CN115767772B - 基于人工智能的无线通信数据处理方法 - Google Patents

Abstract

本发明涉及DOA估计技术领域，具体涉及基于人工智能的无线通信数据处理方法。方法包括：根据获取的工厂地面图像中的目标对象对应的连通域中的各像素点坐标，得到所述连通域中各像素点对应的第一概率；根据工厂地面图像中的所述连通域中各像素点对应的第一概率，构建语义分布概率图；根据各RSSI接收器对应的RSSI值，构建RSSI序列；将RSSI序列对应的左阵元RSSI差分序列和右阵元RSSI差分序列的相关系数输入到DOA范围估计网络中，构建目标对象对应的角度范围概率图；根据目标对象对应的语义分布概率图、角度范围概率图和RSSI序列，得到目标对象对应的DOA。本发明利用计算机视觉来辅助无线通信实现DOA估计，使得获取到的DOA更加准确。

Description

基于人工智能的无线通信数据处理方法

技术领域

本发明涉及DOA估计技术领域，具体涉及基于人工智能的无线通信数据处理方法。

背景技术

对于DOA估计方法的研究已经持续多年，在此期间许多经典算法被提出，常见的DOA估计算法一般基于阵列信号处理理论，而且它们中的大部分习惯将阵元接收信号的相位或频差信息作为定位的参量。在实际工程中，此类算法依赖充足的快拍数和精确的时间校正。然而，当环境复杂度较高时，算法的准确度可能会受到环境中多因素的影响，导致得到的DOA精度较低。

发明内容

为了解决现有DOA估计算法精度较低的问题，本发明的目的在于提供基于人工智能的无线通信数据处理方法，所采用的技术方案具体如下：

本发明提供了基于人工智能的无线通信数据处理方法包括以下步骤：

获取工厂地面图像；

根据工厂地面图像中的目标对象对应的连通域中的各像素点坐标，得到所述连通域中各像素点对应的第一概率，所述各像素点对应的第一概率为各像素点为所述连通域质心的概率；根据工厂地面图像中的所述连通域中各像素点对应的第一概率，构建目标对象对应的语义分布概率图；

获取目标对象的RSSI发送器到各RSSI接收器的RSSI值，根据各RSSI接收器对应的RSSI值，构建RSSI序列；根据天线阵列的中心点对RSSI序列进行划分，得到左阵元RSSI序列与右阵元RSSI序列；

获取左阵元RSSI差分序列与右阵元RSSI差分序列的相关系数并输入到训练好的DOA范围估计网络中，得到目标对象对应的DOA范围为不同角度范围的概率，构建目标对象对应的角度范围概率图；

根据目标对象对应的语义分布概率图、对应的角度范围概率图和RSSI序列，得到目标对象对应的DOA。

优选的，根据工厂地面图像中的目标对象对应的连通域中的各像素点坐标，得到所述连通域中各像素点对应的第一概率，包括：

对工厂地面图像中目标对象进行连通域提取；

对目标对象对应的连通域中的各像素点坐标进行高斯函数拟合，得到所述连通域对应的高斯分布概率密度函数；

将根据所述连通域中各像素点的坐标带入到对应的高斯分布概率密度函数中，得到所述连通域中各像素点对应的第一概率。

优选的，获取左阵元RSSI差分序列与右阵元RSSI差分序列的相关系数的方法包括：

根据天线阵列的中心点对RSSI序列进行划分，将RSSI序列中前半部分的RSSI序列记为左阵元RSSI序列，将RSSI序列中后半部分的RSSI序列记为右阵元RSSI序列；

