通信场景识别方法、装置、电子设备及存储介质与流程

1.本技术涉及通信技术领域，尤其涉及一种通信场景识别方法、装置、电子设备及存储介质。


背景技术：

2.在车联网等应用场景中，通信场景通常较为复杂，且具备场景特殊、节点高速移动、高频次通信、多点对多点广播通信等特点。并且，通信性能、通信参数与所在通信场景高度相关。故需要准确判断当前所处场景，并针对所处场景进行通信参数的适应性调整。
3.但是，现有技术中多通过摄像头和周围消息频率等方式自动识别场景，受环境因素影响很大，通信场景的识别准确率不高。


技术实现要素：

4.本技术提供一种通信场景识别方法、装置、电子设备及存储介质，用以提升通信场景识别准确率。
5.第一方面，本技术提供一种通信场景识别方法，所述方法包括：
6.获取车载通信单元当前的通信参数；
7.将所述当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；其中，所述场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。
8.可选的，所述获取车载通信单元当前的通信参数，包括：
9.获取车载通信单元当前的原始信号冲激响应；
10.根据空间交替广义最大期望sage算法，对所述原始信号冲激响应进行处理，获得当前的通信参数。
11.可选的，所述通信参数包括以下至少一项：每条多径的角度、每条多径的每个角度相应的角度扩展、每条多径的时延扩展、每条多径的路径损耗、每条多径的径标签。
12.可选的，所述方法还包括：
13.确定所述场景识别模型的初始权值和阈值；
14.设置思维进化算法初始参数，随机产生多个个体，作为初始子种群，并将个体划分到优胜子种群和临时子种群里；所述个体代表不同初始权值阈值的场景识别模型；
15.通过趋同操作，计算单个种群中的个体得分，选出优胜者并在局部公告板和全局公告板上显示，更新产生新的子种群，重复趋同操作直到优胜者的得分不再增高，输出子种群得分；其中，所述优胜者为单个种群中得分最高的个体，所述子种群得分为优胜者的得分不再增高时的优胜者得分；
16.通过异化操作，子种群在全局范围内进行竞争，淘汰并产生新的临时子种群，重复趋同异化操作直到满足迭代终止条件；
17.根据思维进化算法编码规则，输出最优个体，得到最优权值和阈值；
18.将优化得到的权值和阈值作为所述场景识别模型的参数，重复获取最优权值和阈值的过程直至满足以下条件至少其一：迭代优化次数达到预定值，或所述场景识别模型测试误差已满足精度要求。
19.可选的，所述方法还包括：
20.根据场景识别结果，对所述车载通信单元的通信参数进行调整。
21.可选的，所述场景识别结果包括城区场景、高速场景以及地下停车场或隧道场景；所述根据场景识别结果，对所述车载通信单元的通信参数进行调整，包括：
22.若场景识别结果为城区场景，则增加所述车载通信单元的接收灵敏度；
23.若场景识别结果为高速场景，则进行第一通信信息处理，其中，所述第一通信信息处理包括以下至少一项：鲁棒调制或信道编码技术；
24.若场景识别结果为地下停车场或隧道场景，则进行第二通信信息处理，其中，所述第二通信信息处理包括以下至少一项：分集，均衡，扩频或ofdm调制。
25.第二方面，本技术提供一种通信场景识别装置，所述装置包括：
26.通信参数获取模块，用于获取车载通信单元当前的通信参数；
27.场景识别模块，用于将所述当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；其中，所述场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。
28.可选的，所述通信参数获取模块，具体包括：
29.冲激响应提取单元，用于获取车载通信单元当前的原始信号冲激响应；
30.冲激响应处理单元，用于根据sage算法，对所述原始信号冲激响应进行处理，获得当前的通信参数。
31.可选的，所述通信参数包括以下至少一项：每条多径的角度、每条多径的每个角度相应的角度扩展、每条多径的时延扩展、每条多径的路径损耗、每条多径的径标签。
32.可选的，所述场景识别模块，具体用于确定所述场景识别模型的初始权值和阈值；
33.所述场景识别模块，具体还用于设置思维进化算法初始参数，随机产生多个个体，作为初始子种群，并将个体划分到优胜子种群和临时子种群里；所述个体代表不同初始权值阈值的场景识别模型；
34.所述场景识别模块，具体还用于通过趋同操作，计算单个种群中的个体得分，选出优胜者并在局部公告板和全局公告板上显示，更新产生新的子种群，重复趋同操作直到优胜者的得分不再增高，输出子种群得分；其中，所述优胜者为单个种群中得分最高的个体，所述子种群得分为优胜者的得分不再增高时的优胜者得分；
