像矩阵中相应像素值，预测特定位置的信道知识，从而获取目标区域内任意位置用户设备的信道相关知识。通过将图像修复问题与信道知识地图构建问题的相似性结合，并采用拉普拉斯金字塔的频带分解框架，对输入的环境地图进行不同频率的分解。根据不同频率成分的特性，设计相应的子网络进行特征提取，最后借助拉普拉斯金字塔的逆操作来重构信道知识地图。本发明提出的无线信道知识地图构建方法不仅在更低的计算复杂度下实现了更高的构建精度，而且在各种无线通信场景下均具有较强的泛化能力。

Description

一种无线信道知识地图的快速构建方法与系统
技术领域
本发明属于通信技术领域，涉及基于图像修复方法的信道知识地图构建方法与系统。
背景技术
随着连接设备数量和密度的增加，天线阵列尺寸的扩大和更广泛的带宽使用，6G将涉及超大维度的无线信道。传统基于导频的信道训练和反馈方法以获取实时信道状态信息(CSI，Channel State Information)将导致过高的开销。值得注意的是无线传播环境，例如城市或地形图中的几何位置关系，不仅是静态的，还是影响信道参数和无线通信系统性能的关键因素。因此，基于环境感知的无线通信在学术界和工业界引起了极大的研究兴趣和关注。信道知识地图(CKM，Channel Knowledge Map)在环境感知的无线通信中扮演着关键角色，其充当了一个特定的数据库，标记了发射机和接收机的精确位置。在这个数据库中，存储了与信道相关的基本细节，提供了诸如信道增益、阴影、到达/离开角度和信道脉冲响应等宝贵信息。通过有效利用传播环境信息来获取这些信道相关信息可以解决实时CSI获取中的高复杂度问题。CKM的一个典型实例是信道增益地图(CGM，Channel Gain Map)，它用于预测目标区域特定位置的信道增益。
传统的方法是基于数据驱动的插值方法和基于模型驱动参数拟合的算法。然而，现有的基于插值、模型参数拟合的CKM构建方法并没有充分考虑实际信道的特定无线传播环境。因此，在实现过程中存在一些限制，例如需要测量的位置点过多、存储容量庞大、计算复杂度高，以及估计精度较低等问题。
发明内容
发明目的：针对现有技术的不足，本发明目的在于提供一种无线信道知识地图的快速构建方法与系统，能够获得基站目标区域内具体位置用户设备所对应的信道知识信息，在保证重构精度的同时，相比现有方法可以进一步降低时间复杂度和存储复杂度。
技术方案：为了实现上述发明目的，本发明提出的一种无线信道知识地图的快速构建方法与系统，通过端到端的基于拉普拉斯金字塔(LP，Laplacian Pyramid)的CKM构建方案，将CKM构建问题转化为图像到图像修复任务，根据不同成分的重要性设计对应的子网络，并进一步引入了自注意力机制和交叉注意力机制来编码全局结构信息，以提高模型的重构精度和泛化能力。所述无线信道知识地图的快速构建方法，包括以下步骤：
获取目标区域的环境信息，并通过空间离散化方法和像素级别的灰度转化，将环境信息转化为2D图像格式，从而将信道知识地图的构建问题转化为图像修复任务；
使用拉普拉斯金字塔对环境地图进行不同频带的分解，获取不同频率成分；
构建信道知识地图重构网络模型；所述网络模型为环境地图的不同频率成分设计不同的子网络进行特征提取，不同频率成分经过各自的子网络输出后，借助拉普拉斯金字塔的逆操作来重构信道知识地图；
给定训练集包含环境地图及其所对应的信道知识地图，采用端到端的有监督训练的方式对所构建的网络模型进行训练，获得模型的最优参数；
用训练好的模型来预测出目标区域内具体位置的用户设备的信道知识信息。
作为优选，信道知识地图构建问题到图像修复问题的转化是将每一个具体位置当作图像矩阵的像素点，具体位置所对应的信道知识当作对应像素点的像素值，将每一个具体位置的信道知识估计问题转化成了图像到图像之间像素的修复问题。
作为优选，所述的空间离散化方法在空间维度对环境信息进行网格化，根据最小距离准则实施。
作为优选，所述灰度转化在像素水平上实施，使用最小-最大归一化将信道知识数值转换为0到1的区间范围。
作为优选，所述的频带分解利用高斯金字塔来获取拉普拉斯金字塔，进而获取不同频率成分。对于一对环境地图和信道知识地图，其在低频成分上的差异会更加明显相对于高频成分；低频成分对应子网络的特征提取层次多于高频成分对应子网络的特征提取层次。
作为优选，以上所述的模型主要包括：
针对第L层低频成分的重建：输入的环境地图被分解成不同频段的子图，利用它们的特定属性完成特征提取和重建。低频环境子图IL首先经过一个点卷积以完成在深度方向上的维度扩展。然后，输入到多个叠加的轻量级残差膨胀卷积(LRDC，LightweightResidual Dilated Convolutions)模块，用于加深特征提取网络，并获取多尺度特征的融合。接着，将其输入到多头自注意力(MHSA，Multi-Head Self-Attention)模块，将全局随机结构信息编码到空间维度的局部特征中，学习更丰富的分层特征表示。最后，将特征图中的颜色通道数减少到原始尺寸以获得输出结果
