远场无线充电发射策略系统、发射机及网络协调器

摘要

本发明属于远场无线充电技术领域，具体涉及一种远场无线充电发射策略系统、发射机及网络协调器，其中远场无线充电系统中深度神经网络发射策略系统包括：训练模块，根据发射机的数量对神经网络进行训练；反馈模块，发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号；协方差矩阵系数生成模块，发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数；以及最佳的发射协方差矩阵生成模块，发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机，实现了发射机可以快速得到部分信道信息，以进入发射机策略计算阶段，并且发射机得到更快的反应速度同时保证了得出的发射策略是最优的。

说明书

技术领域

本发明属于远场无线充电技术领域，具体涉及一种远场无线充电发射策略系统、发射机及网络协调器。

背景技术

如今的远场无线充电采用的是先估算CSI(channel state information)，然后通过ACCPM(analytic center cutting plain method)解优化问题从而得出发射机发射的协方差矩阵方式实现的，但是该方法估算信道不准确且耗时过长、ACCPM算法时间过长、被充电设备移动后需要从新估算信道，再次调用ACCPM算法的问题，造成了信道估算不准确其耗时过长导致发射策略得出的不是最优，ACCPM算法运算时间过长导致充电无法快速启动，设备位置移动后需从新估算信道信息，并且调用ACCPM算法从新计算最优发射协方差矩阵。

因此，基于上述技术问题需要设计一种新的远场无线充电发射策略系统、发射机及网络协调器。

发明内容

本发明的目的是提供一种远场无线充电发射策略系统、发射机及网络协调器。

为了解决上述技术问题，本发明提供了一种远场无线充电系统中深度神经网络发射策略系统，包括：

训练模块，根据发射机的数量对神经网络进行训练；

反馈模块，发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号；

协方差矩阵系数生成模块，发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数；以及

最佳的发射协方差矩阵生成模块，发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机。

进一步，所述训练模块适于根据发射机的数量对神经网络进行训练，即

当发射机为1个时，对于接收机k＝1,2,…,K，生成相应的信道矩阵

对于每一个接收机，每一个信道分量信息表示为

其中，A

对于每个信道分量，生成预设组数的不同幅度值和不同相位；

发射机获取最佳的发射协方差矩阵Q

其中，E

发射机的发射功率为P，将最佳的发射协方差矩阵分解为Q

其中，w为发射权重数组；w

以协方差矩阵系数集合Φ作为神经网络的输出，神经网络的输入为接收机发送回发射机的反馈信号E＝{E

在生成所有训练数据之后，对神经网络进行训练；

对神经网络的层数、每层的节点数和学习速率进行设置；

神经网络的输入层与输入数据直接相关，输入数据为反馈信号E＝{E

神经网络的输出层为协方差矩阵系数集合

N

根据相应激活函数，输出节点为：

代价函数为：

根据梯度下降法最小化代价函数，梯度下降法为：

其中，

第l层第i个节点的输出误差

代价函数J关于权重和偏差系数的偏导数为：

对于训练数据中的每个输入，神经网络计算对应的输出，将神经网络实际输出与最佳输出Q

进一步，所述训练模块适于根据发射机的数量对神经网络进行训练，即

当发射机为多个时，获取每一个发射机最佳的发射协方差矩阵

每一个发射机的最优协方差矩阵系数为：

每一个接受机对应的接收功率为：

训练数据包括神经网络输入以及神经网络输出，神经网络的输入为接收机发送回发射机的3R组反馈信号E＝{E

生成所有训练数据之后，对神经网络进行训练；

对神经网络的层数、每层的节点数和学习速率进行设置；

采用梯度下降法对神经网络进行训练；

对于训练数据中的每个输入，神经网络计算对应的输出，将神经网络实际输出与最佳输出

进一步，所述反馈模块适于发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号，即

当发射机为1个时，发射机根据相位发射3组协方差矩阵Q

当发射机为多个时，每一个发射机根据相位发射3R组协方差矩阵

进一步，所述协方差矩阵系数生成模块适于发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数，即

当发射机为1个时，将反馈信号E＝{E

当发射机为多个时，将反馈信号E＝{E

进一步，所述最佳的发射协方差矩阵生成模块适于发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机，即

当发射机为1个时，根据

当发射机为多个时，根据

当接收机位置改变时，接收机发送告知信号至发射机，发射机接收到告知信号之后发射相应数量的协方差矩阵至接收机并接收反馈信号，以根据反馈信号生成相应最佳的发射协方差矩阵。

