【技术实现步骤摘要】
本专利技术属于无线通信网络，具体涉及一种基于深度扩散去噪概率模型的无线电地图估计方法。
技术介绍
1、随着物联网技术的迅速发展，城市环境中需要接收及发送无线信号的设备数量呈几何增长，物联网设备之间的无线通信频率愈加频繁，但未经过规划的无线通信环境可能会导致多设备链路的严重相互干扰。因此如何精细地规划城市频谱资源成为亟需解决的技术难点。
2、传统的无线电地图估计通常采用插值法进行预测，但在阴影效应极其严重的城市地区往往出现较大误差。基于路径损失函数模拟的城市无线电地图性能表现较为出色，该方法搭载深度学习强大的数据分析能力，故被用于应对这一挑战。
3、深度扩散去噪概率模型作为新兴的生成模型，已被证实可以用于图像特征捕捉及学习问题，深度扩散去噪概率模型(ddpm)由扩散模型与去噪模型两部分组成，其独特的结构使其在图像生成方面具有优异的性能，因而近些年来被广泛地用于绘图工作。然而现有的文献却忽略了其在城市频谱资源分析方面可能表现出的卓越性能。
技术实现思路
1、解决的技术问题：本专利技术公开了一种基于深度扩散去噪概率模型的无线电地图估计方法，通过深度扩散去噪概率模型，利用信号传播过程中的路径损失，以发射基信号强度及城市地图作为输入，对该地区的无线信号分布情况进行快速估计，从而进行更加精细的无线信号基站选址规划。
2、技术方案：
3、一种基于深度扩散去噪概率模型的无线电地图估计方法，所述无线电地图估计方法包括以下步骤：
4、s1，使
5、s2，构建深度扩散去噪概率模型，该深度扩散去噪概率模型以预先处理过的模拟灰度图中处于不同空间位置的信号强度灰度图作为输入数据，对发射基与接收基处的信噪比snr数据进行分析并模拟；所述深度扩散去噪概率模型包括依次连接的基于马尔可夫扩散链的高斯加噪模型、基于unet网络构建的特征提取网络和生成器模型；
6、s3，对深度扩散去噪概率模型进行迭代训练；其中，使用基于马尔可夫扩散链的高斯加噪模型对灰度图数据集中的每个灰度图逐步加噪，再使用基于unet网络构建的特征提取网络学习噪声分布并从中不断提取高斯干扰弧度图路径损失函数分布特征，对图像进行去噪操作，再采用生成器模型结合城市地图生成城市无线电地图；
7、s4，对于深度扩散去噪概率模型生成的城市无线电地图，采用峰值信噪比进行样本与真实值评估，当评估得到的峰值信噪比大于给定参数阈值时，认为深度扩散去噪概率模型训练已达到预定标准，冻结网络权重并进行保存；
8、s5，将冻结后的网络权重及训练完成的深度扩散去噪概率模型部署至预先搭建环境的主机设备，采用分散在区域不同位置的多个传感器作为接收基，获取发射基信号强度及不同位置接收基所接收到的信号强度；
9、s6，将当地的城市地图转化为灰度图与不同接收基的传感器数据一并输入深度扩散去噪概率模型，完成对待测地区的无线电资源分布的估计并输出生成的城市无线电地图分布图像。
10、进一步地，所述无线电地图估计方法还包括以下步骤：
11、将作为额外矫正输入设备的传感器部署至当地的任意位置。
12、进一步地，步骤s1中，使用仿真软件对城市无线电地图分布情况进行模拟，获得基于高斯干扰网络的灰度图数据集的过程包括以下步骤：
13、s11，将进行模拟的城市地图规定为面向广义自由度的模型，对接收信号进行归一化，使噪声样本的方差n0和每个符号的信号能量均等于1；定义参数p，在第j个接收基处归一化的接收信号yj为：
14、
15、其中，zj为第j个接收基的加性高斯白噪声，参数snri，j为第i个发射基与第j个接收基的信噪比；xi为第i个发射基的发射信号；
16、s12，对于经过高斯灰度处理后的输入无线电地图，有：
17、
18、式中，pl，thr为路径损失函数阈值，其中thr为英文单词阈值threshold的缩写，plmax为最大路径损失函数，snr表示信噪比，snrthr为信噪比截断阈值，其中thr为英文单词阈值threshold的缩写；故有
19、plmax-pl，thr＝t(pl，thr-pl，trnc)
20、其中，t为任意选定的大于4的正整数，pl，trnc为截断路径损失值；为噪声底限，下标db代表分贝，为信号功率计量单位；pl为路径损失函数，其中下标trnc为英文单词截断truncated的缩写，pl为接收基和发射基的信号功率之差，噪声底限的表达式为：
