一种工业物联网中智能数据处理方法与流程

1.本发明涉及一种无线通信技术，尤其涉及一种工业物联网中智能数据处理方法。


背景技术：

2.5g将满足人们在居住、工作、休闲和交通等各种区域的多样化业务需求，即便在密集住宅区、办公室、体育场、露天集会、地铁、快速路、高铁和广域覆盖等具有超高流量密度、超高连接数密度、超高移动性特征的场景，也可以为用户提供超高清视频、虚拟现实、增强现实、云桌面、在线游戏等极致业务体验。与此同时，5g还将渗透到物联网及各种行业领域，与工业设施、医疗仪器、交通工具等深度融合，有效满足工业、医疗、交通等垂直行业的多样化业务需求，实现真正的“万物互联”。
3.5g应用场景可以分为两大类，即移动宽带(mbb,mobile broadband)和物联网(iot,internet of things)。其中，移动宽带接入的主要技术需求是高容量，提供高数据速率，以满足数据业务需求的不断增长。物联网主要是受机器通信(mtc,machine type communication)需求的驱动，可以进一步分为两种类型，包括低速率的海量机器通信(mmc,massive machine communication)和低时延高可靠的机器通信。其中，对于低速率的海量机器通信，海量节点低速率接入，传输的数据包通常较小，间隔时间会相对较长，这类节点的成本和功耗通常也会很低；对于低时延高可靠的机器通信，主要面向实时性和可靠性要求比较高的机器通信，例如实时警报、实时监控等。
4.第五代移动通信系统中，最需要深入研究的核心场景就是机器通信，例如工业4.0、车联网、机器人等等，如何保证智能物联网中数据传输的可靠性，是目前亟待解决的问题。
5.基于上述分析，本发明提出一种工业物联网中智能数据处理方法。


技术实现要素：

6.为解决现有机器通信中数据传输可靠性比较差的问题，本发明提供一种工业物联网中智能数据处理方法。
7.本发明包括如下步骤：
8.s1：第二通信节点接收第一通信节点发送的信道状态信息参考信号；
9.s2：测量得到所述信道状态信息参考信号的信干噪比，根据所述信干噪比、或所述信干噪比的值及信道的秩确定用于生成信道状态信息的生成方式，并根据生成方式生成对应的信道状态信息发送给第一通信节点；
10.s3：所述第二通信节点接收第一通信节点发送的基于所述信道状态信息生成的解调参考信号和调制符号集合，根据基于所述解调参考信号得到的信道估计结果对所述调制符号集合进行解调；
11.s4：判断解调后是否得到有用数据比特序列，如果是，反馈接收成功信息给所述第一通信节点，然后继续接收新的信息；如果否，则反馈接收失败信息给所述第一通信节点，
然后重新接收第一通信节点改变解调参考信号模式后生成的解调参考信号和调制符号集合，直至得到有用数据比特序列。
12.本发明作进一步改进，步骤s2中，如果如果得到的信干噪比小于等于第一设定值，则所述第二通信节点按照第一生成方式生成第一信道状态信息，所述第二通信节点将所述第一信道状态信息发送给所述第一通信节点；如果得到的信干噪比大于第一设定值且信道的秩小于等于第二设定值，则所述第二通信节点按照第二生成方式生成第二信道状态信息，所述第二通信节点将所述第二信道状态信息发送给所述第一通信节点；如果得到的信干噪比大于第一设定值且信道的秩大于第二设定值，则所述第二通信节点按照第三生成方式生成信道状态信息，所述第二通信节点将所述第三信道状态信息发送给所述第一通信节点；其中，所述第一生成方式是指所述第二通信节点对测量得到的信道状态信息进行奇异值分解后得到右奇异矢量，找到与所述右奇异矢量最相似的离散傅里叶变换矢量，将所述离散傅里叶变换矢量的索引值作为所述第一信道状态信息；所述第二生成方式是指所述第二通信节点将测量得到的信道状态信息通过基于深度学习技术搭建的第二神经网络生成第二信道状态信息；所述第三生成方式是指所述第二通信节点将测量得到的信道状态信息通过深度学习技术搭建的第三神经网络生成第三信道状态信息；所述第一信道状态信息、或所述第二信道状态信息、或所述第三信道状态信息均包含信干噪比信息。
13.本发明作进一步改进，所述第二神经网络至少包括3个卷积层、2个池化层和一个全连接层；所述第三神经网络至少包括6个卷积层、5个池化层和一个全连接层。
14.本发明作进一步改进，所述第二信道状态信息包含的比特数是所述第一信道状态信息包含的比特数的2倍；所述第三信道状态信息包含的比特数是所述第二信道状态信息包含的比特数的4倍。
