一种微波毫米波通信方法及通信系统 |
|||||||
| 申请号 | CN202410138512.8 | 申请日 | 2024-02-01 | 公开(公告)号 | CN117692014B | 公开(公告)日 | 2024-04-23 |
| 申请人 | 北京雷格讯电子股份有限公司; | 发明人 | 占士林; 李永波; 曾齐兴; | ||||
| 摘要 | 本 发明 公开了一种 微波 毫米波通信方法及通信系统，涉及智能化通信技术领域，其发送端，将数据 信号 调制到微波载波上，生成微波信号；在发送端，将所述微波信号通过微波毫米波 变频器 转换为毫米波信号，输出到天线；在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号。在将数据信号调制到微波载波上以生成微波信号的过程中，利用基于 深度学习 的 人工智能 技术来实现自动化调制，以避免大量的人工计算。 | ||||||
| 权利要求 | 1.一种微波毫米波通信方法，包括：在发送端，将数据信号调制到微波载波上，生成微波信号；在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号； |
||||||
| 说明书全文 | 一种微波毫米波通信方法及通信系统技术领域[0001] 本申请涉及智能化通信技术领域，并且更具体地，涉及一种微波毫米波通信方法及通信系统。 背景技术[0002] 微波毫米波通信方法是指利用微波或毫米波作为载波，实现信息的传输和处理的技术。微波毫米波通信方法具有频率高、带宽大、抗干扰强、传输速率快等优点，但也存在一些挑战，如信道特性复杂、硬件成本高等问题。 [0003] 人工智能技术是指利用计算机系统模拟人类智能的过程和结果，包括感知、理解、推理、决策和学习等能力。人工智能技术在各个领域都有广泛的应用，通信就是其中之一。例如，人工智能技术可以对微波毫米波通信的信道特性进行建模和估计，提高信道状态信息的获取精度和效率；人工智能技术可以对微波毫米波通信的资源分配问题进行优化，实现频谱效率的最大化、能耗的最小化；人工智能技术可以对通信的调制编码方案进行设计和优化，提高传输速率和可靠性，降低误码率和复杂度。 [0004] 人工智能技术的发展为解决微波毫米波通信所面临的一些难题和挑战提供了一种新的思路。发明内容 [0005] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种微波毫米波通信方法及通信系统，其发送端，将数据信号调制到微波载波上，生成微波信号；在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号。在将数据信号调制到微波载波上以生成微波信号的过程中，利用基于深度学习的人工智能技术来实现自动化调制，以避免大量的人工计算。 [0006] 第一方面，提供了一种微波毫米波通信方法，其包括：在发送端，将数据信号调制到微波载波上，生成微波信号；在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号； [0007] 其特征在于，在发送端，将数据信号调制到微波载波上，生成微波信号，包括： [0008] 对所述数据信号进行降噪处理以得到降噪后数据信号； [0010] 提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵； [0011] 融合所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列以得到关系拓扑信号波形全局特征矩阵； [0012] 以及基于所述关系拓扑信号波形全局特征矩阵，生成所述微波信号。 [0013] 第二方面，提供了一种微波毫米波通信系统，其包括：微波信号生成模块，用于在发送端，将数据信号调制到微波载波上，生成微波信号；微波信号转换模块，用于在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；毫米波信号转换模块，用于在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，信号后处理模块，用于在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号； [0014] 其特征在于，所述微波信号生成模块，包括： [0015] 降噪处理单元，用于对所述数据信号进行降噪处理以得到降噪后数据信号； [0016] 波形特征提取单元，用于提取所述降噪后数据信号的波形特征以得到数据信号片段波形特征向量的序列； [0017] 关系拓扑特征提取单元，用于提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵； [0018] 特征融合单元，用于融合所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列以得到关系拓扑信号波形全局特征矩阵； [0020] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 [0021] 图1为根据本申请实施例的微波毫米波通信方法的流程图。 [0022] 图2为根据本申请实施例的微波毫米波通信方法的架构示意图。 [0023] 图3为根据本申请实施例的微波毫米波通信系统的框图。 [0024] 图4为根据本申请实施例的微波毫米波通信方法的场景示意图。 具体实施方式[0025] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。 [0026] 除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。 [0027] 在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。 [0028] 需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。 [0029] 微波毫米波通信方法是一种利用微波或毫米波频段进行信息传输和处理的技术，微波波段通常指的是30 GHz到300 GHz之间的频率范围，而毫米波波段则是指30 GHz到300 GHz之间的频率范围。 [0030] 微波毫米波通信方法具有以下优点：微波毫米波具有较高的频率，因此可以提供更大的带宽，使得数据传输速率更快，这使得微波毫米波通信方法适用于高速数据传输和宽带通信需求。由于微波毫米波的频率较高，相对于低频信号，它们在传输过程中受到的干扰较少，这使得微波毫米波通信方法在高噪声环境下表现更好，具有更好的抗干扰能力。由于微波毫米波的波长比较短，因此可以使用较小尺寸的天线进行通信，这使得微波毫米波通信方法在空间受限或需要小型设备的场景中具有优势。 [0031] 尽管微波毫米波通信方法具有许多优点，但也存在一些挑战：微波毫米波在传输过程中受到障碍物的干扰较大，如建筑物、树木等，这些障碍物会导致信号衰减和多径效应，使得信道特性变得复杂，需要采取适当的技术来克服。由于微波毫米波通信方法需要使用高频率的设备和组件，这些设备和组件的成本相对较高，这可能会增加部署和维护微波毫米波通信系统的成本。 [0032] 人工智能技术在微波毫米波通信领域发挥着重要的作用。人工智能技术可以通过学习和推理建立复杂的信道模型，对微波毫米波通信的信道特性进行准确的建模和估计，这有助于优化系统设计和资源分配，提高通信系统的性能和可靠性。微波毫米波通信中的频谱资源和功率资源是有限的，如何合理地分配这些资源是一个重要的问题，人工智能技术可以应用于资源分配算法的设计和优化，通过智能决策和学习，实现频谱效率的最大化、能耗的最小化，提高系统的性能和效益。 [0033] 在微波毫米波通信中，选择合适的调制编码方案对于提高传输速率、降低误码率和复杂度至关重要，人工智能技术可以应用于调制编码方案的设计和优化，通过智能算法和机器学习，找到最佳的调制编码方案，提高通信系统的性能和可靠性。微波毫米波通信中的信道特性随时间和空间的变化而变化，因此需要实时地调整调制方式和波束赋形来适应不同的信道条件。人工智能技术可以应用于自适应调制和波束赋形算法的设计和实现，通过感知和学习，实现对信道状态的实时感知和调整，提高通信系统的性能和适应性。 [0034] 人工智能技术在微波毫米波通信中的应用可以提高系统的性能和可靠性，优化资源分配，设计和优化调制编码方案，实现自适应调制和波束赋形，这些技术的应用有望推动微波毫米波通信的发展，并为未来高速、高容量的通信网络提供支持。 [0035] 图1为根据本申请实施例的微波毫米波通信方法的流程图。图2为根据本申请实施例的微波毫米波通信方法的架构示意图。