【技术实现步骤摘要】
本专利技术属于无线通信领域，涉及一种基于对比学习的毫米波波束跟踪方法。
技术介绍
1、随着人工智能和通信技术的快速发展，下一代移动通信网络开始利用毫米波甚至更高频段来满足日益增长的移动业务需求。与传统通信系统中使用的低频信号相比，毫米波信号的传播损耗更为严重。由于毫米波具有较短的波长，需要大量的天线阵列和狭窄的定向波束，以保证足够高的接收信号强度。然而，将传统基于大量天线阵列向量训练的波束获取方法应用于毫米波频段会产生巨大的波束获取开销。因此，有必要寻找新的方法来降低这种开销，以降低毫米波系统的通信延迟和消耗。
2、基于机器学习的方法为解决高频通信系统中的波束管理和信道评估开销带来了新的思路。可以利用环境中传感设备获取的信息如用户位置、基站摄像头拍摄的环境中用户位置的图像、激光雷达点云和雷达进行毫米波通信系统波束预测和跟踪。然而，单一模态只能从单一数据源提取信息，这可能会导致信息的丢失或不充分，特别是在复杂场景中，单一模态的数据无法充分捕捉场景特征。因此，如何专利技术一种适用于多模态数据融合的毫米波波束跟踪方法，利用来自不同模态的数据的互补性，弥补单模态数据的不足，提供更准确、稳定的预测和跟踪，成为了一个重要的挑战。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于对比学习的毫米波波束跟踪方法，利用来自不同模态的数据的互补性，弥补单模态数据的不足，提供更准确、稳定的预测和跟踪。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一
4、该方法具体包括以下步骤：
5、s1：获取多传感器毫米波通信系统模型参数，构建多模态感知辅助毫米波通信波束跟踪问题模型，将波束跟踪问题转化为一个基于机器学习的优化问题；
6、s2：构造毫米波通信波束跟踪多模态数据融合神经网络模型，包括：特征提取模块、循环神经网络模块和融合分类模块；该模型从系统配备的多个传感器获取不同模态的感知数据，利用特征提取模块对获取的多模态数据进行特征提取，并通过循环神经网络模块对多模态时序特征进行建模，融合分类模块利用多头注意力机制融合提取的特征；
7、s3：使用对比学习机制训练多模态数据融合神经网络模型，优化不同模态之间的协同效应，利用融合后的特征进行波束跟踪，实时预测当前和未来多个最优波束的最佳索引。
8、进一步，步骤s1具体包括以下步骤：
9、s11：设一个围绕单个移动用户设备的毫米波通信系统模型，其中基站为移动用户设备提供服务；基站包含n个天线、一个激光雷达传感器和一个rgb摄像头(视觉数据传感器)，以提供对周围环境的感知；假设基站只有一个天线，基站采用预定义的波束形成码本其中q为码本中波束形成向量的总数，为码本中的波束形成向量；
10、s12：在时间步长t，如果每个毫米波用户u由基站使用波束形成矢量fq[t]服务，信道则从基站到用户的信号表示为：
11、
12、其中，pt为平均发射功率，为传输复数符号，(·)h表示共轭转置，n[t]表示从复杂高斯分布中提取的一个噪声样本；
13、s13：在单用户情况下使用激光雷达和视觉信息进行多模态波束跟踪任务，基于给定时间截止到t-1的可用感知数据，基站旨在预测下一个即将到来的步骤的最佳波束，特别是从时间t到时间(t+α-1)的最优波束；该任务的目标是通过从码本中可访问的候选波束中选择最优波束f★[t]来最大化接收到的信号功率；这个问题可以在数学上表示为：
14、
15、s14：从预先确定的码本中选择最佳的波束索引，该码本通常与较大的获取开销相关联；信号集中在空间内的某个方向，这就是引导窄波束的机制；通过波束矢量将场景的空间维度划分为许多可能重叠的扇区，并为每个扇区分配一个唯一的值；因此，机器学习任务能转换为使用预先确定的码本的分类任务，其中用户在视觉和激光雷达场景中的实时位置决定要分配码本中的哪个波束索引；在指定的码本限制下，可以通过匹配的码本索引单独识别最优波束f＊[t]；在t时刻，最优波束索引可以表示为：