针对第L-1层高频分量的精细化处理：将低频成分及其重构结果进行融合，去逐渐引导高频分量的精细化处理，以获得用于重建信道知识地图的不同频率的分量。首先，将低频环境子图IL和预测的信道知识子图分别进行双线性上采样。然后，将低频成分IL、低频成分的重构结果/>以及第L-1层的高频成分rL-1进行拼接，输入到多个叠加的的LRDC模块。接着，将提取的多尺度特征图输入到多头交叉协方差自注意力(MHCCA，Multi-Head Cross-Covariance Attention)模块。最终，得到第L-1层的高频分量rL-1的精修结果和用于精修第L-2层高频分量的注意力图。对于剩余频率分量R＝[r0,...,rL-2]，通过迭代上采样、拼接操作、LRDC模块，以及MHSA模块或MHCCA模块，逐步精细化拉普拉斯金字塔的所有高频分量，并获得不同分量的预测结果。通过拉普拉斯金字塔的逆操作，可重建信道知识地图。针对低频子网络和高频子网络中所采用的LRDC模块数量是递减的，并且在不考虑计算复杂度的前提下，每个子网络均可使用MHSA或MHCCA模块。
作为优选，LRDC模块由深度可分离卷积层、实例归一化层、点卷积层和GELU激活函数层组成，用于特征的提取和表示。MHSA模块由归一化层、多头自注意力层、点卷积层和GELU激活函数层组成。MHCCA模块由归一化层、多头交叉协方差注意力层、点卷积层和GELU激活函数层组成，用于编码全局环境信息。
作为优选，采用Adam优化算法和端到端的有监督训练方式对上述模型进行参数的训练，使得代价函数最小，以获取最优的模型参数主要包括点卷积层、深度可分离空洞卷积层、多头自注意力层、多头交叉协方差注意力层的权重和偏置。代价函数表述为：其中，，K为训练集样本总数，/>是重建的信道知识地图，/>是真实的信道知识地图，/>表示所构建的网络模型，Θ为/>中待学习的参数集合，/>表示环境地图，e表示传播环境，xn表示用户设备位置，||·||2表示欧几里得范数。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的无线信道知识地图的快速构建方法。
基于相同的发明构思，本发明还提供一种无线通信系统，包括基站和多个用户终端，所述基站或用户终端设有：信息处理模块，用于获取目标区域的环境信息，并通过空间离散化方法和像素级别的灰度转化，将环境信息转化为2D图像格式，从而将信道知识地图的构建问题转化为图像修复任务；频带分解模块，用于使用拉普拉斯金字塔对环境地图进行不同频带的分解，获取不同频率成分；网络模型构建模块，用于构建信道知识地图重构网络模型；所述网络模型为环境地图的不同频率成分设计不同的子网络进行特征提取，不同频率成分经过各自的子网络输出后，借助拉普拉斯金字塔的逆操作来重构信道知识地图；模型训练模块，用于给定训练集包含环境地图及其所对应的信道知识地图，采用端到端的有监督训练的方式对所构建的网络模型进行训练，获得模型的最优参数；以及，预测模块，用于用训练好的模型来预测出目标区域内具体位置的用户设备的信道知识信息。
有益效果：与现有技术相比，本发明将信道知识地图构建问题转化为图像修复问题，基于拉普拉金字塔的可逆频带分解架构，针对具有不同特性的频率成分设计了相应的子网络，完成了低频成分的重构和高频成分的精修，最后通过拉普拉斯金字塔的逆操作，完成信道知识地图的重构。所提出一种无线信道知识地图的快速构建方法能够在保证重构精度的前提下，以较低的时间复杂度和存储复杂度获得目标区域内潜在位置用户设备的信道知识信息。所获得的信道知识可以进一步辅助大规模无线通信的实时信道状态信息获取，提升系统性能，从而进一步提升系统的整体传输效率。此外，本发明所提方法具有较强的泛化能力，适用于不同的大规模无线通信场景。
附图说明
图1为本发明实施例的信道知识地图快速构建流程图；
图2为本发明实施例的信道知识地图快速构建模型的框架图；
图3为本发明采用的实施例中的LRDC模块示意图；
图4为本发明采用的实施例中的MHSA模块和MHCCA模块示意图；
图5为本发明实施例中拉普拉斯金字塔层数为3层时，注意力头数对本实例实施性能效果的影响示意图；
