【技术实现步骤摘要】
本专利技术属于无线通信，具体涉及一种关于位置可导的信道知识图谱构建方法。
技术介绍
1、为了扩大无线网络的覆盖范围，增强部署的灵活性，将各种用途的无人机集成到蜂窝网络中成为实现6g物联网的重要技术途径。现有技术中，仅在平均意义上描述空对地信道，当uav的高度不够高时，现有的信道模型不能覆盖整个无线电传播环境，例如，由于建筑物或其他掩体造成的阻塞和阴影。因此，在实际应用中，现有的信道假设会降低无人机的通信性能。
2、信道知识图谱(channel knowledge map，ckm)的出现可以克服上述缺陷。通过存储和利用有关物理环境的信息，ckm提供了一个与位置相对应的数据库，其中包含有关信道的丰富信息(例如，信道增益、干扰和角度信息)，用于实现基于环境感知的无线通信。ckm中的信道信息是通过离线模拟或在线/离线先验测量获得的。通过部分模拟或测量信道信息来构建任意位置的信息，可以降低ckm构建成本。
3、现有的关于ckm构建的工作大致可以分为两类，基于插值的方法和基于机器学习的方法。基于插值的方法直接利用相邻位置的信道信息计算目标位置的信道信息，包括逆距离加权法、k近邻法和kriging，然而该方法需要大量样本才能准确构建地图，这通常需要巨大的存储容量。此外，这种纯数据驱动的方法忽略了环境几何先验信息的影响。基于机器学习的方法旨在捕获从任何位置到其输出信道知识的直接映射关系，包括期望最大化、最大似然估计、深度高斯过程和深度学习。但深度高斯过程和深度学习方法将训练过程视为一个黑箱，难以获得输入和输出之间的明确函
技术实现思路
1、本专利技术的目的是提出一种关于位置可导的信道知识图谱构建方法，位置可导，适用于无人机轨迹优化、部署问题中的经典优化方法。
2、本专利技术通过以下技术方案实现：
3、一种关于位置可导的信道知识图谱构建方法，包括如下步骤：
4、步骤s1、构建包含地面基站的无人机辅助通信场景，并构建信道知识图谱模型，信道知识图谱模型提供了无人机位置到对应的信道增益的映射；
5、步骤s2、设计反向传播神经网络，利用对应于地面基站j的足够的训练样本，对反向传播神经网络进行训练，以学习无人机位置与信道增益之间的隐性非线性关系，并将信道知识图谱模型表征为无人机位置与信道增益的显性可导函数；
6、步骤s3、引入迁移学习算法，使用对应于目标地面基站j′的有限样本，对地面基站j已训练的反向传播神经网络进行微调，得到目标地面基站j′的反向传播神经网络，进而得到目标地面基站j′的信道知识图谱。
7、进一步的，所述步骤s1中，所述无人机辅助通信场景具有等间距划分为x×y的网格的城市区域，城市区域中的地面基站集合用表示，地面基站在三维坐标系中位于固定位置(xj,yj,zj)，其中，表示地面基站j的水平位置，zj表示地面基站j的高度，无人机在固定高度飞行，无人机的水平位置定义为q。
8、进一步的，所述步骤s1中，在无人机辅助通信场景中，地面基站j对应信道知识图谱该信道知识图谱为仅与无人机水平位置相关的函数，提供了恒定高度下任意给定的无人机水平位置q对应的信道增益的映射。
9、进一步的，所述步骤s2中，所述反向传播神经网络包括输入层、非线性隐藏层、线性隐藏层和输出层，选择tanh激活函数作为非线性隐藏层的激活函数，给定充分样本对反向传播神经网络进行训练，学习无人机位置和信道增益之间的非线性隐藏关系，得到反向传播神经网络的权值参数和偏置参数。
10、进一步的，所述步骤s2中，所述显性可导函数表示为其中，为非线性隐藏层的输出，和分别为非线性隐藏层的权重参数和偏置参数，和为线性隐藏层的权重参数和偏置参数，和分别为线性隐藏层神经元到输出层的权重和偏置。
11、进一步的，所述步骤s3中，采用迁移学习算法，利用一个源数据集域ds、一个源学习任务ts和一个目标数据集域dt中的知识改进一个目标学习任务tt的学习，各地面基站的信道知识图谱对应于相同的环境，源数据集域ds为地面基站j的训练数据集和测试数据集，源学习任务ts为已训练的反向传播神经网络，目标数据集域dt为目标地面基站j′的训练数据集和测试数据集，目标学习任务tt为地面基站j′的反向传播神经网络，ds≠dt，ts≠tt，目标地面基站j′的训练数据集为有限样本。
12、进一步的，所述步骤s3中，首先利用地面基站j的测试数据集对已训练的反向传播神经网络进行测试，接着利用地面基站j′的训练数据集对经测试后的反向传播神经网络进行细化，冻结非线性隐藏层的权重参数和偏置参数，然后利用地面基站j′的测试数据集对再次训练后的反向传播神经网络进行测试，得到改进的反向传播神经网络。
13、本专利技术具有如下有益效果：