16、
17、其中，|q|表示的基数，最优波束索引记为g[t]；需要注意的是，找到最优波束与在码本限制下找到最优波束索引是一样的；所以波束跟踪问题可表示为：
18、
19、其中，表示条件概率，表示时间步长t的预测最优波束索引，ot-α是在时间步长(t-α+1)之前收集的辅助信息，它包含了时间t的最佳波束的部分细节信息；
20、s15：在时间步长t处获得的rgb图像(视觉感知信息)定义为其中h、w和c分别表示图像的高度、宽度和颜色通道数；定义为激光雷达传感器在时间步长t处获得的对应用户信息，其中，d表示激光雷达感知视场中的角度，每个角度都有对应的距离值；本专利技术旨在利用输入的视觉信息xu和激光雷达信息lu，跟踪最优波束索引g★为用户u服务；为了实现这一点，本专利技术提出利用机器学习的方法学习一个函数fθ(s)，其中s＝(xu,lu)；将观测到的视觉和激光雷达信息送入该函数，其输出概率在码本中的最有可能的元素的索引形式上可以表示为：
21、
22、其中，表示最优波束索引，表示波束索引值；
23、s16：为了利用这些视觉和激光雷达数据进行波束跟踪，本专利技术的目标是开发一个函数，该函数可以根据截止至时间步长t-1收集到的感知信息，预测从时间步长t开始的最优未来波束；设表示视觉和激光雷达数据序列，其中i表示观测窗口内的时间步长；那么视觉和激光雷达辅助波束跟踪优化问题可以表示为：
24、
25、s17：为了完成这个波束跟踪任务，本专利技术使用一个预测函数，表示为其中一组模型参数表示为θ；使用标记数据集训练估计函数，其中表示视觉和激光雷达输入对，g*表示实际最优波束索引；遵循标准的机器学习惯例，该任务的目标是增加准确预测最佳波束的概率，并提高整体成功概率；从数学的角度来看，可以表示为：
26、
27、进一步，步骤s2具体包括以下步骤：
28、s21：利用特征提取模块对原始输入数据进行处理；由于这些数据通常包含对波束跟踪任务没有贡献的无关信息，因此特征提取模块旨在通过提取关键特征来降低数据的维数，从而最小化特征空间；该模块的主要目标是识别和捕获对后续波束跟踪过程至关重要的基本特征；通过消除不必要的信息，使训练过程更加稳定，提高波束预测和跟踪效率；
29、对于原始图像数据，特征提取模块使用对象检测来识别和注释图像中的关键对象，例如车辆；鉴于波束跟踪任务需要按时间序列快速处理视觉数据，yolov4因其实时检测能力和较低的计算复杂度而特别适合此应用；yolov4本文档来自技高网...
【技术保护点】
1.一种基于对比学习的毫米波波束跟踪方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的基于对比学习的毫米波波束跟踪方法，其特征在于，步骤S1具体包括以下步骤：
3.根据权利要求2所述的基于对比学习的毫米波波束跟踪方法，其特征在于，步骤S2具体包括以下步骤：
4.根据权利要求3所述的基于对比学习的毫米波波束跟踪方法，其特征在于，步骤S3具体包括：引入对比学习机制来增强多模态数据之间的特征对准能力，并提高毫米波通信系统的波束跟踪精度；具体来说，使用归一化温度尺度交叉熵损失函数作为对比学习的核心，其定义如下：
【技术特征摘要】
1.一种基于对比学习的毫米波波束跟踪方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的基于对比学习的毫米波波束跟踪方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求2所述的基于对比学习的毫米波波束跟踪方法，其特征在于，步骤s2具...
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。