图6为本发明实施例中构建方法与现有方法的信道增益地图重构性能比较示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1和图2所示，本发明实施例公开了一种无线信道知识地图的快速构建方法，将信道知识地图构建问题转化为图像到图像修复任务，并利用拉普拉斯金字塔来提取不同重要程度的频率成分，进而根据不同成分的重要性设计对应的子网络来提高整体的重构速度，并引入了自注意力机制和交叉注意力机制来编码全局结构信息，提升了模型的重构精度和泛化能力。具体步骤，包括：(1)获取目标区域的环境信息，并通过空间离散化方法和像素级别的灰度转化，将环境信息转化为2D图像格式，从而将信道知识地图的构建问题转化为图像修复任务。(2)使用拉普拉斯金字塔对环境地图进行不同频带的分解，获取不同频率成分，用于特征的提取和重构。(3)针对低频成分进行重建，输入的环境地图被分解成不同频段的子图，利用它们的特定属性完成特征提取和重建。低频子图IL首先经过一个1×1卷积以完成在深度方向上的维度扩展。然后，输入到LRDC模块，用于加深特征提取网络，并获取多尺度特征的融合。接着，将其输入到MHSA模块，将全局随机结构信息编码到空间维度的局部特征中，学习更丰富的分层特征表示。然后，将特征图中的颜色通道数减少到c以获得结果(4)针对高频成分进行精修，将低频子图IL和重构的/>的融合结果去逐渐引导高频分量的精细化处理R＝[r0,r1,r2,...,rL-1]，以获得用于重建CGM的不同频率的分量。首先，将低频几何位置子图/>和预测的信道知识子图/>分别进行双线性上采样，其空间分辨率被调整为/>与第(L-1)层的高频分量rL-1的分辨率相同。然后，将IL、/>和rL-1进行拼接，并定义为/>然后，输入到LRDC模块，其输出表示为接着，将提取的多尺度特征图输入到MHCCA模块，沿特征维度执行注意力操作。最终，得到了用于精修高频分量rL-1的注意力图。通过上述步骤，可以逐步精细化拉普拉斯金字塔的所有高频分量，并获得不同分量的预测结果/>在/>和的帮助下，通过拉普拉斯金字塔的逆操作，可重建信道知识地图/>在本实例中N1、N2、N3和N4分别设置为4，3，3，2。(5)设计整个网络模型的代价函数为网络输出的信道知识地图和真实的信道知识地图的均方误差，即为其中/>是重建的信道知识地图，/>是真实的信道知识地图，/>表示所构建的网络模型，Θ为/>中待学习的参数集合，||·||2表示欧几里得范数。(6)将数据集以5：1：1的比例划分为训练集(40000个)、验证集(8000个)和测试集(8000个)。(7)采用Adam优化算法和端到端的有监督训练方式对上述模型进行训练，训练过程中所设置的batchsize为15，学习速率设置为0.0001，以此训练策略遍历训练集50轮。训练过程中用验证集调整模型的权重参数，并用测试集测试模型的最终性能。(8)将上述训练好的模型用于无线通信系统中目标区域的信道知识地图的快速重构。根据输入的环境地图，通过拉普拉斯金字塔获取不同频率成分，进而输入上述模型后即可输出目标区域内的信道知识地图。
图3示意了LRDC模块的具体框架成分；图4示意了MHSA模块和MHCCA模块的具体框架成分。
为了使本技术领域人员更好地理解本发明方案，下面结合具体场景以预测信道增益为例对本发明实施例的具体步骤进行说明。
一、系统
考虑一个在平方覆盖区域中的无线通信场景，包括一个基站(BS，BaseStation)和N个用户设备(UE，User Equipment)。在UE处观察到的信号功率衰减可能由不同因素引起，比如不同路径的传播损耗、建筑物的反射和衍射、街道中的波导效应以及障碍物阻挡等。在这些影响中，相对缓慢变化的部分共同构成了信道增益函数，定义为GL(e,xn,f)，描述了在在有限一组频率/>情况下，UE位置/>处所测量到的大尺度信号衰减。值得注意的是，GL(e,xn,f)受到传播环境的显著影响，用e表示。此外，小尺度效应通常被建模为具有单位方差的复高斯随机变量H。在UE处接收到的基带信号可以描述为：
其中，X是具有功率为PX的发送信号，Z是单边功率谱密度为N0的加性噪声。则每个符号的平均接收能量为
其中，B表示信号的带宽。UE基带处理器输入端的信噪比(SNR)为：
为了便于处理，信道增益用分贝(dB)尺度来定义：
该定义描述了接收功率在用户位置xn处的变化(由传播和噪声环境引起)。在每个位置准确估计Pg是构建精细化CGM的关键。
二、问题表述
对于任意的xn∈A，本发明的目标是预测定义在式(4)中的相应的Pg。为此，需要构建一个CGM，定义为fΘ，其提供了从所有可能的用户位置xn到对应Pg的映射，即：
构建这种映射式(5)是棘手的，GL(e,xn,f)受实际传播环境的影响，而分析性的路径损耗和阴影模型只能提供粗略的近似。因此，准确获取与目标区域相对应的全局和完整的CGM是具有挑战性的。
