本发明涉及5g通信，特别是一种基于5g通信网络的定位信息智能传输系统。
背景技术：
1、随着第五代移动通信系统5g的商用部署，其高速率、低延时和大连接能力为物联网、自动驾驶和远程医疗新兴应用提供了技术支撑，5g网络的频谱资源管理、信道质量保障以及定位服务成为研究热点，传统的定位技术主要依赖于全球定位系统gps，然而，在城市峡谷、室内环境和信号遮挡严重的地区，gps信号弱化，导致定位精度和可靠性大幅下降，为此，学术界和产业界积极探索融合5g信号、wi-fi、蓝牙多种无线信号的多模态定位方法，期望在各种复杂环境中提供高精度、高可靠性的定位服务，同时，5g网络的动态性和不确定性要求频谱资源的智能管理和调制编码的自适应优化，以确保数据传输的高效性和稳定性。
2、尽管5g网络在理论和技术上取得了重大突破，但实际应用中仍面临诸多挑战，首先，由于5g网络的高密度部署和多天线技术的应用，信道质量波动频繁，如何在保证服务质量的前提下，动态调整调制编码策略，以应对突发的信道恶化，是一个难点，再者，多模态定位虽然提高了定位精度，但信号源的多样性也带来了数据融合的复杂性，如何有效整合来自不同模态的定位信息，构建鲁棒性强、泛化性好的定位模型，是需要攻克的技术瓶颈，此外，现有系统往往缺乏有效的反馈机制，难以根据实际传输效果实时调整系统参数，导致性能优化受限。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种基于5g通信网络的定位信息智能传输系统解决由于5g网络的高密度部署和多天线技术的应用，信道质量波动频繁，如何在保证服务质量的前提下，动态调整调制编码策略，以应对突发的信道恶化，是一个难点，再者，多模态定位虽然提高了定位精度，但信号源的多样性也带来了数据融合的复杂性，如何有效整合来自不同模态的定位信息，构建鲁棒性强、泛化性好的定位模型，是需要攻克的技术瓶颈，此外，现有系统往往缺乏有效的反馈机制，难以根据实际传输效果实时调整系统参数，导致性能优化受限的问题。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种基于5g通信网络的定位信息智能传输系统，其包括，
5、频谱感知模块，负责收集信道占用情况、网络流量、用户行为模式形成网络状态数据集，基于网络状态数据集通过ai算法预测频谱占用情况，智能分配频谱资源；
6、调制编码优化模块，当检测到信道质量下降时，根据网络状态和信道质量，动态调整调制方式和编码率；
7、多模态融合定位模块，负责集成5g信号强度、wi-fi信号强度、蓝牙信号强度、gps坐标的多种信号源，通过深度学习算法融合不同模态的数据；
8、智能决策模块，负责综合分析频谱感知模块、调制编码优化模块和多模态融合定位模块的数据，预测网络干扰，执行相应预防措施；
9、数据反馈模块，负责将优化后的定位信息高效传输至目标设备，同时收集反馈信息，优化系统性能。
10、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述频谱感知模块，负责收集信道占用情况、网络流量、用户行为模式形成网络状态数据集，具体步骤为：
11、通过频谱分析仪收集信道占用情况；
12、通过nagios持续监控网络设备的网络流量；
13、通过gps收集用户行为模式；
14、将收集到的数据集成为网络状态数据集，表达式为：
15、d＝{cq,fq,bq,oq,pq,aq,uq,lq}；
16、其中，d表示网络状态数据集，cq表示信道占用情况，fq表示载波频率，bq表示带宽，oq表示信道占用率，pq表示峰值流量，aq表示平均流量，uq表示使用网络的用户数量，lq表示用户位置。
17、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述基于网络状态数据集通过ai预测模型预测频谱占用情况，智能分配频谱资源，具体步骤为：
18、对网络状态数据集进行预处理；
19、对信道占用情况、载波频率、带宽、信道占用率、峰值流量、平均流量、活动用户数量和用户位置进行分类组合，表达式为：
20、d(t)＝{o(t)，f(t)，u(t)}；
21、其中，d(t)表示在时间点t采集的网络状态数据集，o(t)表示在时间点t信道占用情况矩阵，f(t)表示在时间点t网络流量向量，u(t)表示在时间点t用户行为模式矩阵；
22、将深度神经网络lstm模型作为ai预测模型的基础；
23、计算ai预测模型的遗忘门、输入门、新单元状态、单元状态更新、输出门、隐藏状态更新和预测输出，表达式为：
24、
25、
26、
27、
28、ot＝σ(wo[d(t)；ht-1]+bo)
29、ht＝ot⊙tanh(ct)
30、yt＝wyht+by
31、其中，wf、wi、wi、wo和wy分别对应遗忘门、输入门、新单元状态、输出门和预测输出的权重矩阵，bf、bi、bc、bo、by分别对应遗忘门、输入门、新单元状态、输出门和预测输出的偏置向量，σ和tanh分别表示sigmoid和双曲正切激活函数，gt-1表示前一时间步t-1的lstm单元的输出，⊙表示元素乘积，yt表示在最后一个时间点t的输出；
