一种基于编解码器的反向散射通信网络信道预测方法及预测系统

1.本发明属于反向散射通信网络信道预测领域，具体涉及一种基于编解码器的反向散射通信网络信道预测方法及预测系统。


背景技术：

2.反向散射通信技术作为一种低成本与超低功耗的无线通信技术是目标定位、手势识别、医疗检测等应用场景中极具潜力的技术，受到了各界学者的广泛关注。与此同时，反向散射通信技术已被广泛应用于rfid、wi-fi、蓝牙等各种无线平台，基于该技术的网络设备已在人们日常生活中大规模应用。
3.然而，不同于传统的无线通信技术，反向散射通信系统通常采用低功耗的传输方式，且均部署在复杂的网络环境中，系统中有限的传输能量与其所处的复杂网络环境导致其信道状态呈现高度的突发性，严重影响反向散射通信系统的通信质量。因此，为了保证反向散射通信系统具有较好的通信质量，现有研究通常采用预测的信道指标选择信道或基于预测的信道指标进行速率自适应，以此来降低信息传输的损耗、提高系统的吞吐量。由此可知，反向散射通信系统信道质量的提升方法对信道状态的有效获取具有非常强的依赖性。但现有反向散射通信系统的信道预测方法集中在使用马尔科夫模型或传统机器学习，这些方法通常需要人工提取特征或重新设计模型才能适应不同的环境，而基于深度学习的信道预测方法虽然可以自动学习信道特征、并具有较高的预测精度，但其对不同指标和不同场景的适用性很差。
4.因此，如何提供一种预测精度高且高适应性的反向散射通信网络的信道预测方法是本领域技术人员亟需解决的问题。


技术实现要素：

5.本发明的目的在于面向反向散射通信网络信道预测方法预测精度低和适应能力差的问题，从克服反向散射通信独有的双重无线信道、强多径效应与有限的传输能量等问题的角度，利用编解码器数据映射的思想，结合卷积神经网络、长短期记忆网络与注意力机制，提出了一种可根据数据预处理对多种信道指标在不同场景下进行高精度预测的反向散射通信网络信道预测方法及预测系统。
6.为实现上述技术目的，达到上述技术效果，本发明公开了一种基于编解码器的反向散射通信网络信道预测方法，该方法包括以下步骤：
7.步骤1：获取反向散射通信网络的信道指标序列历史数据，进一步对所获取的信道指标序列历史数据进行预处理操作得到数据集；
8.步骤2：按照8：2的比例将所述数据集划分为训练集和测试集，所述训练集用于训练模型参数，所述测试集用于测试已经训练好的模型的泛化性能与准确性；
9.步骤3：将所述训练集以n个为一组进行分割后，以批处理方式输入到模型中对模
型进行训练从而得到训练好的模型，所述模型由编码器和解码器构成；其中，输入数据是长度为n的历史时刻的信道指标序列，输出数据是长度同样为n的未来时刻的信道指标序列；
10.步骤4：使用测试集测试训练好的模型的泛化能力与预测精度，如果模型表现不佳，即模型在测试集上的预测精度小于训练集，则返回到步骤3对模型参数进行调整和优化，直到模型在测试集上的预测精度大于等于训练集，得到最终的信道预测模型；
11.步骤5：采用步骤1中所述的预处理操作对当前时刻的信道指标序列进行预处理操作后输入到最终的信道预测模型中，经过最终的信道预测模型中的编码器处理后得到一个固定长度的信道指标向量，所述信道指标向量压缩编码了整个输入序列的信息，并代表了模型对信道指标序列的解释；将所述信道指标向量与前一时刻的输出序列输入到训练好的解码器得到信道指标序列长度为n的预测值。
12.进一步地，所述预处理操作包括采样、量化、去噪；其中，采样操作是将时间上、幅值上都连续的信道指标序列历史数据通过秒脉冲转化为时间上离散、但幅值上仍连续的离散信号，量化操作是将采样得到的离散信号映射到一组规定的电平信号后得到的时间上、幅值上都离散的数字信号，去噪操作是将数字信号中的噪声去除。
13.进一步地，所述编码器由融合注意力机制的cnn模型实现，
14.其中，所述cnn模型包含卷积层、池化层和全连接层；卷积层的每个节点通过卷积运算从输入的信道指标序列x＝{x
t
|t＝1,2,
…
,n}提取特征，并生成特征图；池化层紧跟在卷积层之后，对由卷积层输入的特征图进行压缩，来获取主要特征；最后，使用全连接层将特征图转化为适用于注意力机制的一维向量；上述三层对应的计算公式分别依次如式(1)、式(2)、式(3)所示：
[0015][0016]
p＝max(c)+b
