一种信道状态干扰检测的信道状态信息重建方法及系统

本发明属于wifi干扰检测及信号处理，尤其涉及一种信道状态干扰检测的信道状态信息重建方法及系统。

背景技术：

1、随着无线通信技术的快速发展，无线网络已经在城市中得到普遍部署。其中，wifi网络作为生活中接触最广泛的无线通信网，给人类生活带来了巨大便利。然而，wifi运行的频段非常拥挤，容易受到蓝牙、zigbee等设备的射频干扰，极大地降低了通信的稳定性。另一方面，随着通感一体化技术的发展，wifi广泛应用于非侵入式感知。然而，用于wifi感知的信道状态信息(channel state information，信道状态信息)会携带射频干扰信息，严重影响了感知应用的灵敏度和准确性。因此，检测信道状态信息数据中是否存在射频干扰对于保障wifi的通信、感知性能以及干扰消除具有重要意义。

2、现有研究提出了诸如基于谱相关函数的信道状态信息干扰检测算法等方案来识别信道状态信息数据中的射频干扰。尽管已有方法能较好地检测干扰，但现实应用中容易出现wifi数据包的丢失以及硬件缺陷等问题，导致信道状态信息数据不连续、采样率低，从而对干扰检测产生负面影响。

3、解决该问题常见的方法是根据低采样信道状态信息数据重建完整的信道状态信息，并使用完整的信道状态信息进行干扰检测。现有的信道状态信息数据重建方法是传统插值法，通过邻近已知数据点，根据线性插值等数学原理推求范围内的未知数据点。该方法过程简单，但面对高数据丢失率的情况准确率较低。随着生成式人工智能技术的发展，有研究使用生成对抗网络(gan)以图像恢复的方式重建信道状态信息数据，取得了较高的准确率和较快的速度。然而上述方法均关注于信道状态信息数据恢复，忽略了信道状态信息干扰检测的目的，无法直接应用于信道状态信息干扰检测任务下的数据重建问题。

4、因此需要设计一种高准确率的面向信道状态信息干扰检测的低采样wifi信道状态信息重建方法来解决上述问题。

技术实现思路

1、为了解决现有技术中低采样wifi信道状态信息重建技术准确率低，且未充分考虑信道状态信息干扰检测任务特征，导致wifi信道状态信息无法直接用于射频干扰检测的问题，实现提升信道状态信息重建效果和干扰检测准确率的目的，本发明提出了一种信道状态干扰检测的信道状态信息重建方法及系统。

2、本发明方法的技术方案为一种信道状态干扰检测的信道状态信息重建方法，包括以下步骤：

3、步骤1：根据采集的信道状态信息生成有效的特征嵌入，所述信道状态信息数据为wifi信号接收端采集的低采样率信道状态信息数据；

4、步骤2：使用扩散模型生成缺失位置的信道状态信息数据，所述缺失位置的信道状态信息数据和所述低采样率信道状态信息数据共同组成重建的高采样率信道状态信息数据；

5、步骤3：根据所述高采样率信道状态信息数据计算谱相关函数，并进行干扰检测；

6、作为优选，步骤1所述采集的信道状态信息，具体如下：

7、对于具有m个发射天线、n个接收天线和f个子载波的wifi信道，采集t个时刻的信道状态信息数据组成低采样率信道状态信息，则每个收发天线对的低采样率信道状态信息可视为形状为f×t×2的三维矩阵，该矩阵由两个形状为f×t的二维矩阵组成，分别包括该收发天线对的低采样率信道状态信息的实部数据、虚部数据；

