CN113723036A - 一种基于可重构智能反射面的环境感知定位***及方法 - Google Patents

一种基于可重构智能反射面的环境感知定位***及方法 Download PDF

Info

Publication number
CN113723036A
CN113723036A CN202110995263.0A CN202110995263A CN113723036A CN 113723036 A CN113723036 A CN 113723036A CN 202110995263 A CN202110995263 A CN 202110995263A CN 113723036 A CN113723036 A CN 113723036A
Authority
CN
China
Prior art keywords
reflecting surface
reconfigurable
channel
environment
reconfigurable intelligent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110995263.0A
Other languages
English (en)
Inventor
胡敬植
张泓亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Feifei Technology Co ltd
Original Assignee
Hangzhou Feifei Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Feifei Technology Co ltd filed Critical Hangzhou Feifei Technology Co ltd
Priority to CN202110995263.0A priority Critical patent/CN113723036A/zh
Publication of CN113723036A publication Critical patent/CN113723036A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/34—Circuit design for reconfigurable circuits, e.g. field programmable gate arrays [FPGA] or programmable logic devices [PLD]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于可重构智能反射面的环境感知定位***及方法，***包括：计算机、无线收发机、用户设备和可重构智能反射面；所述无线收发机、所述用户设备和所述可重构智能反射面均与所述计算机连接；所述无线收发机用于获取信道状态信息；所述可重构智能反射面包括超材料反射面和智能控制电路；所述智能控制电路用于控制所述超材料反射面进行状态配置；所述智能控制电路与所述计算机连接。本发明能够提高无线网络的信号质量和对应环境异常感知的能力。

Description

一种基于可重构智能反射面的环境感知定位***及方法
技术领域
本发明涉及环境感知定位领域，特别是涉及一种基于可重构智能反射面的环境感知定位***及方法。
背景技术
可重构智能反射面***利用超材料反射面对于无线信号的调控能力，对反射信号进行波束赋形，使其信号波束集中指向目标用户设备的接收端，从而增强用户设备接收信噪比的***。
该***中的智能反射面由二维周期形排列的可重构超材料单元组成，可重构超材料单元含有印刷电路、介质板、以及二极管，二极管连接了分离的两部分印刷电路，并可以通过外加的电压的大小控制二极管的通断状态，从而影响该可重构超材料单元对于反射的电磁波的反射系数。
然而，该***中的可重构超材料单元并没有经过特殊设计含有对于环境状态敏感的材料，另外，该***中的算法只能提升用户设备的接收信号的信噪比，不能实现对于环境的感知。
超材料物联网传感器***是一种用于无线被动式环境状态***，***包括：铺设于环境平面上的超材料传感器、无线信号收发机、计算机以及两根定向天线，无线信号收发机与超材料传感器信号连接，计算机与无线信号收发机通信连接，用于无线被动式环境状态检测的超材料物联网***通过获取信号功率谱数据，然后对信号功率谱数据进行处理，得到接收信号功率向量，再将接收信号功率向量输入训练好的最优状态感知模型，得到环境状态信息。用于无线被动式环境状态检测的超材料物联网***及方法更适用于大范围平面监测，降低成本，且能够得到更为精确的环境状态信息。
然而，该***中，超材料传感器不支持重构，不能支持对于无线信号传播信道的配置和优化，无法优化用户设备的接收信号的信噪比。
此外，在该***中，对于环境状态的感知是利用当前测量结果和之前标签了不同环境状态下的测试结果进行比对，根据测量的散射参数(S21参数)的中共振峰的位置和共振时反射系数的大小，来判断超材料附近的状态。
在这种***中没有考虑可重构的反射式超材料单元大范围的部署于环境中，并且没有利用卷积编码器-译码器网络实现环境异常状态的感知和定位功能。
发明内容
本发明的目的是提供一种基于可重构智能反射面的环境感知定位***及方法，以提高无线网络的信号质量和对应环境异常感知的能力。
为实现上述目的，本发明提供了如下方案：
一种基于可重构智能反射面的环境感知定位***，包括：计算机、无线收发机、用户设备和可重构智能反射面；
所述无线收发机、所述用户设备和所述可重构智能反射面均与所述计算机连接；所述无线收发机用于获取信道状态信息；
所述可重构智能反射面包括超材料反射面和智能控制电路；所述智能控制电路用于控制所述超材料反射面进行状态配置；所述智能控制电路与所述计算机连接。
可选的，所述超材料反射面包括多个超材料反射单元，多个所述超材料反射单元进行二维密铺。