将左阵元RSSI序列中各相邻的两个元素作差，得到左阵元RSSI差分序列；

将右阵元RSSI序列中各相邻的两个元素作差，得到右阵元RSSI差分序列；

计算左阵元RSSI差分序列和右阵元RSSI差分序列的相关系数。

优选的，将RSSI序列对应的左阵元RSSI差分序列与右阵元RSSI差分序列的相关系数输入到训练好的DOA范围估计网络中，构建目标对象对应的角度范围概率图，包括：

将RSSI序列对应的左阵元RSSI差分序列和右阵元RSSI差分序列的相关系数输入到训练好的DOA范围估计网络中，得到目标对象对应的DOA范围为不同角度范围的概率；

将不同角度范围的概率作为工厂地面图像相应范围内的像素点对应的第二概率；

将工厂地面图像中各像素点的第二概率作为对应位置像素点的像素值，得到角度范围概率图。

优选的，根据目标对象对应的语义分布概率图、对应的角度范围概率图和RSSI序列，得到目标对象对应的DOA，包括：

将目标对象对应的语义分布概率图和目标对象对应的角度范围概率图相加得到目标对象的概率图，所述概率图中各像素点对应的像素值为各像素点对应的第一概率和第二概率之和；

构建DOA估计网络，所述DOA估计网络包括卷积神经网络和全连接网络；

将目标对象的概率图输入到卷积神经网络，得到特征图，然后将特征图经过Flatten展平操作得到特征向量，然后将所述特征向量与该目标对象的RSSI序列进行Concatenate联合操作得到最终特征向量，并将最终特征向量输入到全连接网络中进行拟合，得到目标对象对应的DOA；

所述DOA估计网络的训练集为历史概率矩阵，历史概率矩阵的标签数据为历史概率图对应的目标对象的DOA。

优选的，获取工厂地面图像的方法包括：

获取多张局部工厂图像；

利用图像拼接对多张局部工厂图像进行处理，得到工厂地面全景图像；

利用训练好的语义分割网络对工厂地面全景图进行处理，得到工厂地面图像。

本发明实施例具有如下有益效果：

本发明根据工厂地面图像中的目标对象对应的语义分布概率图和目标对象对应的角度范围概率图进行融合，得到目标对象对应的DOA；其中，语义分布概率图中各像素点对应的第一概率为各像素点为目标对象对应的连通域的质心点的概率；角度范围概率图中各像素点对应的概率值为目标对象处于不同角度范围的概率，角度范围概率图中各像素点对应的概率值是将目标对象的RSSI序列对应的左阵元RSSI差分序列和右阵元RSSI差分序列的相关系数输入到训练好的DOA范围估计网络得到的。

本发明通过计算机视觉与无线通信协同来实现DOA估计，首先通过像素点为连通域质心的可能性表示像素点为目标对应位置的概率，从计算机视觉的角度对目标对象的位置进行分析；然后获取目标对象的RSSI发送器到天线阵列中各RSSI接收器的RSSI值构成RSSI序列，将RSSI序列划分为左阵元RSSI差分序列和右阵元RSSI差分序列，根据两个序列的相关性来得到目标对象对应的DOA范围，考虑到天线阵列中阵元之间存在间隔，且具有一定的排列顺序，故通过两个差分序列的相关性对DOA范围进行估计，再利用目标对象对应的DOA范围为不同角度范围的可能性表示目标对象所在的角度范围的概率，充分利用RSSI序列的排列特征对目标对象的位置进行分析；进而将两者融合可以更加精准的反映目标对象的方位，从而得到更加准确的得到目标对象的DOA。本发明利用人工智能来辅助无线通信实现DOA估计，使得获取到的DOA更加准确，同时DOA估计网络结合RSSI序列，避免同一角度范围内存在多个目标对象造成预测错误的问题。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明所提供的基于人工智能的无线通信数据处理方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的无线通信数据处理方法进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的无线通信数据处理方法的具体方案。

