一种基于稀疏采样的动态无线电地图时空重建方法

摘要: 本发明属于无线通信与频谱管理领域,具体涉及一种基于稀疏采样的动态无线电地图时空重建方法。背景技术:1、随着第六代(6thgeneration,6g)移动通信、物...
一种基于稀疏采样的动态无线电地图时空重建方法

本发明属于无线通信与频谱管理领域,具体涉及一种基于稀疏采样的动态无线电地图时空重建方法。

背景技术:

1、随着第六代(6th generation,6g)移动通信、物联网等的快速发展,城市环境中的无线设备数量呈指数级增长,导致城市电磁环境日益复杂,频谱资源供需矛盾愈发突出。为了实现高效的频谱共享、精准的资源分配与干扰管理,基站或频谱管理中心需要准确掌握服务区域内的电磁环境态势。无线电地图作为表征空间电磁信号强度、频谱占用等特征的重要工具,是实现电磁环境态势感知的核心基础。

2、目前,构建无线电地图的主要方式包括基于模型的方法(比如,射线追踪、经验传播模型等)和基于数据驱动的方法(比如,空间插值、传统机器学习等)。

3、但是,在实际的城市复杂电磁环境中,上述方法动态追踪能力不足,难以应对电磁热点的连续漂移,且受限于硬件成本、部署难度等,实际系统中可用的采样节点数量通常较为有限,常处于极稀疏采样状态。传统的空间插值算法或常规的压缩感知方法在采样率极低时,会产生严重的平滑效应或伪影,无法准确还原复杂的城市电磁空间分布,导致重建质量大幅下降,从而存在重建无线电地图的精确度低的技术问题。

技术实现思路

1、为了解决现有技术中存在的上述问题,本发明提供了一种基于稀疏采样的动态无线电地图时空重建方法。本发明要解决的技术问题通过以下技术方案实现:

2、第一方面,本发明提供了一种基于稀疏采样的动态无线电地图时空重建方法,该方法包括:基于当前时隙的稀疏观测向量,确定稀疏贝叶斯学习模型;稀疏贝叶斯学习模型以稀疏观测向量为数据约束,用于确定待估计的稀疏系数向量的后验分布;通过期望最大化算法对稀疏贝叶斯学习模型进行迭代求解,得到初始重建无线电地图;初始重建无线电地图为稀疏系数向量的后验均值与字典矩阵之间的乘积;将初始重建无线电地图的采样点残差输入高斯过程回归模型,得到第一残差场;第一残差场用于修正初始重建无线电地图;对初始重建无线电地图与第一残差场进行叠加,得到高保真无线电地图;高保真无线电地图的预测精度大于初始重建无线电地图的预测精度;通过卷积长短期记忆网络对高保真无线电地图的历史重建帧序列进行预测,得到下一时隙的预测无线电地图。

3、在本发明的一个实施例中,基于当前时隙的稀疏观测向量,确定稀疏贝叶斯学习模型,包括:对稀疏系数向量赋予高斯先验分布,其中,高斯先验分布的第一精度参数服从伽马先验分布,第一精度参数用于表征高斯先验分布的方差的倒数;对观测噪声的第二精度参数施加伽马先验分布,得到稀疏贝叶斯学习模型。

4、在本发明的一个实施例中,通过期望最大化算法对稀疏贝叶斯学习模型进行迭代求解,得到初始重建无线电地图,包括:在期望最大化算法的期望步,确定稀疏系数向量的后验均值和后验协方差矩阵;在期望最大化算法的最大化步,更新第一精度参数和第二精度参数,得到初始重建无线电地图。

5、在本发明的一个实施例中,该方法还包括:构建主动采样准则,其中,主动采样准则用于表示最小化后验协方差矩阵的迹;在高信噪比条件下,将主动采样准则近似为最小化目标矩阵的逆矩阵的迹,其中,目标矩阵为由已选采样位置对应的字典行向量构成的子矩阵的转置与子矩阵的乘积;通过前向贪婪搜索策略迭代选择采样位置,在每次迭代中,确定各候选位置加入当前已选采样位置集合后目标矩阵的逆矩阵的迹的下降量,并选取使下降量最大的候选位置加入已选采样位置集合;在确定下降量时,将矩阵求逆运算转化为闭合形式计算,并在每次选取新的采样位置后,利用秩一更新法则更新目标矩阵的逆矩阵。