如图1和图2所示，所述微波毫米波通信方法，包括：110，在发送端，将数据信号调制到微波载波上，生成微波信号；120，在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；130，在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，140，在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号；其特征在于，在发送端，将数据信号调制到微波载波上，生成微波信号，包括：111，对所述数据信号进行降噪处理以得到降噪后数据信号；112，提取所述降噪后数据信号的波形特征以得到数据信号片段波形特征向量的序列；113，提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵；114，融合所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列以得到关系拓扑信号波形全局特征矩阵；以及，115，基于所述关系拓扑信号波形全局特征矩阵，生成所述微波信号。 [0036] 在所述步骤110中，数据信号调制到微波载波上，生成微波信号。在这个步骤中，数据信号被调制到微波载波上，生成微波信号，关键是选择适当的调制技术和参数，以确保数据的准确传输和高效利用频谱资源。通过将数据信号调制到微波载波上，可以实现数据的传输和远距离通信，微波信号具有较高的频率和带宽，可以支持高速数据传输和宽带通信需求。 [0037] 在所述步骤120中，微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线。在这个步骤中，微波信号通过微波毫米波变频器转换为毫米波信号，并输出到天线，关键是确保变频器的性能和转换效率，以及天线的适配和辐射特性。通过将微波信号转换为毫米波信号，并输出到天线，可以实现毫米波信号的传输和发射，毫米波信号具有较高的频率和带宽，可以支持更高的数据传输速率和更大的容量。 [0038] 在所述步骤130中，接收端将天线接收到的毫米波信号通过毫米波微波变频器转换为微波信号，输入到解调器。在这个步骤中，接收端将天线接收到的毫米波信号通过毫米波微波变频器转换为微波信号，并输入到解调器，关键是确保变频器的性能和转换效率，以及解调器的灵敏度和信号处理能力。通过将毫米波信号转换为微波信号，并输入到解调器，可以实现信号的恢复和解调，这样可以提取出原始的数据信号，为后续的处理和分析提供基础。 [0039] 在所述步骤140中，解调器解调出的解调信号进行后处理以得到数据信号。在这个步骤中，解调器对解调出的信号进行后处理，以得到原始的数据信号，后处理包括去除噪声、恢复信号的完整性和准确性等。通过对解调信号进行后处理，可以提高数据信号的质量和可靠性，有助于准确地恢复原始的数据信息，并为后续的数据处理和分析提供可靠的输入。 [0040] 进一步地，在所述步骤111中，对所述数据信号进行降噪处理以得到降噪后数据信号。降噪处理是为了去除数据信号中的噪声成分，提高信号的质量和可靠性，降噪方法包括滤波、小波变换和深度学习等，选择合适的降噪算法和参数是关键。降噪处理可以减少信号中的噪声干扰，提高数据信号的信噪比，有助于提高信号的可靠性和准确性，从而提高通信系统的性能。 [0041] 在所述步骤112中，提取所述降噪后数据信号的波形特征以得到数据信号片段波形特征向量的序列。从降噪后的数据信号中提取波形特征，以获得数据信号片段的波形特征向量序列，波形特征包括幅度、相位、频率等，选择合适的特征提取方法和参数是关键。通过提取数据信号的波形特征，可以捕捉到信号的关键特征信息，这些特征可以用于后续的分析和处理，例如模式识别、分类和调制识别等。 [0042] 在所述步骤113中，提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵。从数据信号片段波形特征向量序列中提取关系拓扑特征，以获得相关度关系拓扑特征矩阵。关系拓扑特征可以描述波形特征向量之间的相互关系，例如相关性、相似性等，选择合适的特征提取方法和关系模型是关键。通过提取数据信号片段波形特征向量序列的关系拓扑特征，可以捕捉到波形特征之间的关联关系，有助于理解和分析信号的结构和特性，为后续的处理和优化提供基础。 [0043] 在所述步骤114中，融合所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列以得到关系拓扑信号波形全局特征矩阵。将相关度关系拓扑特征矩阵和数据信号片段波形特征向量的序列进行融合，得到关系拓扑信号波形全局特征矩阵，融合的方式可以是简单的拼接、加权平均或更复杂的融合算法。通过融合关系拓扑特征和波形特征，可以得到全局的信号特征表示，有助于更全面地描述信号的结构和特性，提供更丰富的信息用于后续的分析和处理。 [0044] 在所述步骤115中，基于所述关系拓扑信号波形全局特征矩阵，生成所述微波信号。基于关系拓扑信号波形全局特征矩阵，生成所需的微波信号，生成微波信号的方式可以根据具体的应用需求进行选择，例如基于调制技术、编码方案等。