MIMO天线辐射上限分析方法及装置与流程

mimo天线辐射上限分析方法及装置
技术领域
1.本发明涉及通信领域，尤其涉及一种mimo天线辐射上限分析方法及装置。


背景技术：

2.多输入多输出(multiple-input multiple-output,mimo)天线技术通过采用多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，成倍提高系统信道容量，已成为新一代移动通信的核心技术。mimo天线工作时各天线单元配置随信道特征变化实现波束赋形以提高天线增益，在提升通信性能的同时，也为其电磁辐射安全性评估带来了新的挑战。
3.国际非电离辐射防护委员会(international commission on non-ionizing radiation protection,icnirp)采用比吸收率(specific absorption rate,sar.10ghz以上)和等效平面波功率密度(10ghz以上)作为评估电磁场暴露的基本限值。国际电工委员会(international electrotechnical commission,iec)等标准组织也规范了无线通信设备电磁辐射安全的合规性评测方法。此类标准多仅规范了单天线工作时sar的测量方法，针对多个天线同时工作场景，现行标准往往采用各天线独立工作时的sar总和作为判断的依据。但这些sar评估标准不能反应mimo天线工作时的实际辐射剂量。现有技术中，有时候采用基因算法和蒙特卡洛算法，通过确定人体组织暴露于mimo系统的剂量上限及分布来分析mimo天线辐射上限，但是此类方法计算量大，评估效率低；且电磁场优化通常为非凸的不确定难题，优化过程易陷入局部最优。
4.综上所述，目前缺乏一种效率高的同时准确率高的mimo天线辐射上限分析方法。


技术实现要素：

5.本发明实施例提出一种mimo天线辐射上限分析方法，用以分析mimo天线辐射上限，效率高，准确度高，该方法包括：
6.根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；
7.分析获得各子天线在待分析区域的电场分布数据；
8.以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；
9.根据所述子天线复权值组合，确定天线数字模型的辐射上限。
10.本发明实施例提出一种mimo天线辐射上限分析装置，用以分析mimo天线辐射上限，效率高，准确度高，该装置包括：
11.天线数字模型构建模块，用于根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；
12.电场分布数据获得模块，用于分析获得各子天线在待分析区域的电场分布数据；
13.回归模块，用于以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；
14.辐射上限确定模块，用于根据所述子天线复权值组合，确定天线数字模型的辐射上限。
15.本发明实施例还提出了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述mimo天线辐射上限分析方法。
16.本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述mimo天线辐射上限分析方法的计算机程序。
17.在本发明实施例中，根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；分析获得各子天线在待分析区域的电场分布数据；以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；根据所述子天线复权值组合，确定天线数字模型的辐射上限。在上述过程中，提出了利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，从而利用回归后的所述子天线复权值组合，确定天线数字模型的辐射上限，准确度高，且计算过程相对于基因算法和蒙特卡洛算法来说更简单，效率高。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
19.图1为本发明实施例中mimo天线辐射上限分析方法的流程图；
20.图2为本发明实施例中待分析区域的示意图；
21.图3为本发明实施例中天线数字模型的结构示意图；
22.图4为本发明实施例中无监督深度学习网络模型的示意图；
23.图5为本发明实施例中一个训练中的loss函数的示意图；
24.图6为本发明实施例中一次训练后pd最大时的待分析区域电场分布数据的示意图；
25.图7为本发明实施例中两种方法的分析结果对比图；
26.图8为本发明实施例中mimo天线辐射上限分析装置的示意图；
27.图9为本发明实施例中计算机设备的示意图。
具体实施方式
28.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并
不作为对本发明的限定。
29.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
30.图1为本发明实施例中mimo天线辐射上限分析方法的流程图，如图1所示，该方法包括：
31.步骤101，根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；
