专利交易市场

本发明实施例提供一种面向工业物联网的无线信道建模方法及系统，其中无线信道建模方法包括：建立表征工业物联网信道的CIR系统模型；基于工业信道的大设备、高密集特性，对所述LOS、GR和DR分量进行建模，获得确定性分量模型；基于工业信道的富散射特性，采用双跳传播机制将发射机和接收机之间的散射环境建模为簇，对所述NLOS分量进行建模，获得簇的模型；基于工业信道时间‑空间非平稳特性，获取簇在时间‑阵列轴上的幸存概率，根据所述幸存概率生成t+Δt时刻Tx侧和Rx侧天线的可见簇的平均数量，根据所述可见簇的平均数量对t+Δt时刻Tx和Rx侧天线能够观测到的簇进行角度、功率、时延参数的更新。本发明建模方法准确性较高，并具有良好的有效性。

本发明公开了一种基于双径传播的多普勒信道模型构建方法及系统，包括：S1、基于频率选择性衰落和快衰落，构建小尺度衰落模型；S2、基于Okumura‑Hata实测数据模型构建大尺度衰落模型；S3、构建窄带高斯噪声模型；S4、结合小尺度衰落模型、大尺度衰落模型和窄带高斯噪声模型构建基于双径传播的多普勒信道模型。本发明基于实测数据模型和理论计算，综合考虑信道传输过程中的各类损耗构建了基于双径传播的多普勒信道模型，更加真实地模拟了信道传输环境，为算法开发和通信系统设计提供了精确的信道参数。

本发明提供了一种基于UKFNN的无线信道“指纹”特征动态建模方法，包括以下步骤：利用霍特林变换将复数形式的信道数据转换为实数域数据；利用主成份分析法对步骤S1转换后的信道数据进行降维处理；对步骤S1和S2处理后的数据进行归一化处理；利用UKFNN无迹卡尔曼滤波神经网络对信道数据进行建模，得到无线信道“指纹”模型；定义归类准则，并以UKFNN无迹卡尔曼滤波神经网络的输出变量对输入样本进行归类，对场景进行识别。该方法基于UKFNN无迹卡尔曼滤波神经网络建立精确的无线信道“指纹”特征动态模型，能正确识别出数据来自哪个已知场景，对无线信道建模具有非常重要的现实意义。

本发明的一种混凝土内无线信道建模方法、设备及存储介质，包括以下步骤，构建混凝土内无线信道特征预测的网络模型；对混凝土内不同空间位置的信道特征参量进行测量，根据实测数据确定网络模型的输入输出张量维度；将空间位置与对应的时间编码作为网络模型编码器的输入，将无线信道特征参量与对应的时间编码作为解码器的输入，进一步将解码器与编码器的输出结果经过映射后通过全连接层进行拼接，得到空间位置与无线信道特征参量一一对应的输出；利用历史实测数据对网络模型进行训练，训练完成后的模型可实现输入制定的空间位置，得到相应位置在同一时刻的无线信道参数。本发明有效的提高了桥梁混凝土内部无线信道建模的准确性。