基于人工智能的无线通信数据处理方法实施例：

如图1所示，本实施例的基于人工智能的无线通信数据处理方法包括以下步骤：

步骤S1，获取工厂地面图像。

本实施例以工厂机器人自动化运输的场景为例对本实施例的估计方法进行说明，同时本实施例也适用于与所述场景类似的环境。

为了对工厂中的目标对象的无线通信信号的DOA(波达方向)进行估计，本实施在工厂中的每个目标对象的中心位置上安装一个RSSI发送器，同时在工厂固定位置处部署RSSI接收器，以接收目标对象身上的RSSI发送器所发出的信息，所述RSSI接收器需要在相机的监控范围内。本实施例中所述的目标对象为工厂中的机器人。

所述RSSI是接受信号强度指示，是通过人为处理将RSS经过转换之后的值；本实施例采用的是RSSI，作为其他实施方式，也可以直接使用RSS。

本实施例的RSSI这个物理量在测量时不需要依赖紧密的时间同步以及较高的采样率，因此可以避免在基于相位的算法中存在的局限，能够以较低成本的方式解决DOA估计的问题。

为了将工厂中目标对象和接收器准确的映射到一张图像上，本实施例获取了工厂的地面全景图像；利用单个相机获取来工厂的地面全景图像会导致相机监控画面中离相机光心较远的地方存在角度差，因此本实施例在工厂中的顶部部署了若干个相机，获取多个相机对应视野范围内的多张不同区域的局部工厂图像，然后再利用图像拼接技术获取工厂地面全景图像以避免这种误差，提高目标对象投影的准确性。为了保证能够实现图像拼接，本实施例相邻相机的监控画面要有重叠部分，并且各个摄像头拍摄的图像的时间要保持一致，拍摄的画面在垂直方向上不要相差过大，以保证成像的实时性和准确性。

图像拼接的过程具体为：首先要进行图像配准，即采用一定的匹配策略，找出待拼接图像(即局部工厂图像)中的特征点在参考图像中对应的位置，进而确定两幅图像之间的变换关系。这一步是对两个相邻的摄像头采集到的局部工厂图像进行图像配准。其中，图像的特征点的提取方法有多种，例如SIFT、SURF、ORB等，都可以用来做图像拼接过程中图像特征点的提取工作。

然后根据图像特征之间的对应关系，计算出数学模型中的各个参数值，从而建立两幅图像的数学变换模型，即求解单应性矩阵。进一步的，根据建立的数学转换模型，将待拼接图像转换到参考图像的坐标系中，从而完成统一坐标的变换。最终，将待拼接图像的重合区域进行融合，得到拼接重构的工厂地面全景图像，融合方法例如加权融合法。本实施例所述的图像拼接的过程为现有技术，可以通过OpenCV库进行实现，在此就不再赘述。

本实施例为了对目标对象的DOA进行估计，因此本实施例对获取到的工厂地面全景图像进行目标感知，以提取出目标对象。本实施例利用训练好的语义分割网络对工厂地面全景图像进行处理，得到工厂地面图像，具体为：

首先对语义分割网络进行训练，本实施例首先获取多个历史工厂地面全景图像，将获取的多个历史工厂地面全景图像作为义分割网络的训练集，然后对各个历史工厂地面全景图像的标签数据进行标注，标签数据分为其它和机器人两个类别。然后根据各个历史工厂地面全景图像和各个历史工厂地面全景图像对应的标签数据对语义分割网络进行训练，得到训练好的语义分割网络，其训练过程如下：

首先将各个历史工厂地面全景图像进行归一化处理，使其值域在[0,1]区间中，有助于网络的收敛。然后将归一化后的各个历史工厂地面全景图像与其对应的标签数据(标签数据要经过one-hot编码处理，对应的标签图像需要通过人为进行标注，机器人对应的像素点的像素值为1，即目标对象对应的像素点的像素值为1；其它类别像素点的像素值为0。)送入到网络中进行训练，所述网络包含编码器和解码器，其中编码器用于对输入的图像数据进行特征提取，输出对应特征图；解码器的输入为编码器输出的特征图，然后对输入的特征图进上采样与特征拟合，输出为目标分割图。本实施例中训练语义分割网络的损失函数采用交叉熵损失函数，网络参数的优化方法可采用SGD、Adam等。具体的网络模型可采用Unet、Enet等。最后，对网络输出的目标分割图进行argmax操作，得到工厂地面图像，工厂地面图像为二值图像，其中机器人对应的像素点的像素值为1，即目标对象对应的像素点的像素值为1；其它类别像素点的像素值为0。

