一种基于模型演进的环境感知方法

1.本发明属于无线通信技术领域，具体涉及一种基于模型演进的环境感知方法。


背景技术：

2.在一体化通信与感知是下一代无线通信系统的关键技术，其要求在完成正常通信的同时，也能感知物理世界，包括但不限于用户位置、运动速度、人体姿态等。一体化通信与感知要求在一套系统中同时实现通信与感知功能，实现了资源的集约化利用，并且通信结果和感知结果可以互相协作，以提升系统的整体性能，是诸如自动驾驶、无损安检和智慧城市等新兴应用的关键使能技术。
3.使用来源于常规通信过程中的信道响应数据(也称信道状态信息csi)，可以在不对现有通信系统的硬件结构和软件算法做较大修改的条件下，实现一体化通信与感知，因此是一种极度重要的关键技术。在诸多的感知任务和目标中，最具重要性的任务就是对环境目标进行成像，因为成像能得到关于目标的数量最大、也是最原始的信息，可以在其之上开发和实现其他各种的任务，如可以基于成像结果进行目标识别等。同时，成像任务也是难度最大的感知任务，因为需要一个高效且准确的模型和描述目标物体与电磁波之间的作用关系，并且设计出有效的算法来实现目标的成像。
4.电磁波的传播规则，尤其是电磁波与障碍物体之间的相互作用，是很复杂的。当电磁波遇到障碍物体时，其能量会分为多个部分，简单来说可以分为反射的能量、损耗的热能和透射的能量：一部分能量反射回到空间中，一部分能量会进入物体中传播，其中部分能量会被物体吸收并转化为热能，但是还有一部分能量最终穿过目标物体，也称为透射。成像的目标时根据接收得到的信道状态信息，逆向求解出环境目标，其中的一个主要难点是：环境目标之间的互相影响，如传播到目标b的电磁波由于中间被目标a所遮挡而导致其能量很微弱，这是目标a与b之间的耦合。由于环境中具有众多的目标，因此他们可能具有及其复杂的耦合关系，该耦合关系导致了求解问题的非线性特征，急剧增大了求解的难度。目前的环境感知算法没有充分研究环境目标之间的耦合关系，因此他们在求解真实电磁波传播特性下的成像问题时性能较差。
5.综上所述，综合考虑环境感知问题与真实电磁波传播模型，一种需要较少先验信息就能实现环境目标的成像的研究具有较高的难度和重要的现实意义。


技术实现要素：

6.针对上述现有技术的不足，考虑到真实电磁波传播模型下环境目标之间存在着复杂的耦合关系，本发明提供一种基于模型演进的环境感知方法，基于模型演进的环境感知方法基于通信系统周期性进行信道估计任务得到信道响应数据，来实现环境感知，无需对现有通信系统的硬件或软件做出重大修改，即可实现感知通信一体化，解决了在真实电磁波传播模型下，基站端如何实现环境感知的问题。
7.本发明的目的是通过以下技术方案实现的：
8.提供一种基于模型演进的环境感知方法，该方法包括以下步骤：
9.s1，使用基站周期性地接收一定空间内的所有活跃用户发送的导频序列信号并将导频序列信号进行信道估计，得到信道响应数据；
10.s2，使用电磁波传播机制，基于位置关系的遮挡效应计算方法，建立遮挡效应下的反射与透射信道模型；
11.s3，将环境空间进行离散化处理，并结合步骤s2中得到的反射与透射信道模型，构建了信道响应与环境目标的数学模型，通过信道响应与环境目标的数学模型将环境感知问题转化为广义的压缩感知优化问题；
12.s4，使用步骤s1中得到的信道响应数据，基于步骤s3中得到的信道响应与环境目标的数学模型，进行模型演进，并利用演进后的模型和步骤s1中得到的信道响应数据求解广义的压缩感知优化问题，完成对环境目标的感知。
13.进一步地，所述步骤s1中使用基站将导频序列信号进行信道估计的同时，往基站上传用户端的绝对位置或对于基站的相对位置。
14.进一步地，所述步骤s2具体为：
15.s21，使用电磁波传播机制，在第mr个载波频段，从第mu个用户，经过第n个散射体，到达基站的第mk根天线的理想非视距信道响应可以表达为：
[0016][0017]
其中，e是自然常数，j是虚数单位，是信道的幅值，是信道的相位；
[0018][0019][0020]
