本发明属于无线通信，具体涉及一种基于深度学习由智能超表面辅助无线定位方法。
背景技术：
1、集成传感一体化(isac)技术作为未来无线网络领域的关键创新，整合了数据传输和环境感知的双重功能，极大地提升了这两个领域的效率。特别是在智能交通系统、自动驾驶和智能城市等应用场景中，此外，isac技术通过集成感知与通信功能，显著降低了硬件需求和系统的复杂度，这不仅有助于降低成本，还减少了整体的能耗。这种整合方式提高了系统的灵活性和适应性，使其能够更有效地应对动态变化的环境条件，从而提升了网络的整体性能和可靠性。智能反射面(ris)技术在isac系统中扮演着至关重要的角色。ris能有效地引导无线信号到原本的覆盖盲区，减少能量损失，从而减少基站的功率需求和整体能耗。此外，它还可以减少额外基站的需求，降低网络部署成本，并通过优化信号传播路径来提高通信系统的总体效率。神经网络的强大学习能力为动态且复杂环境中的信号处理提供了高效的自适应解决方案。相较于传统方法，神经网络简化了处理流程，并显著提升了系统的可靠性与鲁棒性。可以看到，结合深度学习的isac技术展现出在构建更高性能和更可靠的下一代无线网络方面的巨大潜力。
技术实现思路
1、本发明的目的在isac系统下使用神经网络处理接收信号序列来有效实现环境的精确感知，本发明将智能反射面部署用户和接收点之间，建立了该通信系统模型，使用神经网络处理每个观测点的接收序列并得到下个观测点反射面系数，在最后一个观测点，神经网络处理最后的接收序列得到精确的位置信息。
2、本发明的技术方案是：
3、一种基于深度学习由智能超表面辅助无线定位方法，设置时间系数为f时，神经网络在前f-1个时刻自适应调整ris系数并生成新的接收序列，在第f时间段，神经网络基于第f-1个时间段输出的细胞状态，通过一个r层的mlp来预测ue位置，其具体实施包括如下步骤：
4、1.1)系统包括u个用户(ue)，一个接入点(ap)和一个ris组成，信号将经历直连和反射两种传播路径。基于稀疏码多址(scma)，多个ue在同一空间内共用相同的时间和频率资源。这些通信频率资源分为r个正交资源元素(ores)，同时u个用户在所有ores上传输数据。ris共有m个微面。
5、1.2)将ue所在区域称为roi，roi将会被均匀地分为[hx,wy,lz]分别为目标空间的高，宽，长，[hx,wy,lz]分别为小立方体的高、宽和长。存在u个ue的整个roi空间可表示为x＝[x1,x2,...,xn]t。其中，xn∈{0,1},n＝1,...,n表示第n个像素块是否存在ue。0为该像素块中不存在ue，1为该像素块中存在ue，根据最后的roi得到用户位置。
6、1.3)对于第r个ore，用户至接入ap的等效信道表示为：
7、
8、其中，表示目标空间中第r个ore上第n个像素块的信道。xr,n∈{0,1}为目标空间中第n个像素块的系数，1表示该像素块存在ue且ue通过该ore传输数据，0表示该像素块为空的或ue不通过该ore传输数据。αr,n表示该信道的幅度，表示该信道的相位偏移。
9、同理，表示在第r个ore中，用户所在的目标空间到ris再到ap的反射信道矩阵，表示在第r个ore上目标空间到ris信道，表示在第r个ore上目标空间中第n个像素块到ris第m个元素的信道系数，αr,n,m代表信道幅度，代表该信道的相位偏移。代表ris的反射系数矩阵，其中，代表ris的第m个微面的反射系数。ρm∈[0,1]表示该微面的反射幅度系数，βm∈[0,2π]表示该微面的相位偏移系数，并且其中diag(·)代表生成对角矩阵的操作。表示在第r个ore上ris到ap的信道，表示在第r个ore上，ris的第m个微面到ap的信道系数。其中，αr,m为该信道的幅度，为该信道的相位偏移。
10、1.4)在第r个ore上，ap所接收到的信号为：
11、
12、其中，sr,n为在第r个ore中，第n个像素块中用户发出的传输信号，若用户不通过该ore发送信号或者不存在在该像素块中，sr,n＝0。wr是第r个ore上的加性高斯白噪声。将接收信号展开可得：
13、
14、再进一步将信道展开可得：
15、
16、由此可以得到所有用户在第r个ore上的总信道为：
