[发明专利]基于深度学习的由智能反射面辅助的无线感知方法

权利要求书

1.基于深度学习的由智能反射面辅助的无线感知方法，其特征在于：包括如下步骤：

1)无线通信系统中有一个单天线Tx，Tx向目标区域发送探测信号；一个含有多个微元的IRS，一个被划分为多个像素块的目标空间，其中每个像素块大小为相等，ROI就存在于目标空间中；以及一个Rx，Rx将接收到的信号送入到中央处理器；

2)中央处理器通过RX接收信号，并通过深度学习神经网络对接收信号进行特征提取以及学习，感知ROI；网络在训练过程中通过不断地与环境进行交互，在线自适应地调整智能反射面IRS的反射系数，然后将基于不同IRS反射系数的接收信号全部送入到设计的深度学习模块中然后对环境进行预测。

2.根据权利要求1所述的基于深度学习的由智能反射面辅助的无线感知方法，其特征在于，所述步骤1)具体步骤如下：

1.1)首先将存在ROI的目标区域划分成多个像素块，每个像素块大小相等；每个像素块具有一个散射系数，如果散射系数为0则代表该像素块内不存在ROI，如果散射系数为1则代表该像素块内存在ROI；目标区域的散射矩阵有如下的表示形式：

x_n代表第n个像素块的散射系数，代表实数，上标代表矩阵的列数；

1.2)考虑像素块之间的遮挡效应；从Tx到ROI的遮挡矩阵表示为：

其中代表Tx到第n个像素块的信道的遮挡系数，代表该像素块没有被遮挡，代表来自该像素块的散射信号被遮挡，该像素块无法被探测，因此在ROI三维重建时该像素块无法被重建出来；

ROI到Rx的遮挡矩阵表示为：

代表第n个像素块到Rx的信道的遮挡系数；

IRS到ROI的信道的遮挡矩阵表示为：

其中，代表IRS的k个微面到第n个像素块的遮挡矩阵，上标代表矩阵的行数；

ROI到IRS的遮挡矩阵表示为：

其中，代表目标区域的第n个像素块到IRS第k个微元的信道的遮挡系数；

1.3)从Tx到ROI再到Rx的接收信号表示为：

分别是Tx到ROI和ROI到Rx信号的幅度系数，分别是Tx到ROI和ROI到Rx的相位偏移，是信道信息矩阵，s是发送信号，e代表自然对数的值，i代表复数；

Tx到IRS的第k个微面到ROI的第n个像素块再到Rx的接收信号表示为：

其中，ρ_k∈[0,1]表示IRS第k个微元的幅度反射系数，θ_k∈[0,2π]表示IRS第k个微元的相位偏移，代表Tx到IRS的幅度系数，代表IRS到ROI的幅度系数，代表Tx到IRS的相位偏移，代表IRS第k个微面到ROI第n个像素块的相位偏移，e代表自然对数，j代表复数，代表Tx-IRS-ROI-Rx这条子信道的信道矩阵，代表IRS的第k个微面-ROI的第n个像素块-Rx的遮挡矩阵；

Tx到ROI的第n个像素块到IRS第k个微面再到Rx的接收信号表示为：

代表Tx到ROI的相位系数、代表IRS的第k个微面到ROI第n个像素块的相位系数，代表IRS第k个微面到Rx的幅度系数，代表IRS第k个微面到Rx的幅度系数，代表子信道Tx-ROI-IRS-Rx的信道矩阵，代表Tx到ROI的第n个像素块再到IRS第k个微面的遮挡矩阵；

最终的接收信号表示为：

其中，w是加性高斯白噪声；

此外，TX直接到Rx以及Tx经过IRS到Rx的信号预先减去，因为知道信道，且信道不变。

3.根据权利要求1中所述的基于深度学习的由智能反射面辅助的无线感知方法，其特征在于，所述步骤2)具体步骤如下：

2.1)基于通用的LSTM单元初始化规则，将初始细胞状态c_-1设置为0，将初始隐藏状态h_-1设置为0，初始输入信号则为IRS相位偏移为0时Rx接收到的信号；

2.2)感知时隙长度为T，在时隙t，LSTM的隐藏状态h_t将作为DNN网络的输入，DNN网络的输出则为下一时隙IRS的反射系数；在每个时隙中IRS的反射系数均会基于之前时隙观察到的数据进行自适应的调整，所以，t+1时刻IRS反射系数为：

其中，代表接收信号到IRS反射系数的映射关系，由DNN+LSTM网络所确定，y_1:t为初始时隙t＝0到时隙t＝t时的接收信号，v_1:t为初始时隙t＝0到时隙t＝t时的IRS的反射系数；

上述公式展开为如下公式：

其中，是设置的前T-1个时隙的L层DNN的权重和偏置,是DNN的激活函数，其中最后一层DNN网络的激活函数为softmax，其他层的激活函数为reLU，当时间间隙t＝0时，由于此时没有历史观察量，把IRS此时的相位偏移设置为0，s_t代表深度学习神经网络中的状态信息；

2.3)在最后的一个时隙中，即t＝T时，所有的接收信号将被输送到一个BiLSTM+LSTM+DNN的网络中；BiLSTM将提取接收信号序列的全局特征并将其送入到LSTM网络中，LSTM网络将在更高维度上对全局特征进行提取并将自己的细胞状态c_t作为DNN的输入，最后DNN基于输入输出其预测的环境信息；预测环境信息的表达式由以下形式给出：

是神经网络架构预测的环境信息，看作智能体根据所有时隙的IRS和接收信号从而输出预测环境的操作；y_1:T为初始时隙t＝0到时隙t＝T时的接收信号，v_1:T为初始时隙t＝0到时隙t＝T时的IRS的反射系数；

将其展开表现为如下形式：

其中,是最后一个时隙的R层DNN网络的权重和偏置，是DNN的激活函数，除了DNN网络的最后一层激活函数为softmax外，DNN网络其他层的激活函数为reLU，c_T表示深度学习神经网络中的细胞状态；

2.4)使用所设计的深度学习模块根据接收到的信息预测环境信息，上述神经网络训练过程如下：

2.4.1)选定一个区域作为目标区域并将其划分为多个大小相等的像素块，并在目标区域中生成形状随机的ROI；通过Tx发射探测信号到目标区域并通过Rx接收来自目标区域的信号；将接收信号送入设计的深度学习模块中，使其自主的调整IRS反射系数并对ROI的形状进行预测；将上述操作重复多次，直至其预测的ROI与真实的ROI的形状之间的误差收敛；使用均方误差MSE作为神经网络的损失函数，其定义如下：

x为真实的散射系数，为预测的散射系数，N_s为组成散射体的像素块个数；对神经网络进行多轮训练直至MSE的值小于所设定的阈值且不在减小时深度神经网络就训练完成；然后使用训练好的神经网络通过接收信号对环境信息进行预测。