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2):
[0017]
z＝sigmoid(pwz+bz)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3):
[0018]
其中，c、p和z＝{z
t
|t＝1,2,
…
,m}分别表示卷积层、池化层和全连接层的输出，wc和wz与bc、b
p
和bz分别表示权重和偏差，relu和sigmoid表示激活函数，表示卷积计算，max表示最大池化法；
[0019]
为进一步优化cnn模型的特征提取能力，将注意力机制融合到cnn模型，构成专用于特征提取的编码器；所述编码器中所采用的注意力机制计算公式如下式所示：
[0020]ut
＝tanh(w
uzt
+bu)
ꢀꢀꢀꢀꢀꢀꢀ
(4)；
[0021][0022]
x
t
＝∑
tatzt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0023]
context＝f(x1，x2，
…
，xn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)；
[0024]
其中，u
t
和a
t
分别为提取到的初步特征和该特征与整个序列特征的相关程度，wu和bu分别表示权重和偏差，x
t
为注意力层t时刻的输出,f为激活函数，context为固定长度的信道指标向量，x1,x2,
…
,xn为编码器注意力层的所有输出。
[0025]
进一步地，所述cnn模型为1维cnn，由o个滤波器、p个卷积核、q个最大池化层组成；所述编码器中的注意力机制用于衡量单个初步提取特征与整个序列特征的相关程度，对不同的特征分别以概率方式进行权重分配后汇总成一个固定长度的信道指标向量。
[0026]
进一步地，所述解码器由融合注意力机制的lstm模型实现，所述lstm模型由输入门i
t
、遗忘门f
t
和输出门o
t
三类门控组成，所对应的计算公式分别如下式所示：
[0027]it
＝s(wi·
[h
t-1
，x
t
]+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)；
[0028]ft
＝s(wf·
[h
t-1
，x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；
[0029][0030][0031]ot
＝s(wo·
[h
t-1
，x
t
]+bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)；
[0032]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
13)；
[0033]
其中，表示候选单元状态，c
t
表示新的单元状态，到c
t
为单元状态的更新操作，o
t
为t时刻与x
t
对应的输出序列，s为sigmoid函数，wf、wi、和wo分别表示对应的权重矩阵，bf、bi、和bo分别表示对应的偏置，[h
t-1
,x
t
]表示把两个向量连接成一个更长的向量，h
t
为t时刻单元的输出；
[0034]
为进一步提高lstm模型的长期依赖关系捕获能力，将注意力机制与其融合，组成了专用于长期关系捕获的解码器；所述解码器的注意力机制计算公式如下式所示：
[0035]u′
t
＝tanh(wu′ht
+bu′
)
ꢀꢀꢀꢀꢀꢀ
14)；
[0036][0037]yt
＝∑
ta′
tht
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)；
[0038]yt
＝g(y
t-1
，y
t
，context)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)；
[0039]
其中，u'
t
和a'
t
分别为提取到的初步特征和该特征与整个序列特征的相关程度，w
u'
和b
u'
表示权重和偏差，g为激活函数，y
t
为注意力层t时刻的输出，y
t
与y
t-1
分别为解码器t时刻与t-1时刻的输出，最后由不同时刻的输出构成信道指标的预测值序列y＝{y
t
