本发明涉及无线电地图估计，特别是涉及一种基于生成对抗网络的无线电地图协同估计方法。
背景技术：
1、在6g时代，实时监测和管理无线电资源对于支持多样化的无线应用至关重要。传统的无线电地图估计（rme）方法，如数据驱动的插值方法和基于模型的射线追踪方法，无法同时兼顾高精度和高速度，无法实现既精确又快速的无线电地图估计。现有的基于深度学习的方法有望解决上述难题，即通过采用高精度数据集训练深度神经网络，赋能深度神经网络实现快速精确的无线电地图估计。
2、然而，目前基于深度学习的方法，想要实现精确的无线电地图估计，均依赖于信号源信息，即信号源信息为神经网络输入信息中不可或缺的一部分。而由于在无线网络下，信号源可能为基站或各类移动设备，其信息（尤其是实时信息）往往无法获取。此外，这类依赖信号源信息的估计方法，在地理环境信息不准确时，泛化能力较差。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种基于生成对抗网络的无线电地图协同估计方法，基于多个移动用户的接收信号强度（rss）信息和地理环境地图即可进行无线电地图估计，无需信号源信息。
2、本发明的目的是通过以下技术方案来实现的：一种基于生成对抗网络的无线电地图协同估计方法，包括以下步骤：
3、s1.将多个用户的接收信号强度信息、rss信息和地理环境信息作为数据特征，将无线电地图作为标签，构建训练数据集，其中rss信息即位置信息；
4、s2. 采用unet模型作为生成器，输入为图像化的地理环境地图和rss信息，输出为图像化的无线电地图估计结果；
5、s3. 采用卷积神经网络模型,即cnn模型作为判别器，用于评估生成器输出的无线电地图的真实性;
6、s4.在模型训练阶段，生成器和判别器联合优化；
7、s5.在推理阶段，使用生成器进行无线电地图估计。
8、本发明的有益效果是：本发明提出的基于生成对抗网络（gan）的协同无线电地图估计（crme）方法，即gan-crme，基于多个移动用户的接收信号强度（rss）信息和地理环境地图即可进行无线电地图估计，无需信号源信息。基于gan学习算法提高了系统的准确性和泛化能力，该方法即使在地理数据不准确的情况下也能有效工作，自动修正部分误差，保证估计的准确性与鲁棒性。
1.一种基于生成对抗网络的无线电地图协同估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于生成对抗网络的无线电地图协同估计方法，其特征在于：所述步骤s1中，设训练数据集中包含l个数据样本，对于第个数据样本：
3.根据权利要求1所述的一种基于生成对抗网络的无线电地图协同估计方法，其特征在于：所述步骤s2中，采用unet网络作为生成器，表示为，其参数矩阵为。
4.根据权利要求1所述的一种基于生成对抗网络的无线电地图协同估计方法，其特征在于：所述步骤s3中选取cnn网络作为鉴别器，表示为，其参数矩阵为。
5.根据权利要求3所述的一种基于生成对抗网络的无线电地图协同估计方法，其特征在于：所述步骤s4包括：