6、在本发明的一个实施例中,该方法还包括:从目标区域的全部网格位置中均匀抽取预设数量的候选位置,以将搜索空间缩减至预设数量的候选位置;通过随机投影矩阵将字典行向量的维度由初始维度投影至低维空间,得到降维后的字典行向量;在前向贪婪搜索策略的迭代过程中,使用降维后的字典行向量构建目标矩阵,以将目标矩阵的维度降低至低维空间的维度。

7、在本发明的一个实施例中,通过卷积长短期记忆网络对高保真无线电地图的历史重建帧序列进行预测,得到下一时隙的预测无线电地图,包括:基于历史重建帧序列,生成当前时隙的时域先验预测帧;对时域先验预测帧进行线性幅度校准,得到校准帧;将校准帧的采样点残差输入高斯过程回归模型,得到第二残差场;第二残差场用于修正校准帧;对校准帧和第二残差场进行叠加,得到当前时隙的目标无线电地图;基于当前时隙的目标无线电地图,确定下一时隙的预测无线电地图。

8、在本发明的一个实施例中,该方法还包括:构建高斯过程回归模型,其中,高斯过程回归模型配置有核函数,核函数用于表征空间中任意两个位置点之间的信号相关性,核函数的超参数包括长度尺度参数和信号方差参数;将初始重建无线电地图的采样点残差输入高斯过程回归模型,得到第一残差场,包括:基于初始重建无线电地图的采样点残差,通过最大化对数边际似然函数对超参数进行优化,以完成高斯过程回归模型的训练。获取训练后的高斯过程回归模型输出的第一残差场。

9、第二方面,本发明提供了一种基于稀疏采样的动态无线电地图时空重建系统,该系统包括:确定模块,用于基于当前时隙的稀疏观测向量,确定稀疏贝叶斯学习模型;稀疏贝叶斯学习模型以稀疏观测向量为数据约束,用于确定待估计的稀疏系数向量的后验分布;迭代模块,用于通过期望最大化算法对稀疏贝叶斯学习模型进行迭代求解,得到初始重建无线电地图;初始重建无线电地图为稀疏系数向量的后验均值与字典矩阵之间的乘积;输入模块,用于将初始重建无线电地图的采样点残差输入高斯过程回归模型,得到第一残差场;第一残差场用于修正初始重建无线电地图;叠加模块,用于对初始重建无线电地图与第一残差场进行叠加,得到高保真无线电地图;高保真无线电地图的预测精度大于初始重建无线电地图的预测精度;预测模块,用于通过卷积长短期记忆网络对高保真无线电地图的历史重建帧序列进行预测,得到下一时隙的预测无线电地图。

10、第三方面,本发明提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的计算机程序时,实现上述基于稀疏采样的动态无线电地图时空重建方法的步骤。

11、第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述基于稀疏采样的动态无线电地图时空重建方法的步骤。

12、与现有技术相比,本发明的有益效果:通过期望最大化算法对稀疏贝叶斯学习模型进行迭代求解,得到初始重建无线电地图,进而将初始重建无线电地图的采样点残差输入高斯过程回归模型,得到第一残差场,以修正初始重建无线电地图存在的残差。进一步对初始重建无线电地图与第一残差场进行叠加,得到高保真无线电地图,进而通过卷积长短期记忆网络对高保真无线电地图的历史重建帧序列进行预测,得到下一时隙的预测无线电地图。也就是说,本发明基于层次化先验的稀疏贝叶斯学习模型和高斯过程回归模型,并融合卷积长短期记忆网络预测下一时隙的完整无线电地图,从而实现了提升重建无线电地图的精确度的技术效果。

13、以下将结合附图及实施例对本发明做进一步详细说明。