|t＝1,2,
…
,n}。
[0040]
进一步地，所述lstm模型采用mse作为目标函数，优化器为adam；所述解码器的注意力机制用于衡量单个序列特征与全局特征的相关程度，对不同序列的特征分别以概率方式进行权重分配，并融合前一时刻解码器的输出后汇总成信道指标的预测值序列。
[0041]
进一步地，所述信道预测模型采用基于编解码器模型的序列到序列的预测模式，所述信道指标输入与输出序列长度均为n，n均为10，训练数据长度与训练周期由实验测试效果确定。
[0042]
本发明还提供了一种基于编解码器的反向散射通信网络信道预测系统，所述预测系统用以实现如上述任一所述反向散射通信网络信道预测方法，至少包括以下部分：
[0043]
数据预处理模块：包括采样、量化、去噪操作，主要用于规范化信道指标序列，得到时间上、幅值上都离散的信道指标序列；
[0044]
编码器模块：融合注意力机制的cnn模型，主要用于提取信道指标序列的局部特征，并生成一个包含输入数据重要特征的信道指标向量；
[0045]
解码器模块：融合注意力机制的lstm模型，进一步提取信道指标序列间的长期依赖关系，并输出信道指标预测值序列。
[0046]
本发明具有以下有益效果：
[0047]
本发明公开一种基于编解码器的反向散射通信网络信道预测方法，该方法综合考虑了不同信道指标时域和幅值上连续性不同的问题，使用采样、量化和去噪组成的预处理操作得到时间上、幅值上都离散的信道指标序列，然后借鉴编解码器结构数据映射的思想，将卷积神经网络与注意力机制结合组成编码器用于提取信道指标序列的局部特征，将长短期记忆网络与注意力机制结合组成解码器用于进一步提取信道指标序列间的长期依赖关系，并输出信道指标预测值序列，克服了反向散射通信网络双重无线信道、强多径效应与有限的传输能量等导致的信道预测精度低，预测方法适应能力差的问题。此外，本发明所提出的信道预测方法增强了其在不同信道指标上的适用性，为信道预测方法的标准化提供保障。
附图说明
[0048]
图1为本发明中反向散射通信网络信道预测方法的流程示意图。
[0049]
图2为本发明实施例1中编解码器结构示意图。
[0050]
图3为本发明实施例1中卷积神经网络结构示意图。
[0051]
图4为本发明实施例1中长短期记忆神经网络结构示例图。
[0052]
图5为本发明实施例1中信道预测方法预测值和真实值的比较图。
具体实施方式
[0053]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。
[0054]
实施例1
[0055]
结合图1-5所示，本实施例利用1个impinj speedway r420阅读器、1个圆极化laird s9028pc天线以及4个wisp和4个e41-b无源标签搭建标签静止、小车移动和行人移动三种场景下的反向散射通信系统。人选一个e41-b标签作为目标标签，其他标签作为干扰标签。当标签与阅读器进行通信时，为目标标签执行信道预测。其中，标签静止场景下，所有标签的位置不变，且周围环境不存在主动干扰，小车移动场景下，将目标标签粘贴在小车侧面，小车沿着桌子以大约0.25m/s的速度做往返运动，目标标签在固定高度随小车运动，标签波运动场景下，将目标标签粘贴在行人手腕处，行人在天线与桌子之间来回走动，目标标签随行人手臂摆动。基于keras 2.4.3和tensorflow 2.4.0实现所述基于编解码器的反向散射通信网络信道预测方法，所述的信道指标以接收信号强度指标为例，如图1所示，基于编解码器的反向散射通信网络信道预测方法实施步骤如下：
[0056]
步骤1：分别采集标签静止、小车移动和行人移动三种场景下反向散射通信系统目标标签接收信号强度的历史时间序列数据，每种场景下采集时间分别为20分钟，并将三种场景下所采集到的接收信号强度历史时间序列数据分别进行采样、量化、去噪操作得到三组数据集；采样操作采用秒脉冲(即每秒采样一次)对采集到的20分钟的接收信号强度进行采样，获得数据集长度为1200的数据集；量化操作是将采样得到的离散信号映射到一组整数序列的电平信号后得到的时间上、幅值上都离散的数字信号，本实例将数据集中的每个数据点通过四舍五入进行取整操作；去噪操作是将数字信号中的离群点噪声数据去除；
[0057]