随机建模忽略了环境信息，比如街道、建筑物和空间几何关系的形态。相反，在图像修复任务中，特征提取和表示的重点是学习图像的内在结构。本发明CGM构建问题中应用图像修复技术。让神经网络的输入是环境地图，本例中输入几何位置地图，输出为期望的CGM，两者之间的差异就是要估计的通道增益，实际上可以看作是图像修复任务中需要修复的内容。将CGM构建问题转化为一个图像修复任务，通过恢复图像矩阵中相应的像素来预测UE位置的信道增益。然后，本发明提出了一个高效的CGM构建重建网络，定义为并将Θ表示为/>中待学习的参数集合。在监督训练模式下，提供了一组训练样本，其中包括输入的环境地图/>和对应的输出CGM，定义为/>其中k＝1,...,K，K为训练样本数。环境地图/>主要包含环境e，比如基站位置、建筑物、道路、车辆等，这些信息以PNG图像格式保存。模型训练的目标是持续/>的参数集合Θ，利用/>作为先验知识，以有效地重建期望的CGM，即：
其中，是重建的CGM。因此，从图像修复的角度看，CGM构建问题可以表述为：
其中，||·||2表示欧几里得范数。参数集合Θ可以通过梯度下降优化器学习，例如自适应动量估计(Adam)优化器。
三、基于拉普拉斯金字塔的CGM重构方法
1.几何位置图及信道增益的空间离散化及灰度转换
针对目标位置区域A，沿其几何空间维度进行离散化，即沿X轴和Y轴，分别取Δx和Δy为最小间隔单位，并将其网格化为一个具有Nx行和Ny列的2D向量图。每个空间网格表示为Γi,j，其中i＝1,2,...,Nx，j＝1,2,...,Ny，第(i,j)个空间网格可表示为：
Γi,j：＝[iΔx,jΔy]T (8)
为方便表述，令表示包含在第(i,j)个空间网格中的所有UE位置坐标的索引集合。此空间离散化的过程是根据最小距离的标准进行的，即当且仅当才有/>当等式成立时，任意地决定/>或者/>
通过对UE的几何位置进行离散化，空间位置集合的信道增益向量被重新排列成一个2D信道增益矩阵/>需要注意的是，基于上述网格分配方法，如果N＜NxNy，则向量Pg(f)的分量值不能完全填充矩阵Pg(f)。在这种情况下，用0来填补矩阵Pg(f)中的空白部分。第(i,j)个空间网格的信道增益被定义为[Pg(f)]i,j＝Pg(Γi,j,f)。此外，当在考虑多个频率时，可以将2D的CGM在频率维度上拼接起来，形成一个张量表示/>即：
显然，如果离散化的几何位置地图具有较高的空间分辨率，即，当Δx和Δy足够小，那么对于所都有/>成立。对于/>连续位置坐标的信道增益可以很好地近似，表示为：
注意在式(10)中，当Δx和Δy都趋近于0时，每个集合Ai,j最多只有一个元素。因此，式(10)左侧的求和符号只是为了符号上的便利，求和中最多只有一个项。空间离散化的转换允许将在连续位置的通道增益估计转换为像素或网格的预测，这也便于在后续神经网络的设计。
通过上述操作，对应于空间网格Γi,j的信道增益Pg(Γi,j,f)被视为图像矩阵中相应像素点的值，需要在进一步处理之前进行灰度转换。为此，使用最小-最大归一化将其值转换为0到1的区间范围。灰度级别的信道增益可表示为：
2.拉普拉斯金字塔频带分解
给定大小为h×w的输入图像I0，首先通过拉普拉斯金字塔获得低通估计其中每个像素是基于octave高斯滤波器的邻近像素的加权平均。为了保证图像重构的可逆性，拉普拉斯金字塔保留高频残余信息/>其中/>表示从I1上采样得到的结果。为了进一步降低输入分辨率，拉普拉斯金字塔迭代地执行上述操作在I1上，生成一系列低频和高频分量。通过拉普拉斯金字塔的可逆和闭式分解属性来解决上下采不可逆的问题。此外，拉普拉斯金字塔可以将高分辨率输入分解成具有不同空间分辨率的多个子图，这带来了融合多尺度特征信息的好处。
3.基于拉普拉斯金字塔的CGM重构网络
本发明提出了一个端到端的基于拉普拉斯金字塔的信道增益地图重建网络(LPCGMN，Laplacian Pyramid-based CGM Reconstructed Network)，以降低计算复杂性同时保持竞争性能。所提出的基于拉普拉斯金字塔的CGM重构网络由以下两部分组成：
1)低频分量的重建：输入的环境地图被分解成不同频段的子图，利用它们的特定属性完成特征提取和重建。低频子图IL首先经过一个1×1卷积以完成在深度方向上的维度扩展。然后，输入到LRDC模块，用于加深特征提取网络，并获取多尺度特征的融合。接着，将其输入到MHSA模块，将全局随机结构信息编码到空间维度的局部特征中，学习更丰富的分层特征表示。然后，将特征图中的颜色通道数减少到c以获得结果
2)高频分量的精细化处理：将IL和的融合结果去逐渐引导高频分量的精细化处理R＝[r0,r1,r2,...,rL-1]，以获得用于重建CGM的不同频率的分量。首先，将低频环境子图和预测的信道增益子图/>分别进行双线性上采样，其空间分辨率被调整为/>与第(L-1)层的高频分量rL-1的分辨率相同。然后，将IL、/>和rL-1进行拼接，并定义为/>然后，输入到LRDC模块，其输出表示为/>接着，将提取的多尺度特征图输入到MHCCA模块，沿特征维度执行注意力操作。最终，得到了用于精修高频分量rL-1的注意力图。因此，通过上述步骤，可以逐步精细化拉普拉斯金字塔的所有高频分量，并获得不同分量的预测结果/>在/>和/>的帮助下，通过拉普拉斯金字塔的逆操作，可重建信道增益地图/>
