[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

说明书

本发明公开了基于深度学习的由智能反射面辅助的无线感知方法，在该方法中，发射端Tx向目标区域发送探测信号，接收端Rx将接收信号送入到深度学习模块中，该模块可以根据接收端收到的探测信号调整IRS反射系数，并且通过推理接收信号的特征实现未知物体的三维重建；本发明针对由IRS辅助的，基于像素块划分以及深度学习的毫米波计算成像方案，通过LSTM+BiLSTM+DNN网络对接收信号特征的学习，从而实现对物体的无线感知，以及通过对IRS反射系数的在线优化，从而提高无线感知精度。

技术领域

本发明涉及无线通信领域，尤其涉及基于深度学习的由智能反射面辅助的无线感知方法。

背景技术

随着信息技术的不断发展，一些新型的技术如自动驾驶，手势识别，家具控制，机器人定位等革命性技术层出不求，它们不仅需要稳定的无线宽带连接，更需要精准的环境信息，传统的摄像头很多存在障碍物的情况下感知到所有的环境信息，而且还有侵犯隐私的嫌疑。

通信感知一体化作为6G的热门研究领域，具有非视距的优势，可以作为光学成像的有效补充。与传统的雷达成像不同，通信感知一体化是指在同一硬件平台上整合雷达和无线通信系统，使这两个系统可以共享硬件、软件和无线电资源，以实现同步感知和通信。ISAC提高了频谱、硬件利用和信息处理的效率。

无线通信系统和雷达传感系统正朝着类似的方向发展(更高的频段、更大的天线阵列和更小的尺寸)，使得传感和通信的整合成为可能。长短期记忆网络(LSTM)是循环神经网络的一个变种，能够解决RNN长期依赖的问题，对于连续且在时间上相关的信号序列有着非常好的效果。双向长短期记忆网络(BiLSTM)会在训练过程中对输入数据进行两次训练，从前往后以及从后往前，因此BiLSTM可以做到基于上下文判断。在当前时刻的输出不仅与前面的输入有关，还与后面的输入有关时，BiLSTM网络的性能往往优于LSTM。深度神经网络(DNN)指的是具有多层且每层全连接的神经网络，它可以通过学习无线逼近任意函数而不需要复杂的数学推导。在传统的方法很难求得函数关系时，DNN往往有很好的作用。RIS是一种具有可编程特性的人工电磁表面结构，它是由超材料技术发展而来的，RIS具有成本低、功耗低、可编程、易部署等优点。RIS被设计成一个空间电磁波调制器，可以智能地重新配置通信系统中的无线传播环境。

在用于主动无线感知的神经网络中，接收端首先将IRS相位偏移为0的接收信号送入到已经训练好的深度神经网络中，并赋予网络初始隐藏状态和细胞状态，设置智能无线感知的时间间隙数为T。在前T-1个时隙中，接收信号通过LSTM生成新的隐藏状态和细胞状态，再将隐藏状态和细胞状态作为DNN的输入，使得DNN自适应的调整IRS的反射系数，然后基于新的IRS反射系数生成新的接收信号。在T时隙，LSTM把上一时隙生成的接收信号、细胞状态和隐藏状态作为输入，生成新的隐藏状态和细胞状态。最后一个时隙的DNN将LSTM网络的细胞状态作为输入，输出预测的ROI。

发明内容

本发明的目的是提供一种基于深度学习的由智能反射面辅助的无线感知方法，由深度学习网络通过对接收信号的特征进行提取与学习，从而达到无线感知物体的目的，并且通过对IRS反射系数的在线优化来提高无线感知的精度。在设置的时间间隙数为T时，深度学习模块在前T-1个时隙不断地自适应的调整IRS的反射系数并基于新的IRS反射系数生成新的接收信号。在最后一个时隙中，深度学习模块基于所有的的接收信号和细胞状态输出预测的环境信息。

本发明的技术方案是：

基于深度学习的由智能反射面辅助的无线感知方法，具体步骤如下：