35.所述场景识别模块，具体还用于通过异化操作，子种群在全局范围内进行竞争，淘汰并产生新的临时子种群，重复趋同异化操作直到满足迭代终止条件；
36.所述场景识别模块，具体还用于根据思维进化算法编码规则，输出最优个体，得到最优权值和阈值；
37.所述场景识别模块，具体还用于将优化得到的权值和阈值作为所述场景识别模型的参数，重复获取最优权值和阈值的过程直至满足以下条件至少其一：迭代优化次数达到预定值，或所述场景识别模型测试误差已满足精度要求。
38.可选的，所述装置还包括：
39.通信参数调整模块，用于根据场景识别结果，对所述车载通信单元的通信参数进行调整。
40.可选的，所述场景识别结果包括城区场景、高速场景以及地下停车场或隧道场景，
41.所述通信参数调整模块，具体用于若场景识别结果为城区场景，则增加所述车载通信单元的接收灵敏度；
42.所述通信参数调整模块，具体还用于若场景识别结果为高速场景，则进行第一通信信息处理，其中，所述第一通信信息处理包括以下至少一项：鲁棒调制或信道编码技术；
43.所述通信参数调整模块，具体还用于若场景识别结果为地下停车场或隧道场景，则进行第二通信信息处理，其中，所述第二通信信息处理包括以下至少一项：分集，均衡，扩频或ofdm调制。
44.第三方面，本技术提供一种电子设备，包括：
45.至少一个处理器；以及
46.与所述至少一个处理器通信连接的存储器；其中，
47.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的图像识别方法。
48.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的图像识别方法。
49.本技术提供一种通信场景识别方法、装置、电子设备及存储介质，获取车载通信单元当前的通信参数；将当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；其中，场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。通过预设场景对应的通信参数，预训练场景识别模型，再通过训练好的模型，根据现有的通信参数，使用神经网络的手段进行场景识别，可以综合分析所处通信环境的具体特征，更充分地挖掘通信参数和通信场景之间的内在联系，提升了通信场景识别准确率。
附图说明
50.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
51.图1为本技术示例提供的应用场景示意图；
52.图2为本技术实施例一提供的一种通信场景识别方法流程示意图；
53.图3为本技术实施例一提供的另一种通信场景识别方法的流程示意图；
54.图4为本技术实施例二提供的通信场景识别方法的流程示意图；
55.图5为本技术实施例二提供的另一种通信场景识别方法的流程示意图；
56.图6为本技术实施例三提供的通信场景识别方法的流程示意图；
57.图7为本技术实施例四提供的通信场景识别装置的结构示意图；
58.图8为本技术实施例五提供的一种电子设备的结构示意图。
59.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为
本领域技术人员说明本技术的概念。
具体实施方式
60.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
61.图1为本技术示例提供的应用场景示意图，如图1所示，场景识别任务可以基于车联网通信系统所提出。需要说明的是，其他通信性能与所处场景高度相关的应用环境下，同样也需要进行场景识别以调节、匹配合适的通信参数，而图示的车联网通信系统仅能代表其中一种应用环境。
62.在面向车联网的通信系统中，1000、1001和1002代表一系列路侧单元，其作用类似移动蜂窝通信中的基站，可广播车联网消息至其覆盖范围内的车载终端，并在路侧指定位置实现信息感知和信息交互；而图示的1003即代表车载终端，其作用类似移动蜂窝通信中的终端设备，集成在车辆上，以使路侧单元能够通过车载终端与车辆进行信息交互。
63.在不同的通信场景中，车辆移动速度、障碍物的分布、路侧单元设置密度等因素都可能存在差异，导致路径损耗、多径数量、多径角度的不同，从而影响车载单元与路侧单元的通信质量。因此需要准确识别当前所处环境，并以此为参考，进行车载通信单元接收侧通信参数的调节。在现有技术中多通过摄像头和周围消息频率等方式，采集场景中一个方面的数据以进行场景识别，但对于复杂的场景来说，这种识别手段难以准确表征不同场景之间的区别。因此，可以通过其他原理上能够综合分析所处场景的通信参数特征的手段，以更加全面地表征不同场景，进而提升识别准确率。