通过基于关系拓扑信号波形全局特征矩阵生成微波信号，可以保留和利用信号的关键特征和结构信息，有助于提高信号的传输效率和可靠性，满足通信系统的需求。 [0045] 本申请提供了一种微波毫米波通信方法，其具体步骤，包括：在发送端，将数据信号调制到微波载波上，生成微波信号；在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号。 [0046] 特别地，在将数据信号调制到微波载波上以生成微波信号的过程中，本申请的技术构思为利用基于深度学习的人工智能技术来实现自动化调制，以避免大量的人工计算。传统的调制方案设计和优化通常需要大量的人工计算和试错过程，而基于深度学习的人工智能技术可以通过学习大量的数据和模式，自动地学习和优化调制方案，这样可以减少人工计算的工作量，大大提高设计和优化的效率。深度学习模型具有强大的学习能力和泛化能力，可以从大量的数据中学习到复杂的调制模式和特征，通过深度学习模型的训练和优化，可以得到更优秀的调制方案，提高通信系统的性能和可靠性。 [0047] 基于深度学习的人工智能技术可以实现自适应调制，根据不同的信道条件和环境变化，自动调整调制方案，这样可以实现对信道的动态感知和调整，提高通信系统的适应性和鲁棒性。传统的调制方案设计和优化可能存在人为误差和主观因素的影响，而基于深度学习的人工智能技术是基于数据和算法进行决策和优化，不受主观因素的影响，这样可以降低人为误差，提高调制方案的准确性和一致性。 [0048] 基于深度学习的人工智能技术可以学习和适应多种不同的调制需求和场景，无论是高速数据传输还是低功耗通信，深度学习模型都可以通过学习和优化，生成适合特定需求的调制方案。利用基于深度学习的人工智能技术实现自动化调制可以提高效率、提高性能、实现自适应性和适应性、降低人为误差，并适应多样化的通信需求，这些有益效果有助于推动微波毫米波通信的发展，并提升通信系统的性能和可靠性。 [0049] 基于此，在本申请的技术方案中，首先对数据信号进行降噪处理以得到降噪后数据信号。然后，提取所述降噪后数据信号的波形特征以得到数据信号片段波形特征向量的序列。也就是，提取所述降噪后数据信号中所蕴含的波形特征信息，例如，所述降噪后数据信号的幅度特征、频率特征和相位特征。具体来说，幅度特征描述了信号的振幅变化情况，包括峰值、均值、方差等；频率特征描述了信号的频率成分和频谱特性，包括中心频率、带宽、频谱形状等；相位特征描述了信号的相位变化情况，包括相位偏移、相位差等。这些特征信息有助于模型识别输入的数据信号的类型和表达的内容。 [0050] 在本申请的一个具体示例中，提取所述降噪后数据信号的波形特征以得到数据信号片段波形特征向量的序列，包括：对所述降噪后数据信号进行信号片段切分以得到降噪后数据信号片段的序列；以及，利用深度学习网络模型对所述降噪后数据信号片段的序列进行特征提取以得到数据信号片段波形特征向量的序列。 [0051] 其中，所述深度学习网络模型为基于卷积神经网络模型的信号波形特征提取器；其中，所述基于卷积神经网络模型的信号波形特征提取器的网络结构，包括：第一输入层、第一卷积层、第一池化层、第一激活层和第一输出层。 [0052] 进一步地，利用深度学习网络模型对所述降噪后数据信号片段的序列进行特征提取以得到数据信号片段波形特征向量的序列，包括：将所述降噪后数据信号片段的序列通过所述基于卷积神经网络模型的信号波形特征提取器以得到所述数据信号片段波形特征向量的序列。 [0053] 接着，提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵。也就是，捕捉信号片段间的相关性和相互关联关系，以使得模型能够加深对数据信号的理解。具体来说，信号片段的波形特征向量往往具有一定的上下文依赖性，即前后片段的特征之间存在相关性。通过提取序列的关系拓扑特征，可以将这种上下文信息捕捉到模型中。 [0054] 在本申请的一个具体示例中，提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵，包括：计算所述数据信号片段波形特征向量的序列中任意两个数据信号片段波形特征向量之间的相关度以得到相关度关系拓扑矩阵；以及，将所述相关度关系拓扑矩阵通过基于卷积神经网络模型的关系拓扑特征提取器以得到所述相关度关系拓扑特征矩阵。 [0055] 其中，基于卷积神经网络模型的关系拓扑特征提取器，包括：包括：第二输入层、第二卷积层、第二池化层、第二激活层和第二输出层。 [0056] 进一步地，计算所述数据信号片段波形特征向量的序列中任意两个数据信号片段波形特征向量之间的相关度以得到相关度关系拓扑矩阵，包括：以如下相关度公式来计算所述数据信号片段波形特征向量的序列中任意两个数据信号片段波形特征向量之间的相关度，其中，所述相关度公式为： [0057] [0058] 其中， 表示所述数据信号片段波形特征向量的序列中第 个数据信号片段波形特征向量与第 个数据信号片段波形特征向量之间的相关度， 表示所述数据信号片段波形特征向量的序列中第个数据信号片段波形特征向量，且 表示数据信号片段波形特征向量的序列中第 个数据信号片段波形特征向量， 表示转置操作；以及，将多个所述相关度进行二维排列以得到所述相关度关系拓扑矩阵。 [0059] 进一步地，将所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列通过图神经网络模型以得到关系拓扑信号波形全局特征矩阵。这里，图神经网络具有对图结构进行灵活建模的能力。数据信号片段的波形特征向量的序列可以看作是一个图的节点序列，而节点之间的关系拓扑特征可以用图的边来表示。利用图神经网络模型可以有效地融合节点特征和边关系，从而更好地建模信号片段之间的关系和上下文信息。通过利用图神经网络模型对波形特征和数据信号片段波形特征向量的序列的关系拓扑特征进行融合，可以使模型能够更全面地理解信号的时序特征和上下文依赖性。 [0060] 在本申请的一个具体实施例中，融合所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列以得到关系拓扑信号波形全局特征矩阵，包括：将所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列通过图神经网络模型以得到所述关系拓扑信号波形全局特征矩阵。 [0061] 在本申请的一个具体实施例中，基于所述关系拓扑信号波形全局特征矩阵，生成所述微波信号，包括：对所述关系拓扑信号波形全局特征矩阵进行优化以得到优化后关系拓扑信号波形全局特征矩阵；以及，将所述优化后关系拓扑信号波形全局特征矩阵通过基于对抗生成网络的信号调制生成器以得到所述微波信号。 [0062] 这里，所述数据信号片段波形特征向量的序列中的每个数据信号片段波形特征向量表达数据信号片段的波形图像的图像语义特征，由此，将所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列通过图神经网络模型后，所述关系拓扑信号波形全局特征矩阵的与所述数据信号片段波形特征向量对应的特征向量，例如行特征向量用于表达相应的数据信号片段的波形图像的图像语义特征在各个数据信号片段的波形图像的图像语义特征相关度拓扑下的拓扑关联特征，但是，考虑到所述关系拓扑信号波形全局特征矩阵的与所述数据信号片段波形特征向量对应的关系拓扑信号波形全局特征向量，例如行向量归属于图神经网络模型的特征表达独立性，在将所述关系拓扑信号波形全局特征矩阵整体通过分类器时，所述关系拓扑信号波形全局特征矩阵会由于各个关系拓扑信号波形全局特征向量的特征表达独立性而具有分布稀疏化。这样，在将所述关系拓扑信号波形全局特征矩阵通过基于对抗生成网络的信号调制生成器进行概率密度回归映射时，所述关系拓扑信号波形全局特征矩阵到概率空间内的预定概率密度的收敛性差，影响得到的所述微波信号的波形图像语义表示准确性。 [0063] 基于此，本申请的申请人对所述关系拓扑信号波形全局特征矩阵 进行优化，表示为：以如下优化公式对所述关系拓扑信号波形全局特征矩阵进行优化以得到优化后关系拓扑信号波形全局特征矩阵；其中，所述优化公式为： [0064] [0065] [0066] 其中， 表示所述关系拓扑信号波形全局特征矩阵， 表示所述关系拓扑信号波形全局特征矩阵 的逐位置平方图， 为参数可训练的中间权重矩阵，例如基于所述关系拓扑信号波形全局特征矩阵 的分布稀疏化，初始设置为其每个特征值为所述空间拓扑城市地质采样点全局地质特征矩阵 的特征值集合均值，此外， 为所有特征值为1的单位矩阵， 表示过渡矩阵， 表示所述过渡矩阵的逐位置平方图， 表示矩阵加法，表示矩阵的按位置点乘， 表示所述优化后关系拓扑信号波形全局特征矩阵。 [0067] 这里，为了优化所述关系拓扑信号波形全局特征矩阵 的稀疏概率密度在整体概率空间内的分布均匀性和一致性，通过类标准柯西分布式的尾部分布加强机制，来对所述关系拓扑信号波形全局特征矩阵 在高维特征空间内的距离式空间分布进行基于空间角度倾斜式的距离分布优化，以实现所述关系拓扑信号波形全局特征矩阵 的各个局部特征分布的距离弱相关的特征分布空间共振，从而提升所述关系拓扑信号波形全局特征矩阵整体在概率密度分布层面相对于回归概率收敛的均匀性和一致性，提升所述关系拓扑信号波形全局特征矩阵通过基于对抗生成网络的信号调制生成器得到的所述微波信号的波形图像语义表示准确性。 [0068] 继而，将所述优化后关系拓扑信号波形全局特征矩阵通过基于对抗生成网络的信号调制生成器以得到所述微波信号。基于对抗生成网络的信号调制生成器可以学习和模拟真实的微波信号分布，生成高质量的微波信号，通过生成器模型，可以使生成的微波信号与真实信号在波形特征、频谱特性和调制特性等方面相似，从而实现高保真度的信号生成。 [0069] 对抗生成网络的信号调制生成器是基于数据驱动的方法，通过学习大量的真实信号样本，能够捕捉到信号的统计特性和分布规律，生成器模型可以从学习到的数据中提取关键特征，并生成与输入特征相匹配的微波信号，这样可以实现更准确和逼真的信号生成。对抗生成网络的生成器模型具有一定的随机性，可以在生成微波信号时引入随机性因素，从而产生多样性的信号样本，有助于增加信号的多样性和可变性，满足不同应用场景下的需求。通过基于对抗生成网络的信号调制生成器生成微波信号，可以实现对数据的增强和扩展，生成的微波信号可以用于增加训练数据的多样性，提高模型的泛化能力和鲁棒性。同时，生成的微波信号还可以用于模拟和评估不同场景下的性能和效果。 [0070] 综上，基于本申请实施例的微波毫米波通信方法被阐明，其利用基于深度学习的人工智能技术来实现自动化调制，以避免大量的人工计算。 [0071] 在本申请的一个实施例中，图3为根据本申请实施例的微波毫米波通信系统的框图。如图3所示，根据本申请实施例的微波毫米波通信系统200，包括：微波信号生成模块210，用于在发送端，将数据信号调制到微波载波上，生成微波信号；微波信号转换模块220，用于在发送端，将所述微波信号通过微波毫米波变频器转换为毫米波信号，输出到天线；毫米波信号转换模块230，用于在接收端，将所述天线接收到的所述毫米波信号通过毫米波微波变频器转换为所述微波信号，输入到解调器；以及，信号后处理模块240，用于在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号；其特征在于，所述微波信号生成模块210，包括：降噪处理单元211，用于对所述数据信号进行降噪处理以得到降噪后数据信号；波形特征提取单元212，用于提取所述降噪后数据信号的波形特征以得到数据信号片段波形特征向量的序列；关系拓扑特征提取单元213，用于提取所述数据信号片段波形特征向量的序列的关系拓扑特征以得到相关度关系拓扑特征矩阵；特征融合单元214，用于融合所述相关度关系拓扑特征矩阵和所述数据信号片段波形特征向量的序列以得到关系拓扑信号波形全局特征矩阵；以及，微波信号生成单元215，用于基于所述关系拓扑信号波形全局特征矩阵，生成所述微波信号。 [0072] 这里，本领域技术人员可以理解，上述微波毫米波通信系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的微波毫米波通信方法的描述中得到了详细介绍，并因此，将省略其重复描述。 [0073] 如上所述，根据本申请实施例的微波毫米波通信系统200可以实现在各种终端设备中，例如用于微波毫米波通信的服务器等。在一个示例中，根据本申请实施例的微波毫米波通信系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该微波毫米波通信系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该微波毫米波通信系统200同样可以是该终端设备的众多硬件模块之一。 [0074] 替换地，在另一示例中，该微波毫米波通信系统200与该终端设备也可以是分立的设备，并且微波毫米波通信系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。 [0075] 图4为根据本申请实施例的微波毫米波通信方法的场景示意图。如图4所示，在该应用场景中，首先，获取数据信号（例如，如图4中所示意的C）；然后，将获取的数据信号输入至部署有微波毫米波通信算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于微波毫米波通信算法对所述数据信号进行处理，以在接收端，将所述解调器解调出的解调信号进行后处理以得到所述数据信号。 [0076] 还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。 [0077] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。 [0078] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。 |
||||||
QQ群二维码
意见反馈
意见反馈