一种基于多物理特征的无人机通信场景识别方法及系统

摘要: 本发明涉及无人机无线通信、无线信道感知、机载边缘计算及机器学习,具体为一种基于多物理特征的无人机通信场景识别方法及系统。背景技术:1、无人机可作为空中通信终端、...
一种基于多物理特征的无人机通信场景识别方法及系统

本发明涉及无人机无线通信、无线信道感知、机载边缘计算及机器学习,具体为一种基于多物理特征的无人机通信场景识别方法及系统。

背景技术:

1、无人机可作为空中通信终端、移动中继节点、临时基站或者空天地一体化网络节点。由于无人机具有三维空间运动能力,其通信链路同时受到飞行高度、传播距离、仰角、飞行速度、机体姿态、地面建筑物遮挡、多径散射以及视距状态变化等因素影响,导致无人机通信信道表现出明显的时变性、非平稳性和场景依赖性。

2、无人机由开阔区域进入建筑密集区域,或者由视距传播状态逐渐进入遮挡传播状态时,接收功率、rician因子、时延扩展、多普勒扩展和空间相关性等信道参数通常连续变化。不同通信场景之间因此容易出现特征交叠和边界模糊,使固定阈值或单一信道特征难以实现稳定识别。

3、现有部分场景识别方法采用卷积神经网络、循环神经网络、transformer或者其他高参数量深度神经网络直接处理信道状态信息。上述模型虽然具有较强的非线性特征提取能力,但在无人机机载平台上运行时通常需要较大的存储空间、运算量和推理能耗,而且模型内部判别依据不易与具体的信道传播机制相对应。

4、支持向量机模型参数量相对较少,适合处理有限样本和高维特征,但普通支持向量机通常采用单一核函数,难以同时适应功率统计、时间序列、空间协方差和三维几何参数等具有不同数据结构的信道信息。若将上述异构特征直接拼接为统一向量,不同特征的量纲、几何结构和距离关系容易相互干扰。

5、此外,现有离线分类模型通常在标准仿真数据或者预先测量数据上训练。无人机进入实际任务区域后,建筑布局、散射体分布、电磁干扰和飞行轨迹可能与标准训练环境不同,造成信道数据分布发生变化。若模型参数保持固定,场景识别性能可能下降;若直接利用飞行过程中产生的预测样本更新模型,又容易出现错误伪标签积累、类别样本失衡和分类边界漂移。

6、因此,需要一种能够满足以下要求的无人机通信场景识别方法:

7、一、在保持预设识别性能的条件下降低机载推理所需的运算量、存储空间和能耗;

8、二、分别表征不同信道物理机制,并能够解释不同物理特征对识别结果的贡献;

9、三、能够根据信道数据类型增加、删除或替换子核;

10、四、能够利用真实飞行数据进行在线环境适应;

11、五、能够防止无人机长期处于单一场景时造成类别失衡;

12、六、能够控制在线模型更新产生的错误累积和性能退化。

技术实现思路

1、本发明的目的在于提供一种基于多物理特征的无人机通信场景识别方法及系统,通过构建统计衰落核、时间演化核、空间结构核和几何传播核,对无人机通信信道中的异构物理信息进行解耦表征。

2、为了解决上述技术问题,本发明提供如下技术方案:

3、步骤s1:获取无人机通信信道数据。通过机载通信终端、信道测量设备或信道估计模块,采集无人机在预设时间窗口内的信道状态信息及飞行状态数据,并按照预设样本长度构建待识别信道样本;

4、步骤s2:构建物理机制特征集合。从所述信道样本中提取统计衰落特征、时间演化特征、空间结构特征和几何传播特征,以形成对应不同传播物理机制的异构特征集合;

5、其中,所述统计衰落特征包括信道功率均值、标准差、偏度、峰度、rician因子和均方根时延扩展中的至少一种以及统计衰落核根据两个统计衰落特征向量之间的加权距离构建;

6、所述时间演化特征包括信道参数时间差分、时间相关系数、多普勒扩展、演化能量和参数变化趋势中的至少一种以及时间演化核根据两个时间演化特征向量之间的距离或者两个信道参数序列之间的序列对齐相似度构建;

