【技術實現步驟摘要】
本專利技術屬于無線通信，具體涉及一種基于2d深度學習的3d室內無線電地圖估計方法及系統。
技術介紹
1、無線電地圖以圖片的形式描述接收信號強度的空間分布，圖片中每個像素的位置對應接收機物理位置，其像素值表示路徑損耗值。無線電地圖具有廣闊的應用前景，如指紋定位、機器人路徑規劃、空中基站部署、干擾管理等。例如，采用無線電地圖，計算機視覺技術可用于提升指紋定位的精度和效率。
2、利用無線電地圖賦能相關應用的首要問題在于無線電地圖的獲取。傳統的無線電地圖大都通過現場勘探獲取，但由于物理限制存在部分不可達區域，導致無線電地圖數據缺失。為補全無線電地圖，根據測量值估計未測量路徑損耗的無線電地圖重構受到廣泛關注。現場勘探要求已部署基站，然而，網絡規劃階段未部署基站，無線電地圖對于優化基站部署位置也很重要。物理仿真方法可在無測量值的情況下，根據所提供的環境數據，搜索發射機和接收機之間可能的傳播路徑，并結合天線特性、障礙物材質、散射和衍射參數計算路徑損耗。其中，搜索無線電傳播路徑需要極大的計算開銷，導致物理仿真耗時長。因此，高效的無線電地圖估計方法亟待研究。
3、由于深度學習具有推理速度快、精度高的特點，基于深度學習的無線電地圖估計受到廣泛關注。現有基于深度學習的室內無線電地圖估計主要關注2d無線電地圖，忽略發射機、接收機和障礙物高度的影響，而室內場景必須考慮高度。雖然將現有2d無線電地圖估計方法的2d操作改為3d，可實現3d室內無線電地圖估計，但3d深度學習算法計算開銷大。因此，需要進一步研究計算高效的3d室內無線電地圖
技術實現思路
1、本專利技術所要解決的技術問題是：提供一種基于2d深度學習的3d室內無線電地圖估計方法及系統，解決了現有技術中3d室內無線電地圖估計效率和精度低的問題。
2、本專利技術為解決上述技術問題采用以下技術方案：
3、基于2d深度學習的3d室內無線電地圖估計方法，包括如下步驟：
4、步驟1、將預先仿真獲取的若干3d無線電地圖估計的輸入和輸出構建為含有高度信息的2d圖片，用像素值表示建筑物、家具和發射機高度，用不同的輸出通道生成不同高度的3d無線電地圖，所述2d圖片包括建筑物布局圖、家具布局圖和發射機位置圖；
5、步驟2、根據3d無線電地圖的特征構建2d深度學習方法估計模型，將步驟1中獲取的2d圖片分為訓練集、交叉驗證集和測試集；
6、步驟3、設置2d深度學習方法估計模型的訓練參數和損失函數；
7、步驟4、應用訓練集對2d深度學習方法估計模型進行訓練，使用交叉驗證集進行驗證，并實時對2d深度學習方法估計模型的參數進行更新，直至訓練完成，并應用測試集對模型進行估計精度測評；
8、步驟5、將環境參數輸入至步驟4獲取的最優2d深度學習方法估計模型中，估計獲得3d室內無線電地圖。
9、所述2d深度學習方法估計模型的具體架構包括編碼器和解碼器，其中，編碼器中包括若干級聯殘差模塊；解碼器包括若干最近鄰上采樣模塊；編碼器和解碼器之間連接路徑損耗特征增強模塊。
10、構建2d深度學習方法估計模型的具體過程如下：
11、步驟2.1、基于u-net的編碼器和解碼器結構模型，根據路徑損耗的特點，采用隨機丟棄層和級聯殘差模塊，增強特征提取；
12、步驟2.2、采用最近鄰插值算法，解碼器將編碼器提取到的特征恢復到原始圖像的尺寸上，從而實現像素級的無線電地圖估計；
13、步驟2.3、采用跳躍連接，將編碼器所提特征傳遞給解碼器。
14、步驟2.1中，對于分辨率相對低的特征圖，采用隨機丟棄層，增強泛化性；通過級聯殘差模塊增強非線性特征提取。
15、所述步驟3中的訓練參數包括網絡初始學習率、學習率衰減方式、網絡迭代次數。
16、所述損失函數選擇均方誤差，具體表示如下：
17、
18、其中，為第i張估計的無線電地圖，v(i)為真值；ntrain為訓練樣本的個數。
