CN117793754A - 一种基于数字孪生的智能反射表面通信系统推演优化方法及系统 - Google Patents
一种基于数字孪生的智能反射表面通信系统推演优化方法及系统 Download PDFInfo
- Publication number
- CN117793754A CN117793754A CN202410012021.9A CN202410012021A CN117793754A CN 117793754 A CN117793754 A CN 117793754A CN 202410012021 A CN202410012021 A CN 202410012021A CN 117793754 A CN117793754 A CN 117793754A
- Authority
- CN
- China
- Prior art keywords
- irs
- data
- optimization
- real
- model
- 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.)
- Granted
Links
- 230000006854 communication Effects 0.000 title claims abstract description 129
- 238000004891 communication Methods 0.000 title claims abstract description 126
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007246 mechanism Effects 0.000 claims abstract description 53
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010295 mobile communication Methods 0.000 claims description 4
- 239000000344 soap Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于数字孪生的智能反射表面通信系统推演优化方法及系统,包括:从场景中采集数据,包括IRS物理模型的相关数据和真实信道数据;对采集的数据进行实时数据传输;实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;建立IRS反射机理模型,并将其与数字孪生三维模型融合,其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;对智能反射表面通信系统进行推演优化,得到优化策略;将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化。本发明将数字孪生技术与IRS设备完美结合,实现了真实与虚拟空间之间的高度映射和实时反馈。
Description
技术领域
本发明涉及一种基于数字孪生的智能反射表面通信系统推演优化方法及系统,属于数字孪生技术领域。
背景技术
随着通信技术的持续进步,如何有效地增强通信质量和覆盖范围成为了研究的热点。为了应对这一挑战,数字孪生作为新一代的信息技术开始受到广泛的关注。这项技术可以将真实世界的事物映射到虚拟世界,从而提供一种新的视角来理解和优化现实中的各种场景。
在通信领域,数字孪生技术有着巨大的潜力。通过将物理机制系统或人工智能算法与数字孪生相结合,可以根据现有或历史数据进行预测,从而在实际操作前进行通信环境的预演和优化。这种预演模拟不仅有助于系统参数的优化,还可以提供有关如何在特定环境下达到最佳通信效果的反馈。智能反射表面(IRS)作为近年来的通信研究热点,尤其适合利用数字孪生进行建模和优化。IRS由一系列低成本的无源反射元件组成,能够创造直射(LOS)链路,并精确地传递通信信号。这在城市环境中特别有价值,因为建筑物和其他障碍物往往会阻碍信号的传播。然而,尽管IRS的理论研究日益深入,但其在实际场景中的部署仍受到高成本和高危险度的限制。
当前的研究大多集中在优化通信速率和平衡用户通信资源上。例如,中国专利文献CN116667902A公开了一种有源智能反射表面辅助通信系统模式选择方法,中国专利文献CN116648861A公开了一种在通信系统中使用反射智能表面的系统和方法。同时,已有一些相关技术应用5G切片网络和数字孪生管理终端。然而,该系统仍然存在一些问题和缺点。首先,边缘了服务器数字孪生的概念。例如,中国专利文献CN114650545A公开了一种波束参数的确定方法、装置及网络设备,其中包括:生成第一智能反射板IRS面板的IRS数字孪生体;根据所述数字孪生体,得到网络设备至IRS面板和/或IRS面板到终端的波束参数。中国专利文献CN114928893A公开了一种一种基于智能反射面的架构及任务卸载方法,其中应用了数字孪生优化的概念。但现有专利中对数字孪生的概念不够清晰,没有完整的构建数字孪生系统的步骤。
然而,现有的研究很少关注IRS在真实环境中的具体部署问题,尤其是智能反射表面的超材料异常反射机制所引起的电磁波反射的几何特征研究缺失。这导致了理论研究与实际部署之间的一定差距。
发明内容
针对现有技术的不足,本发明构建了一个面向IRS的三维数字孪生系统,并提出了一种全流程机理级的预演方法。通过这种方法,可以实现通信过程的全流程全维度预演,并建立基于群智能算法或深度强化学习的IRS用户寻优方法。为了确保虚拟和实际空间之间的实时信息传输,本系统还集成了实时通信技术。总之,结合数字孪生技术和IRS在通信中的应用,为未来的通信系统提供了一个全新、高效且实用的优化框架。
术语解释:
1、DQN(Deep Q-Network):是一种结合了深度学习和强化学习的算法。它使用深度神经网络来近似Q函数,该函数估计在给定状态下执行某个动作的预期回报。DQN通过结合深度学习的表示学习能力和Q学习的决策制定能力,在复杂的环境中实现有效的学习。
2、PPO(Proximal Policy Optimization):是一种用于训练强化学习算法的方法,特别是在策略梯度家族中。它旨在解决策略更新过程中的一些稳定性和效率问题,通过限制策略更新步长来避免性能急剧下降,从而在探索和利用之间取得平衡。
3、A3C(Asynchronous Advantage Actor-Critic):是一种强化学习算法,它结合了Actor-Critic架构和异步方法。在A3C中,多个Agent并行地在不同的环境实例中执行,收集数据并独立地更新全局模型。这种方法可以加速学习过程,同时减少对数据相关性的依赖。