7、所述空间结构特征包括由多天线信道数据或者多子载波信道数据构建的正定协方差矩阵,空间结构核根据两个正定协方差矩阵的对数欧氏距离构建;

8、所述几何传播特征包括无人机高度、三维传播距离、水平距离、仰角、飞行速度、视距概率及环境遮挡参数中的至少一种,几何传播核根据两个几何传播特征向量之间的加权距离构建;

9、步骤s3:分别构建多个物理子核。根据各类物理机制特征分别构建统计衰落核、时间演化核、空间结构核和几何传播核,用于衡量任意两个信道样本在不同物理特征空间中的相似程度;

10、步骤s4:对子核矩阵进行统一预处理。分别计算各物理子核对应的核矩阵,并对所述核矩阵进行中心化、尺度归一化及必要的正定性处理,以消除不同子核数值尺度对后续权重优化的影响;

11、步骤s5:构建组合核。按照非负且归一化的核权重,将多个物理子核进行加权组合,得到用于无人机通信场景分类的组合核函数;

12、步骤s6:利用组合核训练多分类支持向量机。基于所述组合核及已标注场景样本训练多分类支持向量机,确定各场景分类器对应的支持向量、支持向量系数和分类偏置,并利用训练完成的分类器输出待识别样本的场景类别及相应判别得分;

13、步骤s7:构建标准库和实时库。建立包含各类场景均衡标准样本的固定标准库,并为每一类场景分别设置相互独立的实时子库,用于存储无人机实际飞行过程中获取的可信实时样本;

14、步骤s8:筛选可信实时样本。根据场景预测概率、类别得分间隔、预测熵以及连续时间窗口内的类别一致性,对新获取的信道样本进行可靠性评价,并将满足预设可靠性条件的样本写入对应场景的实时子库;

15、其中,所述可靠性评价根据最大场景概率、最大场景概率与第二大场景概率的差值、预测熵和相邻时间窗口的预测一致性中的至少两项确定;

16、各场景类别对应的实时子库具有相同预设容量,任一实时子库中的样本增加、删除或者替换不改变其他实时子库的容量或者样本组成;

17、步骤s9:构建类别均衡更新集。在达到模型更新触发条件时,针对每一类场景优先选取对应实时子库中的样本;当实时样本数量不足预设容量时,从相应标准库中补充标准样本,使各类场景参与模型更新的样本数量保持一致;

18、步骤s10:联合更新核权重和分类器参数。利用所述类别均衡更新集,采用交替优化方式联合更新各物理子核的组合权重以及多分类支持向量机的支持向量、支持向量系数和分类偏置,直至核权重变化满足预设收敛条件或达到最大迭代次数;

19、其中,联合更新组合权重和多分类支持向量机参数的目标函数至少包括分类误差项、相邻更新周期权重差异约束以及当前核权重与标准库参考核权重之间的差异约束;

20、步骤s11:验证候选模型并执行部署或回滚。利用独立锚定验证集对更新后的候选模型进行评价;当候选模型的宏平均分类指标、各类场景召回率及计算资源开销均满足预设准入条件时,将候选模型部署为当前运行模型,否则撤销本次更新并继续使用更新前的模型;

21、步骤s12:根据场景识别结果调整通信参数。将识别出的通信场景类别发送至无人机通信控制模块,并根据所述场景类别选择或调整信道模型参数、发射功率、波束方向、波束宽度、调制编码方式、通信资源块、中继策略、切换策略中的至少一种,以实现无人机通信链路的场景自适应配置;

22、其中,实时场景识别过程和在线模型更新过程采用分离式运行方式,并对每一场景分类器设置支持向量数量上限;

23、根据识别出的通信场景选择或者调整信道模型参数、发射功率、波束管理参数、调制编码参数、无线资源分配参数、中继参数或者切换参数中的至少一种。

24、优选地,步骤s1中,通过无人机通信收发模块、信道测量设备、信道估计模块或者机载通信终端获取预设时间窗口内的信道观测序列:

