基于毫米波雷达感知的CNN⁃ConvLSTM多时刻阻塞预测方法.pdf
《基于毫米波雷达感知的CNN⁃ConvLSTM多时刻阻塞预测方法.pdf》由会员分享,可在线阅读,更多相关《基于毫米波雷达感知的CNN⁃ConvLSTM多时刻阻塞预测方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第5期2023年10月Vol.21 No.5October 2023雷达科学与技术Radar Science and TechnologyDOI:10.3969/j.issn.16722337.2023.05.009基于毫米波雷达感知的CNNConvLSTM多时刻阻塞预测方法罗文宇,钟云开,邵霞,段臣续(华北水利水电大学电子工程学院,河南郑州 450046)摘要:针对当前毫米波雷达辅助无线通信单时刻阻塞预测无法适应高移动复杂场景的问题,提出一种结合卷积神经网络(CNN)和时空序列预测模型(ConvLSTM)的多时刻持续阻塞预测方法。该方法通过构造时间分布层存储CNN提取的热图特征,解决了卷积神
2、经网络单次处理多张雷达热图可能存在的特征缺失问题,实现了连续热图特征的多帧分组。进而,利用ConvLSTM对输入多帧时空序列进行处理实现多时刻阻塞预测。利用DeepSense 6G真实场景数据的实验结果表明,该方法的多时刻预测结果均能达到90%的准确率和80%以上的F1score,具备多时刻精确阻塞预测能力。本文方法在复杂动态环境下高频段通信的高可靠、低时延QoS保障方面具有重要的理论和应用价值。关键词:毫米波雷达;无线通信;卷积神经网络;时空序列预测模型;多时刻阻塞预测中图分类号:TN957文献标志码:A文章编号:16722337(2023)05053108MultiTime Blockin
3、g Prediction Method of CNNConvLSTM Based on MillimeterWave Radar PerceptionLUO Wenyu,ZHONG Yunkai,SHAO Xia,DUAN Chenxu(School of Electronic Engineering,North China University of Water Resources and Electric Power,Zhengzhou 450046,China)Abstract:Aiming at the problem that the current millimeterwave r
4、adar assisted wireless communication singletime blocking prediction cannot adapt to the high movement complex scene,a multitime continuous blocking predictionmethod combining convolutional neural network(CNN)and spatiotemporal series prediction model(ConvLSTM)isproposed.By constructing a time distri
5、bution layer to store the heat map features extracted by CNN,this method solvesthe problem of feature missing that may exist in the single processing of multiple radar heat maps by CNN,and realizesthe multiframe grouping of continuous heat map features.Then,ConvLSTM is used to process the input mult
6、iframe spatiotemporal sequence to achieve multitime blocking prediction.The experimental results using DeepSense 6G real scenedata show that the multitime prediction results of this method can reach 90%accuracy and more than 80%F1score,andthe proposed method has the ability of multitime accurate blo