步骤S2，根据工厂地面图像中的目标对象对应的连通域中的各像素点坐标，得到所述连通域中各像素点对应的第一概率，所述各像素点对应的第一概率为各像素点为所述连通域质心的概率；根据工厂地面图像中的所述连通域中各像素点对应的第一概率，构建目标对象对应的语义分布概率图。

为了更加精准的确定目标对象在工厂地面图像中的位置，本实施例首先对工厂地面图像进行连通域提取，提取出像素值为1的连通域，即目标对象对应的连通域。连通域提取的方法如基于行程的标记、基于轮廓的标记等。

由于目标对象对应的连通区域都是由多个像素点组成的，所以本实施例获取了目标对象对应的连通域中各个像素点的坐标，例如某一像素点在图中的第x行，第y列，则对应的坐标为(x，y)。然后利用高斯函数拟合方法对目标对象对应的连通域中的像素点坐标进行拟合，得到目标对象对应的连通域的高斯分布概率密度函数，所述高斯分布概率密度函数中坐标点对应的函数值越大，则对应像素点为对应连通域质心的可能性就越大。

将目标对象对应的连通域中的各个像素点坐标代入到该连通域对应的高斯分布概率密度函数中，得到该连通域中各个像素点的第一概率值，所述第一概率值为归一化后的概率值，并且各像素点对应的第一概率为各像素点为该连通域质心的概率，因为二维高斯分布中质心的概率值最大，并且越往外概率越小，即若像素点的第一概率越大，则对应像素点为所属连通域质心的概率就越大。最终对于全景图像中的每一个目标对象都进行第一概率计算，然后本实施例将其他类别对应的像素点的第一概率设置为0，即将工厂地面图像中像素值为0的像素点的第一概率设置为0，说明这些像素点不可能为目标对象的位置。

最后将工厂地面图像中各像素点对应的第一概率映射到与工厂地面图像等大的语义分布概率图上，所述语义分布概率图中各像素点的像素值为工厂地面图像中各像素点对应的第一概率。即本实施例通过第一概率来反映目标对象质心位置的概率，第一概率越大，则越可能是目标对象的质心位置。

步骤S3，获取目标对象的RSSI发送器到各RSSI接收器的RSSI值，根据各RSSI接收器对应的RSSI值，构建RSSI序列；根据天线阵列的中心点对RSSI序列进行划分，得到左阵元RSSI序列与右阵元RSSI序列；获取左阵元RSSI差分序列与右阵元RSSI差分序列的相关系数并输入到训练好的DOA范围估计网络中，得到目标对象对应的DOA范围为不同角度范围的概率，构建目标对象对应的角度范围概率图。

常见的天线阵列有均匀线阵、均匀圆阵和十字阵列。通常基于天线阵列的DOA估计，要想精确测定信号的入射角度，必须要改进接收机的阵列天线，增强天线阵列的方向性。本实施例不需要对天线阵列进行改进，而是使用普通的均匀线阵，通过计算机视觉与无线通信协同来实现DOA估计，得到更加精准的信号入射方向，即目标对象对应的DOA。本实施例首先对目标对象的DOA范围进行估计，具体为：

本实施例中对于每个目标对象而言，都会通过RSSI发送器发送无线通信信号给天线阵列中的所有RSSI接收器。天线阵列中包含M个传感器，即有M个RSSI接收器，因此当目标对象的RSSI发送器发送信号时，会有M个RSSI接收器来接收，由于各接收器之间存在间隔，因此获得的RSSI值会有所不同，即每个RSSI接收器对应一个RSSI值；所以当一个目标对象的RSSI发送器发送信号时，会对应着M个RSSI值。

