买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福建福启网络科技有限公司

摘要：本申请的基于深度学习和软件无线电的信令通信干扰方法，涉及通信屏蔽技术领域，通过收集信号传播数据集、环境特征数据集和地理信息数据集，构建基于注意力机制的深度神经网络，训练信号传播预测模型，根据地理信息数据构建目标区域的三维屏蔽区域模型，将目标区域划分为n个子区域，获取每个子区域的边界坐标，利用信号传播预测模型预测未来的信号强度，基于未来时间的信号强度、子区域的边界坐标序列，获取每个子区域的最优屏蔽策略，构建目标设备指纹库，将目标区域内的设备信号与目标设备指纹库内的信号指纹进行实时比对，提取最优屏蔽策略中的屏蔽信息，在下行时隙对目标区域内的设备发射屏蔽信号，实现了屏蔽区域和屏蔽强度的精确控制。

主权项：1.基于深度学习和软件无线电的信令通信干扰方法，其特征在于，包括：收集不同运营商的信号传播数据得到信号传播数据集，收集目标区域的环境特征数据和地理信息数据，分别得到环境特征数据集和地理信息数据集；构建基于注意力机制的深度神经网络，利用信号传播数据集和环境特征数据集训练得到信号传播预测模型，用于预测目标区域内未来时间的信号强度；根据地理信息数据构建目标区域的三维屏蔽区域模型，将目标区域划分为n个子区域，获取每个子区域的边界坐标，在GIS平台上将目标区域的地理边界进行可视化和可交互化；利用信号传播预测模型预测未来时间的信号强度，基于未来时间的信号强度、子区域的边界坐标序列，使用遗传算法获取每个子区域的最优屏蔽策略；构建目标设备指纹库，将目标区域内的设备信号与目标设备指纹库内的信号指纹进行实时比对，提取最优屏蔽策略中的屏蔽信息，在下行时隙对目标区域内的设备发射屏蔽信号；所述构建基于注意力机制的深度神经网络，利用信号传播数据集和环境特征数据集训练得到信号传播预测模型，用于预测目标区域内未来时间的信号强度的具体方法为：构建基于注意力机制的深度神经网络，所述深度神经网络包括：时空特征编码器、注意力传播模块和位置强度预测器，所述时空特征编码器采用卷积神经网络和长短期记忆网络进行组合，所述注意力传播模块采用注意力机制，所述位置强度预测器采用全连接神经网络将注意力传播模块输出的特征映射到目标区域内各位置的信号强度；将信号传播数据和对应的环境特征数据进行匹配，将信号传播数据的特征参数表示为，将环境特征数据表示为二维矩阵，将信号传播数据中信号强度的真实值表示为，其中t表示时隙，表示目标区域内的坐标位置；将信号传播数据的特征参数和环境特征数据作为时空特征编码器的输入数据，提取出时间和空间的高级特征表示并输出，通过注意力传播模块建模传播信号在不同坐标位置和时隙之间的传播关系并输出权重化的特征表示，基于注意力传播模块输出的权重化的特征表示，通过位置强度预测器预测目标区域内各坐标位置的信号强度；采用Adam算法对模型进行优化，采用均方误差作为损失函数，所述损失函数计算公式为：，其中，n为训练样本的数量，T为时间步数，X为目标区域的长度，Y为目标区域的宽度，表示信号强度的预测值；以准确预测未来时间的信号强度作为预测目标，以最小化损失函数作为训练目标，当损失函数达到收敛时，停止训练得到信号传播预测模型；所述利用信号传播预测模型预测未来时间的信号强度，基于未来时间的信号强度、子区域的边界坐标序列，使用遗传算法获取每个子区域的最优屏蔽策略的具体方法为：使用训练好的信号传播预测模型，对第i个子区域在时间步数T内的未来时间的信号强度进行预测；基于预测的未来时间的信号强度，结合子区域的边界坐标序列和环境特征数据，使用遗传算法生成初始屏蔽策略；定义屏蔽策略的个体适应度函数，所述个体适应度函数的计算表达式为：，其中，、、分别表示平均信号强度衰减量、能耗、平均干扰强度的权重系数，表示平均