32.步骤102，分析获得各子天线在待分析区域的电场分布数据；
33.步骤103，以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；
34.步骤104，根据所述子天线复权值组合，确定天线数字模型的辐射上限。
35.在本发明实施例提出的方法中，提出了利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，从而利用回归后的所述子天线复权值组合，确定天线数字模型的辐射上限，准确度高，且计算过程相对于基因算法和蒙特卡洛算法来说更简单，效率高。
36.在一实施例中，根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，包括：
37.若待分析频点不大于6ghz，确定待分析区域为立体区域，电特性参数为比吸收率；
38.若待分析频点大于6ghz，确定待分析区域为平面区域，电特性参数为功率密度。
39.在上述实施例中，2g-4g蜂窝频带为小于6ghz的频带，mmwave频带为大于6ghz的频带，icnirp规定的射频辐射的基本限制指标分为两种，分别是频段不大于6ghz时的比吸收率(sar)和mmwave频段的功率密度(pd)。这两个电特性参数越大说明辐射越强。图2为本发明实施例中待分析区域的示意图，图2中的(a)的待分析区域为立体区域，即待分析空间v，图2中的(b)的待分析区域为平面区域，即待分析平面a，对于包括多个子天线的天线数字模型(也称为天线阵列)，电场分布数据采用如下公式计算：
[0040][0041]
其中，为空间电场，是空间位置，为第i个子天线在空间激发的电场，m为mimo系统中同时发射的子天线的数量，ωi为第i个子天线激励的复权值；
[0042][0043]
权重幅值|ωi|和相位φi分别为第i个子天线的功率和相位，复数单位
[0044]
比吸收率sar是测量人体暴露于射频电磁场时吸收能量的速率，多天线诱导的空
间平均sar采用如下公式计算：
[0045][0046]
其中，sar为比吸收率，σ和ρ分别为待分析区域v的电导率和密度；
[0047]
待分析区域a上多个天线平均产生的功率密度pd采用如下公式计算：
[0048][0049]
其中，pd为功率密度，为第i个天线在空间激发的磁场，表示垂直于待分析区域a的单位法向。
[0050]
另外，对于辐射的远场区域，pd等于平面波等效功率密度，即，
[0051][0052]
其中，η0为自由空间的波阻抗。
[0053]
本发明实施例针对mmwave频段，以待分析频点为28ghz为例，构建天线数字模型，图3为本发明实施例中天线数字模型的结构示意图，该天线数字模型考虑2种场景，两种场景下，构建的天线数字模型分别为天线数字模型1、天线数字模型2，每个天线数字模型的总发射功率p
total
＝1w。
[0054]
天线数字模型可利用电磁场数值计算软件(如semcad,hfss和feko等)等构建。
[0055]
依据icnirp限制标准，待分析区域为位于天线数字模型上方1cm处，面积为20cm2的正方形区域。
[0056]
分析天线数字模型的辐射上限，其本质是最优化问题，优化函数如下：
[0057]
或
[0058][0059]
即寻找一组最佳的子天线复权值组合w＝{ω1,ω2,
…
,ωm}，使得在待分析区域的sar或pd达到最大。
[0060]
为了达到以上目的，本发明实施例采用无监督深度学习网络模型回归电特性参数，从而获得电特性参数在待分析区域最大时的子天线复权值组合，
[0061]
在一实施例中，在分析获得各子天线在待分析区域的电场分布数据之后，还包括：
[0062]
获得各子天线的电场分布数据的实部和虚部；
[0063]
根据各子天线的所述实部和虚部，获得各子天线的电场特征数组；
[0064]
以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，包括：
[0065]
以各子天线的电场特征数组为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合。
[0066]
在上述实施例中，在获得各子天线在待分析区域的电场分布数据后，导出待分析区域的电场分布数据，电场分布数据应该包含其在x,y,z三个方向的分量幅度和相位，或复数形式亦可，并保存。为保证输入无监督深度学习网络模型中数据特征统一，获得各子天线的电场分布数据的实部和虚部，分别保存，可以根据欧拉公式展开成复数形式再保存，之后根据各子天线的所述实部和虚部，在特征维度尽心拼接，获得各子天线的电场特征数组，并送入无监督深度学习网络模型。
[0067]
图4为本发明实施例中无监督深度学习网络模型的示意图，在一实施例中，无监督深度学习网络模型包括特征提取网络和参数回归网络，其中，
[0068]
特征提取网络用于对输入的电场分布数据进行处理，获得处理后的数据，所述处理包括卷积操作、池化操作；
[0069]
参数回归网络用于对处理后的数据进行维度调整和映射，得到天线复权值组合。
[0070]
在上述实施例中，得到的天线复权值组合也称为各子天线的功率和相位分配方案，特征提取网络用于对输入的电场分布数据进行处理，也就是对各子天线的电场特征数组进行处理，上述无监督深度学习网络模型的原理是，对各子天线的电场特征数组，利用特征提取网络(例如3d卷积神经网络)进行特征提取，利用参数回归网络(例如全连接网络)实现天线复权值回归。通过对天线复权值组合计算sar或pd，根据结果的偏差反向传播修正特征提取网络中的参数，经过多次迭代，直到在设定轮次内达到最大sar或pd的优化目标。