4、DRL(Deep Reinforcement Learning):深度强化学习是一种将深度学习和强化学习相结合的方法。它使用深度神经网络来处理高维输入数据,从而在复杂的、高维的环境中学习策略和价值函数。DRL已被应用于多种领域,如游戏、机器人控制和自然语言处理。
5、GA(Genetic Algorithm):遗传算法是一种模仿生物进化过程的优化技术。它通过模拟自然选择和遗传机制(如交叉和变异)来优化问题解决方案。遗传算法常用于解决搜索和优化问题,特别是在解空间大且复杂时。
6、PSO(Particle Swarm Optimization):粒子群优化是一种基于群体的优化技术,受到鸟群和鱼群行为的启发。它通过模拟一群粒子在解空间中移动并搜索最优解的过程来寻找问题的最优解。粒子群优化简单有效,适用于各种连续优化问题。
7、ACO(Ant Colony Optimization):蚁群优化是一种模仿蚂蚁觅食行为的优化算法。它是一种基于种群的搜索方法,用于寻找最优路径或解决图论问题。在ACO中,蚂蚁在图形结构上移动,通过释放和感知信息素来间接地交流,从而在多个蚂蚁之间协调寻找最优解。
本发明的技术方案为:
一种基于数字孪生的智能反射表面通信系统推演优化方法,包括:
从场景中采集数据,包括IRS物理模型的相关数据和真实信道数据;
对采集的数据进行实时数据传输;
实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;
建立IRS反射机理模型,并将其与数字孪生三维模型融合,其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;
对智能反射表面通信系统进行推演优化,得到优化策略;
将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化。
根据本发明优选的,IRS物理模型的相关数据和真实信道数据包括:电磁波;电磁波的角度;基站、IRS和用户设备之间的相对距离和位置;温度和湿度;实际的通信流量或用户设备的动态变化;IRS反射的电磁波的相位和频率变化;基站发射和IRS反射的电磁波的能量或功率;IRS的工作状态;环境噪声;实际网络通信的延迟、带宽和数据传输速率;三维外观图像;三维点云数据。
根据本发明优选的,通过各种传感器获取IRS物理模型的相关数据和真实信道数据;
各种传感器包括电磁波传感器、角度传感器、距离/位置传感器、温度与湿度传感器、动态负载传感器、相位和频率传感器、能量或功率传感器、状态监测传感器、环境噪声传感器、网络通信质量传感器、图像数据传感器及点云数据传感器;
所述电磁波传感器:用于捕捉从基站发出的电磁波,以及通过IRS反射后的电磁波;所述角度传感器:用于实时测量入射到IRS上的电磁波的角度,以及经过反射后的电磁波的出射角度;所述距离/位置传感器:用于测量基站、IRS和用户设备之间的相对距离和位置;所述温度与湿度传感器:用于测量温度和湿度;所述动态负载传感器:用于监测实际的通信流量或用户设备的动态变化;所述相位和频率传感器:用于监测IRS反射的电磁波的相位和频率变化;所述能量或功率传感器:用于监测基站发射和IRS反射的电磁波的能量或功率;所述状态监测传感器:用于监测IRS的工作状态;所述环境噪声传感器:用于捕获环境噪声或干扰;所述网络通信质量传感器:用于监测实际网络通信的延迟、带宽和数据传输速率;所述图像数据传感器:用于采集三维外观图像和精准定位匹配;所述点云数据传感器:用于采集三维点云数据。
根据本发明优选的,通过实时通信方式获取IRS物理模型的相关数据和真实信道数据;实时通信方式包括移动通信、卫星通信、无线局域网、有线通信、蓝牙;通过包括但不限于Socket、HTTP/HTTPS、FTP、SMTP、MQTT、CoAP、XMPP、WebSockets、gRPC、RESTful APIs、AMQP、STOMP、RTP、TCP、UDP、Bluetooth、BLE(Bluetooth Low Energy)、Zigbee、Z-Wave、LoRa、NFC、Modbus、Profibus、SOAP、DDS(Data Distribution Service)通信协议进行实时数据传输。
根据本发明优选的,实时数据传输后,数据在数字孪生空间建立数字孪生三维模型,分为静态内容建模和动态内容建模;包括:
变化不大的背景信息进行静态内容建模,而变化较大的用户信息进行动态内容建模,建模步骤如下:
数据清洗:处理传感器数据即获取的IRS物理模型的相关数据和真实信道数据;
三维建模:创建数字孪生三维模型的几何形状和外观;
属性赋值:为数字孪生三维模型分配物理、化学或其他相关属性;
模型验证:与真实设备或环境进行对比,以确保准确性。
根据本发明优选的,建立IRS反射机理模型,并将其与数字孪生三维模型融合;包括:
1)建立IRS反射机理模型;
定义IRS单元特性;
模拟电磁波传播;
优化算法设计;以动态调整IRS单元的反射特性,以优化信号路径;
集成环境因素;将环境因素整合进IRS反射机理模型;
2)数字孪生三维模型的建立;
创建物理世界的数字孪生三维模型;
集成传感器数据;
模拟和分析;在数字孪生三维模型中运行模拟,分析IRS的性能和其对信号覆盖的影响;
3)融合IRS反射机理模型与数字孪生三维模型;
集成IRS反射机理模型到数字孪生三维模型;
动态数据交换;确保IRS反射机理模型和数字孪生三维模型之间实时交换数据;
可视化和分析:利用数字孪生三维模型的可视化工具来分析和演示IRS的影响,以及在不同条件下的通信性能;
实时更新和迭代:数字孪生三维模型根据现实世界的变化和IRS性能数据进行实时更新,使数字孪生三维模型保持最新和准确。
根据本发明优选的,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;包括:
①信号从基站BS中发射,发射的是多个beam光柱;
初始化参数包括:光柱的半径宽度、基站在三维几何空间中的位置、基站在三维空间中的旋转量,具体包括:发射电磁波的方向、IRS的中心位置、IRS在三维空间中的旋转量、IRS单元边长、厚度、IRS单元的个数、IRS平面整体尺寸、IRS单元相对位置和空间中的位置;
②求解IRS平面的法线;
③对发射电磁波进行射线检测,判断IRS是否在其范围内;
检测射线是否与平面相交,如式(1)所示:
式(1)中,P0是待检测的物体的一个面上的一点,L0是射线的起点,L是射线的方向,N是物体面的法线,“·”表示点积,
t是一个标量,如果t小于0或大于1,那么射线不与物体的面相交;如果t在0和1之间,那么射线与物体的面相交;
通过式(2)求得交点P:
P=L0+t*L (2)
④判断光线是否在板的范围内,即光线的覆盖范围与板的边界是否有重叠;
求取碰撞点相对IRS板的位置;
⑤寻找光束经过反射的IRS单元索引,并获取该索引的相位参数;
⑥使用广义斯涅尔方程进行异常反射计算,得到反射光线角度θt及θi,如式(3)、式(4)所示:
式(3)、式(4)中,θt为入射角,nt为入射空间介质常数,θi为反射角,ni为反射空间介质常数,λo为波长,dΦ为相位突变,dx为突变引起的反射位移差。
⑦根据角度和碰撞点,求解反射光线路径,并设置射线检测接口。
根据本发明优选的,对智能反射表面通信系统进行推演优化,包括:
信道的传输过程中,信道模型通过接收端信号yk表示如式(5)所示:
式(5)中,k=1,…,K,为入射信道,Θ为智能反射表面相位参数组成的矩阵,G为反射信道,/>为直射信道,wj为发射端第j个波束赋形参数,s/为第j个发射信号,K为发射端天线数,nk为噪声;因此,通过信道容量公式得到式(6):
SINRk是指信干燥比,是指噪声的方差;
使最小的SINRk最大化,即max{min(SINRk)},使智能反射表面通信系统的资源配置情况达到帕累托最优。
根据本发明优选的,使用深度强化学习实现对智能反射表面通信系统进行推演优化,包括:
a)定义环境和状态:
环境:即正在试图优化的问题,即max{min(SINRk)};
状态:状态是矩阵Θ的当前配置;
b)定义行动空间:
行动是修改矩阵Θ中的某些元素以产生新的矩阵配置;
定义奖励函数:奖励函数定义为式(7):
Reward=min(SINRk) (7)
c)选择深度强化学习算法;
d)训练模型:使用所选的DRL算法训练一个模型,使其学会在每个状态下采取哪些行动以最大化奖励;
e)策略执行:模型训练完成,使用它来确定对于给定的矩阵Θ应采取的最佳行动。
f)评估和调整:使用测试数据评估优化策略的性能,并根据需要进行调整。
根据本发明优选的,使用群智能算法实现对智能反射表面通信系统进行推演优化,包括:
g)编码解决方案:将矩阵Θ进行编码,包含其所有元素的数组或列表;
h)定义适应度函数:适应度函数y定义为式(8):
y=min(SINRk) (8)
i)尝试寻找最大化适应度函数的解决方案;包括:
初始化群体:
随机生成一组初始Θ;
j)评估初始群体:
使用适应度函数y评估每个解决方案的品质;
k)迭代优化:
对于每个迭代,根据所选的群智能算法更新解决方案;包括:对解决方案进行交叉、变异和/或选择;
l)终止条件:继续迭代直到满足终止条件;
m)返回最佳解:返回具有最佳适应度值的解决方案。
根据本发明优选的,通过实时通信方式将优化策略反馈至真实世界。
一种基于数字孪生的智能反射表面通信系统推演优化系统,包括:
数据采集模块,被配置为:从场景中采集数据,包括IRS物理模型的相关数据和真实信道数据;
数据传输模块,被配置为:对采集的数据进行实时数据传输;将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化;
数字孪生三维模型建立模块,被配置为:实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;
IRS反射机理模型建立模块,被配置为:建立IRS反射机理模型,并将其与数字孪生三维模型融合;其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;
推演优化模块,被配置为:对智能反射表面通信系统进行推演优化,得到优化策略。
本发明的有益效果为:
1、高度集成与实时反馈:本发明将数字孪生技术与IRS设备完美结合,实现了真实与虚拟空间之间的高度映射和实时反馈。这种集成为通信环境的实时模拟和预测提供了有效手段,使得在实际部署和操作IRS之前可以进行深入的研究和优化。
2、精确的电磁波模拟:通过引入广义斯涅尔方程,本发明能够准确模拟IRS材料对电磁波的异常反射机制,同时简化电磁波有限元分析和数值模拟中的大量数值计算,从而为通信信号的精确传递提供理论支持。这种模拟为IRS的实际部署提供了强大的科学指导。
3、深度的三维场景预演:本发明专门为IRS无线通信场景构建的三维数字孪生系统使得通信过程可以在全流程、全维度中进行模拟预演。这种深入的三维模拟使得各种可能影响通信效果的因素都能得到细致的考量和优化。
4、快速响应与智能优化:本发明集成的socket通信技术确保了模拟与实际部署过程中的快速信息反馈,从而实现快速的响应。同时,引入的基于粒子群算法的优化技术可以在大范围内找到最优的IRS配置,进一步提高通信效果。
5、实际部署的降低成本与风险:通过数字孪生的预演与优化,该发明可以在实际部署前预测并规避各种可能的问题和风险,从而降低部署的成本与风险,确保通信系统的稳定与高效。
6、推动通信领域的技术革新:该发明不仅解决了当前IRS驱动的无线通信中的实际技术问题,而且为整个通信领域带来了新的研究思路和技术方法,具有推动行业技术进步的潜力。
附图说明
图1为本发明基于数字孪生的智能反射表面通信系统推演优化方法的流程框图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种基于数字孪生的智能反射表面通信系统推演优化方法,如图1所示,包括:
在真实场景部署足够的传感器,从场景中采集足够的数据,包括IRS物理模型的相关数据和真实信道数据;
对采集的数据进行实时数据传输;
实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;
建立IRS反射机理模型,并将其与数字孪生三维模型融合,其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;
对智能反射表面通信系统进行推演优化,得到优化策略;
将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化。
智能反射表面通信系统包括基站(BS)、智能反射表面(IRS)、用户设备(UE);
基站是传统的无线通信网络中的中心节点,负责发射和接收无线信号。基站可能配备有高性能的天线阵列,用于实现高效的信号处理和波束成形。
智能反射表面是由大量被动反射单元组成的面板,每个单元可以独立地控制入射波的反射相位。智能反射表面不需要RF前端,因为它不发射信号,只是修改通过其表面的信号。智能反射表面的目标是通过改变信号的传播路径来优化信号覆盖,尤其是在直射路径被阻挡的情况下。
用户设备,如智能手机或其他无线终端,是通信系统的接收端。用户设备接收经过IRS反射的信号。
连接关系和通信过程如下:
信号传播:基站发送无线信号,这些信号可能直接到达用户设备,也可能因为障碍物而无法直接到达。
信号反射:当直射路径受阻时,基站发射的信号被引导到IRS。IRS智能地调整其表面上各个单元的反射相位,使反射信号以最优的方式到达用户设备。
信号接收:用户设备接收来自基站的直射信号和/或经过IRS反射的信号。这种方法可以显著提高信号质量,尤其是在传统直射路径不可行的情况下。
实施例2