21、
22、其中，nf定义为噪声特征，噪声底限代表统计范围内的噪声阈值，w表示带宽，n0表示噪声功率谱密度；
23、对得到的阈值灰度像素进行处理，以噪声底限为基准去除部分偏差像素值，得到最终灰度像素分布如下：
24、m1-pl，thr＝t(pl，thr-pl，trnc)。
25、其中，m1表示未经处理的灰度图像素值。
26、进一步地，步骤s3中，对深度扩散去噪概率模型进行迭代训练的过程包括以下步骤：
27、s31，使用基于马尔可夫扩散链的高斯加噪模型对灰度图逐步加噪：
28、
29、其中，n表示向图像中添加高斯噪声的噪声函数；xt为第t步时的灰度图像素值；βt为第t步增加的方差，值介于0与1之间；i为噪声顶限；q为概率分布函数，q(xt|xt-1)为xt在xt-1作为先验条件下的概率分布；马尔可夫链表达式为：
30、
31、其中t表示模型完成图像加噪操作所需的总步数，x1：t表示第1步时的灰度图像值，总计t步；
32、s32，使用unet网络学习噪声分布并从中不断提取高斯干扰灰度图路径损失函数分布特征，对图像进行去噪操作，灰度图处理表达式如下：
33、
34、其中，gm为输出特征映射，fn为输入灰度图像，yn，m为灰度滤波核，bm为偏置分量，m和n代表任意正整数取值，unet网络使用relu作为激活函数；
35、使用灰度滤波核进行滑动去噪的表达式如下：
36、
37、其中yh(i，j)代表灰度滤波核的权重参数，其中i，j代表p(x，y)为处理后的位于坐标(x，y)处的图像像素，f(x+i，y+j)为输入灰度图像的区域像素值；(i，j)代表整个无线电地图估计区域的坐标；
38、进一步地，步骤s4中，在对深度扩散去噪概率模型进行训练时，每一轮均对深度扩散去噪概率模型进行峰值信噪比评估：
39、
40、
41、式中，i表示计数，其取值在k的范围以内，k代表样本数量，pixelmax表示像素最大取值，ψ表示真实本文档来自技高网...
【技术保护点】
1.一种基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，所述无线电地图估计方法包括以下步骤：
2.根据权利要求1所述的基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，所述无线电地图估计方法还包括以下步骤：
3.根据权利要求1所述的基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，步骤S1中，使用仿真软件对城市无线电地图分布情况进行模拟，获得基于高斯干扰网络的灰度图数据集的过程包括以下步骤：
4.根据权利要求1所述的基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，步骤S3中，对深度扩散去噪概率模型进行迭代训练的过程包括以下步骤：
5.根据权利要求1所述的基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，步骤S4中，在对深度扩散去噪概率模型进行训练时，每一轮均对深度扩散去噪概率模型进行峰值信噪比评估：
【技术特征摘要】
1.一种基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，所述无线电地图估计方法包括以下步骤：
2.根据权利要求1所述的基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，所述无线电地图估计方法还包括以下步骤：
3.根据权利要求1所述的基于深度扩散去噪概率模型的无线电地图估计方法，其特征在于，步骤s1中，使用仿真软件对城市无线电地图分布情况进行模拟，获得基于高...
【专利技术属性】
技术研发人员：赵海涛，贺雲翔，朱春，陈科齐，奚逸航，徐邦宁，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
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。