64.下面以具体的实施例对本技术的技术方案以及本技术的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。在本技术的描述中，除非另有明确的规定和限定，各术语应在本领域内做广义理解。下面将结合附图，对本技术的实施例进行描述。
65.实施例一
66.图2为本技术实施例一提供的通信场景识别方法的流程示意图，如图2所示，该方法包括：
67.s101：获取车载通信单元当前的通信参数；
68.s102：将所述当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；
69.其中，所述场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。
70.结合具体应用场景对本实施例进行示例性说明：可以通过人工智能的手段，建立场景识别模型，以完成通信场景的识别。具体的，所述场景识别模型，包括且不限于以下至少其一：用于场景识别的统计机器学习模型或神经网络模型。场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。
71.一种举例，可以使用反向传播神经网络模型进行通信场景的识别。反向传播神经
网络具有结构简单、易于训练、易于优化等优势，可以用于该应用场景下的识别任务。并且，对于最优权值、阈值和偏置量等的迭代寻优过程，可以借助思维进化算法进行优化，以更快地获得相应参数。在完成训练之后，可将模型部署至车端计算单元，并进行实时的场景判断，获取车载通信单元当前的通信参数，然后将当前的通信参数作为场景识别模型的输入，场景识别模型可根据输入的通信参数，输出以数字形式表示的场景标签，获得相应的场景识别结果。
72.一种示例，图3为本技术实施例一提供的另一种通信场景识别方法的流程示意图，在上一个实施方式的基础上，如图3所示，s101具体可以包括：
73.s103：获取车载通信单元当前的原始信号冲激响应；
74.s104：根据空间交替广义最大期望(space alternating generalized expectation-maximum，简称sage)算法，对所述原始信号冲激响应进行处理，获得当前的通信参数。
75.具体地，对本实施方式进行示例性说明：所述车载通信单元的通信参数可以以不同的数据形式记录，其中，常用的一种数据表达方式是原始信号冲激响应，也称为信道冲击响应(channel impulse response，简称cir)。cir数据通常以信号图谱的形式进行表达，需要进行进一步的处理和提取才能获得cir中隐含的，关于通信状态的信息。一种举例，sage算法是一种通用的手段，用以提取cir中包含的通信参数。
76.sage算法可以改变cir的数据表达形式，以一组通信参数的形式，将抽象的cir图谱转化为具体的通信参数向量，简化了对通信参数调整或分析的算法。
77.一种举例，所述通信参数包括以下至少一项：每条多径的角度、每条多径的每个角度相应的角度扩展、每条多径的时延扩展、每条多径的路径损耗、每条多径的径标签。具体地，在应用中，由于通信的多径效应，可对每一条路径进行编号，并使用路径角度、路径角度的扩展参数、路径损耗等表达该路径的特征。一种具体形式可以如下所表达：
78.di＝{σ
aoa,i
,σ
aod,i
,σ
eoa,i
,σ
eod,i
,σ
τ,i
,pi,li}
79.其中aoa(azimuth angle of arrival)为到达角，aod(azimuth angle of departure)为离开角，eoa(elevation angle of arrival)俯仰到达角，eod(elevation angle of departure)俯仰离开角。σ
aoa,i
,σ
aod,i
,σ
eoa,i
,σ
eod,i
为角度扩展参数；σ
τ,i
为时延扩展参数；pi为路径损耗；li是径标签。通过数据的转换和向量形式的表达，可以简化所述场景识别模型的输入，同时使得场景识别模型的输入具备实际的物理意义。
80.本实施例提供一种通信场景识别方法，获取车载通信单元当前的通信参数；将当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；其中，场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。通过预设场景对应的通信参数，预训练场景识别模型，再通过训练好的模型，根据现有的通信参数，使用神经网络的手段进行场景识别，可以综合分析所处通信环境的具体特征，更充分地挖掘通信参数和通信场景之间的内在联系，提升了通信场景识别准确率。
81.实施例二
82.图4为本技术实施例二提供的通信场景识别方法的流程示意图，如图4所示，在实施例一的基础上，所述方法还包括：
83.s201：确定所述场景识别模型的初始权值和阈值；