17、
18、接收信号可表示为yr＝hrsr+wr。ap接收到的总接收信号可表示为：其中，y＝[y1,...,yr]t，hr＝[h1,...,hr]t，diag(·)代表构成对角矩阵。su＝[s1,...,su]t为第u个用户在每个ore上发送的信号，若该用户在第r(1,...,r)ore上不发送信号，则sr为0。w＝[w1,…,wr]t为加性高斯白噪声。
19、1.5)ap采用同相/正交转换法将接收信号y转换同相分量和正交分量，然后拼接成一个向量再输送到神经网络中。用表示接收信号的实部，也就是同相分量。表示接收信号的虚部，即信号的正交分量，所以输送到神经网络的接收信号可以表示为：
20、
21、进一步的，在第1至f-1个时间段中ap通过接收信号自适应调整ris的反射系数，在第f个时间段，神经网络会输出ue位置，其特征在于：在前f-1个时间段，每个时间段包含一个lstm结构和一个mlp结构，其目的是来自适应调整反射系数，最后时间段后，基于前序网络的输出以及lstm+mlp结构输出ue位置。其实施的步骤如下：
22、2.1)基于通用的lstm单元初始化规则，初始细胞状态c-1和初始隐藏状态h-1设置为0，初始输入信号y0为ris相位偏移为0时ap接收到的信号。
23、2.2)在第f(1,...,f-1)时间段开始时，神经网络的lstm结构会接收前一时间段ap接收信号序列yf-1为输入，lstm输出的隐藏状态hf会送入到一个l层的mlp，前l-1层dnn使用softmax激活函数，第l层使用relu激活函数。最终会输出第f时间段的反射面系数θf并在ap根据新调整的ris反射系数接收到信号序列yf。之后，这个信号序列yf将被用作下一时间段的神经网络中lstm的输入。从而实现对智能反射面的自适应调整。第f个时间段ris的反射系数θf可由下式表示：
24、θf＝σl(alσl-1(…σ1(a1hf+b1)…)+bl)
25、其中，al表示mlp第l层全连接层中可以被训练的权重，bl为其偏置。mlp将lstm的隐藏状态hf作为输入，而lstm具有时间相关性，θf与之间时间段的接收信号和ris反射系数的关系为：
26、
27、其中，θ0:f-1＝[θ0,...,θf-1]是之前每个时间段自适应调整ris从而得到的ris反射系数。y0:f-1＝[y0,…,yf-1]为之前时间段的接收信号序列。gt是神经网络输入θ0:f-1和y0:f-1到输出θf的映射关系。
28、2.3)经过前f-1个时间段的自适应调整反射面系数，在f个时间段，接收信号yf会送入lstm结构，输出的细胞状态层cf会被送入另外一个r层的mlp，输出目标空间中的多用户位置估计值可以表示为：
29、
30、其中，是该r层mlp中第r层全连接层中可以被训练的权重和偏置。由于所使用的神经网络结构是基于lstm的，用户在目标空间中的位置估计值又可以表示为：其中，是将接收信号序列映射为多用户在目标空间中位置的操作。所使用的神经网络的损失函数表示为：
31、
32、其中，为神经网络估计的目标空间中用户u所在像素块的位置索引，为目标空间中用户u所在像素块的位置索引。
33、本发明的有益效果如下：
34、本发明在通信传感一体化技术下通过整合感知与通信功能，减少了硬件需求和系统复杂度，并部署智能反射面，增加通信链路信道，该发明能够在动态变化的环境中，使用神经网络，实现对多用户的高精度定位。
1.一种基于深度学习由智能超表面辅助无线定位方法，基于稀疏码多址scma，信号经过模型到达ue指定空间区域，通过使用神经网络，在第1至f-1个时间段中ap通过接收信号自适应调整ris的反射系数，在第f个时间段，神经网络会输出ue位置，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习由智能超表面辅助无线定位方法，其特征在于，在第1至f-1个时间段中ap通过接收信号自适应调整ris的反射系数，在第f个时间段，神经网络会输出ue位置；即在前f-1个时间段，每个时间段包含一个lstm结构和一个mlp结构，其目的是来自适应调整反射系数，最后时间段后，基于前序网络的输出以及lstm+mlp结构输出ue位置，具体步骤如下：