其中，是第mr个载波的波长，是第mu个用户到第n个散射体的距离，是基站的第mk根天线到第n个散射体的距离，σ是散射体的雷达反射截面积；
[0021]
s22，对高频电磁波的近似直线传播特性采用遮挡效应进行建模，并提出了一种基于用户终端、基站以及散射体位置分布的遮挡效应计算方法；设点oa，oc是一般点，而点ob代表障碍物，则判断点ob是否对点oa和oc之间的直射路径产生了遮挡的主要判断依据为以下两点：
[0022]
点ob到点oa，oc连线的距离d小于一定的阈值γ，即：
[0023][0024]
点ob处于点oa，oc之间，即：
[0025][0026]
当以上两个条件都满足时，则从oa视角出发，ob被oc所遮挡，对所有目标应用该计
算方法，则得到遮挡指示矩阵b：
[0027][0028]
其中，x是目标的反射系数，是所有用户和基站的位置的集合，g是上述的计算方法函数；
[0029]
s23，基于步骤s21的理想非视距信道和步骤s22的基于位置关系的遮挡效应计算方法，考虑环境目标的反射系数x，则遮挡效应下的反射信道模型可以表达为：
[0030][0031]
其中，是反射信道的遮挡指示矩阵，xn是第n个散射体的反射系数；考虑环境目标的透射系数y，则遮挡效应下的透射信道模型可以表达为：
[0032][0033]
其中，是透射信道的遮挡指示矩阵，yn是第n个散射体的透射系数。
[0034]
进一步地，所述步骤s3具体为：
[0035]
s31，将环境空间进行离散化处理，将整个环境空间划分为一个个小立方体，每个小立方体中所包含的环境目标可以等效集中于小立方体中心的一个点，也称为点云划分；设待感知的环境空间大小为l
l
，lw，lh，小立方体的尺寸大小为l
l
，lw，lh，则整个环境中一共有n＝l
l
/l
l
×
lw/lw×
lh/lh个点云；使用xn来表示第n个点云的反射系数，如果该点云中不包含散射体，则其反射系数为0，如该点云中包含散射体，则其反射系数是一个非零的数；同时，使用yn来表示第n个点云的透射系数；因此，使用n维的反射系数向量x＝[x1，
…
，xn]
t
以及n维的透射系数向量y＝[y1，
…
，yn]
t
来表示待感知的环境空间；
[0036]
s32，将步骤s31中对环境空间进行离散化处理得到的反射系数向量x和透射系数向量y，与步骤s2得到的反射与透射信道模型结合，构建信道响应与环境目标的数学模型如下：
[0037]
h＝(h
⊙bre
)x (h
⊙btr
)y v
[0038]
＝a
re
x a
tr
y v
[0039]
其中，h是信道响应，x表示环境的反射系数向量，y表示环境的透射系数向量，h是按步骤s31所计算的理想非视距路径矩阵，b
re
和b
tr
是按步骤s32所计算的遮挡效应指示矩阵，v是随机的加性白高斯噪声，
⊙
表示哈达玛积操作，a
re
表示反射信道的测量矩阵，a
tr
表示透射信道的测量矩阵；
[0040]
s33，基于步骤s32中的信道响应与环境目标的数学模型，将环境感知问题转化为广义压缩感知优化问题，表达如下：
[0041][0042]
s.t.||h-a
re
x-a
tr
y||2≤ε
[0043]are
＝h
⊙bre
[0044]atr
＝h
⊙btr
[0045][0046][0047]
其中x表示环境的反射系数向量，y表示环境的透射系数向量，||
·
||1，||
·
||2分别是向量的一范数、二范数，表示在x、y的取值空间中寻找对应表达式的最小值，h是信道响应，a
re
表示反射信道的测量矩阵，a
tr
表示透射信道的测量矩阵，ε是松弛变量，h是步骤s21所计算的理想非视距路径矩阵，b
re
和b
tr
是按步骤s22所计算的遮挡效应指示矩阵，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置。
[0048]
进一步地，所述步骤s4具体为：
[0049]
s41，采用模型演进算法，将基本模型表示步骤s1中得到的信道响应数据，具体如下：
[0050]
h＝hx v
ꢀꢀꢀꢀ