4.基于拉普拉斯金字塔的CGM重构网络中的三个模块
1)LRDC模块：主要利用深度可分离卷积和膨胀卷积，可以使用较少的模型参数获得多尺度特征。具体地，假设d定义为膨胀率，k为普通卷积核的尺寸，则空洞卷积核的实际尺寸为k′＝k+(k-1)(d-1)，第(i+1)层的感受野可表示为：
RFi+1＝RFi+(k′-1)×Si (13)
其中，stridei第i层卷积时的采样间隔，Si是前(I-1)层所有步长的乘积，RFi被定义为第i层的感受野。在计算第(i+1)层的感受野时，默认将RF1初始化为1。假设x[n]表示输入，输出可记为：
其中，w[k]是长度为K的滤波器。考虑一个维度为H×W×C的输入特征X，LRDC模块输出可表示为：
其中，IN(·)是实例归一化层，GELU(·)是GELU激活函数，DWSDConvd(·)表示膨胀率为d的3×3深度可分离卷积，PWConv(·)为点卷积。
2)MHSA模块：给定输入dm定义为图像块的数量，dn定义为每个图像块的特征维度，对zj应用三种不同的线性变换：
kj＝zjWk,j＝1,...,dn (16)
qj＝zjWq,j＝1,...,dn (17)
vj＝zjWv,j＝1,...,dn (18)
其中，和/>分别是键、查询和值向量。和/>分别代表可训练的变换矩阵。为了清晰起见，公式(16)-(18)以矩阵形式表示：
K＝ZWk (19)
Q＝ZWq (20)
V＝ZWv (21)
其中，和借助K和Q，可以得到注意力矩阵/>可表示如下：
其中，为一个缩放因子。因此，对于注意力机制输出第r个成分可以表示为所有输入的加权和：
其中，表示第r个输出，其根据注意力分数AM[r,j]自适应地关注输入来计算的。最终，整体的注意力图可表示为：
其中，
基于上述，本发明提出了用于CGM构建的MHSA模块。具体来说，给定在第(L-1)层的LRDC模块的输出首先输入到归一化层，然后通过线性变换，获取查询向量键向量/>和值向量/>然后，通过下式获得单头自注意力图：
根据公式(25)，可以将其扩展为多头自注意力学习机制。首先，第i个子空间中学习到的自注意力子图可由下式计算得到：
其中，是/>在第i个学习子空间里的映射。Wi是一个可训练的转换矩阵，表示为：
(28)可以将映射到不同的自注意力学习子空间，形成I个头的自注意力图。然后，通过下式，I个转换后的子空间所对应的自注意力子图被拼接：
其中，Wt是一个可训练的矩阵，i∈[1,I]，I是并行自注意力学习子空间的数量。所获得的自注意力图/>用于高频子图rL-1的精修：
其中，表示像素级别的乘法。通过以上步骤，完成拉普拉斯金字塔的第(L-1)层中高频成分/>的像素级精修。
对于剩余频率分量R＝[r0,r1,r2,...,rL-2]的精修，将扩展到相应的自注意力图/>通过上采样操作、LRDC和MHCCA模块获得剩余频率分量的精修结果/>其中/>然后，借助拉普拉斯金字塔的可逆性，使用重建的/>和精修的/>获得目标的CGM。
3)MHCCA模块：MHCCA模块使用交叉协方差注意力机制，沿着特征维度而不是空间(或令牌)维度来计算注意力分数，其为自注意力(22)的转置版本，可表示为：
ψcc＝V·AMcc(Q,K) (33)
其中，AMcc(Q,K)、ψcc分别是交叉协方差注意力矩阵和图。ε是可学习的缩放参数。
四、实施效果
为了使本技术领域的人员更好地理解本发明方案，下面给出几种具体系统配置下的本实施例中信道知识地图重构方法与现有方法的估计性能结果比较。
首先，给出当拉普拉斯金字塔层数为3层时，注意力头数对本实例实施性能效果的影响。当注意力头数从1增加到5时，提出的LPCGMN在增加注意力头数I以减小预测误差方面具有很好的鲁棒性。具体来说，如图5所示，与I＝1的LPCGMN相比，I＝5的LPCGMN的重构增益提高了1.72dB。然而，当I设置过大，如大于5时，提出的LPCGMN的预测误差并没有随之减小，而是略微增加。与I＝5的LPCGMN相比，I＝6和I＝7的LPCGMN分别降低了0.66dB和0.22dB的性能增益。分析认为这是由于被测试的图像尺寸不够大，但当学习子空间的数量太大时，更多的子空间失去了彼此的独立性，导致它们之间出现重叠现象，影响了LPCGMN的有效学习，出现了停滞状态。