本实施例首先获取目标对象的RSSI发送器到天线阵列中各RSSI接收器的RSSI值，然后根据获取到的天线阵列中各RSSI接收器的RSSI值构建RSSI序列，所述RSSI序列是按规定顺序排列的，例如从传感器1到M，同时对于每一个目标对象都对应一个RSSI序列。

由于天线阵列中阵元之间存在间隔，目标对象与天线阵列中的各个阵元的距离会有所不同，因此无法很好地确定目标对象的方位。本实施例将RSSI序列划分为左阵元RSSI差分序列，右阵元RSSI差分序列，根据两个序列的相关性来得到目标对应的DOA范围，具体为：

本实施例以天线阵列的中心点为中心，对RSSI序列进行划分，将RSSI序列中前半部分的RSSI序列记为左阵元RSSI序列，将RSSI序列中后半部分的RSSI序列记为右阵元RSSI序列；由于传感器之间距离较小，因此会导致各传感器的RSSI值相差较小，通过左阵元RSSI序列和右阵元RSSI序列的相关系数，无法判断目标对象的方位。所以本实施例获取了RSSI序列对应的左阵元RSSI差分序列和右阵元RSSI差分序列，具体为：将左阵元RSSI序列中各相邻的两个元素作差，得到左阵元RSSI差分序列；将右阵元RSSI序列中各相邻的两个元素作差，得到右阵元RSSI差分序列。其中，左阵元RSSI差分序列的长度比左阵元RSSI序列长度小一；同理右阵元RSSI差分序列的长度比右阵元RSSI序列长度小一。

为了利用目标对象对应的左阵元RSSI差分序列和右阵元RSSI差分序列来粗略判断目标对象所在的方位，本实施例采用Pearson相关系数法来衡量左阵元RSSI差分序列和右阵元RSSI差分序列，获取两个差分序列的Pearson相关系数，具体为：

本实施例首先形成一个[2,N]的矩阵，即2行N列的矩阵，其中N为差分序列的长度，然后利用Pearson相关系数法，得到Pearson相关系数矩阵，Pearson相关系数矩阵中的数值在[-1,1]之间，其中，-1表示强烈负相关，+1强烈正相关，0表示无关系。由于Pearson相关系数矩阵中存在负值，因此为了方便计算，本实施例将矩阵中的所有值加一。根据得到的Pearson相关系数矩阵，本实施例可以得到左阵元RSSI差分序列和右阵元RSSI差分序列的Pearson相关系数，记为RSSI差分序列对应的相关系数，所述RSSI差分序列对应的相关系数可以有效的反映出RSSI序列左阵元和右阵元的相关性。

然后，本实施例利用训练好的DOA范围估计网络对目标对象的DOA进行粗略的判断，具体为：将目标对象对应的RSSI差分序列对应的相关系数输入到训练好的DOA范围估计网络中，然后经过特征拟合，输出为目标对象对应DOA范围为不同角度范围的概率。本实施例中所述不同角度范围为：0°～5°为角度范围1，5°～10°为角度范围2，以此类推进行编号其中最大角度范围为175°～180°。本实施例中角度范围都用顺序的***数字表示，便于分类。

本实施例中DOA范围估计网络为全连接神经网络；训练集为历史目标对象的RSSI差分序列对应的相关系数；对应标签数据为目标对象所处角度范围的编号，数据标签是通过人为测量后分类得到；DOA范围估计网络的损失函数为交叉熵损失函数，分类函数为Softmax函数。