[0071]
在一实施例中，参数回归网络包括幅度回归系数和相位回归系数，其中，
[0072]
幅度回归系数利用softnax激活函数映射至[0,1]区间，保证天线复权值组合中所有复权值的和为1；相位回归系数利用tanh激活函数映射至[-1,1]区间，主要是考虑tanh的输出和输入能够保持非线性单调上升和下降关系，符合bp网络的梯度求解，容错性好。softnax和tanh均为非线性激活函数，是参数回归网络的一部分，在卷积之后对中间层进行激活函数处理使得网络模型的非线性表达能力更强。
[0073]
各子天线的功率和相位分配方案(即子天线复权值组合)的优劣以损失函数作为评价标准，损失函数最小化即为无监督深度学习网络模型训练目标。无监督深度学习网络模型根据训练出来的子天线复权值组合和实际最佳子天线复权值组合之间的损失函数，反向传播优化特征提取网络的参数，使得特征提取和回归更加准确高效。
[0074]
因此，在一实施例中，所述方法还包括：
[0075]
根据待分析频点和电特性参数，确定无监督深度学习网络模型的损失函数。
[0076]
在上述实施例中，由于在迭代过程中网络模型参数不断优化以达到降低损失函数(loss函数)的目标，因此如果将辐射指标作为loss函数的重要部分，loss函数应当与电特性参数(sar或pd)成反比关系。因此，定义loss函数为sar或pd的倒数，且对于毫米波段，只考虑垂直于z轴的远场区平面，即
[0077][0078]
式中，f为频率，恒成立。训练中，利用反向传播算法将loss的信息通过网络向后流动，以便计算梯度，优化模型中参数θ，其中参数θ为子天线的复权值的一个参数。以频率f≤6ghz为例，且考虑散射体为均匀模型，即
[0079][0080][0081]
其中，n为待分析区域中离散子区域个数，若采用边长为dx的立方体对体积为v的待分析区域离散，则dv＝dx3，n＝v/dv，表示第i个子天线在第n个离散区域内激发的电场。
[0082][0083][0084]
令：则
[0085][0086]
化简得
[0087][0088]
对于天线单元复权重ωi，其幅度和相位分别在[0,1]，[-π,π]连续可微。因此，对于loss的极值分析可以等价对ω(θ)的极值分析，因此，对于模型中参数θ的优化可以通过定义的loss进行反向传播计算。同理，对于f＞6ghz的问题，亦可获得类似的分析结果。
[0089][0090]
将待分析区域a分为n个离散的子单元ds，n为待分析区域的离散子区域个数。若采用边长为dl的正方形对面积为a的待分析区域离散，则ds＝dl2，n＝a/ds，表示第i个子天线在第n个离散区域内激发的电场。loss转换为离散形式为，
[0091][0092][0093][0094][0095]
令且
[0096]
[0097]
显然，a＞0恒成立。根据复函数微分性质，b可以写成如下形式，
[0098][0099]
其中，ωi(θ)
*
为ω(θ)共轭复数，根据欧拉公式，满足ωi(θ)
*
＝|ωi(θ)
*
|e
jφ
＝|ωi(θ)|e-jφ
。可知，对于loss的极值分析可以等价为对ω(θ)和ω(θ)
*
的极值分析。对于子天线复权重ωi及其共轭复权重其幅度和相位分别在[0,1]，[-π,π]连续可微。
[0100]
图5为本发明实施例中一个训练中的loss函数的示意图，图6为本发明实施例中一次训练后pd最大时的待分析区域电场分布数据的示意图。
[0101]
在电特性参数在待分析区域最大时，网络稳定(相邻两次迭代，电场强度变化小于0.1％)，便可停止迭代，并保存回归结果，即子天线复权值组合，之后根据所述子天线复权值组合，确定天线数字模型的辐射上限。
[0102]
下面给出一具体实施例来说明本发明方法的具体应用。
[0103]
在本实施例中，分别采用蒙特卡洛法和本发明方法(深度学习法)分析图3中的天线数字模型1和天线数字模型2的辐射上限，利用超立方体采样算法对天线复权值进行100 000次采样，利用电磁场数值计算方法评估上述两种方法在待分析区域的功率密度分布，图7为本发明实施例中两种方法的分析结果对比图。从计算结果得知，采用本研究提出的方法和蒙特卡洛法分析mimo天线辐射上限具有较好的一致性。此外，由于本发明提出的深度学习法依据各子天线在待分析区域的电场分布数据为输入，利用优化算法寻找辐射上限，其评估效率优于蒙特卡洛法。在本实施例中，深度学习法可以采用小于100次迭代获得辐射上限，而蒙特卡洛法需要100 000重复计算，且计算结果与辐射上限的逼近程度取决于对子天线复权值的采样方法和精度。
[0104]
综上所述，在本发明实施例提出的方法中，根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；分析获得各子天线在待分析区域的电场分布数据；以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；根据所述子天线复权值组合，确定天线数字模型的辐射上限。在上述过程中，提出了利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，从而利用回归后的所述子天线复权值组合，确定天线数字模型的辐射上限，准确度高，且计算过程相对于基因算法和蒙特卡洛算法来说更简单，效率高。