根据实施例1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其区别在于:
IRS物理模型的相关数据和真实信道数据包括:电磁波;电磁波的角度;基站、IRS和用户设备之间的相对距离和位置;温度和湿度;实际的通信流量或用户设备的动态变化;IRS反射的电磁波的相位和频率变化;基站发射和IRS反射的电磁波的能量或功率;IRS的工作状态;环境噪声;实际网络通信的延迟、带宽和数据传输速率;三维外观图像;三维点云数据。
通过各种传感器获取IRS物理模型的相关数据和真实信道数据;
各种传感器包括电磁波传感器、角度传感器、距离/位置传感器、温度与湿度传感器、动态负载传感器、相位和频率传感器、能量或功率传感器、状态监测传感器、环境噪声传感器、网络通信质量传感器、图像数据传感器及点云数据传感器;
电磁波传感器:用于捕捉从基站发出的电磁波,以及通过IRS反射后的电磁波;确保数字孪生系统能够准确模拟实际通信环境中的电磁波传播情况。
角度传感器:考虑到广义斯涅尔方程的应用,角度传感器用于实时测量入射到IRS上的电磁波的角度,以及经过反射后的电磁波的出射角度;
距离/位置传感器:用于测量基站、IRS和用户设备之间的相对距离和位置;从而帮助优化IRS的部署位置和角度。
温度与湿度传感器:用于测量温度和湿度;环境因素,如温度和湿度,可能会影响电磁波的传播特性。这些传感器可以提供关于当前环境条件的信息,以便数字孪生系统更准确地进行模拟预演。
动态负载传感器:用于监测实际的通信流量或用户设备的动态变化;从而更好地模拟和预测系统的响应。
相位和频率传感器:用于监测IRS反射的电磁波的相位和频率变化;这对于确保通信信号的质量非常关键。
能量或功率传感器:用于监测基站发射和IRS反射的电磁波的能量或功率;以评估通信效果并进行必要的调整。
状态监测传感器:用于监测IRS的工作状态;包括其表面的健康状况、反射元件的状态等,从而在数字孪生系统中模拟和预测其性能。
环境噪声传感器:用于捕获可能影响通信质量的环境噪声或干扰;
网络通信质量传感器:用于监测实际网络通信的延迟、带宽和数据传输速率等;为数字孪生系统提供实际的通信质量数据。
图像数据传感器:用于采集三维外观图像和精准定位匹配;此过程需使用无人机辅助采集。
点云数据传感器:用于采集三维点云数据。以精细化构建三维模型,此过程需使用无人机辅助采集。
通过实时通信方式获取IRS物理模型的相关数据和真实信道数据;实时通信方式包括但不限于移动通信、卫星通信、无线局域网、有线通信、蓝牙;通过包括但不限于Socket、HTTP/HTTPS、FTP、SMTP、MQTT、CoAP、XMPP、WebSockets、gRPC、RESTful APIs、AMQP、STOMP、RTP、TCP、UDP、Bluetooth、BLE(Bluetooth Low Energy)、Zigbee、Z-Wave、LoRa、NFC、Modbus、Profibus、SOAP、DDS(Data Distribution Service)通信协议进行实时数据传输。
实时数据传输后,数据在数字孪生空间建立数字孪生三维模型,分为静态内容建模和动态内容建模;包括:
变化不大的背景信息使用包括但不限于AutoCAD、SolidWorks、3DSMAX、MAYA、Rhino、Revit等软件进行静态内容建模,以节省计算资源;而变化较大的用户信息,使用MVSNet、NeRF等算法,通过包括但不限于Agisoft Metashape、Meshroom、3DF Zephyr、COLMAP、MVE(Multi-View Environment)、Autodesk ReCap、MVS(Multi-View Stereo):Regard3D、VisualSFM、Pix4D等集成软件进行动态内容建模,建模步骤如下:
数据清洗:处理传感器数据即获取的IRS物理模型的相关数据和真实信道数据;
三维建模:创建数字孪生三维模型的几何形状和外观;
属性赋值:为数字孪生三维模型分配物理、化学或其他相关属性;
模型验证:与真实设备或环境进行对比,以确保准确性。
建立数字孪生三维模型的具体实现过程如下:
1.数据收集
传感器部署:在实际环境中部署传感器来收集与IRS相关的数据。这些传感器可能包括无线信号强度检测器、环境监测设备等。
信道数据采集:通过无线信号测量工具收集信道数据,包括信号的衰落、多径效应、噪声等信息。
2.数据预处理
噪声过滤和数据清洗:使用信号处理技术去除数据中的噪声和干扰,如滤波器或统计方法。
数据同步:确保从不同传感器获取的数据在时间上同步,这对于后续分析至关重要。
3.数据分析
特征提取:从原始数据中提取关键特征,如信号强度、传播延迟、环境变量等。
数据建模:使用统计或机器学习方法分析数据,建立信道特性的数学模型。
4.IRS物理模型的建立
反射特性建模:根据收集到的数据,建立IRS单元的反射特性模型,包括反射相位和幅度的变化。
信号传播模拟:利用电磁波理论和收集到的数据,模拟信号在IRS存在下的传播路径。
5.模型校准和验证
模型校准:使用实际测量数据来校准模型,确保模型反映真实环境的特性。
仿真与实验对比:将模型的预测结果与实际测量数据进行对比,验证模型的准确性和可靠性。
6.迭代优化
模型优化:根据数据分析和校准结果,对IRS模型进行优化,以提高其在实际应用中的性能。
动态更新:根据持续收集的数据不断更新模型,以适应环境变化和系统演进。
建立IRS反射机理模型,并将其与数字孪生三维模型融合;包括:
1)建立IRS反射机理模型;
定义IRS单元特性;每个IRS单元的电磁特性(如反射相位和幅度)需要被精确定义。这通常涉及电磁仿真和物理实验。
模拟电磁波传播;使用电磁波传播来模拟无线信号在不同环境中的传播,包括IRS对信号的影响。这涉及到计算波的散射、反射和衍射。
优化算法设计;设计算法以动态调整IRS单元的反射特性,以优化信号路径;这可以通过机器学习或其他优化技术实现。
集成环境因素;将环境因素(如建筑物、人群等)整合进IRS反射机理模型;确保在不同的场景下都能模拟信号传播。
2)数字孪生三维模型的建立;
创建物理世界的数字孪生三维模型;使用三维建模软件创建环境的精确数字副本,包括建筑物、地形等。
集成传感器数据;如果可用,将现实世界中的传感器数据集成到模型中,以实时更新和校准模型。
模拟和分析;在数字孪生三维模型中运行模拟,分析IRS的性能和其对信号覆盖的影响;
3)融合IRS反射机理模型与数字孪生三维模型;
集成IRS反射机理模型到数字孪生三维模型;将IRS反射机理模型集成进数字孪生三维模型中。这意味着IRS的任何改变都将反映在数字孪生模型的模拟中。
动态数据交换;确保IRS反射机理模型和数字孪生三维模型之间实时交换数据;例如,IRS模型的优化结果可以用来更新数字孪生模型中的信号覆盖模拟。
可视化和分析:利用数字孪生三维模型的可视化工具来分析和演示IRS的影响,以及在不同条件下的通信性能;