25、;

26、其中,表示第个信道样本,表示时刻、频率对应的信道状态信息,表示时间窗口包含的信道快拍数量,所述信道数据包括以下至少一种:信道冲激响应,信道频率响应,接收信号强度,道幅值和相位,多径时延和多径功率,多普勒频移或者多普勒功率谱,多天线信道矩阵,无人机位置、高度、速度、航向和姿态数据。

27、优选地,步骤s2中,从所述信道样本中分别提取:

28、;

29、其中,表示第个信道样本的物理机制特征集合,为统计衰落特征,为时间演化特征,为空间传播结构特征,为几何传播特征;

30、其中,统计衰落特征向量为:;

31、其中,为接收功率或者信道增益均值,为标准差,为偏度,为峰度,为rician因子,为均方根时延扩展;

32、对特征进行标准化:;

33、其中,和分别为场景样本数据标准库统计特征均值和尺度矩阵;

34、对于时间演化特征,考虑到直接采用动态时间规整可能增加机载计算量,优先采用固定维度时间演化描述符,对于第个快拍,提取短时参数:

35、;

36、其中,是第个信道样本在时刻的瞬时统计衰落特征向量,为接收功率或等效信道功率增益,为莱斯因子,为均方根时延扩展,为均方根多普勒扩展;

37、一阶时间差分为:;

38、时间演化能量为:;

39、一阶时间相关系数为:;

40、二阶时间相关系数为:;

41、其中,表示第 个信道样本在时间窗口内的平均特征向量;

42、时间演化特征可以表示为:;

43、其中,表示第个信道样本的时间演化特征向量,表示第个信道样本的相邻时刻特征变化能量,和分别表示一阶和二阶时间相关系数,和分别表示均方根多普勒扩展的均值和标准差,表示参数随时间变化的趋势斜率,该时间演化特征设计将复杂时间序列压缩为低维动态描述符,有利于降低无人机端实时核计算量;

44、对多天线信道或者多子载波信道构造空间或频率协方差矩阵:

45、;

46、其中,表示第个信道样本的空间结构协方差矩阵,表示去均值后的信道向量,表示共轭转置,为正则化项,用于提高协方差矩阵的数值稳定性;对所述协方差矩阵进行矩阵对数映射和对称向量化,获得空间结构特征:

47、;

48、其中,表示第个信道样本的空间结构特征向量,表示对应的空间结构协方差矩阵,表示对所述协方差矩阵进行矩阵对数变换,表示矩阵向量化算子,用于将矩阵形式的空间相关结构转换为向量形式的特征表示该特征;

49、几何传播特征优选表示为:;

50、其中,表示第个信道样本的几何传播特征向量,为无人机高度,为无人机与通信节点之间的三维距离,为水平距离,为仰角,为无人机速度,为视距概率,为建筑密度、遮挡程度或者其他环境描述参数。

51、优选地,步骤s3中,根据步骤s2中所述四类特征构建统计衰落核、时间演化核、空间结构核和几何传播核,统计衰落核优选为:

52、;

53、其中,表示第个信道样本与第个信道样本在统计衰落特征空间中的核相似度,和分别表示归一化后的统计衰落特征向量,表示统计衰落特征对应的权重矩阵,用于调节不同统计衰落特征分量对核相似度的影响;

54、时间演化核优选为:;

55、其中,表示第个信道样本与第个信道样本在时间演化特征空间中的核相似度,和分别表示归一化后的时间演化特征向量,表示欧氏范数,表示时间演化核函数的尺度参数,用于控制时间演化特征差异对核相似度的影响程度,对于不同长度的时间序列,也可以采用满足正定性要求的全局序列对齐核替代上述固定长度描述核,但应在进入特征组合核前进行统一归一化,该设计将复杂时间序列压缩为低维动态描述符,有利于降低无人机端实时核计算量;

56、空间结构核优选为:;

57、其中,表示第个信道样本与第个信道样本在空间结构特征空间中的核相似度,和分别表示两个信道样本对应的空间结构特征向量,表示空间结构核函数的尺度参数,用于控制空间结构特征差异对核相似度的影响程度;