可选的，所述超材料反射单元包括第一印刷电路、第二印刷电路、介质板、敏感材料、二极管和金属背板；所述敏感材料为对目标环境状态敏感的材料；
所述第一印刷电路、所述第二印刷电路、所述敏感材料和所述二极管均设置在所述介质板的一侧；所述金属背板设置在所述介质板的另一侧；
所述第一印刷电路和所述第二印刷电路通过所述二极管连接；所述敏感材料设置在所述第一印刷电路和所述第二印刷电路之间；所述第一印刷电路与所述智能控制电路连接；所述第二印刷电路与所述金属背板连接。
可选的，所述智能控制电路包括FPGA和与所述FPGA连接的稳压电源；所述FPGA分别与所述超材料反射面和所述计算机连接。
一种基于可重构智能反射面的环境感知定位方法，所述基于可重构智能反射面的环境感知定位方法应用于所述如上述任意一项所述的基于可重构智能反射面的环境感知定位***，所述基于可重构智能反射面的环境感知定位方法包括：
对可重构智能反射面的单元群进行状态配置；所述状态配置包括配置0和配置1；
获取所述可重构智能反射面各个状态的信道状态信息；所述信道状态信息包括信道的幅度增益和相位移动信息；
根据所述信道状态信息利用矢量减法确定信道影响矩阵；
获取用户设备对无线收发机的通信过程时间；
根据所述通信过程时间对所述信道影响矩阵进行重建，得到重建后的信道影响矩阵；
根据所述重建后的信道影响矩阵确定异常分数；
根据所述异常分数确定环境异常位置。
可选的，所述对可重构智能反射面的单元群进行状态配置之前，还包括：
控制无线收发机发送信标至用户设备；
根据所述用户设备对所述信标的回应状态确定可重构智能反射面的单元群的状态配置。
可选的，所述根据所述信道状态信息利用矢量减法确定信道影响矩阵之后，还包括：
根据所述信道影响矩阵对所述可重构智能反射面的单元群的配置进行优化。
可选的，所述根据所述通信过程时间对所述信道影响矩阵进行重建，得到重建后的信道影响矩阵，具体包括：
判断所述通信过程时间是否小于或者等于设定时间，得到第一判断结果；
若所述第一判断结果表示所述通信过程时间小于或者等于设定时间，则将所述信道影响矩阵存入训练集并根据所述训练集对神经网络进行训练；若所述第一判断结果表示所述通信过程时间大于设定时间，则利用神经网络对所述信道影响矩阵进行重构，得到重建后的信道影响矩阵。
可选的，所述根据所述异常分数确定环境异常位置之后，还包括：
判断所述环境异常位置是否为真，得到第四判断结果；
若所述第四判断结果表示所述环境异常位置为真，则通信结束；
若所述第四判断结果表示所述环境异常位置为假；则利用所述环境异常位置对应的单元群的信道矩阵对神经网络进行训练。
可选的，所述通信结束具体包括：
判断计算机是否发送通信结束指令至所述用户设备，得到第五判断结果；
若所述第五判断结果表示计算机已发送通信结束指令至所述用户设备，则控制所述无线收发机停止和所述用户设备进行通信；
对所述可重构智能反射面的单元群进行全0配置。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于可重构智能反射面的环境感知定位***及方法，计算机通过无线收发机获取附近用户反馈信道状态信息(Channel State Information)，从而提取出对于环境敏感的可重构智能反射面对于无线信号的影响，并利用此影响实现对可重构智能反射面附近的环境(如墙面、墙面附近)环境状态的感知，以及异常环境状态的检测与定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于可重构智能反射面的环境感知定位***示意图；
图2为本发明提供的基于可重构智能反射面的环境感知定位***的可重构智能反射面的主视图；
图3为本发明提供的基于可重构智能反射面的环境感知定位***的可重构智能反射面的侧视图；
图4为本发明提供的基于可重构智能反射面的环境感知定位方法流程图；
图5为本发明提供的基于可重构智能反射面的环境感知定位方法一种更为具体的流程图；
图6为本发明提供的基于可重构智能反射面的环境感知定位方法的卷积编码-译码神经网络示意图。
符号说明：
1-计算机，2-无线收发机，3-超材料反射单元，4-用户设备，5-可重构智能反射面，6-金属背板，7-介质板，8-印刷电路，9-敏感材料，10-二极管，11-过孔。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于可重构智能反射面的环境感知定位***及方法，以提高无线网络的信号质量和对应环境异常感知的能力。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种基于可重构智能反射面的环境感知定位***，包括：计算机1、无线收发机2、用户设备4和可重构智能反射面5。其中，用户设备4是服务对象。
所述无线收发机2、所述用户设备4和所述可重构智能反射面5均与所述计算机1连接；所述无线收发机2用于获取信道状态信息。
所述可重构智能反射面5包括超材料反射面和智能控制电路；所述智能控制电路用于控制所述超材料反射面进行状态配置；所述智能控制电路与所述计算机1连接。可重构智能反射面5对于无线传播环境的定制和改变，可以辅助附近的用户设备4的通信，使附近的用户设备4获取更高的接收信号信噪比，从而获得更高的通信速率，这是可重构智能反射面5***的基础功能。
本发明与可重构智能反射面***的区别在于，提出可重构智能反射面5对于无线信号的反射系数对于环境状态(如温度、湿度)敏感的设计，计算机1通过无线收发机2获取附近用户反馈信道状态信息(Channel State Information)，从而提取出对于环境敏感的可重构智能反射面5对于无线信号的影响，并利用此影响实现对可重构智能反射面5附近的环境(如墙面、墙面附近)环境状态的感知，以及异常环境状态的检测与定位。
在实际应用中，所述超材料反射面包括多个超材料反射单元3，多个所述超材料反射单元3进行二维密铺。