实时更新和迭代:数字孪生三维模型根据现实世界的变化和IRS性能数据进行实时更新,使数字孪生三维模型保持最新和准确。
在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;包括:
①信号从基站BS中发射,由于通信场景中存在IRS的精准调控,此处的基站BS不同于发射扇区电磁波的传统基站,此处基站发射的是多个beam光柱;
初始化参数包括:光柱的半径宽度、基站在三维几何空间中的位置、基站在三维空间中的旋转量,具体包括:发射电磁波的方向、IRS的中心位置、IRS在三维空间中的旋转量、IRS单元边长、厚度、IRS单元的个数、IRS平面整体尺寸、IRS单元相对位置和空间中的位置;
②求解IRS平面的法线;
③对发射电磁波进行射线检测,判断IRS是否在其范围内;
检测射线是否与平面相交,如式(1)所示:
式(1)中,P0是待检测的物体的一个面(平面)上的一点,L0是射线的起点,L是射线的方向(从起点指向终点),N是物体面的法线,“·”表示点积,
t是一个标量,如果t小于0或大于1,那么射线不与物体的面相交;如果t在0和1之间,那么射线与物体的面相交;
通过式(2)求得交点P:
P=L0+t*L (2)
④判断光线是否在板的范围内,即光线的覆盖范围与板的边界是否有重叠;包括:
根据交点P和光线的半径,求得光线在Y轴和Z轴上的覆盖范围,设光线在Y轴和Z轴方向上的最小和最大覆盖坐标分别为[YQin,YQax],[ZQin,ZQax]。板在Y轴和Z轴方向上的边界分别为[-E/2,E/2]和[-E/2,E/2],其中E为IRS板的边长。光线覆盖范围与板边界的重叠可以通过检查两个范围是否有交集来确定。数学上,这可以通过以下条件来表示:
在Y轴方向上,光线的覆盖范围与板的边界有交集,如下所示:
在Z轴方向上,光线的覆盖范围与板的边界有交集,如下所示:
如果上述两个条件都满足,即在Y轴和Z轴方向上光线的覆盖范围都至少部分与板的边界重叠。
求取碰撞点相对IRS板的位置;碰撞点相对于IRS板的位置可以用向量减法来表示。设碰撞点在三维空间中的绝对位置为向量而板的中心(或参考点)在三维空间中的绝对位置为向量/>那么,碰撞点相对于板的位置/>就是这两个向量的差,数学表示如下所示:
⑤寻找光束经过反射的IRS单元索引,并获取该索引的相位参数;
得到碰撞点相对IRS板的位置后,该向量表示为判断Ry与Rz的值在第几个索引即第几行第几列的IRS小单元上,设第i行第j列的IRS小单元的索引为(i,j),设IRS板横纵共有A个小板,这个IRS小单元相对IRS板的范围可表示为/>到然后判断(Ry,Rz)是否落在该范围内,即判断:
⑥使用广义斯涅尔方程进行异常反射计算,得到反射光线角度θt及θi,如式(3)、式(4)所示:
式(3)、式(4)中,θt为入射角,nt为入射空间介质常数,θi为反射角,ni为反射空间介质常数,反射过程中,一般入射空间与反射空间相同,因此nt=ni,λo为波长,dΦ为相位突变,dx为突变引起的反射位移差。
⑦根据角度和碰撞点,求解反射光线路径,并设置射线检测接口。
反射点为P,法向量为反射角度(与法向量的角度)为θi,参考旋转的单位向量设为/>则反射光线可使用可以使用罗德里格斯旋转公式(Rodrigues'rotation formula)表示为:
对智能反射表面通信系统进行推演优化,包括:
信道的传输过程中,信道模型通过接收端信号yk表示如式(5)所示:信道模型(Channel Model)是通信系统中的一个重要概念,用于描述信号在传输过程中的衰减、扩散、反射、折射等特性。它是研究和设计无线通信系统的基础,有助于了解和预测信号在不同环境下的传播表现。
式(5)中,k=1,…,K,为入射信道,Θ为智能反射表面相位参数组成的矩阵,G为反射信道,/>为直射信道,w/为发射端第j个波束赋形参数,s/为第j个发射信号,K为发射端天线数,nk为噪声;因此,通过信道容量公式得到式(6):
SINRk是指信干燥比,是指噪声的方差;
因此在优化过程中,使最小的SINRk最大化,即max{min(SINRk)},使智能反射表面通信系统的资源配置情况达到帕累托最优。
使用深度强化学习实现对智能反射表面通信系统进行推演优化,包括:
由信道机理模型,得到智能反射表面通信系统的优化目标,而其中的变参量Θ需要同时满足IRS机理模型的约束。由于两个条件具有强约束,因此最终问题可退化为关于变量的Θ离散优化问题。以下是使用深度强化学习来解决优化问题的一般步骤:
a)定义环境和状态:
环境:即正在试图优化的问题,即max{min(SINRk)};
状态:状态是矩阵Θ的当前配置;
b)定义行动空间:
行动是修改矩阵Θ中的某些元素以产生新的矩阵配置;
定义奖励函数:由于目标是max{min(SINRk)},奖励函数定义为式(7):
Reward=min(SINRk) (7)
c)选择深度强化学习算法;包括但不限于DQN、PPO、A3C等;
d)训练模型:使用所选的DRL算法训练一个模型,使其学会在每个状态下采取哪些行动以最大化奖励;
e)策略执行:模型训练完成,使用它来确定对于给定的矩阵Θ应采取的最佳行动。
f)评估和调整:使用测试数据评估优化策略的性能,并根据需要进行调整。
根据本发明优选的,使用群智能算法(包括但不限于GA、PSO、ACO)实现对智能反射表面通信系统进行推演优化,包括:
g)编码解决方案:将矩阵Θ进行编码,包含其所有元素的数组或列表;
h)定义适应度函数:由于目标是max{min(SINRk)},适应度函数y定义为式(8):
y=min(SINRk) (8)
i)尝试寻找最大化适应度函数的解决方案;包括:
初始化群体:
随机生成一组初始Θ;
j)评估初始群体:
使用适应度函数y评估每个解决方案的品质;
k)迭代优化:
对于每个迭代,根据所选的群智能算法更新解决方案;包括:对解决方案进行交叉、变异和/或选择(如在遗传算法中);根据邻居的性能更新解决方案(如在PSO中)。根据先前找到的路径更新解决方案(如在ACO中)。
l)终止条件:继续迭代直到满足终止条件;如达到预定的最大迭代次数、适应度值的改进小于某个阈值或其他相关标准。
m)返回最佳解:返回具有最佳适应度值的解决方案。
通过实时通信方式将优化策略反馈至真实世界。
通过实时通信方式进行实时数据传输;实时通信方式包括但不限于移动通信、卫星通信、无线局域网、有线通信、蓝牙;通过包括但不限于Socket、HTTP/HTTPS、FTP、SMTP、MQTT、CoAP、XMPP、WebSockets、gRPC、RESTful APIs、AMQP、STOMP、RTP、TCP、UDP、Bluetooth、BLE(Bluetooth Low Energy)、Zigbee、Z-Wave、LoRa、NFC、Modbus、Profibus、SOAP、DDS(Data Distribution Service)通信协议进行实时数据传输。将优化策略反馈到包括但不限于单片机、多路继电器、可编程逻辑控制器等进行执行。