19、步驟1中，用像素值表示建筑物、家具和發射機高度的具體方法如下：
20、用像素值0表示無物體，用像素值1表示最高物體hmax，高度為henv的物體所在像素點的值根據如下公式計算：
21、venv＝(henv+ε)/(hmax+ε)，其中ε為區分位于地面的物體設置的一個常數。
22、計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質上存儲計算機可讀指令，所述計算機可讀指令被處理器執行時調用所述方法的全部或部分步驟。
23、基于2d深度學習的3d室內無線電地圖估計系統，包括處理器模塊、3d無線電地圖仿真模塊、存儲器模塊；其中，處理器模塊調用所述方法，估計3d室內無線電地圖；3d無線電地圖仿真模塊用于仿真獲取模型訓練所需要的數據集，并進行預處理；存儲器模塊用于將預處理后的數據進行分類存儲。
24、與現有技術相比，本專利技術具有以下有益效果：
25、1、采用本專利技術所提方法，所有基于深度學習的2d無線電地圖估計方法都可估計3d無線電地圖，降低了計算開銷和內存需求。同時所提方法也可用于2d無線電地圖估計，以輸入環境高度信息。
26、2、本專利技術還提出一種用于3d室內無線電地圖估計的2d深度學習方法r2net(radioresidual?network)，所提方法r2net根據路徑損耗特點，增強特征提取，以提高估計精度，同時實現更快的估計速度。
27、3、所提方法r2net還通過隨機丟棄層，實現了強泛化能力。
本文檔來自技高網...【技術保護點】
1.基于2D深度學習的3D室內無線電地圖估計方法，其特征在于：包括如下步驟：
2.根據權利要求1所述的基于2D深度學習的3D室內無線電地圖估計方法，其特征在于：所述2D深度學習方法估計模型的具體架構包括編碼器和解碼器，其中，編碼器中包括若干級聯殘差模塊；解碼器包括若干最近鄰上采樣模塊；編碼器和解碼器之間連接路徑損耗特征增強模塊。
3.根據權利要求2所述的基于2D深度學習的3D室內無線電地圖估計方法，其特征在于：構建2D深度學習方法估計模型的具體過程如下：
4.根據權利要求3所述的基于2D深度學習的3D室內無線電地圖估計方法，其特征在于：步驟2.1中，對于分辨率相對低的特征圖，采用隨機丟棄層，增強泛化性；通過級聯殘差模塊增強非線性特征提取。
5.根據權利要求1所述的基于2D深度學習的3D室內無線電地圖估計方法，其特征在于：所述步驟3中的訓練參數包括網絡初始學習率、學習率衰減方式、網絡迭代次數。
6.根據權利要求5所述的基于2D深度學習的3D室內無線電地圖估計方法，其特征在于：所述損失函數選擇均方誤差，具體表示如下：
...【技術特征摘要】
1.基于2d深度學習的3d室內無線電地圖估計方法，其特征在于：包括如下步驟：
2.根據權利要求1所述的基于2d深度學習的3d室內無線電地圖估計方法，其特征在于：所述2d深度學習方法估計模型的具體架構包括編碼器和解碼器，其中，編碼器中包括若干級聯殘差模塊；解碼器包括若干最近鄰上采樣模塊；編碼器和解碼器之間連接路徑損耗特征增強模塊。
3.根據權利要求2所述的基于2d深度學習的3d室內無線電地圖估計方法，其特征在于：構建2d深度學習方法估計模型的具體過程如下：
4.根據權利要求3所述的基于2d深度學習的3d室內無線電地圖估計方法，其特征在于：步驟2.1中，對于分辨率相對低的特征圖，采用隨機丟棄層，增強泛化性；通過級聯殘差模塊增強非線性特征提取。
5.根據權利要求1所述的基于2d深度學習的3d室內無線電地圖估計方法，其特征在于：所述步驟3中的訓練參數包括網絡初始學習率、學...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。