7、cking prediction.The method in this paper has importanttheoretical and application values in high reliability and low delay QoS guarantee of high frequency communication incomplex dynamic environment.Key words:millimeterwave radar;wireless communication;convolutional neural network(CNN);spatiotempor
8、al series prediction model(ConvLSTM);multitime blocking prediction0引言为了满足未来无线通信日益增长的高数据速率、低延迟和高可靠性的需求,更高的频段在各种移动通信场景中被广泛使用,其中毫米波1和亚太赫兹是满足用户高数据速率需求的突出方向。然而,高频段的传输特性导致毫米波/亚太赫兹通信系统十分依赖视距(Line of Sight,LOS)链路以保证足够的信号接收功率,同时其高穿透损耗使通信系统对阻塞非常敏感,一旦链路被移动的物体阻塞,可能会导致系统性能突然下降甚至链路中断,极大影响网络的可靠性和延迟。这激发了国内外学者对克服高频无
9、线通信系统阻塞问题方法的广泛讨论和研究。对于LOS链路而言,是否发生阻收稿日期:20230224;修回日期:20230512基金项目:国家自然科学基金联合基金(No.U1804148);河南省科技攻关项目(No.232102210141)雷达科学与技术第 21 卷 第 5 期塞取决于通信终端和可能造成阻塞的移动物体的位置、高度、大小等。因此,感知无线环境中的有用信息并在链路阻塞发生之前主动实现预测,能够使通信系统做出积极主动的决策。在文献 2中,毫米波基站获取用户的位置信息进行波束选择,在阻塞发生之前,利用波束序列的循环神经网络对未来的阻塞情况实现静态预测,主动切换到另一个基站或者波束。文献
10、3 与低于6 GHz的电磁波通道结合,实现毫米波的动态阻塞预测。在有缓慢移动的接收器和障碍物的环境中,文献 4使用相邻路径来预测未来毫米波通信链路的阻塞情况。近年来,关于计算机视觉辅助无线通信预测阻塞的研究备受关注,文献 5 和文献 6 采用了摄像机附加传感器信息的深度卷积模型进行LOS链路阻塞预测。文献 7 提出一种利用双峰机器学习实现阻塞预测和用户切换的视觉辅助无线通信解决方法。虽然视觉感知方法的相机部署方便,但在感知的过程中会涉及用户的隐私问题,同时光线不足或者过强以及恶劣天气的情况会严重影响相机感知数据的可信度。文献 8 利用模拟数据和深度学习对室内障碍物限速情况下的毫米波阻塞进行了预
11、测,研究场景和目标均具有一定的局限性。针对固定基站和用户场景,文献 9 提出了一种多元学习框架和循环神经网络,利用瑞利衰落信道模型预测毫米波链路阻塞。文献 10提出激光雷达作为另一种用途十分广泛的感知方式,主要适用距离阻塞物体较近的移动场景,同时成本过高会使激光雷达难以大规模部署实际场景。因此,本文采用毫米波雷达感知无线环境信息的方式,在保护用户隐私的基础上具有较低成本、方便部署、高精度低延迟感知等优势。现阶段对毫米波雷达感知移动通信场景中的阻塞预测研究主要基于神经网络对未来某单一时刻的阻塞情况进行预测。文献 11 基于长短期记忆网络(Long ShortTerm Memory,LSTM)实现
12、雷达辅助毫米波无线通信系统的单一时刻阻塞预测,尽管这种预测方法准确率较高,但无法反映 LOS链路在未来一段时间内的总体情况,难以适应复杂多变的无线环境。如果通过模型的堆叠实现多时刻阻塞预测,会大量增加训练时间,使得文献12 实际移动通信场景中可能针对每一时刻的阻塞情况发生频繁的波束切换,增加波束开销。在文献 13 中,通过感知阻塞前发生的数据速率波动表示潜在的堵塞。然而,这种方法可实现的平均预测时间是相当有限的,最高可预测90 ms内的阻塞情况,没有足够的时间实现波束切换以对抗阻塞带来的链路中断。因此本文提出能够利用连续帧雷达热图之间时空关系预测多时刻阻塞情况的解决方法。为了评估该方法的性能,