84.s202：设置思维进化算法初始参数，随机产生多个个体，作为初始子种群，并将个体划分到优胜子种群和临时子种群里；
85.s203：通过趋同操作，计算单个种群中的个体得分，选出优胜者并在局部公告板和全局公告板上显示，更新产生新的子种群，重复趋同操作直到优胜者的得分不再增高，输出子种群得分；
86.s204：通过异化操作，子种群在全局范围内进行竞争，淘汰并产生新的临时子种群，重复趋同异化操作直到满足迭代终止条件；
87.s205：根据思维进化算法编码规则，输出最优个体，得到最优权值和阈值；
88.s206：将优化得到的权值和阈值作为所述场景识别模型的参数，重复获取最优权值和阈值的过程直至满足以下条件至少其一：迭代优化次数达到预定值，或所述场景识别模型测试误差已满足精度要求。
89.结合具体应用场景对本实施例进行示例性说明：思维进化算法是一种通用性的机器学习参数优化算法，在本技术中可以用于优化所述场景识别模型。思维进化算法能够有效降低场景识别模型的算法复杂度，并加速训练过程，本实施例通过思维进化算法的引入，可以更快地获取所述反向传播神经网络的最优权值、阈值、偏置量等，以完成网络的训练。
90.具体地，所述思维进化算法的工作流程如下所示，需要说明的是，思维进化算法结合反向传播神经网络的训练是离线的，即通过现有的数据进行模型的预训练，完成训练之后，再将模型移植到应用端的计算单元，进行实时的场景判断。
91.首先，根据划分的训练集和测试集，可以确定场景识别模型的初始权值和阈值，以及偏置量等参数，即待优化的目标参数；之后，设置思维进化算法初始参数，随机产生多个个体，作为初始子种群，并将个体划分到优胜子种群和临时子种群里，此处所述个体代表不同初始权值阈值的场景识别模型。
92.在确定初始子种群后，首先需要进行趋同操作，趋同操作是一种种群内的优化方式，用于得到种群中的最优个体，并将最优个体的特征作为整个种群的代表。具体的，趋同操作首先计算单个种群中的个体得分，选出优胜者并在局部公告板和全局公告板上显示，更新产生新的子种群，重复趋同操作直到优胜者的得分不再增高，最后输出子种群得分。其中，优胜者指的是单个种群中得分最高的个体，所述子种群得分为优胜者的得分不再增高时的优胜者得分，即完成趋同步骤后，该种群所选出的代表的得分。
93.完成趋同操作后，需要进行异化操作，让子种群在全局范围内进行竞争，淘汰并产生新的临时子种群。异化操作可以将所有种群内优胜者在全局范围内进行竞争，迭代产生全局最优解，并将被淘汰后的个体进行重组，进一步产生新的子种群，重复趋同异化操作以充分利用信息，直到满足迭代终止条件后，根据思维进化算法编码规则，输出最优个体，得到最优权值和阈值。
94.最后，将优化得到的权值和阈值作为所述场景识别模型的参数，重复获取最优权值和阈值的过程。当迭代优化次数达到预定值，或所述场景识别模型测试误差已满足精度要求时，思维进化算法完成。即思维进化算法将不断重复迭代过程，模型测试误差足够低或迭代次数过高时，将结束思维进化算法过程。
95.一种示例，图5为本技术实施例二提供的另一种通信场景识别方法的流程示意图，如图5所示，在前述实施方式的基础上，所述方法还包括：
96.s207：根据场景识别结果，对所述车载通信单元的通信参数进行调整。
97.在完成思维进化算法之后，将模型植入应用端的计算单元，进行通信场景的实时判断，根据完成训练的模型，实时输入通信参数，进行通信场景的识别，可以实现当前通信场景的实时识别。基于此，根据一定的通信参数调节规则，可对车载通信单元的接收端参数进行实时调整，以适应当前场景的通信特点。
98.本实施例提供的通信场景识别方法，通过思维进化方法完成场景识别模型的训练。确定所述场景识别模型的初始权值和阈值；设置思维进化算法初始参数，随机产生多个个体，作为初始子种群，并将个体划分到优胜子种群和临时子种群里；通过趋同操作，计算单个种群中的个体得分，选出优胜者并在局部公告板和全局公告板上显示，更新产生新的子种群，重复趋同操作直到优胜者的得分不再增高，输出子种群得分；通过异化操作，子种群在全局范围内进行竞争，淘汰并产生新的临时子种群，重复趋同异化操作直到满足迭代终止条件；根据思维进化算法编码规则，输出最优个体，得到最优权值和阈值；将优化得到的权值和阈值作为所述场景识别模型的参数，重复获取最优权值和阈值的过程直至满足以下条件至少其一：迭代优化次数达到预定值，或所述场景识别模型测试误差已满足精度要求。思维进化算法通过趋同和异化操作的来回迭代，简化了场景识别模型的复杂度，并加快了最优权值阈值的获取，能够提升模型训练的效率。
99.实施例三
100.图6为本技术实施例三提供的通信场景识别方法的流程示意图，如图6所示，在其他任一实施例的基础上，所述方法还包括：
101.s301：若场景识别结果为城区场景，则增加所述车载通信单元的接收灵敏度；