14、本专利技术首先构建无人机辅助通信场景，并构建信道知识图谱模型，然后设计反向传播神经网络，学习后得到预测的信道知识图谱，并将预测的信道知识图谱表征为无人机位置与信道增益的显性可导函数，最后在有限样本下，引入迁移学习算法构建改进的信道知识图谱，如此得到的信道知识图谱精度高，位置可导，在解决真实场景中无人机轨迹优化、部署等问题时，适用于基于凸优化理论等经典优化方法；在反向传播神经网络中引入迁移学习，不同地面基站位置的反向传播神经网络共享通用特征提取的网络参数，基于有限样本训练未知网络参数，避免测量每个地面基站与大量样本位置的信道信息，降低信道测量成本和网络训练成本，同时使网络对于不同地面基站对应的信道知识图谱具备良好的泛化性，也避免了在有限样本条件下反向传播神经网络欠拟合导致的性能下降。
本文档来自技高网...【技术保护点】
1.一种关于位置可导的信道知识图谱构建方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤S1中，所述无人机辅助通信场景具有等间距划分为X×Y的网格的城市区域，城市区域中的地面基站集合用表示，地面基站在三维坐标系中位于固定位置(xj,yj,zj)，其中，表示地面基站j的水平位置，zj表示地面基站j的高度，无人机在固定高度飞行，其水平位置定义为q。
3.根据权利要求2所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤S1中，在无人机辅助通信场景中，地面基站j对应信道知识图谱该信道知识图谱为仅与无人机水平位置相关的函数，提供了恒定高度下任意给定的无人机水平位置q对应的信道增益的映射。
4.根据权利要求3所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤S2中，所述反向传播神经网络包括输入层、非线性隐藏层、线性隐藏层和输出层，选择Tanh激活函数作为非线性隐藏层的激活函数，给定充分样本对反向传播神经网络进行训练，学习无人机位置和信道增益之间的非线性隐藏关
5.根据权利要求4所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤S2中，所述显性可导函数表示为其中，为非线性隐藏层的输出，和分别为非线性隐藏层的权重参数和偏置参数，和为线性隐藏层的权重参数和偏置参数，和分别为线性隐藏层神经元到输出层的权重和偏置。
6.根据权利要求5所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤S3中，采用迁移学习算法，利用一个源数据集域DS、一个源学习任务TS和一个目标数据集域DT中的知识改进一个目标学习任务TT的学习，各地面基站的信道知识图谱对应于相同的环境，源数据集域DS为地面基站j的训练数据集和测试数据集，源学习任务TS为已训练的反向传播神经网络，目标数据集域DT为目标地面基站j′的训练数据集和测试数据集，目标学习任务TT为地面基站j′的反向传播神经网络，DS≠DT，TS≠TT，目标地面基站j′的训练数据集为有限样本。
7.根据权利要求6所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤S3中，首先利用地面基站j的测试数据集对已训练的反向传播神经网络进行测试，接着利用地面基站j′的训练数据集对经测试后的反向传播神经网络进行细化，冻结非线性隐藏层的权重参数和偏置参数，然后利用地面基站j′的测试数据集对再次训练后的反向传播神经网络进行测试，得到改进的反向传播神经网络。
...【技术特征摘要】
1.一种关于位置可导的信道知识图谱构建方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤s1中，所述无人机辅助通信场景具有等间距划分为x×y的网格的城市区域，城市区域中的地面基站集合用表示，地面基站在三维坐标系中位于固定位置(xj,yj,zj)，其中，表示地面基站j的水平位置，zj表示地面基站j的高度，无人机在固定高度飞行，其水平位置定义为q。
3.根据权利要求2所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤s1中，在无人机辅助通信场景中，地面基站j对应信道知识图谱该信道知识图谱为仅与无人机水平位置相关的函数，提供了恒定高度下任意给定的无人机水平位置q对应的信道增益的映射。
4.根据权利要求3所述的一种关于位置可导的信道知识图谱构建方法，其特征在于：所述步骤s2中，所述反向传播神经网络包括输入层、非线性隐藏层、线性隐藏层和输出层，选择tanh激活函数作为非线性隐藏层的激活函数，给定充分样本对反向传播神经网络进行训练，学习无人机位置和信道增益之间的非线性隐藏关系，得到反向传播神经网络的权值参数和偏置参数。
5.根据权利要求4所述的一种关于位置可导的信道知识图谱构建方法，其...
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。