在实际应用中，所述超材料反射单元3包括第一印刷电路、第二印刷电路、介质板7、敏感材料9、二极管10和金属背板6；所述敏感材料9为对目标环境状态敏感的材料。所述第一印刷电路、所述第二印刷电路、所述敏感材料9和所述二极管10均设置在所述介质板7的一侧；所述金属背板6设置在所述介质板7的另一侧；所述第一印刷电路和所述第二印刷电路通过所述二极管10连接；所述敏感材料9设置在所述第一印刷电路和所述第二印刷电路之间；所述第一印刷电路与所述智能控制电路连接；所述第二印刷电路与所述金属背板6连接。第一印刷电路和第二印刷电路组成印刷电路8。
在实际应用中，所述智能控制电路包括FPGA和与所述FPGA连接的稳压电源；所述FPGA分别与所述超材料反射面和所述计算机1连接。
本发明提供的基于可重构智能反射面的环境感知定位***的原理如下：
1、计算机1通过数据线连接到智能控制电路和无线收发机2。上面运行了算法，控制可重构智能反射面5进行配置，控制无线收发机2发送/接收无线信号(具体的参见3.3)。并利用用户设备4反馈的智能反射面不同配置下信道的信息，利用编码器神经网络，判断当前环境是否发生了异常(具体的参见4.2-c)。
2、可重构智能反射面5和计算机1链接，通过改变自身的配置，也就是对环境敏感的超材料反射单元3中二极管10的状态，来实现对于其反射的无线信号的控制，实现对于反射的波束信号的聚焦，增强用户设备4收到的信号信噪比，提升通信质量。(具体的参见3.1-a。)此外，在计算机1控制下改变自身配置，辅助测量自身不同配置下，用户的接收信号，为计算机1的环境感知算法提供信息(具体的参见4.2-a)。
3、无线收发机2的功能是传输计算机1发送的信息给用户设备4，并接收用户的反馈信息。(具体的参见3.2)
根据以上原理，本发明提供了基于可重构智能反射面的环境感知定位***更为具体的结构。
3.1透射式智能超表面
对环境状态敏感的可重构智能反射面5含有两个部分，对环境状态敏感的超材料反射面，其二是智能控制电路。
3.1-a对环境状态敏感的超材料反射面
如图2和图3所示，对环境状态敏感的可重构超材料反射面是由对环境敏感的超材料反射单元3(简称为反射单元)进行二维密铺组成的，记总共有N个单元。反射单元由印刷电路8、介质板7、二极管10、敏感材料9、金属背板6组成，其尺寸小于其工作波长的一半。
二极管10连接了分离的两部分印刷电路8，并可以通过外加的电压的大小控制二极管10的通断状态，从而影响于无线信号的反射系数的电结构和对于无线信号的反射系数。
为了给二极管10两侧加上不同的电压，左侧的印刷电路8通过过孔11引出电线，供智能控制电路为其提供电压，而右侧的印刷电路8通过过孔11连接到金属背板6，金属背板6链接到地，为可重构超材料反射面提供0电平平面。该设计使二极管10两端可通过智能控制电路加上不同的偏置电压，从而改变二极管10的通断状态。
反射单元中的印刷电路8间附加有对于目标环境状态敏感的材料。例如，如需要感知的目标环境状态是温度，则敏感材料9可以是钛酸锶钡，如需要感知的目标环境状态是湿度，则敏感材料9可以是湿敏电阻中采用的聚合物。环境状态敏感材料9的电阻、介电常数等电学性质对于环境状态敏感。
由于反射单元对于无线信号的反射系数受到环境状态敏感材料9的电阻、介电常数的影响，因此，反射单元对于无线信号的反射系数具有对环境敏感的特点。
在环境状态不变的情况下，可重构超材料反射面可以通过改变其各单元上二极管10两端加的电压控制反射单元中二极管10的通断，从而对反射的射频信号进行控制，改变经过反射的的射频信号的信号波束形状。记加在N个反射单元的状态为向量c，该向量决定了给定环境状态下，可重构超材料反射面对于反射信号的波束赋形，称该向量为超表面的配置。向量c中的每一个元素都是一个0-1序数，分别代表了二极管10的断状态和通状态。
作为一个整体，透射式超表面具有透射射频信号的能力，并且可以通过改变其各单元上加的电压。
对透射的射频信号进行控制，从而控制透射后的射频信号的信号波束形状的目的。
如图1，环境信号源发射的电磁信号经过透射式超表面，被控制赋形为信号波束。记加在个透射超材料单元的状态为向量c，该向量决定了透射超表面对于透射信号的波束赋形。
3.1-b智能控制电路
智能控制电路由FPGA和稳压电源组成。智能控制电路连接到可重构超材料反射面中每一个单元的二极管10的两侧，通过控制变容二极管10的两侧电压的方式，控制反射单元的状态，从而改变可重构超材料反射面的配置。
此外，为了降低可重构超材料反射面的控制复杂度，电路连接时，使临近的S个单元上的控制电压相同，并称其为一个单元群。因此，透射式超表面的配置c可以由Nmac＝N/S个单元群的配置决定。
3.2无线收发机
无线收发机2是一台可以分时发送射频信号以及接收射频信号的设备，例如一台WIFI接入点。它可以和环境中存在的用户建立连接，发送射频信号，经过对环境状态敏感的可重构超材料反射面反射后，到达用户。用户收到无线收发机2发送的信号后，基于标准的通信协议(如WIFI协议)，会提取其中的信道状态信息(Channel State Information，CSI)并发送给无线收发机2。另外，无线收发机2和计算机1通过数据线进行连接，无线收发机2接收到用户反馈的信道状态信息后会将其传输到计算机1中进行进一步的信号处理。它通过数据线和计算机1连接，可以将接收到的用户反馈的中进行进一步的信号处理。
3.3计算机
计算机1通过数据线连接到智能控制电路和无线收发机2。计算机1控制可重构超材料反射面的配置，从而控制其对于反射信号的波束赋形，此外计算机1收到无线收发机2返回的用户信道状态信息，并将当前可重构超材料反射面的配置和用户信道状态信息输入一个多通道编码器神经网络，获取可重构超材料反射面附近的环境信息，监测环境异常是否发生。
如图4所示，本发明提供的一种基于可重构智能反射面的环境感知定位方法，所述基于可重构智能反射面的环境感知定位方法应用于上述任意一项所述的基于可重构智能反射面的环境感知定位***，所述基于可重构智能反射面的环境感知定位方法包括：
在实际应用中，所述对可重构智能反射面的单元群进行状态配置之前，还包括：
控制无线收发机发送信标至用户设备。
