基于不确定性融合机制的多模态波束赋形技术的制作方法

本发明属于无线通信领域，具体涉及一种基于不确定性融合机制的多模态波束赋形技术。

背景技术：

1、随着5g及更高代无线通信技术的发展，波束赋形技术的应用越来越广泛，它在物联网、移动通信以及自动驾驶等领域发挥着重要作用。然而，由于传统方法依赖精确的天线阵列和算法来定向发射信号，对硬件的要求较高，同时算法的复杂性也给实际应用带来了一定的难度。因此，急需一种更为灵活和成本效益高的波束赋形技术，以简化传统波束赋形技术的部署和运维，同时降低对高端硬件的依赖。

技术实现思路

1、发明目的：为了克服现有技术中的不足，本发明提供一种基于不确定性融合机制的多模态波束赋形技术，能够通过图像与radar数据获得更全面的环境信息，预测最佳的波束配置，从而动态调整波束赋形，以适应用户的移动和环境变化。

2、技术方案：第一方面本发明提供一种基于不确定性融合机制的多模态波束赋形技术，包括：

3、步骤1：对图像和radar数据进行预处理，生成图像和radar数据集；

4、步骤2：利用卷积等处理技术从数据集中提取基础特征；

5、步骤3：通过非对称特征传播和特征校准的残差块实现对立模态特征的交互学习；

6、步骤4：应用十字交叉注意力机制加强交互后的特征表达，并捕捉全局特征；

7、步骤5：将增强的特征分别通过分类器得到图像和radar的单模态波束预测结果；

8、步骤6：采用不确定性感知的加权融合技术整合预测结果，生成最终的波束预测输出，同时通过分类损失值动态更新融合权重和网络参数，以优化性能，最后实施波束赋形。

9、在进一步的实施方案中，步骤2中利用卷积等处理技术从数据集中提取关键特征的步骤包括：

10、步骤2.1：将图像和radar数据分别通过二维卷积、批标准化、激活函数获取基础的特征表示。

11、在进一步的实施方案中，步骤3中通过非对称特征传播和特征校准的残差块实现对立模态特征的交互学习的步骤包括：

12、步骤3.1：非对称特征传播在bn层的缩放因子小于设定阈值时进行，此时认为当前特征为冗余信息，将通过另一模态的相应通道特征进行替换。

13、步骤3.2：利用多源特征的空间依赖性进行特征校准，改善空间信息的判别性并减少冗余。

14、在进一步的实施方案中，步骤4中应用十字交叉注意力机制加强交互后的特征表达，并捕捉全局特征的方法包括：

15、步骤4.1：分别对图像和radar特征进行十字交叉注意力，使用两个卷积分别对输入特征h进行处理，生成两个新的特征图q和k。

16、步骤4.2：计算q和k之间的关联得到注意力图a(attention map)，该图展示了每个像素与其在水平和垂直方向上的其他像素之间的相关性。

17、步骤4.3：利用另一个卷积将h转换为另一个特征图v，用于特征适配。

18、步骤4.4：根据注意力图a对v中的特征进行聚合，得到新的特征图h'，h'包含了经过水平和垂直方向上下文信息增强后的特征。

19、在进一步的实施方案中，步骤6中采用不确定性感知的加权融合技术整合预测结果，生成最终的波束预测输出，同时通过分类损失值动态更新融合权重和网络参数，以优化性能，最后实施波束赋形：

20、步骤6.1：对每个模态的单模态决策进行不确定性评估，采用能量分数的不确定性指标来衡量每个模态的质量。

21、步骤6.2：根据不确定性评估的结果，动态地为每个模态计算融合权重，以增强模型对低质量数据的鲁棒性。

22、步骤6.3：利用得到的动态权重对单模态波束预测结果进行加权融合，生成最终的波束预测结果。

23、步骤6.4：通过最小化损失函数优化模型参数，进一步校正不确定性估计和权重调整。

24、在进一步的实施方案中，所述分类损失函数的计算表达式为：

25、

26、式中，第一项为融合后的交叉熵损失函数值，第二项为单模态的交叉熵损失函数值之和，第三项为正则化项，λ是控制正则化强度的超参数。

27、有益效果：本发明与现有技术相比具有以下优点：

28、该方法灵活性高，能够实时接收和更新数据，具有较好的实时性，能够及时应对用户的移动和环境变化。此外，持续接收新数据并更新模型可以实现持续优化，提高了波束赋形的准确性和稳定性。最后，该方法适用性强，能够适应不同环境和类型的传感器数据，具有较强的通用性和适应性。

技术特征：

1.一种基于不确定性融合机制的多模态波束赋形技术，其特征在于，包括：

2.根据权利要求1所述的基于不确定性融合机制的多模态波束赋形技术，其特征在于，步骤2具体包括：

3.根据权利要求2所述的基于不确定性融合机制的多模态波束赋形技术，其特征在于，步骤3具体包括：

4.根据权利要求1所述的基于不确定性融合机制的多模态波束赋形技术，其特征在于，步骤4具体包括：

5.根据权利要求1所述的基于不确定性融合机制的多模态波束赋形技术，其特征在于，步骤6具体包括：

6.根据权利要求5所述的基于不确定性融合机制的多模态波束赋形技术，其特征在于，分类损失函数的计算表达式为：

技术总结本发明公开了一种基于不确定性融合机制的多模态波束赋形技术，其中方法包括：对图像和Radar数据进行预处理，生成图像和Radar数据集；利用卷积等处理技术从数据集中提取关键特征；通过非对称特征传播和特征校准的残差块实现对立模态特征的交互学习；应用十字交叉注意力机制加强交互后的特征表达，并捕捉全局特征；将增强的特征分别通过分类器得到图像和Radar的单模态波束预测结果；采用不确定性感知的加权融合技术整合预测结果，同时通过分类损失值动态更新融合权重和网络参数，以优化性能，最后实施波束赋形。本发明能以图像和Radar双模态数据获取更全面的环境感知，提高在复杂场景下波束赋形的准确性和模型的泛化能力。技术研发人员：陈阵受保护的技术使用者：南京典格通信科技有限公司技术研发日：技术公布日：2024/9/12