8、初始的信道状态信息

9、其中，c＝2×m×n；

10、其中，采样数据缺失时刻的信道状态信息值为0，m∈{0,1}f×t×c为信道状态信息数据掩膜，数据缺失时刻的m值为0，反之为1；

11、作为优选，步骤1所述生成有效的特征嵌入，具体如下：

12、时序特征提取单元，使用自注意力块对信道状态信息数据的第i个子载波数据提取时序特征si,则时序特征

13、

14、

15、其中，lp为线性投影操作，norm为层归一化操作，xi,:,:表示在第i个子载波的所有时刻和所有收发天线对的数据，softmax为softmax函数：

16、

17、xn为向量x的第n个元素，分别为xi,:,:对应的注意力机制中的query、key、value矩阵，超参数dk为缩放因子，为实数集，表示大小为f×t×c的实数矩阵；

18、频域特征提取单元，使用自注意力块对信道状态信息数据的第j个时刻数据提取频域特征sj，

19、

20、其中，超参数dk为缩放因子,x:,j,:表示在第j个时刻的所有子载波和所有收发天线对的数据；

21、分别为x:,j,:对应的注意力机制中的query、key、value矩阵，表示大小为(f×1×c)×t的实数矩阵；

22、交叉融合单元，用于提取时域和频域间特征，使用交叉注意力块融合所述时序特征和所述频域特征，得到时频特征

23、k3,v3＝lp(norm(sfreq))

24、q3＝lp(norm(stime))

25、

26、其中，超参数dk为缩放因子，

27、k3和v3分别为频域特征对应的注意力机制中的key、value矩阵，q3为时序特征对应的注意力机制中的query矩阵；

28、掩膜融合单元，用于融合所述时频特征和信道状态信息数据掩膜，得到有效的特征嵌入

29、scondition＝silu(concat(scross,m))

30、其中，concat表示数据拼接，激活函数silu(·)为sigmoid加权线性单元，m∈{0,1}f×t×c为信道状态信息数据掩膜，数据缺失时刻的m值为0，反之为1。

31、作为优选，步骤2所述使用扩散模型生成缺失位置的信道状态信息数据，具体如下：

32、生成随机的高斯噪声并将其添加到信道状态信息数据缺失位置，即：

33、

34、其中，为掩膜m按位取反，⊙为元素按位相乘，为在数据缺失位置添加了高斯噪声的信道状态信息，x0为初始的有数据缺失的信道状态信息；

35、选择一个时间步t，计算当前时间步嵌入

36、

37、以scondition为条件，及st为输入，使用神经网络预测添加的噪声则经过t步去噪后的数据分布为：

38、

39、其中，θ为所述神经网络的参数，为加噪数据的分布,为第t-k个时间步去噪结果。

40、其中，表示以和scondition为条件经过神经网络去噪后的结果满足条件高斯分布，即条件期望

41、

42、其中，:＝表示定义为，βk为第k步噪声水平，为神经网络以scondition为条件，和sk为输入第t-k+1步预测的噪声，为协方差矩阵且

43、重建的信道状态信息

44、作为优选，所述神经网络，包括：

45、网络采用残差结构，由n个残差块组成，每个残差块的输入包括所述时间步嵌入sk、所述特征嵌入scondition及n＝1,2,…,n三个部分，其中，为第t-k+1步去噪过程中第n-1个残差块的输出

46、在第t-k+1步去噪过程中，对于第n个残差块，其输出为：

47、

48、其中，为第t-k+1步去噪过程中第n个残差块根据输入计算的中间变量，分别为第t-k+1步去噪过程中第n个残差块根据中间变量计算的注意力机制中的key、query、value矩阵，add(·)为求和函数，conv(·)为1×1卷积操作，为第t-k+1步去噪过程中第n个残差块的输出；则第t-k+1步预测的噪声为：

49、

50、预测添加的噪声即最后一步去噪过程中网络输出xout为：

51、

52、因此，根据掩膜可计算信道状态信息数据缺失处的噪声为：

53、

54、所述的时序特征提取单元、频域特征提取单元、交叉融合单元、掩膜融合单元、神经网络采用自监督的方式进行端到端训练，具体步骤包括：

55、步骤2.1：采集高采样率的信道状态信息作为训练数据，在[10％,90％]范围内随机选取丢失率γ，生成掩膜m∈{0,1}f×t×c，其中γ×t个时刻的值为0，其余值为1，则低采样信道状态信息数据x0＝xhiigh⊙m；

