【技术实现步骤摘要】
本专利技术属于无线通信领域，尤其涉及一种基于深度学习的智能反射面辅助的无线计算成像方法。
技术介绍
1、随着科技的不断进步，无线计算成像已广泛应用于众多领域，如无人驾驶、无人机监视和工业自动化等。然而，当前的计算成像技术仍面临若干挑战：首先，复杂环境中多物体、遮挡和不同光照条件的存在使得计算成像的准确性成为一大难题；其次，实时性的需求，特别是在如自动驾驶等关键应用中，高时延可能带来严重后果；再者，硬件的限制，由于高精度计算成像需要大量的计算资源和电力，这为移动设备和偏远地区的部署带来了挑战；最后，信号覆盖问题，在一些复杂环境如城市核心区域或室内，传统无线信号可能会遭遇严重衰减或干扰。
2、随着无线通信技术的飞速发展，6g时代逐渐拉开了序幕。6g不仅是一项通信技术，更是涵盖云计算、大数据、人工智能等众多领域的综合智能信息系统。在这一背景下，智能反射面技术在6g领域引起了广泛的关注和研究。智能反射面作为一种被动式无源设备，能够有效调整入射波的相位和振幅，为无线信号创造更优质的传播环境。在6g通信中，面对频谱资源的有限和设备连接数的持续增长，如何有效提高信号质量和扩大覆盖范围已成为核心技术难题。
技术实现思路
1、本专利技术的目的在于解决现有技术中存在的问题，并提供一种基于深度学习的智能反射面辅助的无线计算成像方法。
2、本专利技术所采用的具体技术方案如下：
3、一种基于深度学习的智能反射面辅助的无线计算成像方法，包括如下步骤：
4、s1.
5、s2.获取一个经过训练的智能反射面相位预测深度神经网络，利用所述智能反射面相位预测深度神经网络对所述接收信号进行特征提取，得到智能反射面相位预测结果；
6、s3.获取一个经过训练的目标感知区检测卷积神经网络，利用所述目标感知区检测卷积神经网络对所述目标感知区进行重建，将所述智能反射面相位预测结果输入所述目标感知区检测卷积神经网络中，得到所述目标感知区的一维目标散射系数估计序列；
7、s4.对所述一维目标散射系数估计序列进行后处理，将所述一维目标散射系数估计序列逆映射为三维像素估计序列，即实现目标感知区的计算成像。
8、作为优选，所述接收信号的获取方法为：
9、s11.获取所述基站到所述智能反射面的信道矩阵为第一莱斯信道获取所述智能反射面所述到目标感知区的信道矩阵为第二莱斯信道所述第一莱斯信道h的函数形式为：
10、
11、所述第二莱斯信道g的函数形式为：
12、
13、其中，∈是莱斯因子；lp1是第一信道路径损失，lp2是第二信道路径损失；hlos是第一信道直射部分，glos是第二信道直射部分；hnlos是服从标准正态分布的第一信道散射部分，gnlos是服从标准正态分布的第二道散射部分；表示复数集；m为所述基站的收发天线数量；n为所述智能反射面的反射单元数量；
14、s12.所述智能反射面的反射系数其中，e表示自然常数；是所述反射系数的相位；[ρ1,…,ρn]是所述反射系数的幅度，假设所述幅度均为1；其中，(·)t表示矩阵转置；
15、s13.对所述目标感知区进行预处理，得到所述一维目标散射系数序列；
16、所述预处理过程为：先将所述目标感知区进行离散化处理得到三维像素序列s＝[s1,…,sk]t，再对所述三维像素序列进行映射，得到一维目标散射系数序列x＝[x1,…,xk]t，其中第i个所述三维像素si的散射系数为xi；其中，若第i个所述三维像素是真实目标，则将第i个所述三维像素si的散射系数xi取值为0<xi≤1；反之，则将第i个所述三维像素si的散射系数xi取值为0，i∈[1,2,…,k]；k为所述三维像素序列长度；xi为所述一维目标散射系数序列的第i个样本；
17、s14.假设所述目标感知区的真实目标像素个数远远小于环境目标像素个数，则所述一维目标散射系数序列x＝[x1,…,xk]t的稀疏先验概率密度服从均值为0、协方差矩阵为rx＝diag(γ)的高斯分布，其中，diag(·)表示对角化，γ表示方差，α为所述方差的逆，α服从gamma分布，α的函数形式如下：
18、
19、其中，γ(•)是gamma函数，a和b是控制稀疏度的参数；(·)-1表示逆运算；
20、s15.获取所述基站的发射总功率pt、长度为l的所述基站的发射信号将所述一维目标散射系数序列x进行对角化，得到目标感知区散射系数对角矩阵x＝diag(x)；将所述反射系数的相位进行对角化，得到智能反射面相位对角矩阵利用所述发射总功率、所述发射信号、所述第一莱斯信道、所述第二莱斯信道、所述智能反射面相位对角矩阵、所述目标感知区散射系数对角矩阵，构建所述接收信号，所述接收信号的函数形式为：
21、
22、其中，n是服从均值为0、方差为σ2的加性高斯白噪声；表示矩阵共轭转置；
23、s16.根据矩阵向量化性质，对所述接收信号进行向量化，得到向量化接收信号，所述向量化接收信号y的函数形式为：
24、
25、其中，vec(·)表示向量化。
26、作为优选，所述智能反射面相位预测深度神经网络由一个带有激活函数的第一全连接层、一个第一dropout层、一个带有激活函数的第二全连接层、一个第二dropout层、一个不带有激活函数的第三全连接层依次级联而成；所述第一全连接层和所述第二全连接层的神经元个数均为256，激活函数为relu；所述第一dropout层与所述第二dropout层的dropout rate均设为0.5；所述第三全连接层的神经元个数为n，激活函数为sigmoid。
27、作为优选，所述目标感知区检测卷积神经网络由d个稀疏贝叶斯层依次级联而成，每一个所述稀疏贝叶斯层均由一个自定义lambda层、一个第一reshape层、一个带有激活函数的第一卷积层、一个带有激活函数的第二卷积层、一个第二reshape层依次级联而成，所述第一卷积层的卷积核大小为5×5×5、卷积核个数为8；所述第二卷积层的卷积核大小为5×5×5、卷积核个数为1；所述激活函数均为relu。
28、作为优选，所述s2步骤具体过程为：将所述基站的发射总功率pt、所述发射信号s、所述第一莱斯信道h、所述第二莱斯信道g、所述加性高斯白噪声的标准差σ作为所述智能反射面相位预测深度神经网络超参数，每个所述智能反射面相位预测深度神经网络超参数的取值固定；随机初始化所述相位将所述一维目标散射系数序列x＝[x1,…,xk]t输入到所述智能反射面相位预测深度神经网络中，得到所述智能反射面相本文档来自技高网...