根据所述用户设备对所述信标的回应状态确定可重构智能反射面的单元群的状态配置。根据所述用户设备对所述信标的回应状态确定可重构智能反射面的单元群的状态配置具体包括：
判断用户设备是否回应信标，得到第二判断结果。若所述第二判断结果表示所述用户设备回应信标，则对所述可重构智能反射面的单元群进行状态配置；若所述第二判断结果表示所述用户设备未回应信标，则返回步骤“控制无线收发机发送信标”。
步骤401：对可重构智能反射面的单元群进行状态配置；所述状态配置包括配置0和配置1。
步骤402：获取所述可重构智能反射面各个状态的信道状态信息；所述信道状态信息包括信道的幅度增益和相位移动信息。
步骤403：根据所述信道状态信息利用矢量减法确定信道影响矩阵。在实际应用中所述步骤403之后，还包括：根据所述信道影响矩阵对所述可重构智能反射面的单元群的配置进行优化。
步骤404：获取用户设备对无线收发机的通信过程时间。
步骤405：根据所述通信过程时间对所述信道影响矩阵进行重建，得到重建后的信道影响矩阵。根据所述通信过程时间对所述信道影响矩阵进行重建，得到重建后的信道影响矩阵具体包括：判断所述通信过程时间是否小于或者等于设定时间，得到第一判断结果；若所述第一判断结果表示所述通信过程时间小于或者等于设定时间，则将所述信道影响矩阵存入训练集并根据所述训练集对神经网络进行训练。若所述第一判断结果表示所述通信过程时间大于设定时间，则利用神经网络对所述信道影响矩阵进行重构，得到重建后的信道影响矩阵。
在实际应用中，所述将所述信道影响矩阵存入训练集并根据所述训练集对神经网络进行训练，具体包括：
将所述信道影响矩阵存入训练集；判断所述通信过程时间是否等于设定时间，得到第三判断结果；若所述第三判断结果表示所述通信过程时间等于设定时间，则根据所述训练集对神经网络进行训练；若所述第三判断结果表示所述通信过程时间不等于设定时间，则通信结束。
步骤406：根据所述重建后的信道影响矩阵确定异常分数。
步骤407：根据所述异常分数确定环境异常位置。
在实际应用中，所述步骤409之后，还包括：
判断所述环境异常位置是否为真，得到第四判断结果；若所述第四判断结果表示所述环境异常位置为真，则通信结束；若所述第四判断结果表示所述环境异常位置为假；则利用所述环境异常位置对应的单元群的信道矩阵对神经网络进行训练。
其中，所述通信结束具体包括：
判断计算机是否发送通信结束指令至所述用户设备，得到第五判断结果。
若所述第五判断结果表示计算机已发送通信结束指令至所述用户设备，则控制所述无线收发机停止和所述用户设备进行通信；对所述可重构智能反射面的单元群进行全0配置。
本发明还提供了一种基于可重构智能反射面的环境感知定位方法在实际应用中更为具体的方法。本实施例中神经网络为卷积编码-译码器神经网络。
如图5所示，实际运行分为三个阶段：通信建立阶段，通信与感知阶段，通信结束阶段。
4.1通信建立阶段
在通信建立阶段中，无线收发机2遵循传统的通信接入协议，如WIFI协议，周期性发送信标广播接入信息。用户获取到信标后，通过协议(如WIFI接入协议)和无线收发机2建立连接，使两者可以通过无线网络互相传递信息。完成通信的建立后，将进入通信与感知阶段。
4.2通信与感知阶段
在这个阶段，用户和无线收发机2正常通信。与传统WIFI通信不同的是，本发明在这个过程内，计算机1控制可重构智能反射面5和无线收发机2，与用户进行协同，测量可重构智能反射面5的单元群的状态变化对于信道的影响，并利用测量结果获取对于环境的感知结果，以及增强无线收发机2与用户之间的通信信噪比。本阶段分为三个过程，这三个过程将在本阶段周期性的进行:
4.2-a协同测量过程
计算机1控制可重构智能反射面5和无线收发机2，与用户进行协同，测量可重构智能反射面5的单元群的状态变化对于信道的影响。
具体而言，在该过程中，时间被离散化为以δ秒为一个单位的时隙。时隙的时间很短。在第0个时隙，计算机1控制智能控制电路，将可重构超材料反射面的所有单元群配置为0状态，也即所有单元上的二极管10两侧电压相等，二极管10处于关断状态。
完成配置后，计算机1控制无线收发机2发送导频信号，该信号经过可重构超材料反射面的反射被用户设备4接收，接收信号中含有可重构超材料反射面各单元在0状态时对于无线信号的影响。
用户收到导频信号后，经过标准协议(如WIFI协议)中的信号处理，获取信道状态信息，该信息中包含了信道的幅度增益r0与相位移动信息φ0，可记为复数
Figure BDA0003233844600000123
其中j为虚数单位。I0为0状态时的信道状态信息。
之后，在第t个时隙
Figure BDA0003233844600000121
其中
Figure BDA0003233844600000122
为正整数集合，Nmac为计算机1控制智能控制电路，将可重构超材料反射面的的第t个单元群配置为1状态，也即单元群中的二极管10处于打开状态。此外，可重构超材料反射面的其余单元群均维持配置为0状态。
完成配置后，计算机1控制无线收发机2发送导频信号，该信号经过可重构超材料反射面的反射被用户设备4接收，接收信号中含有可重构超材料反射面第t个单元群为1状态，其余各单元群在0状态时，对于无线信号的影响。
用户收到导频信号后，经过标准协议(如WIFI协议)中的信号处理，获取信道状态信息，该信息中包含了信道的幅度增益rt与相位移动信息φt，可记为复数
Figure BDA0003233844600000131
It为t状态时的信道状态信息。
因此，经过Nmac+1个时隙，用户获取到
Figure BDA0003233844600000132
并在无线收发机2的请求下，发送给无线收发机2。
根据无线信号的矢量叠加性，计算机1通过矢量减法的运算，获取第i个单元群状态从0变为1时，对于无线收发机2到用户的信道的影响为ΔIi＝Ii-I0，(i∈[1，Nmac])，成为第i个单元群的信道影响。
此外，为了在信息存储时包含单元群之间相对位置的信息，单元群的信道影响信息被以多通道二维矩阵的方式存储。
具体而言，可重构超材料反射面单元群的二维排列为Nmx行和Nmy列，满足Nmac＝Nmx×Nmy。