32、基于预测输出对公式进行整合，表达式为：
33、
34、其中，表示在时间t+δt的预测频谱占用矩阵，l表示lstm神经网络层，w和b表示ai预测模型的权重和偏执参数；
35、基于预测结果和网络状态数据集d(t)，制定频谱资源分配方案。
36、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述当检测到信道质量下降时，根据网络状态和信道质量，动态调整调制方式和编码率，具体步骤为：
37、收集信道质量参数q(t)；
38、设定信道质量阈值θq，当q(t)<θq时，则判定信道质量下降；
39、采用主成分分析对网络状态数据集d(t)和信道质量参数q(t)进行特征提取，将提取后的两种特征进行融合，得到综合定位特征φ(t)，表达式为：
40、
41、
42、其中，φ(t)表示在时间点t的综合定位特征，pca(d(t))表示对网络状态数据集d(t)进行主成分分析后得到的特征向量，pca(q(t))表示对信道质量参数q(t)进行主成分分析后得到的特征向量，α表示调整网络状态数据集d(t)与信道质量参数q(t)融合时的权重系数，β表示控制高斯核函数宽度的参数，x和y表示网络状态数据集d(t)的主成分和信道质量参数q(t)的主成分，z表示积分中的变量，exp表示指数函数；
43、对综合定位特征φ(t)进行加权和归一化处理，得到φ′(t)，表达式为：
44、
45、其中，φ′(t)表示加权归一化后的综合定位特征，wφ,i表示第i个特征的权重，ni表示归一化常数，保证φ(t)的各分量在合理范围内；
46、基于加权归一化后的综合定位特征φ′(t)构建非线性函数，对调制方式m(t)和编码率r(t)进行动态调整，表达式为：
47、
48、其中，m和r表示设定的调制方式集合和编码率集合，arg max表示求最大值的参数，表示m是调制方式集合中的一个元素，表示r是编码率集合中的一个元素，γ表示非线性函数。
49、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述集成5g信号强度、wi-fi信号强度、蓝牙信号强度、gps坐标的多种信号源，具体步骤为：
50、通过传感器收集5g信号强度、wi-fi信号强度和蓝牙信号强度；
51、通过地图导航应用程序收集gps坐标；
52、将收集到的数据集成为原始信号数据，对收集到的数据进行标准化处理，设定经过标准化处理后的信号数据为xn；
53、使用卷积神经网络cnn对每种信号类型进行特征嵌入，得到每个模态的特征向量，表达式为：
54、
55、其中，vi表示第i种模态的特征向量，i为索引变量，表示第i种模态的原始信号数据的第n个样本；
56、采用自适应注意力机制动态调整不同信号源的权重，表达式为：
57、
58、其中，ai表示第i个模态的注意力权重，exp表示自然指数函数，vi和vj分别表示第i个模态和第j个模态的特征向量，wi和表wj分别表示第vi个和第vj个特征向量相对应的权重向量，表示权重向量wi的转置，表示权重向量wj的转置；
59、利用自适应注意力权重将所有模态的特征向量进行融合，得到综合特征向量，表达式为：
60、z＝σiaivi；
61、其中，z表示综合特征向量。
62、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述深度学习算法融合不同模态的数据，具体步骤为：
63、将综合特征向z量输入卷积神经网络cnn的全连接层进行最终的定位，表达式为：
64、
65、其中，表示预测的定位坐标，fc表示全连接层；
66、基于特征向量vi构建异常检测模块，判断信号源是否异常，表达式为：
67、
68、其中，ei表示第i种信号源的异常概率，σ表示激活函数sigmoid，we表示信号源的权重向量，be表示信号源的偏置项，t表示转置项；
69、设定阈值ey，当ei>ey时，则认为信号源i异常，需要调整其权重；
70、当信号源被标记为异常时，动态调整其权重，表达式为：
71、z′＝σia′ivi；
72、其中，z′表示调整后的综合特征向量，a′i表示调整后的第i个模态的注意力权重；
73、使用调整后的综合特征向量z′重新预测最终定位，表达式为：
74、
75、其中，表示最终预测的定位坐标。
76、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述负责综合分析频谱感知模块、调制编码优化模块和多模态融合定位模块的数据，预测网络干扰，具体步骤为：
77、从频谱感知模块、调制编码优化模块和多模态融合定位模块收集频谱感知数据、调制编码数据和多模态融合定位数据，将收集到的数据进行集合，表达式为：
78、dj＝{dsp,dmo,dml}；
79、其中，dj表示分析数据集，dsp表示频谱感知数据，dmo表示调制编码数据，dml表示多模态融合定位数据；
80、采用长短期记忆网络lstm作为干扰预测模型的基础；