实施例3
一种基于数字孪生的智能反射表面通信系统推演优化系统,包括:
数据采集模块,被配置为:在真实场景部署足够的传感器,从场景中采集足够的数据,包括IRS物理模型的相关数据和真实信道数据;
数据传输模块,被配置为:对采集的数据进行实时数据传输;将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化;
数字孪生三维模型建立模块,被配置为:实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;
IRS反射机理模型建立模块,被配置为:建立IRS反射机理模型,并将其与数字孪生三维模型融合;其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;
推演优化模块,被配置为:对智能反射表面通信系统进行推演优化,得到优化策略。
Claims (10)
1.一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,包括:
从场景中采集数据,包括IRS物理模型的相关数据和真实信道数据;
对采集的数据进行实时数据传输;
实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;
建立IRS反射机理模型,并将其与数字孪生三维模型融合,其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;
对智能反射表面通信系统进行推演优化,得到优化策略;
将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化。
2.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,IRS物理模型的相关数据和真实信道数据包括:电磁波;电磁波的角度;基站、IRS和用户设备之间的相对距离和位置;温度和湿度;实际的通信流量或用户设备的动态变化;IRS反射的电磁波的相位和频率变化;基站发射和IRS反射的电磁波的能量或功率;IRS的工作状态;环境噪声;实际网络通信的延迟、带宽和数据传输速率;三维外观图像;三维点云数据;
进一步优选的,通过各种传感器获取IRS物理模型的相关数据和真实信道数据;
各种传感器包括电磁波传感器、角度传感器、距离/位置传感器、温度与湿度传感器、动态负载传感器、相位和频率传感器、能量或功率传感器、状态监测传感器、环境噪声传感器、网络通信质量传感器、图像数据传感器及点云数据传感器;
所述电磁波传感器:用于捕捉从基站发出的电磁波,以及通过IRS反射后的电磁波;所述角度传感器:用于实时测量入射到IRS上的电磁波的角度,以及经过反射后的电磁波的出射角度;所述距离/位置传感器:用于测量基站、IRS和用户设备之间的相对距离和位置;所述温度与湿度传感器:用于测量温度和湿度;所述动态负载传感器:用于监测实际的通信流量或用户设备的动态变化;所述相位和频率传感器:用于监测IRS反射的电磁波的相位和频率变化;所述能量或功率传感器:用于监测基站发射和IRS反射的电磁波的能量或功率;所述状态监测传感器:用于监测IRS的工作状态;所述环境噪声传感器:用于捕获环境噪声或干扰;所述网络通信质量传感器:用于监测实际网络通信的延迟、带宽和数据传输速率;所述图像数据传感器:用于采集三维外观图像和精准定位匹配;所述点云数据传感器:用于采集三维点云数据。
3.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,通过实时通信方式获取IRS物理模型的相关数据和真实信道数据;实时通信方式包括移动通信、卫星通信、无线局域网、有线通信、蓝牙;通过包括但不限于Socket、HTTP/HTTPS、FTP、SMTP、MQTT、CoAP、XMPP、WebSockets、gRPC、RESTful APIs、AMQP、STOMP、RTP、TCP、UDP、Bluetooth、BLE、Zigbee、Z-Wave、LoRa、NFC、Modbus、Profibus、SOAP、DDS通信协议进行实时数据传输。
4.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,实时数据传输后,数据在数字孪生空间建立数字孪生三维模型,分为静态内容建模和动态内容建模;包括:
变化不大的背景信息进行静态内容建模,而变化较大的用户信息进行动态内容建模,建模步骤如下:
数据清洗:处理传感器数据即获取的IRS物理模型的相关数据和真实信道数据;
三维建模:创建数字孪生三维模型的几何形状和外观;
属性赋值:为数字孪生三维模型分配物理、化学或其他相关属性;
模型验证:与真实设备或环境进行对比,以确保准确性。
5.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,建立IRS反射机理模型,并将其与数字孪生三维模型融合;包括:
1)建立IRS反射机理模型;
定义IRS单元特性;
模拟电磁波传播;
优化算法设计;以动态调整IRS单元的反射特性,以优化信号路径;
集成环境因素;将环境因素整合进IRS反射机理模型;
2)数字孪生三维模型的建立;
创建物理世界的数字孪生三维模型;
集成传感器数据;
模拟和分析;在数字孪生三维模型中运行模拟,分析IRS的性能和其对信号覆盖的影响;
3)融合IRS反射机理模型与数字孪生三维模型;
集成IRS反射机理模型到数字孪生三维模型;
动态数据交换;确保IRS反射机理模型和数字孪生三维模型之间实时交换数据;
可视化和分析:利用数字孪生三维模型的可视化工具来分析和演示IRS的影响,以及在不同条件下的通信性能;
实时更新和迭代:数字孪生三维模型根据现实世界的变化和IRS性能数据进行实时更新,使数字孪生三维模型保持最新和准确。
6.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;包括:
①信号从基站BS中发射,发射的是多个beam光柱;
初始化参数包括:光柱的半径宽度、基站在三维几何空间中的位置、基站在三维空间中的旋转量,具体包括:发射电磁波的方向、IRS的中心位置、IRS在三维空间中的旋转量、IRS单元边长、厚度、IRS单元的个数、IRS平面整体尺寸、IRS单元相对位置和空间中的位置;
②求解IRS平面的法线;
③对发射电磁波进行射线检测,判断IRS是否在其范围内;
检测射线是否与平面相交,如式(1)所示:
式(1)中,P0是待检测的物体的一个面上的一点,L0是射线的起点,L是射线的方向,N是物体面的法线,“·”表示点积,