步骤2：将所述的每组数据集分别按照8：2的比例划分为训练集和测试集，训练集长度为960，用于训练模型的参数，测试集长度为240，用于检验已经训练好的最终模型的泛化性能与准确性；
[0058]
步骤3：将训练数据长度为960的训练集以10个为一组进行分割后，按照批处理的方式输入到如图2所示的模型中对模型进行训练；其中，输入数据是长度为10的历史时刻的信道指标序列，输出数据是长度同样为10的下一时刻的信道指标序列；
[0059]
现有技术中的编码器采用cnn+lstm结构，解码器采用lstm结构，在实际使用过程中存在编码器特征提取能力不足，与解码器长期依赖关系捕获能力不足的问题，本技术进一步做出了改进，通过采用cnn+注意力机制作为编码器，lstm+注意力机制作为解码器的方式，通过调整优化编解码器结构，提高了模型的特征提取与长期依赖关系捕获能力，并且本技术还可以加快模型的收敛速度，减少模型的训练时间。其中，cnn模型采用一维cnn，使用滤波器个数o为2、卷积核个数p为1、最大池化层数量q为1；卷积层的每个节点通过卷积运算从输入的信道指标序列x＝{x
t
|t＝1,2,
…
,10}提取特征，并生成特征图；池化层紧跟在卷积层之后，对由卷积层输入的特征图进行压缩，来获取主要特征；最后，使用全连接层将特征图转化为适用于注意力机制的一维向量；上述三层对应的计算公式分别依次如式(1)、式(2)、式(3)所示：
[0060][0061]
p＝max(c)+b
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
[0062]
z＝sigmoid(pwz+bz)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0063]
其中，c、p和z＝{z
t
|t＝1,2,
…
,m}分别表示卷积层、池化层和全连接层的输出，wc和wz与bc、b
p
和bz分别表示权重和偏差，relu和sigmoid表示激活函数，表示卷积计算，max表示最大池化法；
[0064]
为进一步优化cnn模型的特征提取能力，将注意力机制融合到cnn模型，如图3所示，构成专用于特征提取的编码器；编码器中所采用的注意力机制计算公式如下式所示：
[0065]ut
＝tanh(w
uzt
+bu)
ꢀꢀꢀꢀꢀꢀꢀ
(4)；
[0066][0067]
x
t
＝∑
tatzt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0068]
context＝f(x1，x2，
…
，xn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)；
[0069]
其中，u
t
和a
t
分别为提取到的初步特征和该特征与整个序列特征的相关程度，wu和bu分别表示权重和偏差，x
t
为注意力层t时刻的输出,f为relu函数，context为固定长度的信道指标向量，x1,x2,
…
,xn为编码器注意力层的所有输出。
[0070]
如图4所示，lstm模型神经元个数为80个，采用mse作为目标函数，优化器为adam，学习率为0.001，由输入门i
t
、遗忘门f
t
和输出门o
t
三类门控组成，他们对应的计算公式分别如下式所示：
[0071]it
＝s(wi·
[h
t-1
，x
t
]+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)；
[0072]ft
＝s(wf·
[h
t-1
，x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；
[0073]
[0074][0075]ot
＝s(wo·
[h
t-1
，x
t
]+bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)；
[0076]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)；
[0077]
其中，表示候选单元状态，c
t
表示新的单元状态，到c
t
为单元状态的更新操作，o
t
为t时刻与x
t
对应的输出序列，s为sigmoid函数，wf、wi、和wo分别表示对应的权重矩阵，bf、bi、和bo分别表示对应的偏置，[h
