一种工业动态复杂环境中无线通信发射功率匹配系统及方法

1.本发明涉及无线通信领域，尤其涉及工业动态复杂环境中无线通信发射功率的智能实时精准匹配系统及方法。


背景技术：

2.随着无线通信技术的快速发展、传输能耗的增加以及无源物联网智能终端技术的不断更新，国家更是倡导实现碳中和，于是对无线通信的要求也越来越高，尤其在工业动态复杂恶劣环境中，诸如大型智能车间、化工企业、油气矿井等工业环境存在大量的金属、布置的传感器、终端信息采集设备、机器运行时产生大量的电磁场以及人为干扰，都将导致智能节点无法精准匹配与无源终端之间的发射功率，使得设备功耗较高，从而严重影响能量传输的可靠性和有效性，甚至无法安全、稳定完成通信任务。因此智能实时精准匹配工业动态复杂环境中智能节点与无源终端之间发射功率，保证数据在恶劣的工业动态复杂环境中依然能够实现无差错传输和传输能耗最小化是目前仍需解决的问题。
3.深度强化学习是深度学习和强化学习的结合，利用了深度学习的感知能力，来解决策略和值函数的建模问题，然后使用误差反向传播算法来优化目标函数；同时利用了强化学习的决策能力，来定义问题和优化目标。在恶劣的工业动态复杂环境中通过深度强化学习进行持续动态学习，区别于传统的深度强化学习，动态深度强化学习可在工业动态复杂环境中持续的进行持续环境及干扰动态认知学习和决策，可在干扰认知受限、干扰信息完全未知的情况下随时应对未知干扰源，并实时做出最优决策，使得在恶劣的工业动态复杂环境中的发射功率实时动态精准化。
4.为此，本发明提出一种工业动态复杂环境中无线通信发射功率的智能实时精准匹配系统及方法。通过动态深度强化学习算法对恶劣的工业动态复杂环境持续的环境动态认知学习和干扰动态认知学习和动态决策，解决金属、电磁场和人为干扰等导致发射功率不匹配的情况；并通过动态反馈给无源终端来进行功率实时智能调节，从而实现工业动态复杂恶劣环境下智能节点和无源终端之间发射功率智能实时精准匹配，实现了无线发射功率灵活配置，增加了工业动态复杂环境无线通信的可靠性。