本实施例将工厂地面图像中天线阵列的中心作为信号入射点，然后将目标对象对应的不同角度范围的概率作为工厂地面图像相应范围内的各像素点对应的第二概率，所述各像素点对应的第二概率表示的是各像素点所在的角度范围为目标对象所在的角度范围的概率，某一角度范围内的各像素点的第二概率越大，则说明目标对象在对应角度范围内的可能性就越大；最后将工厂地面图像中各像素点的第二概率作为对应位置像素点的像素值，得到与工厂地面图像等大的角度范围概率图。

需要说明的是，角度范围概率图是每一个目标对象都有一张相应的角度范围概率图；而语义分布概率图是所有目标对象都对应同一张语义分布概率图。

步骤S4，根据目标对象对应的语义分布概率图、对应的角度范围概率图和RSSI序列，得到目标对象对应的DOA。

为了对目标对象的DOA信息进行更加准确的估计，本实施例将步骤S2得到语义分布概率图和步骤S3得到的角度范围概率图相加，得到概率图，所述概率图中各像素点对应的像素值为语义分布概率图中各像素点的像素值(第一概率)和角度范围概率图中对应像素点的像素值(第二概率)之和；然后将概率图输入到训练好的DOA估计网络中，得到目标对象更加精准的DOA值。

本实施例中语义分布概率图中各像素点的像素值反映的是目标对象的位置，所述目标对象的位置为目标对象所处连通域质心点的位置，因此像素值最大的像素点的位置即为所处连通域的质心点位置，即目标对象的位置；角度范围概率图中各像素点的像素值反映的是目标对象所在的角度范围的可能性，像素值最大的像素点所在的角度范围即为目标对象所在的角度范围。本实施例中概率图中各像素点对应的像素值为第一概率和第二概率之和，因此概率图中像素值越大的像素点的位置为越可能为当前RSSI接收器接收到的RSSI序列的目标对象所在的位置。

本实施中DOA估计网络包括卷积神经网络、全连接网络，卷积神经网络可采用ResNet18、MobileNet等二维格式的网络模型。

卷积神经网络的输入为上述过程获得的目标对象对应的概率图，其中概率图经过二维卷积进行特征提取后，得到特征图，然后将特征图经过Flatten(展平)操作得到特征向量，最后将得到的特征向量与该目标对象的RSSI序列进行Concatenate联合操作得到最终特征向量，并将其输入到全连接网络中进行拟合，得到目标对象对应的DOA，本实施例中全连接层最后的函数优选的，采用Relu激活函数。

本实施例DOA估计网络之所以输入目标对象的RSSI序列是为了避免同一角度范围内存在多个目标对象，会造成预测错误，因为RSSI值与距离存在相应关系，因此可以通过RSSI序列准确预测目标对象的DOA。

DOA估计网络的训练集为历史概率图，其对应的标签数据为历史概率图中目标对象的所在的精确方位，通过弧度表示，本实施例中该标签数据通过人为测量得到。本实施例中DOA估计网络的损失函数为均方差损失函数。

本实施例中获取语义分布概率图的过程中利用了高斯分布概率，其中高斯分布概率可以让网络学习到更精确的语义坐标信息，进而结合相应角度范围的概率，实现对接收信号DOA信息的更加准确估计，即实现对目标对象的DOA信息的更加准确的估计。

本实施例根据工厂地面图像中的目标对象对应的语义分布概率图和目标对象对应的角度范围概率图进行融合，得到目标对象对应的DOA；其中，语义分布概率图中各像素点对应的第一概率为各像素点为目标对象对应的连通域的质心点的概率；角度范围概率图中各像素点对应的概率值为目标对象处于不同角度范围的概率，角度范围概率图中各像素点对应的概率值是将目标对象的RSSI差分序列对应的相关系数输入到训练好的DOA范围估计网络得到的。本实施例将两者融合可以更加精准的反映目标对象的方位，同时结合RSSI序列，从而得到更加准确的得到目标对象的DOA。本实施例利用人工智能来辅助无线通信实现DOA估计，使得获取到的DOA更加准确。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于人工智能的无线通信数据处理方法，其特征在于，该方法包括以下步骤：