t-1
,x
t
]表示把两个向量连接成一个更长的向量，h
t
为t时刻单元的输出；
[0078]
为进一步提高lstm模型的长期依赖关系捕获能力，将注意力机制与其融合，组成了专用于长期关系捕获的解码器；解码器的注意力机制计算公式如下式所示：
[0079]u′
t
＝tanh(wu′ht
+bu′
)
ꢀꢀꢀꢀꢀꢀ
(14)；
[0080][0081]yt
＝∑
ta′
tht
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)；
[0082]yt
＝g(y
t-1
，y
t
，context)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)；
[0083]
其中，u
′
t
和a
′
t
分别为提取到的初步特征和该特征与整个序列特征的相关程度，wu′
和bu′
表示权重和偏差，g为relu函数，y
t
为注意力层t时刻的输出，y
t
与y
t-1
分别为解码器t时刻与t-1时刻的输出，最后由不同时刻的输出构成信道指标的预测值序列y＝{y
t
|t＝1,2,
…
,10}。
[0084]
最后，迭代训练2000次得到训练好的模型。
[0085]
步骤4：使用测试集测试训练好的模型的泛化能力与预测精度，如果模型表现不佳，即模型在测试集上的预测精度小于训练集，则返回到步骤3对模型参数进行调整和优化，直到模型在测试集上的预测精度大于等于训练集，得到最终的信道预测模型；
[0086]
步骤5：将不同场景下的当前时刻的接收信号强度序列经过同步骤1的预处理操作后分别输入编解码器得到长度为10的接收信号强度预测值序列。预测结果如图5所示，结果表明，本实施例所述的信道预测方法具有较强的适用性与较高的精度，能够在多种复杂环境下完成反向散射通信网络的信道预测任务。
[0087]
实施例2
[0088]
结合实施例1，本实施例提供了一种基于编解码器的反向散射通信网络信道预测系统，所述预测系统用以实现实施例1中所述反向散射通信网络信道预测方法，至少包括以下部分：
[0089]
数据预处理模块：包括采样、量化、去噪操作，主要用于规范化信道指标序列，得到时间上、幅值上都离散的信道指标序列；
[0090]
编码器模块：融合注意力机制的cnn模型，主要用于提取信道指标序列的局部特征，并生成一个包含输入数据重要特征的上下文向量；
[0091]
解码器模块：融合注意力机制的lstm模型，进一步提取信道指标序列间的长期依赖关系，并输出信道指标预测值序列。
[0092]
所述数据预处理模块，获取反向散射通信网络的信道指标序列历史数据，并对所获取的信道指标序列历史进行预处理操作后得到数据集，同时按照8：2的比例将所述数据
集划分为训练集和测试集，所述训练集用于训练模型参数，所述测试集用于检验已经训练好的模型的泛化性能与准确性；
[0093]
所述编码器模块及解码器模块构成预测模型，将训练集以10个为一组进行分割后，以批处理方式输入到模型中对模型进行训练，进而得到训练好的预测模型；
[0094]
通过测试集测试训练好的模型的泛化能力与预测精度，若模型表现不佳，即模型在测试集上的预测精度小于训练集，则返回对模型进行调整和优化，直到模型在测试集上的预测精度大于等于训练集，得到最终的预测模型；
[0095]
采用数据预处理模块对当前时刻的信道指标序列进行预处理操作后输入到最终的信道预测模型中，经过最终的信道预测模型中的编码器处理后得到一个固定长度的上下文向量，所述上下文向量压缩编码了整个输入序列的信息，并代表了模型对信道指标序列的解释；将所述上下文向量与前一时刻的输出序列输入到训练好的解码器得到信道指标序列长度为10的预测值。
[0096]
本发明提供了一种基于编解码器的反向散射通信网络信道预测方法，该方法综合考虑了不同信道指标时域和幅值上连续性不同的问题，使用采样、量化和去噪组成的预处理操作得到时间上、幅值上都离散的信道指标序列，然后借鉴编解码器结构数据映射的思想，将卷积神经网络与注意力机制结合组成编码器用于提取信道指标序列的局部特征，将长短期记忆网络与注意力机制结合组成解码器用于进一步提取信道指标序列间的长期依赖关系，并输出信道指标预测值序列，克服了反向散射通信网络双重无线信道、强多径效应与有限的传输能量等导致的信道预测精度低，预测方法适应能力差的问题。此外，本发明所提出的信道预测方法增强了其在不同信道指标上的适用性，为信道预测方法的标准化提供保障。