第二方面，本发明还提供一种发射机，包括：

控制模块，与该控制模块电性连接的发射射频模块和反馈接收模块；

所述控制模块适于对神经网络进行训练；

所述控制模块适于控制所述发射射频模块发射协方差矩阵；

所述控制模块适于控制所述反馈接收模块接收反馈信号；

所述控制模块适于通过训练后的神经网络根据反馈信号生成最佳的发射协方差矩阵，并控制发射射频模块持续发射最佳的发射协方差矩阵内发射信号。

第三方面，本发明还提供一种采用上述发射极的单发射机远场无线充电系统，其特征在于，包括：

发射机和接收机；

所述发射机适于发射协方差矩阵至所述接收机；

所述接收机适于根据协方差矩阵反馈反馈信号至所述发射机；

所述发射机适于根据反馈信号生成最佳的发射协方差矩阵，并持续发射最佳的发射协方差矩阵内发射信号至所述接收机，以对对接收机充电。

第四方面，本发明还提供一种网络协调器，

所述网络协调器适于对神经网络进行训练；

所述网络协调器适于接收反馈信号；

所述网络协调器适于通过训练后的神经网络根据反馈信号生成每一个发射机的最佳的发射协方差矩阵，并将最佳的发射协方差矩阵发送至对应发射机。

第五方面，本发明还提供一种采用上述网络协调器的多发射机远场无线充电系统，其特征在于，包括：

网络协调器、若干发射机和若干接收机；

所述发射机适于发射协方差矩阵至所述接收机；

所述接收机适于根据协方差矩阵反馈反馈信号至所述网络协调器；

所述网络协调器适于通过训练后的神经网络根据反馈信号生成每一个发射机的最佳的发射协方差矩阵，并将最佳的发射协方差矩阵发送至对应发射机；

所述发射机适于根据最佳的发射协方差矩阵向接收机持续发射，对接收机充电。

本发明的有益效果是，本发明通过训练模块，根据发射机的数量对神经网络进行训练；反馈模块，发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号；协方差矩阵系数生成模块，发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数；以及最佳的发射协方差矩阵生成模块，发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机，实现了发射机可以快速得到部分信道信息，以进入发射机策略计算阶段，并且发射机得到更快的反应速度同时保证了得出的发射策略是最优的。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所涉及的远场无线充电系统中深度神经网络发射策略系统的原理框图；

图2是本发明所涉及的发射机与接收机示意图；

图3是本发明所涉及的单发射机控制模块内部算法运行构图；；

图4是本发明所涉及的多发射机中央控制模块内部算法运行构图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1是本发明所涉及的远场无线充电系统中深度神经网络发射策略系统的原理框图。

如图1所示，本实施例1提供了一种远场无线充电系统中深度神经网络发射策略系统，包括：训练模块，根据发射机的数量对神经网络进行训练；反馈模块，发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号；协方差矩阵系数生成模块，发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数；以及最佳的发射协方差矩阵生成模块，发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机；

将神经网络训练后运用在远场无线充电系统中可以解决传统信道估算不准确并耗时过长的，发射机可以快速得到部分信道信息，并足够进入发射机策略计算阶段，以及解决现在远场无线充电系统中所采用的算法耗时过长的问题，使发射机得到更快的反应速度同时保证了得出的发射策略是最优的；发射机只需发送少量的探测信号，接收机反馈功率反馈信号(部分信道信息)，发射机只需将反馈信号作为训练后神经网络的输入，可迅速得出发射协方差矩阵，不需要估算准确信道值(复数)，只需要反馈的功率值(实数)即可启动训练后的神经网络算法，神经网络反应速度是ACCPM的1000倍以上，并且可以收集到接近上限的能量值。

在本实施例中，所述训练模块适于根据发射机的数量对神经网络进行训练，即当发射机为1个时，对于接收机k＝1,2,…,K，生成相应不同的信道矩阵g

对于每一个接收机，每一个信道分量信息表示为

其中，A

对于每个信道分量，生成预设组数(例如10000组)的不同幅度值A

发射机调用CVX运算算法获取最佳的发射协方差矩阵Q

其中，E

发射机的设定发射功率为P，将最佳的发射协方差矩阵分解为Q

其中，w为发射权重数组；w

神经网络的输入为接收机发送回发射机的3组反馈信号E＝{E

在生成所有训练数据(反馈信号和协方差矩阵系数集合)之后，对神经网络进行训练；

对神经网络的层数、每层的节点数和学习速率进行设置，神经网络的层数设定在4层以上，每层的节点数为50-100之间，学习速率需低于0.01；训练采用梯度下降法；神经网络包含多个节点，这些节点存在于输入层、隐藏层和输出层中；来自相邻层的节点具有定向连接；所有这些连接都具有相关联的权重{w}以及相关联偏差系数{b}；

神经网络的输入层与输入数据直接相关，输入数据为反馈信号E＝{E

神经网络的输出层为协方差矩阵系数集合

N

根据相应激活函数tangent-sigmoid，输出节点为：

代价函数为：

根据梯度下降法最小化代价函数，梯度下降法为：

其中，

第l层第i个节点的输出误差

代价函数J关于权重和偏差系数的偏导数为：

最初，权重和节点偏差系数是随机分配的，对于训练数据中的每个输入，神经网络计算对应的输出，将神经网络实际输出(神经网络实际输出为根据协方差矩阵系数获取的发射协方差矩阵)与最佳输出Q

在本实施例中，所述训练模块适于根据发射机的数量对神经网络进行训练，即多个发射机的神经网络训练过程与单个发射机的神经网络训练过程一致；当发射机为多个时，网络协调器模拟发射机与接收机之间的信道信息，调用CVX优化算法计算出每一个发射机最佳的发射协方差矩阵

