面向低空无人机通信信道过时的多节点图时序CSI预测方法及系统与流程

摘要: 本技术涉及无线通信,尤其涉及一种面向低空无人机通信信道过时的多节点图时序csi预测方法及系统。背景技术:1、低空无人机通信广泛应用于城市低空物流、空中巡检、应急...
面向低空无人机通信信道过时的多节点图时序CSI预测方法及系统与流程

本技术涉及无线通信,尤其涉及一种面向低空无人机通信信道过时的多节点图时序csi预测方法及系统。

背景技术:

1、低空无人机通信广泛应用于城市低空物流、空中巡检、应急组网、无人机蜂群协同等低空场景,无人机依托5g/6g地面基站、空中中继节点完成数据传输,通信系统需依靠信道状态信息csi实现波束赋形、功率控制、调制编码选择、资源调度等核心链路自适应操作。当前主流csi获取与预测方案分为两类:一类是无人机周期性上报实测csi,基站直接基于收到的历史csi开展实时通信调度;另一类是采用lstm、卡尔曼滤波等单链路时序模型,仅利用目标无人机自身历史信道数据预测后续信道状态,还有部分方案借助静态无线电地图对区域信号做空间插值估计。

2、但低空无人机具备三维高速运动、姿态实时变化、城市楼宇/树木频繁引发视距(los)与非视距(nlos)快速切换的独有特性,现有技术在实际落地时存在固有短板:其一,csi从无人机测量、无线反馈、基站处理到调度指令生效存在固定时延,基站使用csi完成参数调控时,无人机位置、周边遮挡环境已发生改变,造成csi过时失效;其二,单链路时序预测仅采集目标无人机自身历史观测数据,完全忽略空域内邻近无人机、基站、中继节点同步观测到的共同遮挡、同源干扰、共用波束覆盖等空间关联信息,可用于预测的有效特征缺失;其三,传统静态无线电地图无法适配无人机动态飞行带来的时变信道,难以刻画多普勒频移突变、多径快速起伏等非平稳信道特征;其四,多节点全连接建模方式计算复杂度随节点数量呈平方级增长,无法在机载计算单元、基站边缘服务器实现近实时推理,且现有预测方案仅输出信道估计值,未与波束预切换、mcs配置、基站切换等通信控制流程形成联动闭环。

3、综上所述,现有技术的主要缺陷在于:在低空无人机通信中,由于仅依赖目标无人机自身历史csi进行预测、预测提前量未与通信系统端到端时延对齐,使得预测结果在通信控制指令实际生效时已与真实信道状态产生较大偏差,即存在“csi过时”问题,导致波束指向失准、链路自适应失效、通信中断概率上升和频谱效率下降。

技术实现思路

1、有鉴于此,本技术提出了一种面向低空无人机通信信道过时的多节点图时序csi预测方法,包括以下步骤:

2、获取目标无人机及邻近节点在多个采样时刻的特征向量,特征向量包含信道质量数据和三维位置数据,并对各时刻特征向量标注时间戳;

3、以目标无人机节点为中心,根据节点间三维距离及信道质量差异构建星型动态图;

4、将星型动态图输入图神经网络,将邻居节点特征加权聚合至目标节点,得到目标节点的空间融合表示;

5、将连续历史窗口内各时刻的空间融合表示按时序输入时序神经网络,得到目标节点的时序隐藏状态;

6、将时序隐藏状态输入全连接层,输出目标无人机在通信生效时刻的csi预测结果,通信生效时刻的提前量等于测量、反馈、处理和调度四项时延之和。

7、在一种可能的实现方式中,获取目标无人机及邻近节点在多个采样时刻的特征向量包括:

8、获取各节点在各采样时刻的信道测量数据、三维位置数据、运动姿态数据和遮挡连接数据,信道测量数据包括参考信号接收功率和接收功率,三维位置数据包括三维坐标、三维距离、高度、仰角和方位角,运动姿态数据包括径向相对速度、多普勒频移和姿态角编码,遮挡连接数据包括视距/非视距状态和连接编号;

9、将同一节点同一时刻的信道测量数据、三维位置数据、运动姿态数据和遮挡连接数据按预设顺序拼接,构造该节点在该时刻的特征向量,特征向量表示为:

10、;

11、其中,为节点编号,为采样时刻,为参考信号接收功率,为接收功率,为节点间三维距离,为高度,和分别为仰角和方位角,为径向相对速度,为多普勒频移估计,为姿态角编码,

12、为视距/非视距状态,为连接编号;

13、并对各节点在各采样时刻的特征向量标注对应的时间戳。

14、在一种可能的实现方式中,以目标无人机节点为中心,根据节点间三维距离及信道质量差异构建星型动态图包括以下步骤:

15、以目标无人机节点作为中心节点,按照预设的距离阈值筛选与中心节点之间三维距离小于距离阈值的其他节点作为候选邻居节点,并将中心节点与各候选邻居节点连接形成边,得到星型动态图结构;

16、计算星型动态图中每条边的边权,边权根据节点间三维距离差异、径向相对速度差异、信道质量差异和多普勒频移差异计算得到权重,计算公式为:

17、;

18、其中,为节点与节点之间边的权重,为节点间三维距离,为径向相对速度差异,为信道质量差异,为多普勒频移差异,、、、为尺度参数。

19、在一种可能的实现方式中,将星型动态图输入图神经网络,将邻居节点特征加权聚合至目标节点,得到目标节点的空间融合表示包括以下步骤:

20、将连续历史窗口内各时刻所有节点的特征向量按照节点维度、特征维度组织为四维张量,并展平为图卷积处理的节点特征矩阵,四维张量的维度依次为批大小、历史窗口长度、节点数量、单节点特征维度;

21、将星型动态图的边权作为聚合权重,采用图神经网络对每个节点进行多层图卷积,每一层图卷积将节点自身的特征与该节点邻居节点的特征按照边权进行加权聚合,得到该节点在该层的隐藏表示,图卷积计算公式为:

22、;

23、其中,为节点在第层的隐藏表示,为节点的邻居节点集合,

24、为节点与节点之间的边权,和为第层的可训练权重矩阵,为激活函数;

25、通过多层图卷积后,得到各节点在各历史时刻的空间融合表示。

26、在一种可能的实现方式中,将连续历史窗口内各时刻的空间融合表示按时序输入时序神经网络,得到目标节点的时序隐藏状态包括以下步骤:

27、从各历史时刻所有节点的空间融合表示中提取目标无人机节点的融合表示,得到目标无人机节点在连续历史窗口内各时刻的融合表示序列;

28、将融合表示序列按时序依次输入门控循环单元,门控循环单元按照更新门和重置门对当前时刻输入的融合表示与上一时刻的隐藏状态进行门控递推,得到各时刻的时序隐藏状态;

29、将历史窗口内最后一个时刻的时序隐藏状态作为输出。

30、在一种可能的实现方式中,将时序隐藏状态输入全连接层,输出目标无人机在通信生效时刻的csi预测结果,通信生效时刻的提前量等于测量、反馈、处理和调度四项时延之和包括以下步骤:

31、将时序隐藏状态输入全连接层进行线性映射,输出目标无人机在通信生效时刻的联合预测结果,联合预测结果包括信道状态信息、载噪比、信干噪比、信道质量指示和最优波束编号;

32、通信生效时刻相对于当前采样时刻的提前量按照确定,其中为csi测量时延,为反馈时延,为处理时延,为调度生效时延;

33、训练阶段,对联合预测结果中的连续型分量计算均方误差损失,对最优波束编号计算交叉熵损失,将两种损失加权求和作为总训练损失进行模型参数更新。

34、在一种可能的实现方式中,还包括以下步骤:

35、在执行通信控制动作后,获取实际csi观测结果,将实际csi观测结果与csi预测结果进行比较,得到预测误差;

36、根据预测误差,更新图神经网络的模型参数、时序神经网络的模型参数、边权计算中的尺度参数以及星型动态图构建中的距离阈值,并将更新后的参数用于后续时刻的特征向量获取和星型动态图构建。

37、本技术还提供了一种面向低空无人机通信信道过时的多节点图时序csi预测系统,包括:

38、数据获取模块,用于获取目标无人机及邻近节点在多个采样时刻的特征向量,特征向量包含信道质量数据和三维位置数据,并对各时刻特征向量标注时间戳;

39、图构建模块,用于以目标无人机节点为中心,根据节点间三维距离及信道质量差异构建星型动态图;

40、图神经网络模块,用于将星型动态图输入图神经网络,将邻居节点特征加权聚合至目标节点,得到目标节点的空间融合表示;

41、时序神经网络模块,用于将连续历史窗口内各时刻的空间融合表示按时序输入时序神经网络,得到目标节点的时序隐藏状态;

42、预测输出模块,用于将时序隐藏状态输入全连接层,输出目标无人机在通信生效时刻的csi预测结果,通信生效时刻的提前量等于测量、反馈、处理和调度四项时延之和。

43、在一种可能的实现方式中,图构建模块包括:

44、邻居筛选单元,用于以目标无人机节点作为中心节点,按照预设的距离阈值筛选候选邻居节点并连接形成星型动态图结构;

45、边权计算单元,用于根据节点间三维距离差异、径向相对速度差异、信道质量差异和多普勒频移差异计算星型动态图中每条边的权重。

46、在一种可能的实现方式中,时序神经网络模块包括:

47、序列提取单元,用于从各历史时刻所有节点的空间融合表示中提取目标无人机节点的融合表示,得到目标无人机节点在连续历史窗口内的融合表示序列;

48、时序递推单元,用于将融合表示序列按时序依次输入门控循环单元进行门控递推,得到各时刻的时序隐藏状态。

49、本发明的有益效果:

50、本面向低空无人机通信信道过时的多节点图时序csi预测方法,通过采集目标无人机及邻近节点同步观测的多维特征,以目标无人机为中心动态筛选空间关联节点并构建星型图结构,再依次经图神经网络的空间聚合与时序神经网络的演化建模,生成融合空域协同信息与历史变化规律的目标节点隐藏状态,最终通过全连接层输出与通信系统端到端时延精确对齐的未来csi预测结果,从而有效利用邻近节点共同遮挡、同源干扰等空间关联信息弥补单节点观测不足,并通过对齐时延消除csi过时影响,提升低空无人机通信中波束指向与链路自适应的准确性和及时性,降低通信中断概率。

51、根据下面参考附图对示例性实施例的详细说明,本技术的其它特征及方面将变得清楚。