具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，无人机在飞行过程中，通过设置虚拟的电子围栏，可以实现无人机在“围栏”内的可靠飞行，确保人身、电网、设备安全。在设置电子围栏时，一个很重要的因素是考虑无人机接收信号的稳定性，也就是，要确保无人机的各个工作模块均在可靠的信号强度范围内工作。

因此，在本申请的实施例中，考虑到无人机由于其所搭载的无线通信模块会在多个不同频率的无线信号下进行工作，且这些不同频率的无线信号具有不同的路径衰减效应、多频率路径损耗效应等，因此需要针对所有以上这些因素来设置电子围栏，从而确保无人机的良好工作状态。

并且，由于以上这些参数在各个不同频率之间以及各个参数类别之间实际上存在着潜在的关联，为了将这些关联特征挖掘出来，需要采用卷积神经网络来提取高维深层关联特征。

基于此，在本申请的技术方案中，首先获得无人机的各个工作模块的n个工作频率，记为f1，f2，…，fn，然后，针对这n个工作频率，使用待计算的距离d，基于以下公式分别得到n个自由空间路径损耗值：

然后，在基于这n个工作频率，基于以下公式分别得到n个多频率相关性值：

其中，f₀为参考频率值，一般可以设置为所有工作频率的均值。

然后，将n个自由空间路径损耗值构成的第一向量乘以n个多频率相关性值构成的第二向量的转置，以获得关联矩阵，并通过卷积神经网络得到关联特征图。进一步地，为了考虑多频率路径损耗效应，对关联特征矩阵的每个位置的特征值，计算多频率路径损失值，即：

这里，w_i表示每个位置的特征值，系数α用于将该特征值映射到距离特征空间内，即d_i＝α×w_i，而d₀作为参考距离，可以使用待计算的距离d作为参考。这样，就得到了包含多频率路径损耗效应信息的分类特征图。

最后，将分类特征图通过分类器以获得分类结果，该分类结果用于表示待计算的距离d是否处于电子围栏的范围内。这里，在本申请的卷积神经网络的训练过程中，除使用分类损失函数值外，还是用以距离d作为标签的交叉熵损失函数值进行训练。

图1图示了根据本申请实施例的无人机的电子围栏建立方法的应用场景图。如图1所示，在该应用场景中，从无人机(例如，如图1中所示意的V)获取其各个工作模块的工作频率；然后，将所述无人机的各个工作模块的工作频率输入至部署有无人机的电子围栏建立算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够无人机的电子围栏建立算法对所述无人机的各个工作模块的工作频率进行处理，以生成用于表示待计算的距离是否处于电子围栏的范围内的分类结果。这样，基于人工智能技术来设置虚拟的电子围栏的距离，这样可以实现无人机在“围栏”内的可靠飞行，以确保人身、电网和设备安全。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了无人机的电子围栏建立方法的流程图。如图2所示，根据本申请实施例的无人机的电子围栏建立方法，包括：S110，获取无人机的各个工作模块的工作频率；S120，基于待计算的距离和各个所述工作模块的工作频率，分别计算各个所述工作模块的自由空间路径损耗值，以获得由多个自由空间路径损耗值构成的第一向量；S130，基于各个所述工作模块的工作频率，分别计算各个所述工作模块的多频率相关性值，以获得由多个多频率相关性值构成的第二向量；S140，将所述第一向量与所述第二向量的转置进行矩阵相乘以获得用于表示多频率相关性值和自由空间路径损耗值之间的关联的关联矩阵；S150，使用卷积神经网络从所述关联矩阵获得关联特征图；S160，计算所述关联特征图中各个位置的特征值对应的多频率路径损失值以获得分类特征图，其中，所述多频率路径损失值基于所述关联特征图中各个位置的特征值、参考距离和将特征值映射到距离特征空间的系数生成；以及，S170，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待计算的距离是否处于电子围栏的范围内。

图3图示了根据本申请实施例的无人机的电子围栏建立方法的架构示意图。如图3所示，在所述无人机的电子围栏建立方法的网络架构中，首先，获取无人机的各个工作模块的工作频率(例如，如图3中所示意的IN1)；接着，基于待计算的距离和各个所述工作模块的工作频率，分别计算各个所述工作模块的自由空间路径损耗值，以获得由多个自由空间路径损耗值构成的第一向量(例如，如图3中所示意的V1)；接着，基于各个所述工作模块的工作频率，分别计算各个所述工作模块的多频率相关性值，以获得由多个多频率相关性值构成的第二向量(例如，如图3中所示意的V2)；接着，将所述第一向量与所述第二向量的转置进行矩阵相乘以获得用于表示多频率相关性值和自由空间路径损耗值之间的关联的关联矩阵(例如，如图3中所示意的M1)；接着，使用卷积神经网络(例如，如图3中所示意的CNN)从所述关联矩阵获得关联特征图(例如，如图3中所示意的F1)；接着，计算所述关联特征图中各个位置的特征值对应的多频率路径损失值以获得分类特征图(例如，如图3中所示意的Fc；然后，将所述分类特征图通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示待计算的距离是否处于电子围栏的范围内。

