【技术实现步骤摘要】
本申请涉及无线信道预测领域，特别是指一种基于多视角视觉感知的无线信道路径损耗预测方法和装置。
技术介绍
1、第六代移动通信网络(6g)呈现多技术、多频段、多场景的发展趋势，对通信系统提出了更高的要求。信道作为通信系统的六大模块之一，对信道进行高效、准确的路径损耗预测对于6g网络的设计、部署和优化至关重要。环境感知为路径损耗预测提供了新的维度，能够支撑更加多样化的应用场景的预测需求。
2、近年来，随着传感器设备融入网络以及人工智能技术的发展，基于环境信息进行信道预测方法受到广泛关注。尽管利用环境数据进行信道预测的尝试很多，但现有的解决方案仍然难以应对高动态环境。并且单一设备感知存在有限视野、物体遮挡和深度信息不足等缺陷。
3、相关技术中传统的路损建模方法有确定性建模和统计性建模两类。统计性建模方法，如自由空间路径损耗模型、okumura-hata模型、对数距离路径损耗模型、abg(alpha-beta-gamma)模型等路径损耗模型，统计性建模方法是先依次得到典型场景的路损模型，然后通过离线仿真进行网络设计。确定性建模方法，如利用详细环境的三维模型进行的射线追踪(ray-tracing，rt)方法，可以提供更精确的预测结果，但由于计算复杂度高使得其相应的实施成本也随之升高。上述的两种方法的共同点在于需要复杂的测量或仿真，迭代周期长，难以实现多样化的应用场景中精确的路径损耗计算。
4、还有另一种相关方法，基于环境信息的路径损耗预测方法被提出，如使用卫星二维图像、城市地图信息、激光雷达点云、环境俯视
技术实现思路
1、本申请的目的是提供一种基于多视角视觉感知的无线信道路径损耗预测方法和装置，以解决现有技术中无法实现对多样化的应用场景的路径损耗预测。
2、为达到上述目的，本申请的实施例提供一种基于多视角视觉感知的无线信道路径损耗预测方法，包括：
3、获取动态场景下多视角的感知图像；
4、对所述感知图像处理，确定用于路损预测的目标特征；
5、将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果；
6、根据多个所述输出结果，确定最优感知视角对应的目标路损；所述目标路损用于表示所述多视角的感知图像的路损预测结果。这里，目标路损也可以表示多视角的感知图像中的最优感知视角对应的路损预测。
7、可选地，获取动态场景下多视角的感知图像，包括：
8、确定目标场景对应的感知设备部署参数；
9、利用所述感知设备部署参数所对应的图像采集设备，获取动态场景下多视角的感知图像；
10、其中，所述感知设备部署参数包括：所述图像采集设备的水平视角大于第一值，且所述图像采集设备的第一高度小于或等于所述目标场景所对应的房屋的第二高度，且所述图像采集设备的垂直视角第二值，第二值是第一高度、所述房屋的长度、所述房屋的宽度确定的。
11、可选地，对所述感知图像处理，确定用于路损预测的目标特征，包括：
12、对所述感知图像进行预处理，确定对信道变化产生影响的散射体作为有效图像特征；
13、根据动态场景下发射器位置和接收器位置，获取发射器和接收器之间的距离特征；
14、将所述有效图像特征和所述感知图像输入至预设的残差网络，输出视距路径存在特征；
15、将所述有效图像特征、所述距离特征和所述视距路径存在特征，确定为所述目标特征。
16、可选地，将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果前，所述方法还包括：
17、构建目标深度学习模型；所述目标深度学习模型四个阶段，每个阶段包含两个基本块；每个所述基本块包含两个3*3的卷积层和一个跳跃连接；
18、确定感知图像和路损参数对应的数据集；所述数据集包括训练数据集和测试数据集；
19、利用所述训练数据集和所述测试数据集，对所述目标深度学习模型进行训练和测试，确定所述卷积神经网络模型。
20、可选地，确定感知图像和路损参数对应的数据集，包括：
21、获取所述感知图像对应传播环境的物理信息；
22、根据所述物理信息，构架三维环境模型；
23、对所述三维环境模型进行信道仿真，生成的每个环境样本相应的路损参数；
24、根据所述感知图像，确定感知图像和路损参数对应的数据集。
25、可选地，将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果，包括：
26、将所述目标特征输入至预训练的卷积神经网络模型中，利用所述卷积神经网络模型将所述目标特征中的图像特征、距离特征和视距路径存在特征进行特征融合，得到融合后的感知环境特征；
27、利用所述卷积神经网络模型中的线性和非线性，得到不同视角对应的输出结果；其中，所述线性根据所述卷积神经网络模型中的线性层模块实现；所述线性层模块包括两个隐藏层，分别具有第一预设值和第二预设值的单元数；所述第一预设值大于所述第二预设值；所述非线性根据所述卷积神经网络模型中的线性整流函数实现。
28、可选地，根据多个所述输出结果，确定最优感知视角对应的目标路损，包括：
29、根据多个所述输出结果，确定不同所述输出结果中图像的黑色部分占比；所述图像的黑色部分占比为当前视角图像中的黑色像素点数量与当前视角图像中的像素点总数的比值；每个所述输出结果与一个视角的感知图像具有对应关系；
30、确定多个所述图像的黑色部分占比的平均值；
31、若多个所述输出结果的黑色部分占比均大于或小于所述平均值，则选取多个所述输出结果中占比数值较大的结果作为所述目标路损；若多个所述输出结果的黑色部分占比仅有一个输出结果大于所述平均值，则将大于所述平均值的结果作为所述目标路损。
32、为达到上述目的，本申请的实施例提供一种基于多视角视觉感知的无线信道路径损耗预测装置，包括：
33、第一获取模块，用于获取动态场景下多视角的感知图像；
34、第一确定模块，用于对所述感知图像处理，确定用于路损预测的目标特征；
35、第一处理模块，用于将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果；
36、第二确定模块，用于根据多个所述输出结果，确定最优感知视角对应的目标路损；所述目标路损用于表示所述多视角的感知图像的路损预测结果。
37、为达到上述目的，本申请的实施例提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所本文档来自技高网...
【技术保护点】
1.一种基于多视角视觉感知的无线信道路径损耗预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取动态场景下多视角的感知图像，包括：
3.根据权利要求1所述的方法，其特征在于，对所述感知图像处理，确定用于路损预测的目标特征，包括：
4.根据权利要求1所述的方法，其特征在于，将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，确定感知图像和路损参数对应的数据集，包括：
6.根据权利要求1所述的方法，其特征在于，将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果，包括：
7.根据权利要求1所述的方法，其特征在于，根据多个所述输出结果，确定最优感知视角对应的目标路损，包括：
8.一种基于多视角视觉感知的无线信道路径损耗预测装置，其特征在于，包括：
9.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述
10.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于多视角视觉感知的无线信道路径损耗预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取动态场景下多视角的感知图像，包括：
3.根据权利要求1所述的方法，其特征在于，对所述感知图像处理，确定用于路损预测的目标特征，包括：
4.根据权利要求1所述的方法，其特征在于，将所述目标特征输入至预训练的卷积神经网络模型中，得到不同视角对应的输出结果前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，确定感知图像和路损参数对应的数据集，包括：
6.根据权利要求1所述的方法，其特征在...
【专利技术属性】
技术研发人员：张建华，田艺璇，于力，孙语瞳，张宇翔，唐盼，田磊，
申请(专利权)人：北京邮电大学，
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。