1.一种混凝土内无线信道建模方法，其特征在于，包括以下步骤，

构建混凝土内无线信道特征预测的Transformer网络模型，所述Transformer网络模型包括编码器，解码器和全连接层；

对混凝土内不同空间位置的信道特征参量进行测量，根据实测数据确定Transformer网络模型的输入输出张量维度；

将空间位置与对应的时间编码作为Transformer网络模型编码器的输入，将无线信道特征参量与对应的时间编码作为解码器的输入，进一步将解码器与编码器的输出结果经过映射后通过全连接层进行拼接，得到空间位置与无线信道特征参量一一对应的输出；

利用历史实测数据对Transformer网络模型进行训练，训练完成后的模型可实现输入制定的空间位置，得到相应位置在同一时刻的无线信道参数；

构建混凝土内无线信道特征预测的Transformer网络模型，包括编码器/解码器搭建步骤，采用多头自注意力机制对编码器/解码器输入的多路信号进行合并计算，编码器/解码器输入信号c的采用单一注意力机制的处理方法如下注意力函数所示：其中Q，K，V分别表示查询向量，关键向量和值向量；W1，W2，W3分别表示注意力机制中对应相量的系数矩阵；

所述注意力函数包括查询所有K向量的缩放点积，并除以 ,则注意力函数的输出矩阵为：式中O表示注意力函数的输出， 表示输入K向量的维度；

构建混凝土内无线信道特征预测的Transformer网络模型还包括基于双链量子遗传算法对Transformer网络模型参数进行优化选择，即系数矩阵W1，W2，W3进行优化选择，具体包括，S21：初始化双链量子遗传算法中的种群规模m=1000，旋转角度初始值 =0.01，变异概率 =0.1，交叉概率 =0.5，迭代次数L=100，采用量子位的概率幅进行编码：式中 ， ; ；m为种群规模，n为量子位

数；每条染色体同时代表两个优化解:一个余弦解和一个正弦解；

S22：解空间变换；群体中每条染色体都包含2n个量子比特的概率幅，首先将其通过线性变换从n维单位空间 映射到优化问题的解空间Ω，假设 为染色体上的第i个量子位，则其变换到解空间的形式描述为：

式中量子态 的概率幅 对应 ；量子态 的概率幅 对应 ；

S23：染色体更新；染色体通过量子旋转门进行更新，量子旋转门的旋转方向通过以下方式确定：设 和 分别为当前全局最优解中某个量子位的概率幅， 和 分别为当前解中对应量子位的概率幅，定义A为：则旋转方向 可由下式确定：

旋转角度的大小通过以下方式确定：

其中 为旋转角度初始值， 为适应度函数在 处的梯度值， 表示解空间中向量Xi的第j个分量； 和 通过以下公式计算得到：

S24：参数优化选择；使用训练数据对Transformer网络模型进行训练，计算其输出结果与实际结果之间的误差，并将误差函数作为双链量子遗传算法的目标函数，计算误差函数值，通过反复执行变异、交叉以及选择这些操作，当误差函数小于0.01时得到的即为Transformer网络模型的最佳参数矩阵，误差函数如下所示：式中 和 分别表示第z个训练样本的真实输出值和Transformer网络模型的预测输出值，表示误差。

2.根据权利要求1所述的混凝土内无线信道建模方法，其特征在于：构建混凝土内无线信道特征预测的Transformer网络模型还包括将多个注意力单元并行排列，将各并行注意力单元的输出进行维度拼接，再通过全连接层进行投影从而实现特征的映射，提高Transformer网络模型的泛化能力，具体步骤如下：其中s表示并行排列的注意力单元数量，DP表示维度拼接操作， 表示卷积相乘。

3.根据权利要求2所述的混凝土内无线信道建模方法，其特征在于：还包括将历史实测得到的空间位置与信道特征参数按照4:1分为训练集和测试集，利用训练集对Transformer网络模型进行训练，利用测试集数据实现网络模型架构的局部微调，进而最终得出的Transformer网络模型输出结果为与输入的空间位置一一对应的无线信道特征参量，其中训练过程中采用的损失函数为：式中 和 分别表示第z个训练样本的真实输出值和Transformer网络模型的预测输出值，表示误差，当误差小于0.01时认为满足实际使用需求。

4.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至3中任一项所述方法的步骤。

5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至3中任一项所述方法的步骤。