(1)
[0051]
其中，h是信道响应，x表示环境的反射系数向量，h是理想非视距路径矩阵，v是随机的加性白高斯噪声，将该简单模型公式(1)建立为压缩感知优化问题，表示如下：
[0052][0053]
s.t.||h-hx||2≤ε
[0054]
其中表示在x的取值空间中寻找对应表达式的最小值，ε是松弛变量；对于该问题的求解，采用最大期望-广义近似消息传递算法；
[0055]
s42，在得到步骤s41中关于环境目标x的初步求解结果之后，可以对模型进行演进，得到估计的遮挡效应指示矩阵如下：
[0056][0057]
其中，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置，此时，可以将信道响应与环境目标的数学模型演进为：
[0058][0059]
其中，h是理想非视距路径矩阵，v是随机的加性白高斯噪声，将模型公式(2)建立为压缩感知优化问题，表示如下：
[0060][0061][0062][0063][0064]
其中，x是待求的环境目标，是步骤s41的估计结果，表示在x的取值空间中寻找对应表达式的最小值，ε是松弛变量，h是步骤s1得到的信道响应数据，是按计算
得到的反射信道测量矩阵，h是理想非视距路径矩阵，是按计算得到的遮挡指示矩阵，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置；
[0065]
s43，对测量矩阵进列归一化，并将步骤s42中的压缩感知优化问题转化为：
[0066][0067]
s.t.||h-c
re
xs||2≤ε
[0068][0069][0070][0071]
xs＝diag(w)
·
x
[0072][0073]
其中，x是待求的环境目标，是步骤s41的估计结果，表示在x的取值空间中寻找对应表达式的最小值，h是步骤s1得到的信道响应，c
re
是经过归一化之后的有效测量矩阵，xs是经过归一化的环境反射系数，ε是松弛变量，是按计算得到的反射信道测量矩阵，h是理想非视距路径矩阵，是按计算得到的遮挡指示矩阵，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置，函数diag(
·
)表示取向量元素组成对角阵，w表示的列二范数组成的向量，符号表示矩阵的第n列，表示一个非零常数，n是环境空间的点云个数；对问题进行上述预处理之后，采用最大期望-广义近似消息传递算法对其进行求解；
[0074]
s44，在得到步骤s43中关于环境目标x的求解结果之后，可以对模型进行演进，得到估计的遮挡效应指示矩阵和如下：
[0075][0076][0077]
其中，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置，此时，可以将信道响应与环境目标的数学模型演进为：
[0078][0079]
其中，x表示环境的反射系数向量，y表示环境的透射系数向量，是按计算得到的反射信道测量矩阵，v是随机的加性白高斯噪声；
[0080]
对该模型进行观察，可以发现无论是反射系数x还是透射系数y，都依赖于环境中散射体的存在性向量z，因此将建立统一的新模型
[0081]
h＝(h
⊙
b)z v
ꢀꢀꢀꢀ
(3)
[0082]
其中，b表示散射体存在性变量的掩膜矩阵，计算方式如下
[0083][0084]
其中与分别是反射系数x以及透射系数y的非零部分的均值，将模型公式(3)建模为一个优化问题：
[0085][0086]
s.t.||h-(h
⊙
b)z||2≤ε
[0087][0088][0089][0090][0091][0092]
其中，z是待求的散射体存在性向量，x是待求的反射系数向量，y是待求的透射系数向量，表示在z的取值空间中寻找对应表达式的最小值，h是步骤s1得到的信道响应，h是理想非视距路径矩阵，b表示散射体存在性变量的掩膜矩阵，ε是松弛变量，和是步骤s44的估计结果，是基站和所有用户终端的位置，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，和是按和计算得到的遮挡指示矩阵，与分别是反射系数x以及透射系数y的非零部分的均值，n是环境空间的点云个数；