[0105]
本发明实施例还提出一种mimo天线辐射上限分析装置，其原理与mimo天线辐射上限分析方法类似，这里不再赘述。
[0106]
图8为本发明实施例中mimo天线辐射上限分析装置的示意图，如图8所示，该装置包括：
[0107]
天线数字模型构建模块801，用于根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；
[0108]
电场分布数据获得模块802，用于分析获得各子天线在待分析区域的电场分布数据；
[0109]
回归模块803，用于以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；
[0110]
辐射上限确定模块804，用于根据所述子天线复权值组合，确定天线数字模型的辐射上限。
[0111]
在一实施例中，天线数字模型构建模块801具体用于：
[0112]
若待分析频点不大于6ghz，确定待分析区域为立体区域，电特性参数为比吸收率；
[0113]
若待分析频点大于6ghz，确定待分析区域为平面区域，电特性参数为功率密度。
[0114]
在一实施例中，所述装置还包括数据处理模块805，用于：
[0115]
获得各子天线的电场分布数据的实部和虚部；
[0116]
根据各子天线的所述实部和虚部，获得各子天线的电场特征数组；
[0117]
回归模块803具体用于：
[0118]
以各子天线的电场特征数组为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合。
[0119]
在一实施例中，所述装置还包括损失函数确定模块806，用于：
[0120]
根据待分析频点和电特性参数，确定无监督深度学习网络模型的损失函数。
[0121]
在一实施例中，无监督深度学习网络模型包括特征提取网络和参数回归网络，其中，
[0122]
特征提取网络用于对输入的电场分布数据进行处理，获得处理后的数据，所述处理包括卷积操作、池化操作；
[0123]
参数回归网络用于对处理后的数据进行维度调整和映射，得到天线复权值组合。
[0124]
在一实施例中，参数回归网络包括幅度回归系数和相位回归系数，其中，
[0125]
幅度回归系数利用softnax激活函数映射至[0,1]区间；相位回归系数利用tanh激活函数映射至[-1,1]区间。
[0126]
在一实施例中，电场分布数据采用如下公式计算：
[0127][0128]
其中，为空间电场，是空间位置，为第i个子天线在空间激发的电场，m为mimo系统中同时发射的子天线的数量，ωi为第i个子天线激励的复权值；
[0129][0130]
权重幅值|ωi|和相位φi分别为第i个子天线的功率和相位，复数单位
[0131]
比吸收率采用如下公式计算：
[0132][0133]
其中，sar为比吸收率，σ和ρ分别为待分析区域v的电导率和密度；
[0134]
功率密度采用如下公式计算：
[0135][0136]
其中，pd为功率密度，为第i个天线在空间激发的磁场，表示垂直于待分析区域a的单位法向。
[0137]
综上所述，在本发明实施例提出的装置中，根据待分析频点，建立待分析mimo天线的天线数字模型，确定待分析区域和电特性参数，所述天线数字模型包括多个子天线；分析获得各子天线在待分析区域的电场分布数据；以各子天线在待分析区域的电场分布数据为输入，利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，所述子天线复权值组合包括多个子天线的复权值；根据所述子天线复权值组合，确定天线数字模型的辐射上限。在上述过程中，提出了利用无监督深度学习网络模型回归电特性参数在待分析区域最大时的子天线复权值组合，从而利用回归后的所述子天线复权值组合，确定天线数字模型的辐射上限，准确度高，且计算过程相对于基因算法和蒙特卡洛算法来说更简单，效率高。
[0138]
本技术的实施例还提供一种计算机设备，图9为本发明实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的mimo天线辐射上限分析方法中全部步骤，所述电子设备具体包括如下内容：
[0139]
处理器(processor)901、存储器(memory)902、通信接口(communications interface)903和总线904；
[0140]
其中，所述处理器901、存储器902、通信接口903通过所述总线904完成相互间的通信；所述通信接口903用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输；
[0141]
所述处理器901用于调用所述存储器902中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的mimo天线辐射上限分析方法中的全部步骤。
[0142]
本技术的实施例还提供一种计算机可读存储介质，能够实现上述实施例中的mimo天线辐射上限分析方法中全部步骤，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的mimo天线辐射上限分析方法的全部步骤。
[0143]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0144]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。