58、在机载实时运行前,可将:;

59、其中,表示由空间结构协方差矩阵经矩阵对数变换得到的对数域空间结构矩阵,表示矩阵对数运算,通过该变换,将空间协方差结构映射至对数域,使实时核计算退化为两个矩阵向量化结果之间的欧氏距离计算,从而减少重复矩阵对数运算;

60、几何传播核优选为:;

61、其中,表示第个信道样本与第个信道样本在几何传播特征空间中的核相似度,和分别表示归一化后的几何传播特征向量,表示几何传播特征对应的权重矩阵,用于调节不同几何传播特征分量对核相似度的影响,如果部分几何参数无法直接获得,可通过机载导航模块、数字地图、飞行控制器或者基于信道数据的参数估计模块获得;

62、以上各特征子核统一表示为:;

63、其中,表示第个特征子核函数,其输入为两个信道样本和,输出为实数域上的核相似度值,如果有新增子核,应至少满足,或者经过正定化处理,并采用与其他子核一致的中心化和尺度归一化方法,当实际信道样本缺少某一类信息时,可以删除对应子核,当增加新的测量数据时,可以增加例如角度扩展核、频谱占用核或者信道图像核,更新后的特征组合核为:

64、;

65、其中,表示第个特征子核函数,表示第个特征子核对应的权重系数,表示参与组合的物理子核数量,通过对多个物理子核进行加权求和,使特征组合核函数同时表征无人机通信信道样本的统计衰落特性、时间演化特性、空间结构特性和几何传播特性,而这无需改变双记忆库和多分类支持向量机的总体运行流程。

66、优选地,步骤s4中,对于第个子核,根据全部训练样本计算核矩阵:;其中,表示第个特征子核对应的核矩阵;

67、采用中心化矩阵:;其中,表示参与训练或更新的信道样本数量,表示阶单位矩阵,表示长度为的全1列向量,表示核矩阵中心化矩阵;

68、对核矩阵进行中心化:;其中,表示中心化后的第个特征子核矩阵;

69、再对其进行尺度归一化:;其中,表示归一化后的第 个特征子核矩阵,表示矩阵的frobenius范数,为防止分母为零的正数常量,归一化用于避免不同子核的数值尺度对组合权重产生非物理影响。

70、优选地,步骤s5中,组合核函数表示为:;

71、本发明中即特征子核数量,并满足:;

72、其中,用于表示第 类特征子核所代表信道物理机制对当前场景分类的相对贡献。

73、优选地,步骤s6中,使用一对其余、一对一或者其他多分类支持向量机策略训练场景分类器,以一对其余方式为例,第类场景的判别函数为:

74、;

75、其中,表示待识别信道样本 属于第个场景类别的判别得分,表示第个二分类器对应的支持向量集合,表示第个二分类器中第个支持向量对应的拉格朗日乘子,表示第个训练样本在第个二分类器中的类别标签,通常取值为或,表示训练样本与待识别样本之间的特征组合核相似度,表示第个二分类器的偏置项,对所有场景类别分别计算判别函数值,并将判别得分最大的类别作为最终识别,预测类别为:;

76、其中,表示待识别信道样本的预测场景类别,表示待识别的场景类别总数,通过比较不同类别对应的判别函数值,实现无人机通信场景的多类别识别。

77、优选地,步骤s7中,标准库包括多个已标注场景类别:

78、;

79、其中,表示场景样本数据标准库,表示第个场景类别对应的单一场景样本标准子库,表示场景类别总数,表示每一类标准子库中样本数量,表示第类标准子库的样本数,表示并集运算,场景实时数据子库包括与每一场景类别分别对应的独立单一实时子库:;

80、其中,表示时刻的场景实时数据子库,表示时刻下第个场景类别对应的实时数据缓存子库,表示每一类单一场景实时数据缓存子库的容量不超过,某一实时子库达到容量上限后,新样本仅替换该子库内部的已有样本,不占用其他场景实时子库容量。