[0093]
s45，由于步骤s44中优化问题的复杂性，采取迭代求解散射体存在性向量z和修正掩膜矩阵b的交替优化方法，对该交替优化算法叙述如下：
[0094]
在求解散射体存在性向量z时，固定掩膜矩阵b，采用最大期望-广义近似消息传递算法进行z的求解；
[0095]
在修正掩膜矩阵b时，先固定散射体存在性向量z，并计算得到反射系数和透射系数然后依次计算遮挡效应矩阵和b
tr
，并合并成为新的掩膜矩阵b；
[0096]
s46，在求解散射体存在性向量z和修正掩膜矩阵b的过程之间进行交替迭代优化，该算法的结束条件有两个：达到最大迭代次数t
max
或者算法收敛到门限τ以下，算法结束即完成了对环境目标的感知。
[0097]
本发明的有益效果是：首先，本发明基于电磁波传播机制，建立在遮挡效应下的反
射与透射信道模型，并构建了信道响应与环境目标的数学模型，然后将环境感知问题转化为广义的压缩感知优化问题，最后采用模型演进的算法，从简单的基本模型出发，通过对目标的求解获得高级模型的必要信息，实现模型的迭代与演进，实现了对压缩感知问题的求解，完成对于环境目标的感知。其通过模型演进的策略，达到了对环境目标之间的去耦合以及对先验信息需求极少等特点，实现对于环境的逐步重构，相比现有的环境感知重构算法，本发明的基于模型演进的环境感知算法在较为显著地提升了环境目标感知的准确度，为在移动通信系统中实现环境感知提供了一种有效的方法。本发明在真实电磁波传播模型下，基站端利用模型演进的策略实现环境感知，具有对先验信息需求极少，以及环境感知准确度高等优点。本发明基于通信系统周期性进行信道估计任务得到信道响应数据，来实现环境感知，无需对现有通信系统的硬件或软件做出重大修改，即可实现感知通信一体化。
附图说明
[0098]
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性的前提下，还可以根据这些附图获得其他的附图。
[0099]
图1为一示例性实施例提供的基于电磁波传播特性的环境感知场景示意图；
[0100]
图2为一示例性实施例提供的遮挡效应计算方式示意图；
[0101]
图3为一示例性实施例提供的将本发明的算法与其他重构算法相比较的环境目标感知结果的案例展示图；
[0102]
图4为一示例性实施例提供的在不同snr条件下，本发明算法的环境感知性能mse与其他重构算法的mse比较图；
[0103]
图5为一示例性实施例提供的本发明的算法与其他重构算法相比较时，用户终端ue数量与环境感知性能mse之间的关系图。
具体实施方式
[0104]
为了更好的理解本技术的技术方案，下面结合附图对本技术实施例进行详细描述。
[0105]
应当明确，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
[0106]
在本技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0107]
如图1所示，我们考虑的场景是上行通信场景，在户外的某一区域中部署有一个多天线的基站接入点(ap)，且同时存在着多个活跃的单天线的用户终端设备(ue)。在该场景中，用户发送信号至ap，并且假设用户会不定时上报自己的位置信息，ap端则会进行周期性的信道估计任务以克服信道的随机衰落，并得到信道状态信息，这些信道状态信息和用户的位置会被传输到中心的计算处理器上，进行集中式的环境感知。
[0108]
用户发送的信号会被环境物体所影响，如用户1的发送信号经过目标物体1的反射抵达ap，用户2发射的信号穿透目标物体1而达到ap。并且环境中的物体之间也会互相影响，从用户3的视角出发，目标物体1就由于目标物体2的存在而被遮挡了。
[0109]
本发明提供一种基于模型演进的环境感知方法，包括以下步骤：
[0110]
