[发明专利]基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法及系统

权利要求书

1.基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，包括以下步骤：

S1、获取车辆位于不同位置时相对于基站的水平角度以及对应的基站接收天线处的信号抽样值作为训练样本；

S2、搭建CNN-LSTM神经网络模型；

S3、将步骤S1得到的训练样本变形为二维矩阵后送入步骤S2搭建的CNN-LSTM神经网络模型；

S4、基于步骤S3变形后的二维矩阵提取特征数据间的空间联系，基于特征数据间的空间联系确定特征数据间的时间联系，对空间联系和时间联系进行整合和加权，输出网络角度预测值；

S5、根据步骤S4得到的网络角度预测值计算误差，再进行误差反向传播，得到训练好的角度估计网络；

S6、将待估计的基站接收天线接收信号值输入步骤S5训练好的角度估计网络中，得到验证样本的角度估计值。

2.根据权利要求1所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S1中，训练样本包括特征数据和标签数据，特征数据为基站接收天线处的接收信号值，标签数据为车辆位于不同位置时相对于基站的水平角度。

3.根据权利要求1所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S2中，CNN-LSTM神经网络模型包括输入层、空间关系提取层、时间关系提取层、全连接层和输出层。

4.根据权利要求1所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S3中，将训练样本中天线组的每个天线接收信号表示为两个实数，所有天线的接收信号以矩阵形式表示。

5.根据权利要求1所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S4具体为：

S401、将训练样本通过输入层传送到空间关系提取网络的第一个卷积层，输出原始特征数据的浅层空间关系；

S402、将浅层空间特征传送到空间关系提取网络的第二个卷积层，输出深层空间关系；

S403、将空间联系和时间联系送入CNN-LSTM神经网络模型的全连接层进行整合和加权，输出网络角度预测值。

6.根据权利要求5所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S401中，空间关系提取层包括卷积层1和卷积层2，送入卷积层1前将特征数据矩阵进行0填充，卷积操作后采用relu函数进行非线性映射；卷积层1的卷积核大小为3×3，卷积核移动步长为1，输出通道数为16；卷积层2的卷积核大小为2×2，输出通道数为32。

7.根据权利要求6所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S403中，全连接层包括子全连接层1和子全连接层2，子全连接层1的输入为时间关系提取层的输出数据，激活函数为sigmoid函数；子全连接层2的输入为子全连接层1的输出，激活函数为sigmoid函数；子全连接层2的输出即为角度估计值。

8.根据权利要求7所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，子全连接层1中引入批量归一化处理。

9.根据权利要求1所述的基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法，其特征在于，步骤S5中，将CNN-LSTM神经网络模型输出的角度估计值与真实角度值进行对比，计算误差loss，误差函数为MSE函数，通过CNN-LSTM神经网络模型求得误差loss后进行误差反向传播，调整更新空间关系提取层、时间关系提取层、全连接层和输出层中神经元的权重值。

10.一种基于CNN-LSTM网络的ISAC使能车联网环境角度估计系统，其特征在于，包括：

样本模块，获取车辆位于不同位置时相对于基站的水平角度以及对应的基站接收天线处的信号抽样值作为训练样本；

网络模块，搭建CNN-LSTM神经网络模型；

输入模块，将样本模块得到的训练样本变形为二维矩阵后送入网络模块搭建的CNN-LSTM神经网络模型；

输出模块，基于输入模块变形后的二维矩阵提取特征数据间的空间联系，基于特征数据间的空间联系确定特征数据间的时间联系，对空间联系和时间联系进行整合和加权，输出网络角度预测值；

训练模块，根据输出模块得到的网络角度预测值计算误差，再进行误差反向传播，得到训练好的角度估计网络；

估计模块，将待估计的基站接收天线接收信号值输入训练模块训练好的角度估计网络中，得到验证样本的角度估计值。