t是一个标量,如果t小于0或大于1,那么射线不与物体的面相交;如果t在0和1之间,那么射线与物体的面相交;
通过式(2)求得交点P:
P=L0+t*L (2)
④判断光线是否在板的范围内,即光线的覆盖范围与板的边界是否有重叠;
求取碰撞点相对IRS板的位置;
⑤寻找光束经过反射的IRS单元索引,并获取该索引的相位参数;
⑥使用广义斯涅尔方程进行异常反射计算,得到反射光线角度θt及θi,如式(3)、式(4)所示:
式(3)、式(4)中,θt为入射角,nt为入射空间介质常数,θi为反射角,ni为反射空间介质常数,λo为波长,dΦ为相位突变,dx为突变引起的反射位移差;
⑦根据角度和碰撞点,求解反射光线路径,并设置射线检测接口。
7.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,对智能反射表面通信系统进行推演优化,包括:
信道的传输过程中,信道模型通过接收端信号yk表示如式(5)所示:
式(5)中,k=1,…,K,为入射信道,Θ为智能反射表面相位参数组成的矩阵,G为反射信道,/>为直射信道,w/为发射端第j个波束赋形参数,sj为第j个发射信号,K为发射端天线数,nk为噪声;因此,通过信道容量公式得到式(6):
SINRk是指信干燥比,是指噪声的方差;
使最小的SINRk最大化,即max{min(SINRk)},使智能反射表面通信系统的资源配置情况达到帕累托最优。
8.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,使用深度强化学习实现对智能反射表面通信系统进行推演优化,包括:
a)定义环境和状态:
环境:即正在试图优化的问题,即max{min(SINRk)};
状态:状态是矩阵Θ的当前配置;
b)定义行动空间:
行动是修改矩阵Θ中的某些元素以产生新的矩阵配置;
定义奖励函数:奖励函数定义为式(7):
Reward=min(SINRk) (7)
c)选择深度强化学习算法;
d)训练模型:使用所选的DRL算法训练一个模型,使其学会在每个状态下采取哪些行动以最大化奖励;
e)策略执行:模型训练完成,使用它来确定对于给定的矩阵Θ应采取的最佳行动。
f)评估和调整:使用测试数据评估优化策略的性能,并根据需要进行调整。
9.根据权利要求1所述的一种基于数字孪生的智能反射表面通信系统推演优化方法,其特征在于,使用群智能算法实现对智能反射表面通信系统进行推演优化,包括:
g)编码解决方案:将矩阵Θ进行编码,包含其所有元素的数组或列表;
h)定义适应度函数:适应度函数y定义为式(8):
y=min(SINRk) (8)
i)尝试寻找最大化适应度函数的解决方案;包括:
初始化群体:
随机生成一组初始Θ;
j)评估初始群体:
使用适应度函数y评估每个解决方案的品质;
k)迭代优化:
对于每个迭代,根据所选的群智能算法更新解决方案;包括:对解决方案进行交叉、变异和/或选择;
l)终止条件:继续迭代直到满足终止条件;
m)返回最佳解:返回具有最佳适应度值的解决方案;
进一步优选的,通过实时通信方式将优化策略反馈至真实世界。
10.一种基于数字孪生的智能反射表面通信系统推演优化系统,其特征在于,包括:
数据采集模块,被配置为:从场景中采集数据,包括IRS物理模型的相关数据和真实信道数据;
数据传输模块,被配置为:对采集的数据进行实时数据传输;将优化策略反馈至真实世界,实现智能反射表面通信系统推演优化;
数字孪生三维模型建立模块,被配置为:实时数据传输后,数据在数字孪生空间建立数字孪生三维模型;
IRS反射机理模型建立模块,被配置为:建立IRS反射机理模型,并将其与数字孪生三维模型融合;其中,在IRS反射机理模型中,使用广义斯涅尔方程对复杂系统进行简化;
推演优化模块,被配置为:对智能反射表面通信系统进行推演优化,得到优化策略。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023116033540 | 2023-11-28 | ||
CN202311603354 | 2023-11-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117793754A true CN117793754A (zh) | 2024-03-29 |
CN117793754B CN117793754B (zh) | 2024-06-25 |
Family
ID=90401764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410012021.9A Active CN117793754B (zh) | 2023-11-28 | 2024-01-04 | 一种基于数字孪生的智能反射表面通信系统推演优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117793754B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
CN112114668A (zh) * | 2020-09-02 | 2020-12-22 | 北京捷安申谋军工科技有限公司 | 基于数字孪生的ar单兵伴随侦察无人机系统及其侦察方法 |
CN114928893A (zh) * | 2022-06-20 | 2022-08-19 | 东北大学秦皇岛分校 | 一种基于智能反射面的架构及任务卸载方法 |
WO2023138797A1 (en) * | 2022-01-21 | 2023-07-27 | Lenovo (Singapore) Ltd. | Determining simulation information for a network twin |
CN116546521A (zh) * | 2023-04-04 | 2023-08-04 | 中国移动紫金(江苏)创新研究院有限公司 | 一种基于数字孪生技术的移动通信网络覆盖优化方法 |
-
2024
- 2024-01-04 CN CN202410012021.9A patent/CN117793754B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
CN112114668A (zh) * | 2020-09-02 | 2020-12-22 | 北京捷安申谋军工科技有限公司 | 基于数字孪生的ar单兵伴随侦察无人机系统及其侦察方法 |
WO2023138797A1 (en) * | 2022-01-21 | 2023-07-27 | Lenovo (Singapore) Ltd. | Determining simulation information for a network twin |