s1，使用基站周期性地接收一定空间内的所有活跃用户发送的导频序列信号并将导频序列信号进行信道估计，得到信道响应数据；
[0111]
在一实施例中，步骤s1中使用基站将导频序列信号进行信道估计的同时，往基站上传用户端的绝对位置或对于基站的相对位置。
[0112]
s2，使用电磁波传播机制，基于位置关系的遮挡效应计算方法，建立遮挡效应下的反射与透射信道模型；
[0113]
在一实施例中，步骤s2具体为：
[0114]
s21，使用电磁波传播机制，在第mr个载波频段，从第mu个用户，经过第n个散射体，到达基站的第mk根天线的理想非视距信道响应可以表达为：
[0115][0116]
其中，e是自然常数，j是虚数单位，是信道的幅值，是信道的相位；
[0117][0118][0119]
其中，是第mr个载波的波长，是第mu个用户到第n个散射体的距离，是基站的第mk根天线到第n个散射体的距离，σ是散射体的雷达反射截面积；
[0120]
s22，对高频电磁波的近似直线传播特性采用遮挡效应进行建模，并提出了一种基于用户终端、基站以及散射体位置分布的遮挡效应计算方法；如图2所示，设点oa，oc是一般点，而点ob代表障碍物，则判断点ob是否对点oa和oc之间的直射路径产生了遮挡的主要判断依据为以下两点：
[0121]
点ob到点oa，oc连线的距离d小于一定的阈值γ，即：
[0122][0123]
点ob处于点oa，oc之间，即：
[0124][0125]
当以上两个条件都满足时，则从oa视角出发，ob被oc所遮挡，对所有目标应用该计算方法，则得到遮挡指示矩阵b：
[0126][0127]
其中，x是目标的反射系数，是所有用户和基站的位置的集合，g是上述的计算方
法函数；
[0128]
s23，基于步骤s21的理想非视距信道和步骤s22的基于位置关系的遮挡效应计算方法，考虑环境目标的反射系数x，则遮挡效应下的反射信道模型可以表达为：
[0129][0130]
其中，是反射信道的遮挡指示矩阵，xn是第n个散射体的反射系数；考虑环境目标的透射系数y，则遮挡效应下的透射信道模型可以表达为：
[0131][0132]
其中，是透射信道的遮挡指示矩阵，yn是第n个散射体的透射系数。
[0133]
s3，将环境空间进行离散化处理，并结合步骤s2中得到的反射与透射信道模型，构建了信道响应与环境目标的数学模型，通过信道响应与环境目标的数学模型将环境感知问题转化为广义的压缩感知优化问题；
[0134]
在一实施例中，步骤s3具体为：
[0135]
s31，将环境空间进行离散化处理，将整个环境空间划分为一个个小立方体，每个小立方体中所包含的环境目标可以等效集中于小立方体中心的一个点，也称为点云划分；设待感知的环境空间大小为l
l
，lw，lh，小立方体的尺寸大小为l
l
，lw，lh，则整个环境中一共有n＝l
l
/l
l
×
lw/lw×
lh/lh个点云；使用xn来表示第n个点云的反射系数，如果该点云中不包含散射体，则其反射系数为0，如该点云中包含散射体，则其反射系数是一个非零的数；同时，使用yn来表示第n个点云的透射系数；因此，使用n维的反射系数向量x＝[x1，
…
，xn]
t
以及n维的透射系数向量y＝[y1，
…
，yn]
t
来表示待感知的环境空间；
[0136]
s32，将步骤s31中对环境空间进行离散化处理得到的反射系数向量x和透射系数向量y，与步骤s2得到的反射与透射信道模型结合，构建信道响应与环境目标的数学模型如下：
[0137]
h＝(h
⊙bre
)x (h
⊙btr
)y v
[0138]
＝a
re
x a
tr
y v
[0139]
其中，h是信道响应，x表示环境的反射系数向量，y表示环境的透射系数向量，h是按步骤s31所计算的理想非视距路径矩阵，b
re
和b
tr
是按步骤s32所计算的遮挡效应指示矩阵，v是随机的加性白高斯噪声，
⊙
表示哈达玛积操作，a
re
表示反射信道的测量矩阵，a
tr
表示透射信道的测量矩阵；
[0140]