[0097]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，该方法包括以下步骤：步骤1：获取反向散射通信网络的信道指标序列历史数据，进一步对所获取的信道指标序列历史数据进行预处理操作得到数据集；步骤2：按照8：2的比例将所述数据集划分为训练集和测试集，所述训练集用于训练模型参数，所述测试集用于测试已经训练好的模型的泛化性能与准确性；步骤3：将所述训练集以n个为一组进行分割后，以批处理方式输入到模型中对模型进行训练从而得到训练好的模型，所述模型由编码器和解码器构成；其中，输入数据是长度为n的历史时刻的信道指标序列，输出数据是长度同样为n的未来时刻的信道指标序列；步骤4：使用测试集测试训练好的模型的泛化能力与预测精度，如果模型表现不佳，即模型在测试集上的预测精度小于训练集，则返回到步骤3对模型参数进行调整和优化，直到模型在测试集上的预测精度大于等于训练集，得到最终的信道预测模型；步骤5：采用步骤1中所述的预处理操作对当前时刻的信道指标序列进行预处理操作后输入到最终的信道预测模型中，经过最终的信道预测模型中的编码器处理后得到一个固定长度的信道指标向量，所述信道指标向量压缩编码了整个输入序列的信息，并代表了模型对信道指标序列的解释；将所述信道指标向量与前一时刻的输出序列输入到训练好的解码器得到信道指标序列长度为n的预测值。2.根据权利要求1所述的一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，所述预处理操作包括采样、量化、去噪；其中，采样操作是将时间上、幅值上都连续的信道指标序列历史数据通过秒脉冲转化为时间上离散、但幅值上仍连续的离散信号，量化操作是将采样得到的离散信号映射到一组规定的电平信号后得到的时间上、幅值上都离散的数字信号，去噪操作是将数字信号中的噪声去除。3.根据权利要求1所述的一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，所述编码器由融合注意力机制的cnn模型实现，其中，所述cnn模型包含卷积层、池化层和全连接层；卷积层的每个节点通过卷积运算从输入的信道指标序列x＝{x
t
|t＝1,2,
…
,n}提取特征，并生成特征图；池化层紧跟在卷积层之后，对由卷积层输入的特征图进行压缩，来获取主要特征；最后，使用全连接层将特征图转化为适用于注意力机制的一维向量；上述三层对应的计算公式分别依次如式(1)、式(2)、式(3)所示：p＝max(c)+b
p
ꢀꢀꢀꢀ
(2)；z＝sigmoid(pw
z
+b
z
)
ꢀꢀꢀꢀ
(3)；其中，c、p和z＝{z
t
|t＝1，2，...，m}分别表示卷积层、池化层和全连接层的输出，w
c
和w
z
与b
c
、b
p
和b
z
分别表示权重和偏差，relu和sigmoid表示激活函数，表示卷积计算，max表示最大池化法；为进一步优化cnn模型的特征提取能力，将注意力机制融合到cnn模型，构成专用于特征提取的编码器；所述编码器中所采用的注意力机制计算公式如下式所示：u
t
＝tanh(w
u
z
t
+b
u
)
ꢀꢀꢀꢀ
(4)；
x
t
＝∑
t
a
t
z
t
ꢀꢀꢀꢀ
(6)；context＝f(x1，x2，
…
，x
n
)
ꢀꢀꢀꢀꢀ
(7)；其中，u
t
和a
t
分别为提取到的初步特征和该特征与整个序列特征的相关程度，w
u
和b
u
分别表示权重和偏差，x
t
为注意力层t时刻的输出，f为激活函数，context为固定长度的信道指标向量，x1，x2，
…
，x
n
为编码器注意力层的所有输出。4.根据权利要求3所述的一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，所述cnn模型为1维cnn，由o个滤波器、p个卷积核、q个最大池化层组成；所述编码器中的注意力机制用于衡量单个初步提取特征与整个序列特征的相关程度，对不同的特征分别以概率方式进行权重分配后汇总成一个固定长度的信道指标向量。5.根据权利要求1所述的一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，所述解码器由融合注意力机制的lstm模型实现，所述lstm模型由输入门i