56、步骤2.2：根据所述的特征嵌入模块计算特征嵌入scondition；

57、步骤2.3：随机采样扩散时间步t，生成随机的高斯噪声将所述高斯噪声添加到xhiigh中得到

58、

59、其中，表示∈的每个分量独立同分布且遵循均值为0，方差为1的高斯分布，i为单位矩阵；

60、其中，βi为第i步的噪声水平，为掩膜m按位取反，⊙为元素按位相乘；

61、步骤2.4：根据当前时间步嵌入，通过神经网络预测添加的噪声，计算预测的噪声

62、步骤2.5：计算损失并采用梯度下降法更新所述特征嵌入模块和所述数据生成模块的模型参数；

63、所述为噪声预测损失，其计算表达式为

64、

65、∈为步骤2.3中添加的高斯噪声，‖*‖2为l2范数

66、所述为循环谱损失，其计算表达式为

67、

68、其中，和分别为的谱相关函数和的谱相关函数，x′high和x′out分别为所述高采样率信道状态信息xhiigh和所述数据生成模块去噪重建信道状态信息xout根据实部和虚部数据组成的复数矩阵，α为循环频率；

69、所述谱相关函数

70、其中，(x′high)*表示对x′high的每个元素进行共轭操作，(xo′ut)*表示对xo′ut的每个元素进行共轭操作；

71、其中，x′high[k,1:t,1]表示取x′high的第k个子载波的第1～t时刻的第1个收发天线对的数据，(x′high)*[k-α,1:t,1]表示取(x′high)*的第k-α个子载波的第1～t时刻的第1个收发天线对的数据，xo′ut[k,1:t,1]表示取xo′ut的第k个子载波的第1～t时刻的第1个收发天线对的数据，(xo′ut)*[k-α,1:t,1]表示取(xo′ut)*的第k-α个子载波的第1～t时刻的第1个收发天线对的数据；

72、步骤2.6：重复步骤2.2～步骤2.5，直至训练完成。

73、作为优选，步骤3所述根据所述高采样率信道状态信息数据计算谱相关函数，并进行干扰检测，具体如下：

74、根据谱相关函数的计算公式计算所述重建的信道状态信息xo′ut的谱相关函数并计算每个元素的幅值；

75、计算所述谱相关函数幅值中每个元素与相邻元素的差值，得到谱相关函数幅度的梯度矩阵，并选择适当阈值检测信道状态信息是否受到干扰。

76、对梯度矩阵进行奇异值分解，若最大的奇异值大于阈值，则存在干扰，反之，则无干扰。

77、本发明系统的技术方案为一种信道状态干扰检测的信道状态信息重建系统，包括：

78、特征嵌入模块，用于根据采集的信道状态信息生成有效的特征嵌入，所述信道状态信息数据为wifi信号接收端采集的低采样率信道状态信息数据；

79、数据生成模块，用于以所述特征嵌入为条件，使用扩散模型生成缺失位置的信道状态信息数据，所述缺失位置的信道状态信息数据和所述低采样率信道状态信息数据共同组成重建的高采样率信道状态信息数据；

80、干扰检测模块，用于根据所述高采样率信道状态信息数据计算谱相关函数，并进行干扰检测；

81、本发明提供的面向信道状态信息干扰检测的低采样wifi信道状态信息重建方法，使用端到端自监督的方式训练神经网络模型，可以充分减少数据采集和标注的工作量；本发明使用采样数据的特征作为条件引导扩散模型进行有条件数据生成，可以充分提高信道状态信息数据重建性能；本发明引入循环谱损失，可以充分满足干扰检测任务需求。