在步骤S110中，获取无人机的各个工作模块的工作频率。具体的，在本申请实施例中，可通过数据采集装置等设备获取无人机的各个工作模块的工作频率。其中，所述无人机的各个工作模块可以包括4G模块、相机模块和飞行控制模块等。

在步骤S120中，基于待计算的距离和各个所述工作模块的工作频率，分别计算各个所述工作模块的自由空间路径损耗值，以获得由多个自由空间路径损耗值构成的第一向量。应可以理解，由于无人机所搭载的无线通信模块会在多个不同频率的无线信号下进行工作，且这些不同频率的无线信号具有不同的路径衰减效应、多频率路径损耗效应等，因此，需要计算各个所述工作模块的自由空间路径损耗值。

具体地，在本申请实施例中，用于计算各个所述工作模块的自由空间路径损耗值的公式为：

其中，d表示所述待计算的距离，f表示各个所述工作模块的工作频率，且c表示各个所述工作模块的波长值。

在步骤S130中，基于各个所述工作模块的工作频率，分别计算各个所述工作模块的多频率相关性值，以获得由多个多频率相关性值构成的第二向量。应可以理解，由于各个所述工作模块的工作频率参数在各个不同频率之间以及各个参数类别之间实际上存在着潜在的关联，因此，在本申请中，进一步挖掘各个所述工作模块的多频率相关性值。

具体地，在本申请实施例中，用于计算各个所述工作模块的多频率相关性值的公式为：

其中，f₀表示参考频率，且f表示各个所述工作模块的工作频率。

在步骤S140中，将所述第一向量与所述第二向量的转置进行矩阵相乘以获得用于表示多频率相关性值和自由空间路径损耗值之间的关联的关联矩阵。应可以理解，由于所述第一向量中包含了各个所述工作模块的自由空间路径损耗值信息，所述第二向量中包含了各个所述工作模块的自由空间路径损耗值信息，将所述第一向量与所述第二向量的转置进行矩阵相乘，就可以获得各个所述工作模块的多频率相关性值和自由空间路径损耗值信息之间的关联信息，以在后续设置电子围栏过程中，综合考虑上述关联信息，从而确保无人机的良好工作状态。

在步骤S150中，使用卷积神经网络从所述关联矩阵获得关联特征图。

应可以理解，由于上述关联矩阵中的参数在各个不同频率之间以及各个参数类别之间实际上存在着潜在的关联，为了将这些关联特征挖掘出来，需要采用卷积神经网络来提取高维深层关联特征。

具体地，在本申请实施例中，使用卷积神经网络从所述关联矩阵获得关联特征图的过程，包括：所述卷积神经网络以如下公式对所述关联矩阵进行处理以获得所述关联特征图；所述公式为：

f_i=active(N_i×f_i-1+B_i)

其中，f_i-1为第i层卷积神经网络的输入，f_i为第i层卷积神经网络的输出，N_i为第i层卷积神经网络的卷积核，且B_i为第i层卷积神经网络的偏置向量，active表示非线性激活函数。

特别地，在本申请实施例中，所述卷积神经网络为深度残差网络，本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

值得一提的是，在本申请的卷积神经网络的训练过程中，除使用分类损失函数值外，还可以用以距离d作为标签的交叉熵损失函数值进行训练，以提高卷积神经网络的训练速度和精度。

在步骤S160中，计算所述关联特征图中各个位置的特征值对应的多频率路径损失值以获得分类特征图，其中，所述多频率路径损失值基于所述关联特征图中各个位置的特征值、参考距离和将特征值映射到距离特征空间的系数生成。也就是，为了进一步的考虑多频率路径损耗效应，对关联特征图中的每个位置的特征值，计算多频率路径损失值。

具体地，在本申请实施例中，用于计算所述关联特征图中各个位置的特征值对应的多频率路径损失值的公式为：

其中，α为系数α用于将该特征值映射到距离特征空间内，即d_i＝α×w_i，d₀为参考距离、且w_i表示所述关联特征图中各个位置的特征值。这里，d₀作为参考距离，可以使用待计算的距离d作为参考。这样，就得到了包含多频率路径损耗效应信息的分类特征图。

在步骤S170中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待计算的距离是否处于电子围栏的范围内。也就是，采用解耦的方式，所述分类器包括编码器和分类函数。

具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果的过程，包括：首先，使用所述分类器的至少一全连接层对所述分类特征图进行编码以获得分类特征向量。也就是，以至少一层全连接层作为编码器对所述分类特征图进行编码，以充分利用所述分类特征图中各个位置的信息，以获得分类特征向量。

接着，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量属于待计算的距离处于电子围栏的范围内的第一概率和待计算的距离不处于电子围栏的范围内的第二概率。也就是，将所述分类特征向量输入分类标签为是否处于电子围栏范围内的Softmax分类函数中，以获得对应于不同分类标签的概率值。然后，基于所述第一概率和所述第二概率的比较，生成所述分类结果。也就是，比较所述第一概率和所述第二概率的数值大小，将所述数值较大的概率对应的分类标签作为分类结果。