15.本发明作进一步改进，所述第三神经网络的运算量是所述第二神经网络的运算量的3倍。
16.本发明作进一步改进，所述第一通信节点基于所述第二信道状态信息恢复的信道与真实信道的相关性大于等于0.85；所述第一通信节点基于所述第三信道状态信息恢复的信道与真实信道的相关性大于等于0.9。
17.本发明作进一步改进，步骤s3中，第一通信节点基于所述信道状态信息生成的解调参考信号和调制符号集合的处理过程为：
18.(4)所述第一通信节点收所述信道状态信息，根据所述信道状态信息确定所述第一通信节点给所述第二通信节点发送有用数据比特序列时使用的调制方式和预编码矩阵；
19.(5)基于所述调制方式和所述有用数据比特序列的长度n确定解调参考信号的模式，如果调制方式为2psk、或qpsk、或8psk，且n为小于等于第三设定值的正整数，则所述第一通信节点使用第一解调参考信号模式生成解调参考信号；如果调制方式为16qam、或64qam、或128qam、或256qam、或512qam、或1024qam，且n为大于第三设定值的正整数，则所述第一通信节点使用第二解调参考信号模式生成解调参考信号；
20.所述第一通信节点将所述解调参考信号和基于所述有用数据比特序列生成的调制符号集合发送给所述第二通信节点。
21.本发明作进一步改进，所述第一解调参考信号模式是指所述第一通信节点将使用的调制方式中所有可能的调制符号生成解调参考信号，所述第二解调参考信号模式是指基
于5g r15标准版本描述的方式生成解调参考信号。
22.本发明作进一步改进，基于所述第一解调参考信号模式生成解调参考信号占用的资源数目不超过基于所述第二解调参考信号模式生成解调参考信号占用的资源数目的1/2。
23.本发明作进一步改进，当所述信干噪比小于等于第一设定值时，第三设定值的取值为512；当所述信干噪比大于第一设定值时，第三设定值的取值为256。
24.与现有技术相比，本发明的有益效果是：克服了现有机器通信中数据传输可靠性低的问题，提高了网络的使用效率。
附图说明
25.图1为本发明方法流程图。
具体实施方式
26.下面结合附图和实施例对本发明做进一步详细说明。
27.如图1所示，本发明包括如下步骤：
28.s1：第二通信节点接收第一通信节点发送的信道状态信息参考信号；
29.s2：测量得到所述信道状态信息参考信号的信干噪比，根据所述信干噪比、或所述信干噪比的值及信道的秩确定用于生成信道状态信息的生成方式，并根据生成方式生成对应的信道状态信息发送给第一通信节点；
30.s3：所述第二通信节点接收第一通信节点发送的基于所述信道状态信息生成的解调参考信号和调制符号集合，根据基于所述解调参考信号得到的信道估计结果对所述调制符号集合进行解调；
31.s4：判断解调后是否得到有用数据比特序列，如果是，反馈接收成功信息给所述第一通信节点，然后继续接收新的信息；如果否，则反馈接收失败信息给所述第一通信节点，然后重新接收第一通信节点改变解调参考信号模式后生成的解调参考信号和调制符号集合，直至得到有用数据比特序列。
32.步骤s2中，如果如果得到的信干噪比小于等于第一设定值，则所述第二通信节点按照第一生成方式生成第一信道状态信息，所述第二通信节点将所述第一信道状态信息发送给所述第一通信节点；如果得到的信干噪比大于第一设定值且信道的秩小于等于第二设定值，则所述第二通信节点按照第二生成方式生成第二信道状态信息，所述第二通信节点将所述第二信道状态信息发送给所述第一通信节点；如果得到的信干噪比大于第一设定值且信道的秩大于第二设定值，则所述第二通信节点按照第三生成方式生成信道状态信息，所述第二通信节点将所述第三信道状态信息发送给所述第一通信节点；其中，所述第一生成方式是指所述第二通信节点对测量得到的信道状态信息进行奇异值分解后得到右奇异矢量，找到与所述右奇异矢量最相似的离散傅里叶变换矢量，将所述离散傅里叶变换矢量的索引值作为所述第一信道状态信息；所述第二生成方式是指所述第二通信节点将测量得到的信道状态信息通过基于深度学习技术搭建的第二神经网络生成第二信道状态信息；所述第三生成方式是指所述第二通信节点将测量得到的信道状态信息通过深度学习技术搭建的第三神经网络生成第三信道状态信息；所述第一信道状态信息、或所述第二信道状态
信息、或所述第三信道状态信息均包含信干噪比信息。