13、采用文献14 中的DeepSense数据集,使用毫米波和雷达共存的数据对网络进行大量训练。实验结果表明,我们提出的解决方法不仅能对下一时刻的阻塞情况实现精准预测,也能实现预测未来多个时刻内的阻塞情况。这些结果为复杂动态环境下高频段通信的高可靠、低时延QoS保障方面贡献了一个很有前途的解决方法。1系统模型本文提出一种毫米波雷达感知无线环境信息预测多时刻阻塞的系统模型。在实际通信中,该模型的通信效果易受高速移动物体(如:客车、轿车等)阻塞造成链路中断进而受到影响,具有研究的典型性。如图1所示,将放置有毫米波雷达的基站和用户分别位于道路的两侧,道路中的移动车辆会随时对LOS链路发生阻塞,毫米波雷达发
14、射的啁啾信号与移动车辆的反射信号发生混频形成中频信号,中频信号经过预处理后生成连续多帧的雷达热图,用于输入 CNNConvLSTM 混合网络模型实现多时刻阻塞预测。!10*$KCJC!1LD图1毫米波雷达感知多时刻阻塞预测方法系统模型532罗文宇:基于毫米波雷达感知的CNNConvLSTM多时刻阻塞预测方法2023 年第 5 期1.1毫米波雷达感知模型毫米波雷达发射的是一种频率随时间线性增加的正弦信号,又称啁啾信号,该信号的发射信号如式(1)所示:STxchirp(t)=ATxsin(c+2 fct+B2Tt2)(1)式中fc为初始频率,ATx为发射增益,c为初始相位,B为啁啾信号带宽,T为一
15、个啁啾信号的持续时间。STxchirp(t)由毫米波雷达的发射天线射出,在无线环境中传播,遇到移动车辆后发生反射,反射信号如式(2)所示:SRxchirp(t)=ARxsin(r+2 frt+B2Tt2)(2)式中ARx为反射信号的增益,r为反射信号的初始相位,fr为反射信号的初始频率。发射信号和反射信号进行混合得到中频信号,中频信号如式(3)所示:SIFchirp(t)=ATxARxsin(c-r)+2(fc-fr)t+B2Tt2)(3)接收的中频信号SIFchirp(t)以 ADC 采样速率(512 kS/s)进行采样,每帧产生L个啁啾信号,每个啁啾信号产生S个样本,同时假定毫米波雷达具有
16、M个接收天线,每次雷达测量都会产生M S L个ADC样本。将接收到的雷达ADC样本作为原始数据,表示为R CM S L。1.2通信与阻塞模型在该系统模型中,我们采用毫米波收发器和M根天线的基站,并采用窄带信道模型实现基站与单天线用户之间的通信。h=hLOS+hNLOS(4)式中hLOS和hNLOS为由视距和非视距链路引起的信道系数。在下行链路中,毫米波基站利用波束形成向量f CM传输给用户。在此模型下,用户接收到的信号可以表示为U=thfst+n(5)式中t为基站的信号发射增益,n为用户接收端的高斯加性白噪声,fst为假定从预定义码本F中选择的波束向量。fbest作为最优的波束向量可以表示为f
17、best=argmax|h|f2,f F(6)因此,有效信道表示为he=hfbest=hLOS+hNLOS(7)阻塞模型采用合并信道衰落模型表示t时刻的信道增益。我们定义t时刻的阻塞b(t)0,1,当b(t)=1时表示LOS链路被阻塞。反之b(t)=0时,链路没有发生阻塞。h(t)=1-b(t)hLOS(t)+hNLOS(t)(8)2毫米波雷达感知多时刻阻塞预测方法2.1基于卷积神经网络的特征提取方法卷积神经网络作为深度学习的代表算法之一,是一类具有深度结构的前馈神经网络。其内部的卷积层和池化层是实现卷积神经网络提取图像特征的核心架构。输入雷达热图进入网络中并与滤波器进行卷积,提取图像的局部特
18、征,神经元的输入与局部感受野连接,对提取的特征进行二次提取求局部平均形成特征映射层,多个特征映射层构成卷积神经网络。在卷积层和池化层之间加入批次标准化(Batch Normalization,BN)和层标准化(Layer Normalization,LN)对雷达热图特征本身和序列进行归一化处理,避免训练过程中出现梯度爆炸或梯度消失的问题。将数据保持在均值为零、方差为1的状态下,加快数据训练的收敛速度,防止过拟合,如图2所示。/.344F)LD&/!/图2卷积神经网络内部工作原理该网络模型采用梯度下降法使损失函数Sigmoid最小化,对网络中的权重参数逐层反向更新,层中的神经元实现权重同步共享,