信号强度衰减量，表示屏蔽策略的能耗，表示能耗最大值，表示屏蔽策略对相邻的第z个子区域产生的平均干扰强度，表示与第i个子区域相邻的子区域的个数，表示屏蔽策略的个体适应度；平均信号强度衰减量的计算公式为：，其中，表示应用屏蔽策略后的信号强度，表示第i个子区域的面积；能耗的计算公式为：，其中，表示第i个子区域屏蔽的时间步数，表示第i个子区域的屏蔽发射功率；平均干扰强度的计算公式为：，其中，为第i个子区域到第z个子区域的距离权重函数，表示第z个子区域的面积；对初始屏蔽策略进行交叉和变异，得到下一代屏蔽策略，不断对下一代屏蔽策略中的个体进行交叉和变异，直到个体适应度函数达到适应度函数阈值时停止，对于每个子区域，选取个体适应度最大的屏蔽策略作为最优屏蔽策略；将最优屏蔽策略下发至对应子区域的软件无线电设备；所述基于预测的未来时间的信号强度，结合子区域的边界坐标序列和环境特征数据，使用遗传算法生成初始屏蔽策略的具体方法为：将屏蔽策略表示为多维向量，其中，表示第i个子区域屏蔽的时间步数，表示第i个子区域的屏蔽频段，表示第i个子区域的屏蔽发射功率；根据预测得到的信号强度，初始化候选屏蔽策略作为遗传算法的初始种群，表示第i个子区域的第N个屏蔽策略，N表示候选屏蔽策略中屏蔽策略数的最大值，设置信号强度阈值，当未来时间的信号强度大于等于信号强度阈值时，对于每个子区域，将其屏蔽的时间步数设置为1，屏蔽频段设置为1，屏蔽发射功率设置为，当信号强度小于信号强度阈值时，将屏蔽的时间步数设置为0，屏蔽频段设置为0，屏蔽发射功率设置为，表示屏蔽发射功率的高功率值，表示屏蔽发射功率的低功率值；将遗传算法的交叉率和变异率进行自适应调整；所述交叉率的计算公式为：，其中，和为交叉率的上界和下界，为当前候选屏蔽策略的个体适应度，和为种群的最大适应度和平均适应度；所述变异率的计算公式为：，其中，和为变异率的上界和下界；按照个体适应度大小对候选屏蔽策略进行排序，复制前个候选屏蔽策略作为下一代种群的候选屏蔽策略；对于父代种群中的候选屏蔽策略和，随机生成实数A，当交叉率大于实数A时，进行交叉操作，否则直接将父代种群的候选屏蔽策略复制给子代种群，其中，j=1,2,...,N，k=1,2,...,N，j≠k；对于屏蔽的时间步数和，根据子区域的边界坐标划分出a个子时段，分别进行单点交叉，对于屏蔽频段和，根据环境特征数据划分为b个子频段，分别进行单点交叉，对于屏蔽发射功率和，根据子区域边界坐标和环境特征数据划分出c个子功率段，分别进行单点交叉，和分别表示第i个子区域屏蔽的第和第个时间步数，和分别表示第i个子区域的第和第个屏蔽频段，和分别表示第i个子区域的第和第个屏蔽发射功率；随机生成一个0~1区间的实数B，对于父代种群中的候选屏蔽策略，当其变异率大于实数B时，进行变异操作；预设信号强度变化时隙阈值，根据连续时隙预测到的信号强度，计算第γ个时隙与第γ-1个时隙之间的信号强度变化，当信号强度变化大于等于信号强度变化时隙阈值时对第γ个时隙进行变异，所述时隙变异的表达式为：，其中，和表示第i个子区域的第γ个时隙和第γ-1个时隙；预设信号强度变化频段阈值，计算第β个屏蔽频段和第β-1个屏蔽频段之间的信号强度变化，当信号强度变化大于等于信号强度变化频段阈值时，对第β个屏蔽频段进行变异，所述屏蔽频段变异的表达式为：，其中和表示第i个子区域的第β个屏蔽频段和第β-1个屏蔽频段；预设信号强度变化功率阈值，计算第μ个屏蔽发射功率和第μ-1个屏蔽发射功率之间的信号强度变化，当信号强度变化大于等于信号强度变化功率阈值时，对第μ个屏蔽发射功率进行变异，所述屏蔽发射功率变异的表达式为：，其中，和表示第i个子区域的第μ个屏蔽发射功率和第μ-1个屏蔽发射功率。

全文数据：

权利要求：

百度查询： 福建福启网络科技有限公司 基于深度学习和软件无线电的信令通信干扰方法