欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105856454
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,包括以下步骤:步骤1、采集信道状态数据,并将采集的信道状态数据进行时域变换,得到时域信道状态信息数据;

步骤2、对时域信道状态信息数据进行特征工程,基于深度学习的差异性构建多基站差异性矩阵;其中,所述深度学习的差异性指利用训练优化后的基于深度神经网络DNN的差异性度量模型,预测输出所有信道状态信息数据采集时间i、j差异值,并基于相异度的对称性进行结果平均得到采集时间i、j信道状态信息数据差异性度量;

步骤3、基于多基站差异性矩阵,采用多维缩放流形学习构建信道图;

步骤4、对信道图进行旋转变换、共性变换以及仿射变换,实现全局定位。

2.根据权利要求1所述的基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,步骤1具体为:步骤1-1、获取信道状态信息数据;

给定一个由个分布式天线阵列mMIMO构成且每个天线阵列配备个天线的基站BS以及一个具有单个天线的用户设备UE,基站BS包含个天线,其与用户设备UE的单个天线之间在第个离散时间测量的个正交频分复用子载波的信道系数表达为一个频域张量,公式为:(1)

其中,个离散时间测量的信道系数集合与对应的测量时间构成频域信道状态信息数据集,公式为:(2)

其中,为信道系数测量的离散时间戳,以毫秒为单位;为实数集;

步骤1-2、信道状态信息数据集的时域变换:将沿频率轴进行单位离散傅里叶逆变换得到对应的时域张量,公式为:(3)

其中,,为的次序,为虚部单位,为时间抽头,对应于第一个时间抽头,对应于最后一个时间抽头;

得到对应的时域信道状态信息数据,公式为:(4)。

3.根据权利要求2所述的基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,步骤2中,对时域信道状态信息数据进行特征工程,具体为:步骤2-1-1、计算时域信道状态信息数据的自相关特征;

给定一个由个分布式天线阵列mMIMO构成且每个天线阵列配备个天线的基站BS,以及最小时间抽头和最大时间抽头,基于笛卡尔积计算得到一组索引元组 ,公式为:(5)

其中,,也即只考虑了包含可视路径的多个信道冲激响应CIR的时间抽头以及前多个路径分量;和的选择取决于预期的最大延迟分布;

对于天线的基站BS中的每对天线阵列、每一对天线以及每一个时间抽头,个离散时间测量的时域张量之间的样本自相关特征计算公式为:(6)

其中,;为实数集;*表示对取共轭;

步骤2-1-2、自相关特征向量化得到特征向量;

通过将的实部和虚部分开实现向量化,得到对应的特征向量,公式为:(7)

其中,、分别表示复数的实部和虚部。

4.根据权利要求3所述的基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,步骤2中,基于深度学习的差异性构建多基站差异性矩阵,具体为:步骤2-2-1、训练优化基于深度神经网络DNN的差异性度量模型;

任意两个离散时间i、j的特征向量、作为模型输入,其中1≤i,j≤L,且i≠j;通过多层隐藏层的处理,由输出层得到信道状态信息数据采集时间i、j差异的估计值;计算输出估计值与真实测量值之间的误差;

通过归一化均方误差MSE定义损失函数,公式为:(8)

其中,表示信道状态信息数据采集时间i、j的真实差异,为超参数;

最后,通过损失函数计算梯度,基于反向传播计算和随机梯度下降得到优化的差异性度量模型;

步骤2-2-2、基于训练的优化差异性度量模型预测输出所有信道状态信息数据采集时间i、j差异值以及,并基于相异度的对称性进行结果平均得到采集时间i、j信道状态信息数据差异性度量,公式为:(9)

步骤2-2-3、构建基于可见性的多基站差异性矩阵;

基于所有信道状态信息数据采集时间i、j的差异值,得到基站个时段的差异性度量矩阵,公式为:(10)

给定个基站BS和一个用户设备UE,在两个离散测量时间i、j,用户设备UE对于基站均为可视,则定义用户设备UE对基站可见性为,否则;

基于加权平均组合个基站BS对用户设备UE的差异性度量矩阵中的元素得到全局差异性度量矩阵,公式为:(11)

,

,

其中,是基于训练模型输出的信道状态信息数据采集时间i、j差异值;是基于训练模型输出的信道状态信息数据采集时间j、i差异值;是基站与用户设备UE在两个离散测量时间i、j的信道状态信息数据的差异值;是用户设备UE对于基站在两个离散测量时间i、j的可见性;是采集时间i、j的信道状态信息数据的时域张量、在高维空间中距离。

5.根据权利要求4所述的基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,步骤3具体为:给定任意两个离散采集时间i、j的时域信道状态数据的时域张量,采用多维缩放流形学习方法得到两者在降维空间中映射位置,,也即:(12)

映射计算满足限定条件:

(13)

其中,是时域张量、在对应降维空间中映射位置之间的距离,表示最大程度接近;

对于所有离散时间的时域信道状态数据,中点对距离与对应之间距离应满足均方距离最小化,也即:(14)

所有满足条件的构成在降维空间中的信道状态数据信道图,也即:(15)。

6.根据权利要求5所述的基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,基于所有满足条件的构造在降维空间的信道状态数据信道图,具体步骤为:(1)利用中的元素数据计算,,;

(2)计算内积,并进一步得到降维后的内积矩阵,其中,是中第行所有元素的均值,是中第行所有元素的均值,是的全局均值;

(3)对矩阵进行特征值分解,其中,表示特征向量矩阵的转置,为特征值构成的对角矩阵,;当有2个非零特征值,,,则得到时域信道状态数据信道图。

7.根据权利要求6所述的基于深度学习差异矩阵度量构建信道图的全局定位方法,其特征在于,步骤4具体为:步骤4-1、基站采集与用户设备在L个离散时间的信道状态数据时,同步获取参考信号接收功率数据集, 估计基站在信道图中的位置;

步骤4-2、给定每个基站中心平移的地图空间位置,计算其相较于在信道图中估计位置的旋转角度,采用圆形平均值法估计全局旋转角度;

步骤4-3、采用椭圆网格映射进行共形变换,将圆形映射到正方形以消除信道图中的圆度;

步骤4-4、构造齐次坐标矩阵,基于线性方程组得到仿射变换矩阵,并求解;

步骤4-5、基于仿射矩阵进行全局定位。