图4图示了根据本申请实施例的无人机的电子围栏建立方法中，将所述分类特征图通过分类器以获得分类结果的流程图。如图4所示，将所述分类特征图通过分类器以获得分类结果，包括：S210，使用所述分类器的至少一全连接层对所述分类特征图进行编码以获得分类特征向量；S220，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量属于待计算的距离处于电子围栏的范围内的第一概率和待计算的距离不处于电子围栏的范围内的第二概率；以及，S230，基于所述第一概率和所述第二概率的比较，生成所述分类结果。

综上，本申请实施例的无人机的电子围栏建立方法被阐明，其基于空间卷积机制来挖掘无人机的工作参数在各个不同频率之间以及各个参数类别之间的潜在关联并进一步地考虑多频率路径损耗效应，以确定待计算的距离是否处于电子围栏的范围内。这样，基于人工智能技术来设置虚拟的电子围栏的距离，这样可以实现无人机在“围栏”内的可靠飞行，以确保人身、电网和设备安全。

示例性系统

图5图示了根据本申请实施例的无人机的电子围栏建立系统的框图。如图5所示，根据本申请实施例的无人机的电子围栏建立系统500，包括：工作频率获取单元510，用于获取无人机的各个工作模块的工作频率；第一向量生成单元520，用于基于待计算的距离和所述工作频率获取单元510获得的各个所述工作模块的工作频率，分别计算各个所述工作模块的自由空间路径损耗值，以获得由多个自由空间路径损耗值构成的第一向量；第二向量生成单元530，用于基于所述工作频率获取单元510获得的各个所述工作模块的工作频率，分别计算各个所述工作模块的多频率相关性值，以获得由多个多频率相关性值构成的第二向量；关联矩阵生成单元540，用于将所述第一向量生成单元520获得的所述第一向量与所述第二向量生成单元530获得的所述第二向量的转置进行矩阵相乘以获得用于表示多频率相关性值和自由空间路径损耗值之间的关联的关联矩阵；关联特征图生成单元550，用于使用卷积神经网络从所述关联矩阵生成单元540获得的所述关联矩阵获得关联特征图；分类特征图生成单元560，用于计算所述关联特征图生成单元550获得的所述关联特征图中各个位置的特征值对应的多频率路径损失值以获得分类特征图，其中，所述多频率路径损失值基于所述关联特征图中各个位置的特征值、参考距离和将特征值映射到距离特征空间的系数生成；以及，分类结果生成单元570，用于将所述分类特征图生成单元560获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示待计算的距离是否处于电子围栏的范围内。

在一个示例中，在上述电子围栏建立系统500中，用于计算各个所述工作模块的自由空间路径损耗值的公式为：

其中，d表示所述待计算的距离，f表示各个所述工作模块的工作频率，且c表示各个所述工作模块的波长值。

在一个示例中，在上述电子围栏建立系统500中，用于计算各个所述工作模块的多频率相关性值的公式为：

其中，f₀表示参考频率，且f表示各个所述工作模块的工作频率。

在一个示例中，在上述电子围栏建立系统500中，用于计算所述关联特征图中各个位置的特征值对应的多频率路径损失值的公式为：

其中，α为系数α用于将该特征值映射到距离特征空间内，即d_i＝α×w_i，d₀为参考距离、且w_i表示所述关联特征图中各个位置的特征值。

在一个示例中，在上述电子围栏建立系统500中，所述关联特征图生成单元550，进一步用于：所述卷积神经网络以如下公式对所述关联矩阵进行处理以获得所述关联特征图；所述公式为：

f_i=active(N_i×f_i-1+B_i)

其中，f_g-1为第i层卷积神经网络的输入，f_i为第i层卷积神经网络的输出，N_i为第i层卷积神经网络的卷积核，且B_i为第i层卷积神经网络的偏置向量，active表示非线性激活函数。

在一个示例中，在上述电子围栏建立系统500中，如图6所示，所述分类结果生成单元570，包括：分类特征向量生成子单元571，用于使用所述分类器的至少一全连接层对所述分类特征图进行编码以获得分类特征向量；概率生成子单元572，用于将所述分类特征向量生成子单元571获得的所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量属于待计算的距离处于电子围栏的范围内的第一概率和待计算的距离不处于电子围栏的范围内的第二概率；以及，分类子单元573，用于基于所述概率生成子单元572获得的所述第一概率和所述第二概率的比较，生成所述分类结果。

这里，本领域技术人员可以理解，上述电子围栏建立系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的无人机的电子围栏建立方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的电子围栏建立系统500可以实现在各种终端设备中，例如用于无人机的电子围栏建立的服务器等。在一个示例中，根据本申请实施例的电子围栏建立系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电子围栏建立系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电子围栏建立系统500同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该电子围栏建立系统500与该终端设备也可以是分立的设备，并且该电子围栏建立系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图7来描述根据本申请实施例的电子设备。

图7图示了根据本申请实施例的电子设备的框图。如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的无人机的电子围栏建立方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如关联矩阵、关联特征图等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的无人机的电子围栏建立方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的无人机的电子围栏建立方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。