81、基于频谱感知数据、调制编码数据和多模态融合定位数据构建干扰预测模型，表达式为：
82、l(t+△t)＝lstm(dsp(t),dmo(t),dml(t)；θ)；
83、其中，i(t+δt)表示在时间t+δt预测的网络干扰水平，lstm表示干扰预测模型，dsp(t)表示频谱感知模块在时间t提供的数据，dmo(t)表示调制编码优化模块在时间t提供的数据，dml(t)表示多模态融合定位模块在时间t提供的数据，θ表示干扰预测模型的参数。
84、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述执行相应预防措施，具体步骤为：
85、设定动态阈值iy；
86、基于i(t+δt)和动态阈值iy构建决策函数，表达式为：
87、
88、其中，h(i(t+δt))表示决策函数，值域为[0,1]；
89、当h(i(t+δt))的值等于0时，表示不采取预防措施；
90、当h(i(t+δt))的值等于1时，表示采取预防措施；
91、系统收集实时数据，采用随机梯度下降算法sgd不断更新模型参数θ，通过最小化干扰预测模型的预测误差不断更新。
92、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述将优化后的定位信息高效传输至目标设备，具体步骤为：
93、基于信道质量参数q(t)和信号对噪声比snr，计算数据传输速率，表达式为：
94、
95、其中，r(t)表示在时间t的数据传输速率，q(t)表示在时间t的信道质量参数，snr(t)表示在时间t的信号噪声比，反映信号质量，α表示调整因子，用于调节q(t)对传输速率的影响程度，e表示自然对数的底数，log2表示以2为底的对数函数；
96、通过时间戳实时监测数据包传输延迟时间，并利用gps卫星信号进行5g基站位置的测定，得到定位误差。
97、作为本发明所述基于5g通信网络的定位信息智能传输系统的一种优选方案，其中：所述同时收集反馈信息，优化系统性能，具体步骤为：
98、基于传输延迟时间和定位误差，计算系统性能指标，表达式为：
99、
100、其中，表示平均定位误差，表示平均传输延迟，δl(t)表示在时间t的定位误差，δt(t)表示在时间t的传输延迟，t表示总时间窗口长度；
101、基于平均定位误差和平均传输延迟动态调整调制编码参数、频谱分配和定位算法中的权重系数，表达式为：
102、
103、其中，θnew表示新的系统参数，θold表示原始的系统参数，η表示学习率，表示干扰预测模型参数θ的梯度，λ为平衡因子。
104、本发明有益效果为：本发明通过智能频谱感知与分配、动态调制编码优化、多模态数据融合、网络干扰预测及预防、以及闭环数据反馈机制，实现了5g网络下定位信息传输的高效性、稳定性和准确性，提升了频谱利用率，保证了数据传输质量，增强了定位服务的鲁棒性，尤其在复杂环境下仍能提供高精度定位，显著改善了用户体验和系统整体性能。
1.一种基于5g通信网络的定位信息智能传输系统，其特征在于：包括，
2.如权利要求1所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述频谱感知模块，负责收集信道占用情况、网络流量、用户行为模式形成网络状态数据集，具体步骤为：
3.如权利要求2所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述基于网络状态数据集通过ai预测模型预测频谱占用情况，智能分配频谱资源，具体步骤为：
4.如权利要求3所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述当检测到信道质量下降时，根据网络状态和信道质量，动态调整调制方式和编码率，具体步骤为：
5.如权利要求4所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述集成5g信号强度、wi-fi信号强度、蓝牙信号强度、gps坐标的多种信号源，具体步骤为：
6.如权利要求5所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述深度学习算法融合不同模态的数据，具体步骤为：
7.如权利要求6所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述负责综合分析频谱感知模块、调制编码优化模块和多模态融合定位模块的数据，预测网络干扰，具体步骤为：
8.如权利要求7所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述执行相应预防措施，具体步骤为：
9.如权利要求8所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述将优化后的定位信息高效传输至目标设备，具体步骤为：
10.如权利要求9所述的基于5g通信网络的定位信息智能传输系统，其特征在于：所述同时收集反馈信息，优化系统性能，具体步骤为：