每一个发射机的最优协方差矩阵系数为：

每一个接受机对应的接收功率为：

训练数据包括神经网络输入以及神经网络输出，神经网络的输入为接收机发送回发射机的3R组反馈信号E＝{E

生成所有训练数据之后，对神经网络进行训练；

对神经网络的层数、每层的节点数和学习速率进行设置，神经网络的层数设定在8层以上，每层的节点数为100个以上，学习速率需低于0.005；

采用单个发射机的神经网络训练中相同的梯度下降法对神经网络进行训练；

最初，权重和节点偏差系数是随机分配的，对于训练数据中的每个输入，神经网络计算对应的输出，将神经网络实际输出与最佳输出

在本实施例中，所述反馈模块适于发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号，即当发射机为1个时，发射机根据不同的相位信息生成并发射3组协方差矩阵Q

在本实施例中，所述协方差矩阵系数生成模块适于发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数，即当发射机为1个时，将反馈信号E＝{E

在本实施例中，所述最佳的发射协方差矩阵生成模块适于发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机，即当发射机为1个时，根据

在本实施例中，当接收机位置改变时，接收机发送告知信号至发射机，发射机接收到告知信号之后不需要再次进入网络训练阶段而是直接进入应用网络充电阶段，发射相应数量的协方差矩阵至接收机并接收反馈信号，以根据反馈信号生成相应最佳的发射协方差矩阵，解决充电设备位置变动重新调整时间过长技术问题，实现发射机迅速计算出最有发射协方差矩阵技术效果，如果接收机位置变动或者设备数量变动，发射机可快速通过获取部分信道信息，然后使用神经网络得出协方差矩阵；

发射机使用射频模块发射之前预先生成的3组协方差矩阵Q

实施例2

在实施例1的基础上，本实施例2还提供一种发射机，包括：控制模块，与该控制模块电性连接的发射射频模块和反馈接收模块；所述控制模块适于对神经网络进行训练；所述控制模块适于控制所述发射射频模块发射协方差矩阵；所述控制模块适于控制所述反馈接收模块接收反馈信号；所述控制模块适于通过训练后的神经网络根据反馈信号生成最佳的发射协方差矩阵，并控制发射射频模块持续发射最佳的发射协方差矩阵内发射信号。

在本实施例中，所述控制模块适于采用实施例1中的训练模块对神经网络进行训练。

实施例3

图2是本发明所涉及的发射机与接收机示意图；

图3是本发明所涉及的单发射机控制模块内部算法运行构图；如图2和图3所示，在实施例2的基础上，本实施例3还提供一种采用上述发射极的单发射机远场无线充电系统，包括：发射机和接收机；所述发射机适于发射协方差矩阵至所述接收机；所述接收机适于根据协方差矩阵反馈反馈信号至所述发射机；所述发射机适于根据反馈信号生成最佳的发射协方差矩阵，并持续发射最佳的发射协方差矩阵内发射信号至所述接收机，以对对接收机充电。

在本实施例中，所述发射机适于采用实施例2中的发射机。

实施例4

在实施例1的基础上，本实施例4还提供一种网络协调器，所述网络协调器适于对神经网络进行训练；所述网络协调器适于接收反馈信号；所述网络协调器适于通过训练后的神经网络根据反馈信号生成每一个发射机的最佳的发射协方差矩阵，并将最佳的发射协方差矩阵发送至对应发射机。

在本实施例中，所述网络协调器包括：中央控制模块对神经网络进行训练，并控制反馈接收模块接收反馈信息。

所述网络协调器适于采用实施例1中的训练模块对神经网络进行训练。

实施例5

图4是本发明所涉及的多发射机中央控制模块内部算法运行构图。

如图4所示，在实施例4的基础上，本实施例5还提供一种采用上述网络协调器的多发射机远场无线充电系统，其特征在于，包括：网络协调器、若干发射机和若干接收机；所述发射机适于发射协方差矩阵至所述接收机；所述接收机适于根据协方差矩阵反馈反馈信号至所述网络协调器；所述网络协调器适于通过训练后的神经网络根据反馈信号生成每一个发射机的最佳的发射协方差矩阵，并将最佳的发射协方差矩阵发送至对应发射机；所述发射机适于根据最佳的发射协方差矩阵向接收机持续发射，对接收机充电；网络协调器将最佳的发射协方差矩阵广播给每个发射机，每个发射机使用发射射频模块使用最佳协方差矩阵持续发射，对接收机充电。

在本实施例中，所述网络协调器适于采用实施例4中的网络协调器。

综上所述，本发明通过训练模块，根据发射机的数量对神经网络进行训练；反馈模块，发射机向接收机发送探测信号，接收机收到探测信号后发送反馈信号；协方差矩阵系数生成模块，发射机收到反馈信号后根据训练后的神经网络生成协方差矩阵系数；以及最佳的发射协方差矩阵生成模块，发射机根据协方差矩阵系数生成最佳的发射协方差矩阵，并发送至接收机，实现了发射机可以快速得到部分信道信息，以进入发射机策略计算阶段，并且发射机得到更快的反应速度同时保证了得出的发射策略是最优的。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。