接着，给出本实施例中LPCGMN与现有方法的复杂度性能对比示意图。对比的方法文献“U-Net：Convolutional networks for biomedical image segmentation,”inProc.Int.Conf.Med.Image Comput.Comput.-Assist.Interv.(MICCAI),Munich,Germany,Oct.2015,pp.234–241.”中提出的Unet方法以及文献“RadioUnet：Fast radio mapestimation with convolutional neural networks,”IEEE Trans.Wirel.Commun.,vol.20,no.6,pp.4001–4015,Jun.2021.”中的Wnet方法。图6给出了在所考虑无线通信系统下，本实施例的LPCGMN与Unet、Wnet方法在相同数据集上的性能比较，所设计的性能指标包括每个训练周期所花费的时间、时间复杂度(FLOPs)、存储复杂度(Parameters)和预测误差(NMSE，Normalized Mean Square Error)。LPCGMN、Unet以及Wnet的训练周期均设置为50。从图6来看，在每个时期的训练时间方面，Wnet需要更长的训练时间，约为16.68分钟。所提出的LPCGMN(L＝5，I＝1)需要的训练时间最短，大约为1.13分钟。在FLOPs指标方面，Wnet仍然是最高的，约为94.16Giga FLOPs。而LPCGMN(L＝3，I＝1)和LPCGMN(L＝5，I＝1)分别为6.16和3.86Giga FLOPs。此外，当增加LP层数以减少FLOPs时，提出的LPCGMN表现稳定。在模型参数方面，最轻量的模型是LPCGMN(L＝3，I＝1)，约为1012万个参数，而Wnet则有较多的模型参数，约为2654万个。在NMSE方面，所提出的LPCGMN(L＝3，I＝5)具有较低的重构误差，大约为0.0064。这表明与Unet和Wnet方法相比，本实施例中的LPCGMN能够以更快的速度来准确构建CGM。
基于相同的发明构思，本发明实施例公开的一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被加载至处理器时实现上述的适用于基站或用户终端的信道知识地图的快速构建方法。
在具体实现中，该设备包括处理器，通信总线，存储器以及通信接口。处理器可以是一个通用中央处理器(CPU)，微处理器，特定应用集成电路(ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。通信总线可包括一通路，在上述组件之间传送信息。通信接口，使用任何收发器一类的装置，用于与其他设备或通信网络通信。存储器可以是只读存储器(ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(EEPROM)、只读光盘(CD-ROM)或其他光盘存储、盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器用于存储执行本发明方案的应用程序代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，从而实现上述实施例提供的信道估计方法。处理器可以包括一个或多个CPU，也可以包括多个处理器，这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
基于相同的发明构思，本发明实施例公开的一种无线通信系统，包括基站和多个用户终端，所述基站或用户终端设有：信息处理模块，用于获取目标区域的环境信息，并通过空间离散化方法和像素级别的灰度转化，将环境信息转化为2D图像格式，从而将信道知识地图的构建问题转化为图像修复任务；频带分解模块，用于使用拉普拉斯金字塔对环境地图进行不同频带的分解，获取不同频率成分；网络模型构建模块，用于构建信道知识地图重构网络模型；所述网络模型为环境地图的不同频率成分设计不同的子网络进行特征提取，不同频率成分经过各自的子网络输出后，借助拉普拉斯金字塔的逆操作来重构信道知识地图；模型训练模块，用于给定训练集包含环境地图及其所对应的信道知识地图，采用端到端的有监督训练的方式对所构建的网络模型进行训练，获得模型的最优参数；以及，预测模块，用于用训练好的模型来预测出目标区域内具体位置的用户设备的信道知识信息。各模块具体实现参见前述方法实施例，此处不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的方法，在没有超过本申请的精神和范围内，可以通过其他的方式实现。当前的实施例只是一种示范性的例子，不应该作为限制，所给出的具体内容不应该限制本申请的目的。例如，一些特征可以忽略，或不执行。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种无线信道知识地图的快速构建方法，其特征在于，包括以下步骤：
获取目标区域的环境信息，并通过空间离散化方法和像素级别的灰度转化，将环境信息转化为2D图像格式，从而将信道知识地图的构建问题转化为图像修复任务；
使用拉普拉斯金字塔对环境地图进行不同频带的分解，获取不同频率成分；