102.s302：若场景识别结果为高速场景，则进行第一通信信息处理，其中，所述第一通信信息处理包括以下至少一项：鲁棒调制或信道编码技术；
103.s303：若场景识别结果为地下停车场或隧道场景，则进行第二通信信息处理，其中，所述第二通信信息处理包括以下至少一项：分集，均衡，扩频或ofdm调制。
104.结合具体应用场景对本实施例进行示例性说明：所述场景识别结果可以包括城区场景、高速场景以及地下停车场或隧道场景，这三种分类具备一定的代表性，且是较为常见的通信场景。模型的场景识别结果可反馈至车载通信单元，可基于此对车载通信单元接收端的通信参数进行调整，以适应具体的通信场景。
105.具体地，若场景识别结果为城区场景，由于城区场景遮挡较多，车辆较多，可以增加接收灵敏度，提高消息接收准确度；同时，也可以降低路侧单元的消息发送频率，以免不同信息之间产生干扰，导致接收侧产生错误。
106.若场景识别结果为高速场景，由于高速场景车速相对较快，会导致由多普勒效应造成时间选择性衰落问题，可以在接收端进行第一通信信息处理，其中，所述第一通信信息处理包括以下至少一项：鲁棒调制或信道编码技术；同时，高速场景外界环境车辆较少，车距较远，也可以增加路侧单元的发射功率，以使信息能够具备更好的抗衰落性。
107.若场景识别结果为地下停车场或隧道场景，由于地下停车场、隧道等场景周围遮挡严重，多径丰富，会导致多径效应造成的频率选择性衰落问题，应进行第二通信信息处理，其中，所述第二通信信息处理包括以下至少一项：分集，均衡，扩频或ofdm调制以抗多径深衰落。
108.本实施例提供的通信场景识别方法，根据场景识别结果，对所述车载通信单元的通信参数进行调整，若场景识别结果为城区场景，则增加所述车载通信单元的接收灵敏度；若场景识别结果为高速场景，则进行第一通信信息处理，其中，第一通信信息处理包括以下至少一项：鲁棒调制或信道编码技术；若场景识别结果为地下停车场或隧道场景，则进行第二通信信息处理，其中，第二通信信息处理包括以下至少一项：分集，均衡，扩频或ofdm调制；通过基于不同通信环境特征的场景分类，可选用相应的、具有针对性的车载通信单元接收端通信参数调整策略，以提升应用端对不同通信场景的通信适应性，在不同环境下都能具备较好的通信性能。
109.实施例四
110.本技术实施例四还提供一种通信场景识别装置以实现前述方法。图7为本技术实施例四提供的通信场景识别装置的结构示意图，如图7所示，该装置包括：
111.通信参数获取模块41，用于获取车载通信单元当前的通信参数；
112.场景识别模块42，用于将所述当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；其中，所述场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。
113.需要说明的是，本实施例所提供的各个实施方式均可以互相结合应用，图示结构仅示出了所有实施方式结合使用的一种情况，根据实际应用条件，可以去掉图中除通信参数获取模块41和场景识别模块42以外的任一部分。
114.在一个示例中，通信参数获取模块41，具体可以包括：
115.冲激响应提取单元，用于获取车载通信单元当前的原始信号冲激响应；
116.冲激响应处理单元，用于根据sage算法，对所述原始信号冲激响应进行处理，获得当前的通信参数。
117.冲激响应提取单元所获取的cir数据，即所述原始信号冲激响应，通常以信号图谱的形式进行表达，需要进行进一步的处理和提取才能获得cir中隐含的关于通信状态的信息。冲激响应处理单元根据sage算法，改变了cir的数据表达形式，以一组通信参数的形式，将抽象的cir图谱转化为具体的通信参数向量，简化了对通信参数调整或分析的算法。
118.一种举例，所述通信参数包括以下至少一项：每条多径的角度、每条多径的每个角度相应的角度扩展、每条多径的时延扩展、每条多径的路径损耗、每条多径的径标签。
119.在应用中，由于通信的多径效应，可对每一条路径进行编号，并使用每条多径的角度、每条多径的每个角度相应的角度扩展、每条多径的时延扩展、每条多径的路径损耗、每条多径的径标签等表达该路径的特征。通过数据的转换和向量形式的表达，可以简化所述场景识别模型的输入，同时使得场景识别模型的输入具备实际的物理意义。
120.在一个示例中，场景识别模块42可用于使用思维进化算法对场景识别模型进行优化，具体地：
121.场景识别模块42，具体用于确定所述场景识别模型的初始权值和阈值；
122.场景识别模块42，具体还用于设置思维进化算法初始参数，随机产生多个个体，作为初始子种群，并将个体划分到优胜子种群和临时子种群里；所述个体代表不同初始权值阈值的场景识别模型；