获取工厂地面图像；

根据工厂地面图像中的目标对象对应的连通域中的各像素点坐标，得到所述连通域中各像素点对应的第一概率，所述各像素点对应的第一概率为各像素点为所述连通域质心的概率；根据工厂地面图像中的所述连通域中各像素点对应的第一概率，构建目标对象对应的语义分布概率图；

获取目标对象的RSSI发送器到各RSSI接收器的RSSI值，根据各RSSI接收器对应的RSSI值，构建RSSI序列；根据天线阵列的中心点对RSSI序列进行划分，得到左阵元RSSI序列与右阵元RSSI序列；

获取左阵元RSSI差分序列与右阵元RSSI差分序列的相关系数并输入到训练好的DOA范围估计网络中，得到目标对象对应的DOA范围为不同角度范围的概率，构建目标对象对应的角度范围概率图；

根据目标对象对应的语义分布概率图、对应的角度范围概率图和RSSI序列，得到目标对象对应的DOA；

根据目标对象对应的语义分布概率图、对应的角度范围概率图和RSSI序列，得到目标对象对应的DOA，包括：

将目标对象对应的语义分布概率图和目标对象对应的角度范围概率图相加得到目标对象的概率图，所述概率图中各像素点对应的像素值为各像素点对应的第一概率和第二概率之和；

构建DOA估计网络，所述DOA估计网络包括卷积神经网络和全连接网络；

将目标对象的概率图输入到卷积神经网络，得到特征图，然后将特征图经过Flatten展平操作得到特征向量，然后将所述特征向量与该目标对象的RSSI序列进行Concatenate联合操作得到最终特征向量，并将最终特征向量输入到全连接网络中进行拟合，得到目标对象对应的DOA；

所述DOA估计网络的训练集为历史概率矩阵，历史概率矩阵的标签数据为历史概率图对应的目标对象的DOA。

2.根据权利要求1所述的基于人工智能的无线通信数据处理方法，其特征在于，根据工厂地面图像中的目标对象对应的连通域中的各像素点坐标，得到所述连通域中各像素点对应的第一概率，包括：

对工厂地面图像中目标对象进行连通域提取；

对目标对象对应的连通域中的各像素点坐标进行高斯函数拟合，得到所述连通域对应的高斯分布概率密度函数；

将根据所述连通域中各像素点的坐标带入到对应的高斯分布概率密度函数中，得到所述连通域中各像素点对应的第一概率。

3.根据权利要求1所述的基于人工智能的无线通信数据处理方法，其特征在于，获取左阵元RSSI差分序列与右阵元RSSI差分序列的相关系数的方法包括：

根据天线阵列的中心点对RSSI序列进行划分，将RSSI序列中前半部分的RSSI序列记为左阵元RSSI序列，将RSSI序列中后半部分的RSSI序列记为右阵元RSSI序列；

将左阵元RSSI序列中各相邻的两个元素作差，得到左阵元RSSI差分序列；

将右阵元RSSI序列中各相邻的两个元素作差，得到右阵元RSSI差分序列；

计算左阵元RSSI差分序列和右阵元RSSI差分序列的相关系数。

4.根据权利要求1所述的基于人工智能的无线通信数据处理方法，其特征在于，构建目标对象对应的角度范围概率图，包括：

将不同角度范围的概率作为工厂地面图像相应范围内的像素点对应的第二概率；

将工厂地面图像中各像素点的第二概率作为对应位置像素点的像素值，得到角度范围概率图。

5.根据权利要求1所述的基于人工智能的无线通信数据处理方法，其特征在于，获取工厂地面图像的方法包括：

获取多张局部工厂图像；

利用图像拼接对多张局部工厂图像进行处理，得到工厂地面全景图像；

利用训练好的语义分割网络对工厂地面全景图进行处理，得到工厂地面图像。