t
、遗忘门f
t
和输出门o
t
三类门控组成，所对应的计算公式分别如下式所示：i
t
＝s(w
i
·
[h
t-1
，x
t
]+b
i
)
ꢀꢀꢀꢀ
(8)；f
t
＝s(w
f
·
[h
t-1
，x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；(9)；o
t
＝s(w
o
·
[h
t-1
，x
t
]+b
o
)
ꢀꢀꢀꢀ
(12)；h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀ
(13)；其中，表示候选单元状态，c
t
表示新的单元状态，到c
t
为单元状态的更新操作，o
t
为t时刻与x
t
对应的输出序列，s为sigmoid函数，w
f
、w
i
、和w
p
分别表示对应的权重矩阵，b
f
、b
i
、和b
o
分别表示对应的偏置，[h
t-1
，x
t
]表示把两个向量连接成一个更长的向量，h
t
为t时刻单元的输出；为进一步提高lstm模型的长期依赖关系捕获能力，将注意力机制与其融合，组成了专用于长期关系捕获的解码器；所述解码器的注意力机制计算公式如下式所示：u
′
t
＝tanh(w
u
′
h
t
+b
u
′
)
ꢀꢀꢀꢀ
(14)；y
t
＝∑
t
a
′
t
h
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(16)：y
t
＝g(y
t-1
，y
t
，context)
ꢀꢀꢀꢀ
(17)；其中，u
′
t
和a
′
t
分别为提取到的初步特征和该特征与整个序列特征的相关程度，w
u
′
和b
u
′
表示权重和偏差，g为激活函数，y
t
为注意力层t时刻的输出，y
t
与y
t-1
分别为解码器t时刻与t-1时刻的输出，最后由不同时刻的输出构成信道指标的预测值序列y＝{y
t
|t＝1，2，...，n}。6.根据权利要求5所述的一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，所述lstm模型采用mse作为目标函数，优化器为adam；所述解码器的注意力机制用于衡量单个序列特征与全局特征的相关程度，对不同序列的特征分别以概率方式进行权重
分配，并融合前一时刻解码器的输出后汇总成信道指标的预测值序列。7.根据权利要求1所述的一种基于编解码器的反向散射通信网络信道预测方法，其特征在于，所述信道预测模型采用基于编解码器模型的序列到序列的预测模式，所述信道指标输入与输出序列长度均为n。8.一种基于编解码器的反向散射通信网络信道预测系统，其特征在于，所述预测系统用以实现权利要求1-7任一所述反向散射通信网络信道预测方法，至少包括以下部分：数据预处理模块：包括采样、量化、去噪操作，主要用于规范化信道指标序列，得到时间上、幅值上都离散的信道指标序列；编码器模块：融合注意力机制的cnn模型，主要用于提取信道指标序列的局部特征，并生成一个包含输入数据重要特征的信道指标向量；解码器模块：融合注意力机制的lstm模型，进一步提取信道指标序列间的长期依赖关系，并输出信道指标预测值序列。

技术总结
本发明属于反向散射通信网络信道预测领域，公开一种基于编解码器的反向散射通信网络信道预测方法及预测系统，该方法综合考虑了不同信道指标时域和幅值上连续性不同的问题，使用采样、量化和去噪组成的预处理操作得到时间上、幅值上都离散的信道指标序列，然后借鉴编解码器结构数据映射的思想，将卷积神经网络与注意力机制结合组成编码器用于提取信道指标序列的局部特征，将长短期记忆网络与注意力机制结合组成解码器用于进一步提取信道指标序列间的长期依赖关系，并输出信道指标预测值序列，克服了反向散射通信网络双重无线信道、强多径效应与有限的传输能量等导致的信道预测精度低，预测方法适应能力差的问题。预测方法适应能力差的问题。预测方法适应能力差的问题。


技术研发人员：徐双 文永新 贺雷刚 赵菊敏 李灯熬 何强
受保护的技术使用者：太原理工大学
技术研发日：2023.06.16
技术公布日：2023/8/28