技术实现要素：

5.本发明的目的是针对恶劣的工业动态复杂环境下，提出了一种动态的无线通信发射功率的智能实时精准匹配系统及方法。通过该系统及方法实现智能精准匹配耐工业动态复杂环境下智能节点与无源智能终端之间的发射功率。
6.本发明采用的技术方案为一种工业动态复杂环境中无线通信发射功率匹配系统，包括电源、耐工业动态复杂环境无线接收和发射天线、耐工业动态复杂环境传感器群、耐工业动态复杂环境干扰信号识别模块、耐工业动态复杂环境无线通信控制器、动态双重深度强化学习处理模块、控制器、耐工业动态复杂环境gps模块、耐工业动态复杂环境存储器和动态功率智能匹配模块，其中耐工业动态复杂环境干扰信号识别模块包括频谱分析仪和示
波器。
7.耐工业动态复杂环境gps模块与第一个耐工业动态复杂环境无线发射天线连接；所述的第一个耐工业动态复杂环境无线发射天线与第一个耐工业动态复杂环境无线接收天线连接，同时，所述的第一个耐工业动态复杂环境无线接收天线将接收动态功率智能匹配模块传输的相应数据。
8.耐工业动态复杂环境无线接收天线在接收到耐工业动态复杂环境gps模块的数据信息后，将数据信息传递至耐工业动态复杂环境无线通信控制器中，耐工业动态复杂环境无线通信控制器与adc模块连接，同时adc模块还与耐工业动态复杂环境传感器群以及耐工业动态复杂环境干扰信号识别模块连接。
9.adc模块与动态双重深度强化学习处理模块连接，动态双重深度强化学习处理模块通过控制器与第二个耐工业动态复杂环境无线发射天线连接，第二个耐工业动态复杂环境无线发射天线与第二个耐工业动态复杂环境无线接收天线连接。第二个耐工业动态复杂环境无线发射天线与动态功率智能匹配模块连接。
10.所述的动态功率智能匹配模块与耐工业动态复杂环境存储器连接。所述的耐工业动态复杂环境传感器群、耐工业动态复杂环境干扰信号识别模块以及耐工业动态复杂环境无线接收天线由电源供电。所述的耐工业动态复杂环境无线发射天线与耐工业动态复杂环境无线接收天线之间通过无线通道进行交互连接。
11.耐工业动态复杂环境gps模块即gps接收器，集成rf射频芯片、基带芯片和cpu，并加上相关外围电路而组成的一个集成电路，用以获取当前所处的gps位置数据信息，将gps位置数据信息传递给耐工业动态复杂环境无线发射天线，并随时更新gps位置信息；耐工业动态复杂环境无线发射天线与耐工业动态复杂环境无线接收天线采用全向天线，负责发射和接收信号；adc模块采用流水线结构，可在较高的信号处理速度，同时对三个采样进行处理并且实现高精度、高分辨率；动态智能匹配模块由控制器、执行器和比较器组成实现，基于闭环控制构成反馈系统，进行功率匹配和控制。
12.本发明中的智能节点是支持各类通信协议和标准的基站，无源智能终端是支持通信的无线移动设备，二者都是针对在恶劣多变的工业动态复杂环境中的设备。区别于传统环境下的单一信息采集，本发明中的信息采集采用耐工业动态复杂环境传感器群、耐工业动态复杂环境无线通信控制器和干扰信号识别信息三种信息相结合的信息输入方式。其中耐工业动态复杂环境传感器群由温度传感器、位置传感器、土壤温度传感器、空气温湿度传感器、雨量传感器、光照传感器和风速风向传感器等环境传感器组成，从工业动态复杂环境中获取工业环境参数信息；耐工业动态复杂环境无线接收天线接收无线信号后将其按照无线通信协议解析出数据、无源终端位置信息及信令信息，最后将数据以及计算出的接收信噪比反馈给耐工业动态复杂环境无线通信控制器，实现无源终端配置、时间和位置等信息的获取；耐工业动态复杂环境干扰信号识别模块由接收天线、频谱分析仪和示波器组成，通过频谱分析仪和示波器对工业动态复杂环境中的干扰信号进行频谱分析和功率谱分析，根据干扰信号的功率谱特征，初步的得到干扰信号的大致样式，对其进行初步分类。对干扰信号进行参数估计得到具体的干扰参数，确定干扰信号类型。从而保证工业动态复杂环境中所有影响无线发射功率的参数都被采集获取，实现发射功率精准化的基础保障。
13.不同于传统的深度强化学习中神经网络只有单一的输入，本发明中动态双重深度
强化学习处理模块的神经网络设有三条参数输入，即耐工业动态复杂环境传感器群、耐工业动态复杂环境干扰信号识别模块、耐工业动态复杂环境无线通信控制器经adc模块的三条参数输入；对无源终端的配置、时间和位置等信息参数、工业动态复杂环境中的众多环境参数和干扰参数进行认知和学习，并根据不同的信息获取方式对输入参数进行分类，进行训练和测试。区别于传统的深度强化学习单一的认知学习和决策，本发明中的动态双重深度强化学习处理模块能够对无源终端位置变化、时间变化的信令信息和工业动态复杂环境中的工业环境参数进行持续的动态学习认知和动态决策，即在传输数据的同时进行交互信令信息、工业环境参数和干扰参数的更新，并在完成全部的输入参数的学习训练之后对训练结果进行结合再学习训练，实现在双重训练。