33.步骤s3中，第一通信节点基于所述信道状态信息生成的解调参考信号和调制符号集合的处理过程为：
34.(1)所述第一通信节点收所述信道状态信息，根据所述信道状态信息确定所述第一通信节点给所述第二通信节点发送有用数据比特序列时使用的调制方式和预编码矩阵；
35.(2)基于所述调制方式和所述有用数据比特序列的长度n确定解调参考信号的模式，如果调制方式为2psk、或qpsk、或8psk，且n为小于等于第三设定值的正整数，则所述第一通信节点使用第一解调参考信号模式生成解调参考信号；如果调制方式为16qam、或64qam、或128qam、或256qam、或512qam、或1024qam，且n为大于第三设定值的正整数，则所述第一通信节点使用第二解调参考信号模式生成解调参考信号；
36.(3))所述第一通信节点将所述解调参考信号和基于所述有用数据比特序列生成的调制符号集合发送给所述第二通信节点。
37.实施例1
38.本例的第一通信节点为终端，第二通信节点为基站。本例终端与基站之间的智能数据处理方法为：
39.终端接收基站发送的信道状态信息参考信号，测量后如果得到的信干噪比小于等于10db，则终端按照第一生成方式生成第一信道状态信息，第二通信节点将第一信道状态信息发送给基站；如果得到的信干噪比大于10db且信道的秩小于等于2，则终端按照第二生成方式生成信道状态信息，第二通信节点将第二信道状态信息发送给基站。
40.如果得到的信干噪比大于10db且信道的秩大于2，则终端按照第三生成方式生成信道状态信息，第二通信节点将第三信道状态信息发送给基站；其中，第一生成方式是指终端对测量得到的信道状态信息进行奇异值分解后得到右奇异矢量，找到与右奇异矢量最相似的离散傅里叶变换矢量，将离散傅里叶变换矢量的索引值作为第一信道状态信息，这样做的原因是此时基站与终端之间的下行信道环境比较差，进行大容量数据传输的可能性比较低，所以终端不需要特别精确的信道状态信息给基站；第二生成方式是指终端将测量得到的信道状态信息通过基于深度学习技术搭建的第二神经网络生成第二信道状态信息，这样做的原因是此时基站与终端的下行信道环境相对比较好，有比较大概率可以进行大容量数据传输，考虑到如果使用第一生成方式生成相同精度的信道状态信息开销会比较大，所以使用深度学习中自编码结构(即终端侧测量得到的信道状态信息作为神经网络的输入，输出是经过神经网络压缩后的信道状态信息，基站收到压缩后的信道状态信息后，再通过神经网络恢复最原始的信道状态信息)的方式对信道进行高效压缩；第三生成方式是指终端将测量得到的信道状态信息通过深度学习技术搭建的第三神经网络生成第三信道状态信息，这样做的原因是此时基站与终端的下行信道环境非常好，进行大容量数据传输的可能性非常高，所以使用神经网络的方式实现高质量高可靠性的信道状态信息反馈；第一信道状态信息、或第二信道状态信息、或第三信道状态信息均包含信干噪比信息，这样做的原因是基站可基于新干噪比信息并结合系统的下行负载情况确定基站给终端传输数据时使用的调制方式。
41.基站收信道状态信息，根据信道状态信息确定基站给终端发送有用数据比特序列时使用的调制方式和预编码矩阵，并基于调制方式和有用数据比特序列的长度n确定解调
参考信号的模式，如果调制方式为2psk、或qpsk、或8psk，且n为小于等于m的正整数，则基站使用第一解调参考信号模式生成解调参考信号；如果调制方式为16qam、或64qam、或128qam、或256qam、或512qam、或1024qam，且n为大于m的正整数，m为正整数，则基站使用第二解调参考信号模式生成解调参考信号，基站将解调参考信号和基于有用数据比特序列生成的调制符号集合发送给终端，其中，第一解调参考信号模式是指基站将使用的调制方式中所有可能的调制符号生成解调参考信号，例如，基站给终端使用bpsk方式发送有用数据比特序列，则解调参考信号只需要在基站和终端协商的特定的两个资源位置上发送bpsk的两个调制符号(1)、(-1)作为解调参考信号即可，又例如，基站给终端使用qpsk方式发送有用数据比特序列，则解调参考信号只需要在基站和终端协商的特定的四个资源位置上发送qpsk的四个调制符号(1+i)、(1-i)、(-1+i)、(-1-i)作为解调参考信号即可，这样做的好处是可以极大地降低解调参考信号的开销，提升系统的下行频谱效率；第二解调参考信号模式是指基于5g r15标准版本描述的方式生成解调参考信号，这样做的原因是当调制阶数比较高时，使用传统方式的开销相比第一解调参考信号模式相差不大，而且信道估计的鲁棒性更好。