构建信道知识地图重构网络模型；所述网络模型为环境地图的不同频率成分设计不同的子网络进行特征提取，不同频率成分经过各自的子网络输出后，借助拉普拉斯金字塔的逆操作来重构信道知识地图；
给定训练集包含环境地图及其所对应的信道知识地图，采用端到端的有监督训练的方式对所构建的网络模型进行训练，获得模型的最优参数；
用训练好的模型来预测出目标区域内具体位置的用户设备的信道知识信息。
2.根据权利要求1所述的一种无线信道知识地图的快速构建方法，其特征在于，信道知识地图构建问题到图像修复问题的转化是将每一个具体位置当作图像矩阵的像素点，具体位置所对应的信道知识当作对应像素点的像素值，将每一个具体位置的信道知识估计问题转化成了图像到图像之间像素的修复问题。
3.根据权利要求1所述的一种无线信道知识地图的快速构建方法，其特征在于，所述空间离散化是在空间维度对环境信息进行网格化，根据最小距离准则将用户设备位置划分至最近的网格。
4.根据权利要求1所述的一种无线信道知识地图的快速构建方法，其特征在于，所述灰度转化在像素水平上实施，使用最小-最大归一化将信道知识数值转换为0到1的区间范围。
5.根据权利要求1所述的一种无线信道知识地图的快速构建方法，其特征在于，对于一对环境地图和信道知识地图，低频成分上的差异相对于高频成分更加明显；低频成分对应子网络的特征提取层次多于高频成分对应子网络的特征提取层次。
6.根据权利要求1所述的一种无线信道知识地图的快速构建方法，其特征在于，所述网络模型主要包括：
针对第L层低频成分的重建：低频环境子图IL首先经过一个点卷积以完成在深度方向上的维度扩展；然后，输入到多个叠加的轻量级残差膨胀卷积LRDC模块，用于加深特征提取网络，并获取多尺度特征的融合；接着，输入到多头自注意力MHSA模块或多头交叉协方差自注意力MHCCA模块，将全局随机结构信息编码到空间维度的局部特征中，学习更丰富的分层特征表示；最后，将特征图中的颜色通道数减少到原始尺寸以获得输出结果
针对第L-1层高频分量的精细化处理：将低频成分及其重构结果进行融合，去逐渐引导不同层次的高频分量的精细化处理，以获得用于重建信道知识地图的不同频率的分量；首先，将低频环境子图IL和预测的信道知识子图分别进行双线性上采样；然后，将IL、/>以及第L-1层的高频成分rL-1进行拼接，输入到多个叠加的LRDC模块；接着，将提取的多尺度特征图输入到MHSA模块或MHCCA模块；最终，得到第L-1层的高频分量rL-1的精修结果和用于精修第L-2层高频分量的注意力图；
对于剩余频率分量R＝[r0,...,rL-2]，通过迭代上采样、拼接操作、LRDC模块，以及MHSA模块或MHCCA模块，逐步精细化拉普拉斯金字塔的所有层次的高频分量，并获得不同分量的预测结果。
7.根据权利要求6所述的一种无线信道知识地图的快速构建方法，其特征在于，所述LRDC模块由深度可分离空洞卷积层、实例归一化层、点卷积层和GELU激活函数层组成，用于特征的提取和表示；所述MHSA模块由归一化层、多头自注意力层、点卷积层和GELU激活函数层组成；所述MHCCA模块由归一化层、多头交叉协方差注意力层、点卷积层和GELU激活函数层组成，用于编码全局环境信息。
8.根据权利要求1所述的一种无线信道知识地图的快速构建方法，其特征在于，所述网络模型训练的代价函数表述为：其中，K为训练集样本总数，/>是重建的信道知识地图，/>是真实的信道知识地图，/>表示所构建的网络模型，Θ为/>中待学习的参数集合，/>表示环境地图，e表示传播环境，xn表示用户设备位置，||·||2表示欧几里得范数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-8任一项所述的一种无线信道知识地图的快速构建方法。
10.一种无线通信系统，包括基站和多个用户终端，其特征在于，所述基站或用户终端设有：
信息处理模块，用于获取目标区域的环境信息，并通过空间离散化方法和像素级别的灰度转化，将环境信息转化为2D图像格式，从而将信道知识地图的构建问题转化为图像修复任务；
频带分解模块，用于使用拉普拉斯金字塔对环境地图进行不同频带的分解，获取不同频率成分；
网络模型构建模块，用于构建信道知识地图重构网络模型；所述网络模型为环境地图的不同频率成分设计不同的子网络进行特征提取，不同频率成分经过各自的子网络输出后，借助拉普拉斯金字塔的逆操作来重构信道知识地图；
模型训练模块，用于给定训练集包含环境地图及其所对应的信道知识地图，采用端到端的有监督训练的方式对所构建的网络模型进行训练，获得模型的最优参数；
以及，预测模块，用于用训练好的模型来预测出目标区域内具体位置的用户设备的信道知识信息。