s33，基于步骤s32中的信道响应与环境目标的数学模型，将环境感知问题转化为广义压缩感知优化问题，表达如下：
[0141][0142]
s.t.||h-a
re
x-a
tr
y||2≤ε
[0143]are
＝h
⊙bre
[0144]atr
＝h
⊙btr
[0145][0146][0147]
其中x表示环境的反射系数向量，y表示环境的透射系数向量，||
·
||1，||
·
||2分别是向量的一范数、二范数，表示在x、y的取值空间中寻找对应表达式的最小值，h是信道响应，a
re
表示反射信道的测量矩阵，a
tr
表示透射信道的测量矩阵，ε是松弛变量，h是步骤s21所计算的理想非视距路径矩阵，b
re
和b
tr
是按步骤s22所计算的遮挡效应指示矩阵，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置。
[0148]
s4，使用步骤s1中得到的信道响应数据，基于步骤s3中得到的信道响应与环境目标的数学模型，进行模型演进，并利用演进后的模型和步骤s1中得到的信道响应数据求解广义的压缩感知优化问题，完成对环境目标的感知。
[0149]
在一实施例中，步骤s4具体为：
[0150]
s41，采用模型演进算法，将基本模型表示步骤s1中得到的信道响应数据，具体如下：
[0151]
h＝hx v
ꢀꢀꢀꢀ
(1)
[0152]
其中，h是信道响应，x表示环境的反射系数向量，h是理想非视距路径矩阵，v是随机的加性白高斯噪声，将该简单模型公式(1)建立为压缩感知优化问题，表示如下：
[0153][0154]
s.t.||h-hx||2≤ε
[0155]
其中表示在x的取值空间中寻找对应表达式的最小值，ε是松弛变量；对于该问题的求解，采用最大期望-广义近似消息传递(em-gamp)算法；
[0156]
s42，在得到步骤s41中关于环境目标x的初步求解结果之后，可以对模型进行演进，得到估计的遮挡效应指示矩阵如下：
[0157][0158]
其中，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置，此时，可以将信道响应与环境目标的数学模型演进为：
[0159][0160]
其中，h是理想非视距路径矩阵，v是随机的加性白高斯噪声，将模型公式(2)建立为压缩感知优化问题，表示如下：
[0161][0162][0163]
[0164][0165]
其中，x是待求的环境目标，是步骤s41的估计结果，表示在x的取值空间中寻找对应表达式的最小值，ε是松弛变量，h是步骤s1得到的信道响应数据，是按计算得到的反射信道测量矩阵，h是理想非视距路径矩阵，是按计算得到的遮挡指示矩阵，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置；
[0166]
s43，对测量矩阵进列归一化，并将步骤s42中的压缩感知优化问题转化为：
[0167][0168]
s.t.||h-c
re
xs||2≤ε
[0169][0170][0171][0172]
xs＝diag(w)
·
x
[0173][0174]
其中，x是待求的环境目标，是步骤s41的估计结果，表示在x的取值空间中寻找对应表达式的最小值，h是步骤s1得到的信道响应，c
re
是经过归一化之后的有效测量矩阵，xs是经过归一化的环境反射系数，ε是松弛变量，是按计算得到的反射信道测量矩阵，h是理想非视距路径矩阵，是按计算得到的遮挡指示矩阵，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置，函数diag(
·
)表示取向量元素组成对角阵，w表示的列二范数组成的向量，符号表示矩阵的第n列，表示一个非零常数，n是环境空间的点云个数；对问题进行上述预处理之后，采用最大期望-广义近似消息传递(em-gamp)算法对其进行求解；
[0175]
s44，在得到步骤s43中关于环境目标x的求解结果之后，可以对模型进行演进，得到估计的遮挡效应指示矩阵和如下：
[0176][0177][0178]