19、通过频繁的迭代训练提高网络模型的精度,有效地提取雷达热图的重要特征。CNNA模型输入每张雷达热图的尺寸为(256,256,3),卷积层中的卷积核大小为(3,3),激活函数为Relu,网络结构如表1所示。533雷达科学与技术第 21 卷 第 5 期表1CNNA网络结构网络层输入卷积层a1批次标准化层BNa1卷积层a2层标准化LNa1卷积层a3卷积层a4批次标准化层BNa2最大池化层距离角度雷达热图尺寸:2562563神经元数量:32 卷积核:(3,3)动量=0.9神经元数量:64 卷积核:(3,3)axis=1,2神经元数量:128 卷积核:(3,3)神经元数量:64 卷积核:(3,3)动量=0
20、.9池化尺寸:(2,2)为了能够充分提取图像中的重要特征,定义一个网络深度更深,卷积核大小为(7,7),并对输入通道进行分组的CNNB模型,如表2所示。表2CNNB网络结构网络层输入卷积层b1批次标准化层BNb1卷积层b2层标准化LNb1卷积层b3卷积层b4批次标准化BNb2最大池化层距离角度雷达热图2562563神经元数量:64 卷积核:(7,7)动量=0.9神经元数量:128 卷积核:(7,7)axis=1,2神经元数量:256 卷积核:(7,7)神经元数量:128 卷积核:(7,7)动量=0.9池化尺寸:(2,2)在时间分布层将两个卷积神经网络模型结合并实现跳跃连接。输出的雷达热图特征输
21、入到神经元个数 128,卷积核大小为(3,3),激活函数为Relu的ConvLSTM模型中。整合后的模型采用BinaryCrossentropy作为损失函数,Adam函数优化,学习率设置为0.000 5。在训练过程中为了提高深度神经网络性能,防止网络模型深度过大引发的收敛速度慢、梯度消失或梯度爆炸等问题,模型采用了跳跃连接的优化方法,该方法能够通过神经网络层传播线性分量,缓解非线性的优化困难问题,实现输入和输出之间的合理调节机制,完成模型的优化。2.2基于ConvLSTM的时空信息处理方法ConvLSTM 是 LSTM 的变形结构,该网络结构不仅能处理和LSTM相同的时序建模问题,还具有CNN
22、 刻画局部特征的能力,时空特性兼备。将CNN与其相连,能够深刻获取毫米波雷达热图的特征信息,捕获特征信息之间的时空关系,处理连续帧雷达热图的输入问题。在网络结构内部计算中,LSTM中门与门之间的连接计算原理是矩阵对应元素相乘。因其网络内部的计算流程与前馈式神经网络类似,所以LSTM能够有效地处理时间序列问题,在预测未来单一时刻的阻塞情况中有较好的效果。但对于具有丰富性和很强局部特征的空间数据,LSTM无法刻画空间数据的局部特征。因此本文采用 ConvLSTM来解决此问题,如图3所示,该网络能够从多维度对输入特征进行处理,实现连续帧毫米波雷达热图的多时刻阻塞预测。DDh(0)c(0)#h(0,w
23、)c(0,w)h(0,1)c(0,1)h(0,0)c(0,0)h(1,w)c(1,w)h(2,w)c(2,w)h(3,w)c(3,w)h(n-1,w)c(n-1,w)h(n,w)c(n,w)h(1,1)c(1,1)h(2,1)c(2,1)h(3,1)c(3,1)h(n-1,1)c(n-1,1)h(n,1)c(n,1)h(1,0)c(1,0)h(2,0)c(2,0)h(3,0)c(3,0)h(n-1,0)c(n-1,0)h(n,0)c(n,0)h(1,0)h(1,1)h(2,1)h(3,1)h(1,w)h(2,w)h(3,w)h(n-1,w)h(n,w)h(n-1,1)h(n,1)h(2,0)h
24、(3,0)h(n-1,0)h(n,0)h(n)c(n)图3ConvLSTM的内部结构(c是通道数(R,G,B),h是图像高度,w是图像宽度)LSTM 无法有效处理时空数据的主要原因是输入到状态和状态到状态的转换中使用了完全连接,其中没有编码空间信息,而ConvLSTM中的输入与各个门之间的连接由前馈式替换成了卷积,同时状态与状态之间也换成了卷积运算,其中Wxi,Whi,Wci是矩阵权重向量,bi是偏移向量,为 Sigmoid函数,X1Xt为输入,C1Ct为输出,H1Ht为隐藏状态,it,ft,ot是最后两个维度为空间维度(行和列)的三维张量,“*”代表卷积运算。具体计算公式如下:it=(Wxi
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 毫米波 雷达 感知 CNN ConvLSTM 多时 阻塞 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。