CN202311478685.6A 2023-11-08 2023-11-08 一种无线信道知识地图的快速构建方法与系统 Pending CN117527111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311478685.6A CN117527111A (zh) 2023-11-08 2023-11-08 一种无线信道知识地图的快速构建方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311478685.6A CN117527111A (zh) 2023-11-08 2023-11-08 一种无线信道知识地图的快速构建方法与系统

Publications (1)

Publication Number Publication Date
CN117527111A true CN117527111A (zh) 2024-02-06

Family

ID=89761911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311478685.6A Pending CN117527111A (zh) 2023-11-08 2023-11-08 一种无线信道知识地图的快速构建方法与系统

Country Status (1)

Country Link
CN (1) CN117527111A (zh)

Similar Documents

Publication Publication Date Title
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
CN100370486C (zh) 基于嵌入式隐马尔可夫模型与交叉熵的台风中心定位方法
US20150379769A1 (en) Method and apparatus for mesh simplification
CN114283495B (zh) 一种基于二值化神经网络的人体姿态估计方法
CN110246148A (zh) 多模态的深度信息融合和注意力学习的显著性检测方法
Zhou et al. Network traffic prediction method based on improved echo state network
EP4273754A1 (en) Neural network training method and related device
CN111832228A (zh) 基于cnn-lstm的振动传递系统
CN116797787A (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN110335196A (zh) 一种基于分形解码的超分辨率图像重建方法及系统
CN118295029A (zh) 融合自注意力与Mamba架构的地震数据去噪方法
Liu et al. Survey on gan‐based face hallucination with its model development
CN115859116A (zh) 一种基于径向基函数回归插值法的海洋环境场重建方法
CN115205308A (zh) 一种基于线状滤波和深度学习的眼底图像血管分割方法
Son et al. Partial convolutional LSTM for spatiotemporal prediction of incomplete data
Xu et al. Dual-branch deep image prior for image denoising
Carreau et al. A spatially adaptive multi-resolution generative algorithm: Application to simulating flood wave propagation
CN116310851B (zh) 遥感图像变化检测方法
CN117951200A (zh) 空间时间序列数据补全方法、设备及介质
CN117527111A (zh) 一种无线信道知识地图的快速构建方法与系统
CN117853596A (zh) 无人机遥感测绘方法及系统
Zhang et al. Distributed compressive sensing via LSTM-Aided sparse Bayesian learning
CN112507826B (zh) 一种端到端生态变化监测方法、终端、计算机设备及介质
CN115830317A (zh) 基于极坐标转换的U-Net增强注意模块的皮肤癌图像分割方法及装置
CN114048823A (zh) 基于全卷积网络电阻率反演模型建立方法

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