14.整体实现方式：电源供电之后，耐工业动态复杂环境传感器群、耐工业动态复杂环境干扰信号识别模块和耐工业动态复杂环境无线通信控制器会将采集信息经adc模块转化成数字信号输入到动态双重深度强化学习处理模块进行双重神经网络训练，再经控制器控制训练结果由耐工业动态复杂环境无线发射天线发射给智能终端，动态功率智能匹配模块据此进行发射功率精准匹配，同时基于反馈实现动态调节。
15.此智能精准实时匹配发射功率技术解决了工业复杂动态环境中的磁场干扰、互调干扰和信号耦合等影响，实现了精准智能实时匹配发射功率达到无差错传输并降低传输过程中的功耗，并且动态功率智能匹配模块将无源智能终端的信令信息和工业动态复杂环境双重相对应动态发射功率值存储，以便在下次建立通信连接时根据其所处工业环境参数优先选定初始发射功率值和减少动态深度强化学习运行开销，增加了无线通信的可靠性并使得传输能耗最小化。
附图说明
16.图1为本发明的结构框架示意图。
17.图2为深度强化学习中神经网络的结构图。
18.图3为本发明的深度强化学习结构示意图。
具体实施方式
19.以下将结合附图和具体实施例对本发明做进一步的详细描述。
20.如图1为本发明的结构框架示意图，在工业动态复杂环境中，在无线通信传输前，无源智能终端首先通过无线发射信号向终端发送建立无线通信连接的请求信息，终端收到请求后进行确认反馈同意其建立连接，接下来开始进行智能实时匹配功率过程。通电之后，耐工业动态复杂环境无线接收天线开始接收无线信号，将其按照无线通信协议解析出数据、无源终端位置信息及信令信息，最后将数据及计算出的接收信噪比反馈给耐工业动态复杂环境无线通信控制器；耐工业动态复杂环境无线通信控制器通过信令信息对工业动态环境发射功率进行初步控制并反馈给adc模块；adc模块同时会接收耐工业动态复杂环境传感器群传来的包括大量的金属、周围的传感器、终端信息采集设备以及机器运行时产生大量的电磁场等在内的工业动态复杂环境参数信息和干扰信号参数信息，将此信息转化为数字信号传递给动态深度强化学习处理模块；开始对无源终端的信令信息、工业动态复杂环境参数和干扰参数进行双重训练，并进行持续的动态学习感知和动态决策，实现恶劣工业
动态复杂环境中的发射功率精准化，反馈给控制器；耐工业动态复杂环境无线发射天线按照无线通信协议将其转换为无线信号后再发射给无源智能终端。无源智能终端通过接收信令信息，通过动态功率智能匹配模块经动态功率控制信号控制耐无线发射天线按照精准发射功率进行通信，同时将无源智能终端的信令信息和工业动态复杂环境双重持续感知和决策相对应动态发射功率值存储在耐工业动态复杂环境存储器中，以便在下次动态通信连接时根据其所处工业环境参数优先选定初始发射功率值，减少动态深度强化学习运行开销，降低设备功耗。
21.如图2所示为本发明中动态深度强化学习中神经网络的结构图，通过对无源终端设备配置属性、位置变化及时间变化的信令信息和工业动态复杂环境中的工业环境参数以及干扰信号参数信息作为神经网络的第一次输入，进行持续的动态学习感知和动态决策，根据不同的输入途径，对参数信息进行分类，并对所有的参数进行训练，传输功率损耗作为第一次输出，并在完成全部的学习训练之后对训练结果进行结合，作为初始值再度学习训练，发射功率作为第二次输出，实现双重训练的目的，从而保证传输功率的精准度。
22.如图3所示为本发明的深度强化学习结构示意图，主要应用了深度强化学习算法对工业动态复杂环境进行动态学习。图中动态环境是包含无源终端信息变化、磁场和智能干扰等在内的工业动态复杂恶劣环境，其中深度强化学习由输入层、隐含层、价值函数、优势函数和输出层组成，深度强化学习会根据无源终端的指令信息、工业动态复杂环境中存在的工业环境参数和同频干扰、互调干扰和智能干扰等干扰信息进行双重持续的动态认知学习，提取该环境的干扰源关键信息，获取相应奖励值，并持续更新动态环境参数，其次智能节点基于反馈状态评估不同动态动作价值，自动实时调整最优功率控制策略，并纳入到最优功率控制算法的动态行为空间中，实现动态深度学习和决策，进而实现在工业动态复杂环境中的智能实时精准匹配发射功率和信道增益。