其中，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，是基站和所有用户终端的位置，此时，可以将信道响应与环境目标的数学模型演进为：
[0179]
[0180]
其中，x表示环境的反射系数向量，y表示环境的透射系数向量，是按计算得到的反射信道测量矩阵，v是随机的加性白高斯噪声；
[0181]
对该模型进行观察，可以发现无论是反射系数x还是透射系数y，都依赖于环境中散射体的存在性向量z，因此将建立统一的新模型
[0182]
h＝(h
⊙
b)z v
ꢀꢀꢀꢀ
(3)
[0183]
其中，b表示散射体存在性变量的掩膜矩阵，计算方式如下
[0184][0185]
其中与分别是反射系数x以及透射系数y的非零部分的均值，将模型公式(3)建模为一个优化问题：
[0186][0187]
s.t.||h-(h
⊙
b)z||2≤ε
[0188][0189][0190][0191][0192][0193]
其中，z是待求的散射体存在性向量，x是待求的反射系数向量，y是待求的透射系数向量，表示在z的取值空间中寻找对应表达式的最小值，h是步骤s1得到的信道响应，h是理想非视距路径矩阵，b表示散射体存在性变量的掩膜矩阵，ε是松弛变量，和是步骤s44的估计结果，是基站和所有用户终端的位置，g(
·
，
·
)是基于位置关系的遮挡效应计算函数，和是按和计算得到的遮挡指示矩阵，与分别是反射系数x以及透射系数y的非零部分的均值，n是环境空间的点云个数；
[0194]
s45，由于步骤s44中优化问题的复杂性，采取迭代求解散射体存在性向量z和修正掩膜矩阵b的交替优化方法，对该交替优化算法叙述如下：
[0195]
在求解散射体存在性向量z时，固定掩膜矩阵b，采用最大期望-广义近似消息传递(em-gamp)算法进行z的求解；
[0196]
在修正掩膜矩阵b时，先固定散射体存在性向量z，并计算得到反射系数和透射
系数然后依次计算遮挡效应矩阵和b
tr
，并合并成为新的掩膜矩阵b；
[0197]
s46，在求解散射体存在性向量z和修正掩膜矩阵b的过程之间进行交替迭代优化，该算法的结束条件有两个：达到最大迭代次数t
max
或者算法收敛到门限τ以下，算法结束即完成了对环境目标的感知。
[0198]
通过计算机仿真可以看出：如图3所示，其中em-gamp算法完全忽视了遮挡效应以及目标物体之间的相互耦合关系，因而成像效果较差。而本发明算法基于模型演进的方法，通过计算迭代地修正模型，从而很好地解决了遮挡效应以及目标物体的耦合关系等难题。相比em-agmp算法，本发明的基于模型演进的环境感知算法较为显著提升了环境感知的准确度。图4表明本发明算法的环境感知性能显著优于其他算法，且领先优势随着snr的增大而越来越大。图5表明本发明的方法的环境感知性能随着用户数量的增加而提升，且领先于其他算法的优势越来越大。
[0199]
综上所述，在真实电磁波传播模型下，基站端利用模型演进的策略实现环境感知，具有对先验信息需求极少，以及环境感知准确度高等优点。本发明基于通信系统周期性进行信道估计任务得到信道响应数据，来实现环境感知，无需对现有通信系统的硬件或软件做出重大修改，即可实现感知通信一体化。首先，本发明基于电磁波传播机制，建立在遮挡效应下的反射与透射信道模型，并构建了信道响应与环境目标的数学模型，然后将环境感知问题转化为广义的压缩感知优化问题，最后采用模型演进的算法，从简单的基本模型出发，通过对目标的求解获得高级模型的必要信息，实现模型的迭代与演进，实现了对压缩感知问题的求解，完成对于环境目标的感知。其通过模型演进的策略，达到了对环境目标之间的去耦合以及对先验信息需求极少等特点，实现对于环境的逐步重构，相比现有的环境感知重构算法，本发明的基于模型演进的环境感知算法在较为显著地提升了环境目标感知的准确度，为在移动通信系统中实现环境感知提供了一种有效的方法。
[0200]
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。