【技术保护点】
1.一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述接收信号的获取方法为：
3.根据权利要求1所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述智能反射面相位预测深度神经网络由一个带有激活函数的第一全连接层、一个第一Dropout层、一个带有激活函数的第二全连接层、一个第二Dropout层、一个不带有激活函数的第三全连接层依次级联而成；所述第一全连接层和所述第二全连接层的神经元个数均为256，激活函数为Relu；所述第一Dropout层与所述第二Dropout层的dropoutrate均设为0.5；所述第三全连接层的神经元个数为N，激活函数为Sigmoid。
4.根据权利要求2所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述目标感知区检测卷积神经网络由D个稀疏贝叶斯层依次级联而成，每一个所述稀疏贝叶斯层均由一个自定义Lambda层、一个第一Reshape层、一个带有激活函数
5.根据权利要求4所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述S2步骤具体过程为：将所述基站的发射总功率Pt、所述发射信号S、所述第一莱斯信道H、所述第二莱斯信道G、所述加性高斯白噪声的标准差σ作为所述智能反射面相位预测深度神经网络超参数，每个所述智能反射面相位预测深度神经网络超参数的取值固定；随机初始化所述相位将所述一维目标散射系数序列x＝[x1,…,xK]T输入到所述智能反射面相位预测深度神经网络中，得到所述智能反射面相位预测结果其中表示所述智能反射面相位预测深度神经网络，表示实数集。
6.根据权利要求5所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述S3步骤的具体过程为：由所述智能反射面相位预测结果对所述智能反射面相位对角矩阵进行更新，得到智能反射面相位对角更新矩阵由所述智能反射面相位对角更新矩阵对所述接收信号进行更新，得到更新接收信号，所述更新接收信号yopt的函数形式为：
7.根据权利要求6所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，在第d个所述稀疏贝叶斯层中，由第(d-1)个所述稀疏贝叶斯层中输出所述协方差矩阵的更新值将所述更新接收信号yopt、所述中间更新变量Aopt、所述协方差矩阵的更新值输入到所述第d个所述稀疏贝叶斯层中，更新所述方差γd，更新所述协方差矩阵其中，d∈[1,…,D]。
8.根据权利要求7所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述自定义Lambda层根据所述一维目标散射系数序列x的稀疏先验，用最小均方误差滤波器进行所述一维目标散射系数序列x的初步估计，得到更新后验均值和更新第一方差
9.根据权利要求2所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述智能反射面相位预测深度神经网络在训练时采用的损失函数为所述接收信号的噪比，对所述智能反射面相位预测深度神经网络的网络参数进行更新，所述接收信号的噪比的函数形式为：
10.根据权利要求9所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述目标感知区检测卷积神经网络采用所述一维目标散射系数序列x＝[x1,…,xK]T与所述目标感知区的一维目标散射系数估计序列的均方误差为损失函数，对所述目标感知区检测卷积神经网络的网络参数进行更新，所述均方误差的函数形式为：
...【技术特征摘要】
1.一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述接收信号的获取方法为：
3.根据权利要求1所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述智能反射面相位预测深度神经网络由一个带有激活函数的第一全连接层、一个第一dropout层、一个带有激活函数的第二全连接层、一个第二dropout层、一个不带有激活函数的第三全连接层依次级联而成；所述第一全连接层和所述第二全连接层的神经元个数均为256，激活函数为relu；所述第一dropout层与所述第二dropout层的dropoutrate均设为0.5；所述第三全连接层的神经元个数为n，激活函数为sigmoid。
4.根据权利要求2所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述目标感知区检测卷积神经网络由d个稀疏贝叶斯层依次级联而成，每一个所述稀疏贝叶斯层均由一个自定义lambda层、一个第一reshape层、一个带有激活函数的第一卷积层、一个带有激活函数的第二卷积层、一个第二reshape层依次级联而成，所述第一卷积层的卷积核大小为5×5×5、卷积核个数为8；所述第二卷积层的卷积核大小为5×5×5、卷积核个数为1；所述激活函数均为relu。
5.根据权利要求4所述的一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，所述s2步骤具体过程为：将所述基站的发射总功率pt、所述发射信号s、所述第一莱斯信道h、所述第二莱斯信道g、所述加性高斯白噪声的标准差σ作为所述智能反射面相位预测深度神经网络超参数，每个所述智能反射面相位预测深度神经网络超参数的取值固定；随机初始化所述相位将所述一维目标散射系数序列x＝[x1,…,xk]t输入到所述智能反射面相位预测深度...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。