81、优选地,步骤s8中,将支持向量机输出的场景判别分数进行概率校准,得到:;其中,表示第个实时信道数据的类别概率向量,表示该数据属于第个场景类别的概率,表示场景类别总数;

82、定义最大类别概率:;其中,表示当前模型对第个实时信道数据的最高类别置信度;

83、定义第一大概率与第二大概率之间的间隔:;其中,表示类别概率向量中的最大概率值,表示第二大概率值,用于表征模型对最可能类别与次可能类别的区分程度;

84、定义归一化预测熵:;

85、其中,表示第个实时信道数据的预测不确定性,越小,表示类别概率分布越集中,模型预测越确定,越大,表示类别概率分布越分散,模型预测不确定性越高,实际计算中,当时,可令;

86、根据连续窗口预测结果定义时间一致性:;

87、其中,表示第个实时信道样本在长度为的连续窗口内的预测一致性,表示第个实时信道样本的预测类别,表示其前第 个样本的预测类别,表示指示函数,当括号内条件成立时取值为1,否则取值为0;

88、实时样本可靠度定义为:;

89、其中,表示第个实时信道样本的可靠度评分,为非负调节系数,分别用于控制最大类别概率、预测熵、类别概率间隔和时间一致性对样本可靠度的影响权重,当所述实时信道样本同时满足以下条件时,将其判定为可信实时样本:;

90、其中,表示最大类别概率阈值,表示类别概率间隔阈值,表示预测熵阈值,表示时间一致性阈值,当实时信道样本不满足上述任一条件时,不将其加入实时样本库,或者将其作为低置信样本用于场景切换监测。

91、优选地,步骤s9中,在时刻,第类实时样本库中的可信样本数量为:

92、;

93、从第类标准样本库中选取个标准样本,构成补充样本集,并与实时样本集合并得到:;

94、进一步地,将各类别在线更新子集合并,得到在线更新集:

95、;

96、其中,和表示并集运算,表示第类实时样本集,表示第类标准补充样本集,表示第类在线更新子集,表示全部场景类别构成的在线更新集;

97、通过实时样本优先、标准样本补足的方式,使各类别在线更新样本数量保持一致,因此,无论各场景在实际飞行过程中出现的时间是否相同,每次模型更新中各场景类别的样本数量保持一致,标准库样本的初始可靠度设为:;

98、实时样本的初始训练权重设为:;

99、其中,表示第个训练样本的初始权重,表示第个实时数据样本的可靠度评分,对于固定标准样本,由于其为预先标注的参考样本,因此将其初始可靠度设为1,对于实时数据样本,则根据其预测置信度、类别概率间隔、预测熵和时间一致性得到的可靠度评分作为其初始训练权重,为保证各类别对优化目标具有相同贡献,对第类内部的样本权重进行归一化:;

100、其中,表示归一化后的第个训练样本权重,表示第个训练样本的类别标签,表示求和范围为所有属于第个场景类别的训练样本,表示训练样本的求和索引,由此,每类样本总训练权重相同,而同一类别中可靠度更高的实时数据样本具有更大影响。

101、优选地,步骤s10中,设第个分类器在第个核空间中的判别参数为,则候选模型通过下式获得:

102、;

103、约束条件为:

104、;

105、;

106、;

107、其中,表示场景类别总数,表示用于在线更新的训练样本数量,表示特征子核权重向量,表示第个分类器在第个核特征空间中的判别参数,表示第个分类器的偏置项,表示第个信道样本在第个物理特征空间中的映射表示,表示第个训练样本相对于第个分类器的类别标签,表示对应的松弛变量,表示第个训练样本的归一化训练权重,上述优化目标中,第一项为多核分类器复杂度项,用于约束各子核特征空间中的分类器复杂度,第二项为带可靠度权重的分类误差项,用于使可靠度较高的样本在模型更新中具有更大影响,表示上一更新周期得到的核权重,表示仅基于固定标准库训练得到的参考核权重,用于抑制相邻更新周期之间核权重的突变,用于防止在线更新过程长期偏离标准模型,用于抑制核权重过度集中于单一特征子核,表示分类误差惩罚系数,表示核权重下限,用于保证各特征子核在组合核中保留最小贡献,实际相关参数交替优化时,首先,固定核权重更新分类器,再固定分类器更新核权重,固定核权重更新分类器时,根据当前权重构造:;