CN114928893A (zh) * | 2022-06-20 | 2022-08-19 | 东北大学秦皇岛分校 | 一种基于智能反射面的架构及任务卸载方法 |
CN116546521A (zh) * | 2023-04-04 | 2023-08-04 | 中国移动紫金(江苏)创新研究院有限公司 | 一种基于数字孪生技术的移动通信网络覆盖优化方法 |
Non-Patent Citations (1)
Title |
---|
陈志鼎;梅李萍;: "基于数字孪生技术的水轮机虚实交互系统设计", 水电能源科学, no. 09, 15 September 2020 (2020-09-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117793754B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110731096B (zh) | 使用深度神经网络预测电信网络中的接收信号强度 | |
CN109891781B (zh) | 考虑物体的材质和轮廓分析通信信道的方法和装置 | |
Faisal et al. | Machine learning approaches for reconfigurable intelligent surfaces: A survey | |
Zhang et al. | Cellular network radio propagation modeling with deep convolutional neural networks | |
Cheng et al. | CNN-based mmWave path loss modeling for fixed wireless access in suburban scenarios | |
Huang et al. | Edge robotics: Edge-computing-accelerated multirobot simultaneous localization and mapping | |
Nie et al. | A predictive 6G network with environment sensing enhancement: From radio wave propagation perspective | |
EP3659276B1 (en) | Method and apparatus for analyzing communication environments and designing networks in consideration of trees | |
Qi et al. | Deep learning-based BackCom multiple beamforming for 6G UAV IoT networks | |
Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
Chen et al. | Computer vision aided codebook design for MIMO communications systems | |
Pasandideh et al. | A systematic literature review of flying ad hoc networks: State‐of‐the‐art, challenges, and perspectives | |
KR102211847B1 (ko) | 경로 손실 지수 예측 시스템 및 방법 | |
Montaser et al. | Design of intelligence reflector metasurface using deep learning neural network for 6G adaptive beamforming | |
Mohar et al. | Optimum deployment of sensor nodes in wireless sensor network using hybrid fruit fly optimization algorithm and bat optimization algorithm for 3D Environment | |
Ma et al. | A Practical Approach to Indoor Path Loss Modeling Based on Deep Learning | |
CN117793754B (zh) | 一种基于数字孪生的智能反射表面通信系统推演优化方法及系统 | |
Ahmad et al. | Machine learning approaches for radio propagation modeling in urban vehicular channels | |
Tu et al. | Performance comparison of MR-FDPF and ray launching in an indoor office scenario | |
Afape et al. | Improving millimetre-wave path loss estimation using automated hyperparameter-tuned stacking ensemble regression machine learning | |
Mao et al. | ML-based delay–angle-joint path loss prediction for UAV mmWave channels | |
Tamazirt et al. | A novel advanced 3D‐IPS based on mmWaves and SOM‐MLP neural network | |
US20230037893A1 (en) | Method and network apparatus for generating real-time radio coverage map in wireless network | |
Elmezughi et al. | Path loss modeling based on neural networks and ensemble method for future wireless networks | |
KR20190073036A (ko) | 구조물의 전파 인입부를 고려한 통신 환경 분석 및 망 설계를 위한 방법 및 장치 |
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 |