42.终端接收解调参考信号和基于有用数据比特序列生成的调制符号集合，根据基于解调参考信号得到的信道估计结果对调制符号集合进行解调后得到有用数据比特序列，如果终端成功接收有用数据比特序列，则反馈接收成功信息给基站，如果终端未成功接收有用数据比特序列，则反馈接收失败信息给终端。
43.如果基站接收到接收成功信息，则基站发送新的信息给终端；如果基站接收到接收失败信息，则基站使用第二解调参考信号模式生成解调参考信号，基站将解调参考信号和基于有用数据比特序列生成的调制符号集合重新发送给终端，直至终端反馈接收成功信息为止。这样做的原因是当终端没有成功接收到基站发送的下行数据时，存在很大可能是信道估计的精度不够，此时优先使用解调参考信号开销比较大、但信道恢复进度高的方式确保数据成功传输更为重要，因此重传时使用第二解调参考信号模式生成解调参考信号的方式。
44.实施例2
45.在实施例1的基础上，第一神经网络至少包括3个卷积层、2个池化层和一个全连接层，即输入-》卷积层-》池化层-》卷积层-》池化层-》卷积层-》池化层-》输出的神经网络结构。这样做的原因是根据仿真及硬件测试结果，在考虑信道恢复精度、终端功耗和硬件的实现复杂度上做优化的结果。
46.实施例3
47.在实施例1的基础上，第二神经网络至少包括6个卷积层、5个池化层和一个全连接层，即输入-》卷积层-》池化层-》卷积层-》池化层-》卷积层-》池化层-》卷积层-》池化层-》卷积层-》池化层-》卷积层-》池化层-》全连接层-》输出的神经网络结构。这样做的原因是根据仿真及硬件测试结果，在考虑信道恢复精度、终端功耗和硬件的实现复杂度上做优化的结果。
48.实施例4
49.在实施例1的基础上，第二信道状态信息包含的比特数是第一信道状态信息包含的比特数的2倍。这样做的原因是终端使用第二信道状态信息反馈时，终端和基站的下行信
道比较好，基站可以给终端传输大容量数据的可能性比较高，而大容量传输对下行信道的恢复精度要求比较高，所以开销会大一些。
50.实施例5
51.在实施例1的基础上，第三信道状态信息包含的比特数是第二信道状态信息包含的比特数的4倍。这样做的原因是终端使用第三信道状态信息反馈时，终端和基站的下行信道非常好，基站可以给终端传输大容量数据的可能性非常高，而大容量传输对下行信道的恢复精度要求非常高，所以开销会比较大。
52.实施例6
53.在实施例1的基础上，基于第一解调参考信号模式生成解调参考信号占用的资源数目不超过基于第二解调参考信号模式生成解调参考信号占用的资源数目的1/2。这样做的原因使用第一解调参考信号模式时的调制方式比较简单，不太会受相位噪声的影响，所以对信道的恢复进度要求低一些，因此可以通过机器学习的分类方式有效降低解调参考信号的资源开销。
54.实施例7
55.在实施例1的基础上，当信干噪比小于等于10db时，m的取值为512；当信干噪比大于10db时，m的取值为256。这样做的原因是低信噪比情况下，使用低阶调制方式的概率比较高，对信道估计的要求低一些，因此m可以适当的大一些；在高信噪比的情况下，使用低阶调制方式的概率比较低，对信道估计的要求高一些，因此m可以适当的小一些。
56.实施例8
57.在实施例1的基础上，第三神经网络的运算量是第二神经网络的运算量的3倍。这样做的原因是第三神经网络得到的信道状态信息需要提取更细致地下行信道特征，因此需要更大的计算量。
58.实施例9
59.在实施例1的基础上，基站基于第二信道状态信息的反馈信号恢复的信道与真实信道的相关性大于等于0.85，因为每次发送错误以后，需要更好地重复传输的信道质量，才能有可能让下次重复传输成功的把这个数据给解出来，所以说才能使每次反馈的信道精度越来越高，本例相关性代表了精度。
60.实施例10
61.在实施例1的基础上，基站基于第三信道状态信息的反馈信号恢复的信道与真实信道的相关性大于等于0.9，因为每次发送错误以后，需要更好地重复传输的信道质量，才能有可能让下次重复传输成功的把这个数据给解出来，所以说才能使每次反馈的信道精度越来越高，本例相关性代表了精度。
62.以上所述之具体实施方式为本发明的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明所作的等效变化均在本发明的保护范围内。