108、其中,表示第次迭代得到的组合核矩阵,表示经中心化和归一化处理后的第个特征子核矩阵,表示第次迭代中第个特征子核的权重,利用该组合核重新训练多分类支持向量机,得到:;

109、其中,表示第次迭代中第个分类器的支持向量集合,表示对应的支持向量系数,表示对应的分类偏置,固定分类器更新核权重时,对核权重进行指数梯度更新:;

110、其中,表示第个核权重的中间更新量,表示更新步长,表示目标函数关于第个核权重的梯度,归一化为:;

111、然后投影至约束集合:;

112、满足以下条件:;

113、或者达到最大迭代次数时停止优化,其中,表示核权重收敛阈值。

114、优选地,步骤s11中,设置支持向量预算:;

115、其中,表示第个分类器对应的支持向量集合,表示该支持向量集合中的支持向量数量,表示预设的支持向量数量上限,当第个分类器的支持向量数量超过所述预算上限时,根据支持向量系数、样本可靠度和样本冗余度计算各支持向量的保留分数,保留分数可表示为:

116、;

117、其中,表示第个支持向量的保留分数,表示其在第个分类器中的支持向量系数,表示该样本的训练权重或可靠度权重,表示该支持向量与其他支持向量之间的冗余度,为非负权重系数,当支持向量数量超过预算时,优先删除保留分数较低的支持向量,并在删除后对分类器参数进行重新校正,使第 个分类器满足支持向量预算约束,从而降低模型存储开销和实时推理计算量,实时场景识别和模型更新采用分离式运行方式,先实时识别过程连续执行,然后在线模型更新仅在达到触发条件后批量执行,触发条件包括:;

118、或者是;

119、其中,表示自上一次在线更新以来新增的可信实时样本数量,表示触发在线更新所需的最小新增样本数量,表示当前时刻,表示上一次在线更新时刻,表示触发在线更新的最大时间间隔,这样可避免每获取一个样本就重新训练模型,新模型不得直接替换当前模型,新模型至少满足:

120、;

121、;

122、;

123、其中,和分别表示新模型和当前模型在验证集上的宏平均值,表示允许的宏平均最大下降容限,和分别表示新模型和当前模型对第个场景类别的召回率,表示每一类场景召回率的最低要求,表示第个场景类别允许的召回率下降容限同时,模型存储量、支持向量数量或者单样本推理时间应满足机载资源限制,未通过验证时,保留旧模型。

124、与现有技术相比,本发明所达到的有益效果是:

125、第一,本发明采用低维物理特征和支持向量判别替代高参数量深度神经网络的逐层推理,并通过特征预计算、支持向量预算和低频批量更新降低实时场景识别所需的计算量、模型存储量和单位样本处理能耗。

126、第二,本发明分别采用统计衰落核、时间演化核、空间结构核和几何传播核表征不同信道物理机制,各子核权重能够反映对应物理机制对场景判别的相对贡献,提高识别过程的物理可解释性。

127、第三,本发明建立统一子核接口,可根据信道数据类型增加、删除或替换满足正定性和尺度归一化要求的子核,提高不同无人机平台、测量设备和任务环境下的适配能力。

128、第四,本发明设置场景样本标准库和与其相互独立的场景数据实时子库。某一场景实时样本的持续增加不会占用其他场景实时子库容量,每次在线更新均构建类别数量均衡的训练集合。

129、第五,本发明同时更新组合核权重和支持向量机参数,使核相似性结构与分类边界保持匹配。

130、第六,本发明通过伪标签可靠度筛选、标准权重锚定、历史权重平滑、候选模型验证和回滚机制,降低错误实时样本造成模型漂移的风险。

131、第七,本发明将场景识别结果用于信道模型选择、功率控制、波束管理、调制编码和资源分配,实现对无人机通信链路的自适应控制。