单元群的信道影响信息被整理为一个多通道矩阵，称为单元群的信道影响矩阵，矩阵共有Nmx行Nmy列以及Nch＝4个通道。
该矩阵第i行，第j列，的四个通道存储的信息为：
通道1：第(j+(i-1)×Nmy)个单元群在0状态，且其它单元群均在0状态时，信道的幅度增益，即r0。
通道2：第(j+(i-1)×Nmy)个单元群在0状态，且其它单元群均在0状态时，信道的相位移动，即φ0。
通道3：第(j+(i-1)×Nmy)个单元群在1状态，且其它单元群均在0状态时，信道的幅度增益，即|Iα|，其中α＝j+(i-1)×Nmy。α为信道状态信息的序号(α∈[1，Nmac])，Iα即第α个信道状态信息。
通道4：第(j+(i-1)×Nmy)个单元群在1状态，且其它单元群均在0状态时，信道的相位移动，即∠Iα，其中α＝j+(i-1)×Nmy。
此时，协同测量过程完成。
4.2-b通信优化过程
在这个过程中，计算机1利用前一个过程中获得的各单元群的信道影响，优化无线收发机2到用户的信道的信噪比。
具体而言，将求解如下的整数优化问题称为接收信号优化问题。
Figure BDA0003233844600000141
在Nmac不大的时候，上述问题可以用穷竭算法解决，即尝试所有的c的0-1组合。
在Nmac很大的时候，穷竭算法时间复杂度高，此时可以使用二次0-1整数规划的算法(如，外部近似法，一般分解算法，割平面法和分枝定界算法)进行求解，在Nmac规模更大的时候，可以使用启发式算法，如贪心算法、粒子群算法、遗传算法等。
记该问题获得的最优化结果为c*，计算机1控制智能控制电路，将可重构超材料反射面中的单元群状态按c*，从而优化用户的接收到的信号幅度，提升信噪比，从而获得更大的通信数据速率。
完成通信优化后，计算机1控制无线收发机2，开展和用户设备4的通信(如WIFI通信)。
用户设备4与无线收发机2的通信的过程时间记为Tcomm秒。
4.2-c异常感知与定位过程
异常感知与定位过程因为完全在计算机1内部进行，不需要无线收发机2或者可重构智能反射面5的协同，不需要和用户进行交互，因此可以和用户设备4与无线收发机2的通信(如WIFI通信)并行进行。
用户设备4与无线收发机2的通信的过程时间记为Tcomm秒，计算机1会完成异常感知与定位。
具体而言计算机1采用一个“卷积编码-译码器神经网络”机器学习算法，基于协同测量过程中获取到的测量数据，包含单元群的信道影响信息ΔI1，...，ΔI1，以及全零配置下信道信息I0，从而实现感知可重构超材料反射面附近环境状态的异常的功能。
经过异常感知与定位过程，本周期的智能反射面重构与环境感知过程结束，***在经历过时间为Tcomm秒和用户设备4正常的通信(如WIFI通信)后，将开始下一次的协同通信过程。
4.2-c1卷积编码-译码器神经网络
卷积编码-译码器神经网络的原理
具体而言，卷积编码-译码器神经网络的目的是对当前的单元群的信道影响信息中的特征进行压缩提取、去除噪声与随机性的影响、并引入其在时间上存在的相关性，利用提取到的引入了时间相关性的、经过压缩、去噪的特征，重建当前的单元群的信道影响信息。
通过在环境状态正常条件下收集到的数据训练卷积编码-译码器神经网络，最小化当前单元群的信道影响信息和重建的单元群的信道影响信息，可以使卷积编码-译码器神经网络具有提取正常环境状态下可重构超材料反射面对于信道环境影响，并进行压缩、重建的能力。
当异常环境状态下的测量数据输入卷积编码-译码器神经网络后，由于卷积编码-译码器神经网络不具备在异常状态下还原单元群的信道影响信息的能力，因此其重建的单元群的信道影响信息将存在较大差异，这个异常尤其体现在发生环境异常的位置附近的单元群的信道影响信息的重建损失较大。
基于以上原理，通过比较当前单元群的信道影响信息和重建的单元群的信道影响信息，可以实现对于环境异常的感知、检测、以及定位。
卷积编码-译码器神经网络的组成
如图6所示，卷积编码-译码器神经网络由输入层、卷积编码层、卷积LSTM(长短期记忆网络，Long-Short-TermMemory)层、去卷积译码层、输出层组成。
输入层中，单元群的信道影响矩阵M被输入卷积编码-译码器神经网络，进而传递到卷积编码层的首层中。
卷积编码层中包含了卷积层来逐层提取局域特征信息，卷积核尺寸(Size)大于1和跨度(Stride)大于1，保证经过逐层卷积后，输出的多通道二维矩阵比输入的多通道二维矩阵缩小。
在卷积LSTM层中，使用卷积LSTM网络层(Convolutional LSTM Layer)，对于经过编码层后的数据特征进行进一步提取，并且不同时间输入网络的数据的时序特征信息，从而使网络能够应对单元群的信道影响信息的特征在时域上的相关性。
具体而言，记卷积LSTM网络层中的步长(Step length)，也就是卷积LSTM网络层中向前追溯的时间序列的个数)为h，此外，卷积LSTM网络层的输入和输出的维度和尺寸一致。
卷积译码层中，使用和卷积编码层中层数一致的、卷积核尺寸(Size)大于1和跨度(Stride)大于1的去卷机层(De-convolutional layer)，对卷积LSTM网络层的输出进行逐层去卷积，使得经过去卷积处理后，输出的多通道二维矩阵最终与输入神经网络的单元群的信道影响矩阵具有一致的维度和尺寸。
输出层连接卷积译码层中最后一层去卷积层的输出，输出一个与输入神经网络的单元群的信道影响矩阵具有一致的维度和尺寸的多通道矩阵，即重建的单元群的信道影响。
4.2-c2具体运行机制
异常感知与定位过程的运行存在两个时期，分别为“预训练时期”和“监测时期”。
在***开机运行后的时长为T0内，当***运行到异常感知与定位过程时，判定其处于预训练时期。预训练时期中，由于***处于早期阶段(如，楼房、建筑物新建成)，环境条件未发生变化(如渗水、墙内电路老化等异常在建筑新建成的早期发生概率极低)，假设环境中不存在异常的发生(这可以通过人为观察进行确认)。
处于预训练时期的异常感知与定位过程中，计算机1将收集测量数据到的测量数据存入预训练数据集