123.场景识别模块42，具体还用于通过趋同操作，计算单个种群中的个体得分，选出优
胜者并在局部公告板和全局公告板上显示，更新产生新的子种群，重复趋同操作直到优胜者的得分不再增高，输出子种群得分；其中，所述优胜者为单个种群中得分最高的个体，所述子种群得分为优胜者的得分不再增高时的优胜者得分；
124.场景识别模块42，具体还用于通过异化操作，子种群在全局范围内进行竞争，淘汰并产生新的临时子种群，重复趋同异化操作直到满足迭代终止条件；
125.场景识别模块42，具体还用于根据思维进化算法编码规则，输出最优个体，得到最优权值和阈值；
126.场景识别模块42，具体还用于将优化得到的权值和阈值作为所述场景识别模型的参数，重复获取最优权值和阈值的过程直至满足以下条件至少其一：迭代优化次数达到预定值，或所述场景识别模型测试误差已满足精度要求。
127.本实施方式可以通过场景识别模块实现基于思维进化算法的场景识别模型优化。思维进化算法通过趋同和异化操作的来回迭代，简化了场景识别模型的复杂度，并加快了最优权值阈值的获取，能够提升模型训练的效率。
128.在一个示例中，所述装置还包括：
129.通信参数调整模块43，用于根据场景识别结果，对所述车载通信单元的通信参数进行调整。
130.在场景识别模块完成思维进化算法的优化之后，将模型植入应用端的计算单元，进行通信场景的实时判断，根据完成训练的模型，实时输入通信参数，可以实现当前通信场景的实时识别。根据一定的通信参数调节规则，通信参数调整模块可对车载通信单元的接收端参数进行实时调整，以适应当前场景的通信特点。
131.在一个示例中，所述场景识别结果包括城区场景、高速场景以及地下停车场或隧道场景，
132.通信参数调整模块43，具体用于若场景识别结果为城区场景，则增加所述车载通信单元的接收灵敏度；
133.通信参数调整模块43，具体还用于若场景识别结果为高速场景，则进行第一通信信息处理，其中，所述第一通信信息处理包括以下至少一项：鲁棒调制或信道编码技术；
134.通信参数调整模块43，具体还用于若场景识别结果为地下停车场或隧道场景，则进行第二通信信息处理，其中，所述第二通信信息处理包括以下至少一项：分集，均衡，扩频或ofdm调制。
135.通信参数调整模块基于不同通信环境特征的场景分类，选用相应的、具有针对性的车载通信单元接收端通信参数调整策略，提升了应用端对不同通信场景的通信适应性，使得应用端在不同环境下都能具备较好的通信性能。
136.本实施例提供一种通信场景识别装置，包括：通信参数获取模块，用于获取车载通信单元当前的通信参数；场景识别模块，用于将所述当前的通信参数作为场景识别模型的输入，获得输出的场景识别结果；其中，所述场景识别模型是基于已知通信参数及对应的已知场景预先训练，并采用思维进化算法进行优化后获得的。根据预设场景对应的通信参数，使用场景识别模块预训练场景识别模型，再通过训练好的模型，根据通信参数获取模块所提取的实时通信参数，进行场景识别，并使用通信参数调整模块针对所识别的相应场景对通信参数进行调整，可以综合分析所处通信环境的具体特征，提升了通信场景识别准确率，
并提升了通信参数调整的有效性。
137.实施例五
138.图8为本技术实施例五提供的一种电子设备的结构示意图，如图8所示，该电子设备包括：
139.处理器(processor)291，电子设备还包括了存储器(memory)292；还可以包括通信接口(communication interface)293和总线294。其中，处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器294中的逻辑指令，以执行上述实施例的方法。
140.此外，上述的存储器292中的逻辑指令可以通过软件功能单元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。
141.存储器292作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本技术实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。
142.存储器292可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器292可以包括高速随机存取存储器，还可以包括非易失性存储器。
143.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现任一实施例中所述的方法。
144.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
145.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。