CN116244583B 基于深度学习的由智能反射面辅助的无线感知方法 （浙江工业大学）

基于深度学习的由智能反射面辅助的无线本发明公开了基于深度学习的由智能反射收到的探测信号调整IRS反射系数，并且通过推发明针对由IRS辅助的，基于像素块划分以及深现对物体的无线感知，以及通过对IRS反射系数22)中央处理器通过RX接收信号，并通过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v0-0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3分别是Tx到ROI和ROI到Rx信号的幅度系数，分别是Tx到ROI和Tx到IRS的第k个微面到ROI的第n个像素块再到Rx的kTx到ROI的第n个像素块到IRS第k个微面再到Rx的代表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43.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的激活函所述2.3)中预测环境信息的表达式由以下是神经网络架构预测的环境信息，F:RTDXRTK→RM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；y1:T为初始时隙t＝0到时隙t＝T时的接收信1:T为初始时隙t＝0到时隙t＝T时的IRS的反射系数；其中,(A",b"),是最后一个时隙的R层DNN网络的权重和偏置，of"是DNN的激活函数，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5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，(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6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反射系数生代表Tx到第n个像素块的信道的遮挡系数。0-1代表该像素块没有被[0017]代表第n个像素块到Rx的信道的遮挡系数，IRS到ROI的信道的遮挡矩阵可以7[0031]2)中央处理器通过RX接收信号感知ROI，在训练过程中通过不断地与环境进行交[0038]其中，是我们设置的前T-1个时隙的L层DNN的权重和偏置,是[0039]2.3)在最后的一个时隙中，即t＝TLSTM+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ct作为DNN的输入，最8[0041]是神经网络架构预测的环境信息，p:RTDXRTK→RM可以看作智能体根据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好[0049]1)本发明提出了一种基于深度学习的(LSTM+BiLSTM+DNN)由IRS辅助的无线感知[0050]2)基于IRS的现有感知算法与反射面反射系数设计相互独立，在其他无线感知算受到了极大的限制。该无线感知方法可以通过深度学习模块在线自适应的优化IRS反射系9前，首先在目标区域内生成多个形状各异的ROI并得到它们在IRS相位偏移为0时的接收信号输送到深度神经网络中进行训练；然后再将需要探测的ROI的形状输入到需要好的神经[0063]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[0079]2)中央处理器通过RX接收信号感知ROI，在训练过程中通过不断地与环境进行交[0082]vr1=se1:pv1:p),t=[0086]其中，是我们设置的前T-1个时隙的L层DNN的权重和偏置,of"是[0087]2.3)在最后的一个时隙中，即t＝TLSTM+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ct作为DNN的输入，最[0089]是神经网络架构预测的环境信息，F:RTDXRTK→RM可以看作智能体根据标区域中生成形状随机的ROI，通过Tx发射探测信号到目