Figure BDA0003233844600000171
预训练时期
预训练时期结束时，计算机1将使用
Figure BDA0003233844600000172
中的所有数据对卷积编码-译码器神经网络进行训练。
该训练是的目标是最小化当前单元群的信道影响矩阵和重建的单元群的信道影响矩阵之间的距离。
统一记卷积编码-译码器神经网络中的参数为w，
Figure BDA0003233844600000173
中第i个单元群的信道影响矩阵记为M(i)，卷积编码-译码器神经网络对于输入数据的处理记为映射f，
可以表述为使用优化算法求解如下最优化问题，称为预训练问题:
Figure BDA0003233844600000174
Figure BDA0003233844600000175
上述最优化问题可以使用任一种神经网络优化所采用的随机梯度优化器来实现，比如Adam优化器。
即求解后，得到的最优卷积编码-译码器神经网络为w*。
此外，记优化后的目标函数的最小值为L*，该值体现了经过优化后，输入的单元群的信道影响矩阵和重建的单元群的信道影响矩阵之间的距离。
监测时期
当***运行到异常感知与定位过程时，若判定其不处于预训练时期，则其处于监测时期。
在监测时期的异常感知与定位过程，***将使用经过训练的卷积编码-译码器神经网络，处理本次获得的单元群的信道影响矩阵，对可重构超材料反射面附近环境状态的异常进行感知。
具体而言，在监测时期，设本次的元群的信道影响矩阵为M，本次重建的单元群的信道影响矩阵为
Figure BDA0003233844600000181
计算机1计算
Figure BDA0003233844600000182
Γ是重建的信道影响矩阵和输入的信道影响矩阵之间的差异，它体现了经过训练的卷积编码-译码器神经网络对于输入的信道矩阵的还原的准确度，物理意义上代表了对当前环境状态的总异常分数。具体可解释如下，由于卷积编码-译码器神经网络经过训练，能准确还原正常状态下得到的信道影响矩阵，因此，当输入一个正常状态下的信道影响矩阵时，Γ应当较小，接近于0；当输入一个存在异常的状态下的信道影响矩阵时，由于卷积编码-译码器神经网络未经过还原异常状态下信道影响矩阵的训练，因此得到的Γ应当较大。综上，通过计算Γ的大小，可以判断当前输入的信道影响矩阵与正常状态下信道影响矩阵的接近程度。从而判断是否有环境异常发生。
当Γ＞βL*时(其中β为一个大于1的常数，(其中，β可由经验选定，较大的β会导致异常较难被判定，一些小的异常可能被漏报，较小的β可能导致出现很多虚假的异常警报)，由于卷积编码-译码器神经网络没有正确还原单元群的信道影响矩阵，因此可推断当前出现了异常，实现异常的感知和检测。
进一步，计算机1计算每一个单元群对应位置的异常分数
Figure BDA0003233844600000183
Figure BDA0003233844600000184
用来判断卷积编码-译码器神经网络对于不同的单元群对信道的影响的重建情况。
由于异常一般是局部地发生，且发生的概率较低，假设同一时间只有一个异常发生。异常发生的位置，单元群对于信道的影响将会发生变化，由于卷积编码-译码器神经网络的训练中并未遇到过这样的变化，因此，会难以还原该单元群对应的信道影响，从而造成重建的单元群的信道影响矩阵和输入的单元群的信道影响矩阵在该单元群对应的位置具有显著的误差。因此，通过比较γi，j，可以确定异常发生的位置。具体而言，计算机1计算i*，j*＝argmini，jγi，j，推测异常发生的位置为第i*行，第j*列单元群附近的环境。称该问题为异常定位问题。由此，***实现了对于异常的感知和定位。
当计算机1根据上述过程检测出并定位了一个异常的发生时，会通过显示器和互联网通知管理人员，并要求管理人员进行反馈。
管理人员负责处理异常。若异常事件被检测为假，即管理人员反馈没有发生异常的时候，计算机1会使用该次的单元群的信道影响矩阵对卷积编码-译码器神经网络进行在线训练(adaptive online training)，对参数w，以及优化后的目标函数结果L*进行更新。
由此，计算机1利用最新的数据，进一步提升***识别的准确度。
经过异常感知与定位过程，本周期的智能反射面重构与环境感知过程结束，***在经历过时间为Tcomm秒和用户设备4正常的通信(如WIFI通信)后，将开始下一次的协同通信过程。
4.3通信结束阶段
当用户设备4预备关机或者待机并通过发送信息给无线接收机，告知其要结束通信时，***进入通信结束阶段。在该阶段后，***将停止和用户进行通信，并配置可重构智能反射面5为全0配置，在该配置下，所有的可重构超材料单元上的二极管10两极电压为0，可重构智能反射面5处于低功耗状态。
***将返回通信建立阶段，等待用户重新接入。
借助可重构智能反射面5，***实现了感知和通信的一体化。***借助可重构智能反射面5对于无线信道的配置作用，并且利用了可重构超材料单元的反射系数受到环境状态影响的特点，实现了对于用户设备4通信的增强，以及可重构智能反射面5安装位置附近环境状态的异常检测和定位。使用本发明提供的***将节省大量的无线中继器和无线传感器设备，此外，感知与通信增强的效果无需占用额外的频谱资源。综上，本发明提供的***可以降低无线网络和传感器部署时所需要的成本，同时提升无线网络的信号质量以及***对于环境异常感知的能力。
相比现有的基于智能反射面的通信增强***，本发明提供的***新增了感知的功能；相比于现有的无线物联网传感器***，本发明提供的***可以同时增强无线收发机到用户信道的信噪比，提升传输的速度。
此外，相比于潜在的融合了环境感知和信号中继的无线设备，本发明提供的***通过使用可重构智能反射面这种制造简单、价格低廉的设备，相比传统的设备更容易具有更大的覆盖面积，可以更大范围的反射、调控空间中的电磁信号，使其聚集更多的能量到用户设备的接收端，提升接收信噪比；并且结合了特殊设计的卷积编码-译码器神经网络算法，相比传统的设备的单点检测，可以实现对于更大面积范围内的异常检测和定位。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于可重构智能反射面的环境感知定位***，其特征在于，包括：计算机、无线收发机、用户设备和可重构智能反射面；
所述无线收发机、所述用户设备和所述可重构智能反射面均与所述计算机连接；所述无线收发机用于获取信道状态信息；
所述可重构智能反射面包括超材料反射面和智能控制电路；所述智能控制电路用于控制所述超材料反射面进行状态配置；所述智能控制电路与所述计算机连接。
2.根据权利要求1所述的基于可重构智能反射面的环境感知定位***，其特征在于，所述超材料反射面包括多个超材料反射单元，多个所述超材料反射单元进行二维密铺。
3.根据权利要求2所述的基于可重构智能反射面的环境感知定位***，其特征在于，所述超材料反射单元包括第一印刷电路、第二印刷电路、介质板、敏感材料、二极管和金属背板；所述敏感材料为对目标环境状态敏感的材料；
所述第一印刷电路、所述第二印刷电路、所述敏感材料和所述二极管均设置在所述介质板的一侧；所述金属背板设置在所述介质板的另一侧；
所述第一印刷电路和所述第二印刷电路通过所述二极管连接；所述敏感材料设置在所述第一印刷电路和所述第二印刷电路之间；所述第一印刷电路与所述智能控制电路连接；所述第二印刷电路与所述金属背板连接。
4.根据权利要求1所述的基于可重构智能反射面的环境感知定位***，其特征在于，所述智能控制电路包括FPGA和与所述FPGA连接的稳压电源；所述FPGA分别与所述超材料反射面和所述计算机连接。
5.一种基于可重构智能反射面的环境感知定位方法，其特征在于，所述基于可重构智能反射面的环境感知定位方法应用于所述如权利要求1-4任意一项所述的基于可重构智能反射面的环境感知定位***，所述基于可重构智能反射面的环境感知定位方法包括：
对可重构智能反射面的单元群进行状态配置；所述状态配置包括配置0和配置1；
获取所述可重构智能反射面各个状态的信道状态信息；所述信道状态信息包括信道的幅度增益和相位移动信息；
根据所述信道状态信息利用矢量减法确定信道影响矩阵；
获取用户设备对无线收发机的通信过程时间；
根据所述通信过程时间对所述信道影响矩阵进行重建，得到重建后的信道影响矩阵；
根据所述重建后的信道影响矩阵确定异常分数；
根据所述异常分数确定环境异常位置。
6.根据权利要求5所述的一种基于可重构智能反射面的环境感知定位方法，其特征在于，所述对可重构智能反射面的单元群进行状态配置之前，还包括：
控制无线收发机发送信标至用户设备；
根据所述用户设备对所述信标的回应状态确定可重构智能反射面的单元群的状态配置。
7.根据权利要求5所述的一种基于可重构智能反射面的环境感知定位方法，其特征在于，所述根据所述信道状态信息利用矢量减法确定信道影响矩阵之后，还包括：
根据所述信道影响矩阵对所述可重构智能反射面的单元群的配置进行优化。
8.根据权利要求5所述的一种基于可重构智能反射面的环境感知定位方法，其特征在于，所述根据所述通信过程时间对所述信道影响矩阵进行重建，得到重建后的信道影响矩阵，具体包括：
判断所述通信过程时间是否小于或者等于设定时间，得到第一判断结果；
若所述第一判断结果表示所述通信过程时间小于或者等于设定时间，则将所述信道影响矩阵存入训练集并根据所述训练集对神经网络进行训练；若所述第一判断结果表示所述通信过程时间大于设定时间，则利用神经网络对所述信道影响矩阵进行重构，得到重建后的信道影响矩阵。
9.根据权利要求5所述的一种基于可重构智能反射面的环境感知定位方法，其特征在于，所述根据所述异常分数确定环境异常位置之后，还包括：
判断所述环境异常位置是否为真，得到第四判断结果；
若所述第四判断结果表示所述环境异常位置为真，则通信结束；
若所述第四判断结果表示所述环境异常位置为假；则利用所述环境异常位置对应的单元群的信道矩阵对神经网络进行训练。
10.根据权利要求9所述的一种基于可重构智能反射面的环境感知定位方法，其特征在于，所述通信结束具体包括：
判断计算机是否发送通信结束指令至所述用户设备，得到第五判断结果；
若所述第五判断结果表示计算机已发送通信结束指令至所述用户设备，则控制所述无线收发机停止和所述用户设备进行通信；
对所述可重构智能反射面的单元群进行全0配置。
CN202110995263.0A 2021-08-27 2021-08-27 一种基于可重构智能反射面的环境感知定位***及方法 Withdrawn CN113723036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110995263.0A CN113723036A (zh) 2021-08-27 2021-08-27 一种基于可重构智能反射面的环境感知定位***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110995263.0A CN113723036A (zh) 2021-08-27 2021-08-27 一种基于可重构智能反射面的环境感知定位***及方法

Publications (1)

Publication Number Publication Date
CN113723036A true CN113723036A (zh) 2021-11-30

Family

ID=78678486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110995263.0A Withdrawn CN113723036A (zh) 2021-08-27 2021-08-27 一种基于可重构智能反射面的环境感知定位***及方法

Country Status (1)

Country Link
CN (1) CN113723036A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114520980A (zh) * 2022-01-12 2022-05-20 山西大学 一种三维ris辅助的煤矿通感一体化网络优化方法及装置
CN114554527A (zh) * 2022-03-01 2022-05-27 重庆邮电大学 联合irs技术和sr技术的物联网链路优化方法及***
CN116451590A (zh) * 2023-06-09 2023-07-18 西安深信科创信息技术有限公司 自动驾驶仿真测试平台的仿真方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114520980A (zh) * 2022-01-12 2022-05-20 山西大学 一种三维ris辅助的煤矿通感一体化网络优化方法及装置
CN114554527A (zh) * 2022-03-01 2022-05-27 重庆邮电大学 联合irs技术和sr技术的物联网链路优化方法及***
CN114554527B (zh) * 2022-03-01 2023-09-12 重庆邮电大学 联合irs技术和sr技术的物联网链路优化方法及***
CN116451590A (zh) * 2023-06-09 2023-07-18 西安深信科创信息技术有限公司 自动驾驶仿真测试平台的仿真方法及装置
CN116451590B (zh) * 2023-06-09 2023-11-17 安徽深信科创信息技术有限公司 自动驾驶仿真测试平台的仿真方法及装置

Similar Documents

Publication Publication Date Title
CN113723036A (zh) 一种基于可重构智能反射面的环境感知定位***及方法
Nishio et al. Proactive received power prediction using machine learning and depth images for mmWave networks
EP3665787B1 (en) System and method for antenna beam selection
Khan et al. A review on machine learning and deep learning for various antenna design applications
US9257036B2 (en) Long lifespan wireless sensors and sensor network
CN103517361B (zh) 一种室内外无缝定位切换方法
CN113966472A (zh) 确定被识别为无线信号检测到的运动的运动位置的运动区域的置信度
CA3139773A1 (en) Determining motion zones in a space traversed by wireless signals
CN204350309U (zh) 无线工业过程监控器和无线监控***
CN114026451A (zh) 确定无线信号所检测到的运动的位置的运动区域
Xiao et al. Abnormal behavior detection scheme of UAV using recurrent neural networks
CA2952453A1 (en) Device localization based on a learning model
Zhao et al. An accurate approach of device-free localization with attention empowered residual network
Huang et al. Scout: Outdoor localization using active RFID technology
CN113138201B (zh) 用于无线被动式环境状态检测的超材料物联网***及方法
CN116634358A (zh) 终端定位方法、装置及非易失性存储介质
Manco‐Vásquez et al. Kernel canonical correlation analysis for robust cooperative spectrum sensing in cognitive radio networks
US11576141B2 (en) Analyzing Wi-Fi motion coverage in an environment
Tapia et al. Implementing a real-time locating system based on wireless sensor networks and artificial neural networks to mitigate the multipath effect
Devoti et al. PASID: Exploiting indoor mmWave deployments for passive intrusion detection
CN116415476A (zh) 模型的构建方法、装置及通信设备
Lv et al. ALNN‐based LOS/NLOS identification in 3D millimetre wave channel
KR101773330B1 (ko) 분산형 무선 센서 네트워크 및 분산형 무선 센서 네트워크에서의 정보 검출 방법
Shareef et al. A comprehensive overview of machine learning-assisted antenna for modern wireless communication
EP4395195A1 (en) Method and device for transmitting and receiving signal in wireless communication system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211130