CN101873605A - 一种网络规划中自适应传播环境分类方法 - Google Patents

Abstract

本发明请求保护一种自适应传播环境分类方法，涉及无线网络规划与优化技术。该方法通过选取样本点得到其属性向量；计算目标小区与样本点所在小区的绝对相似度；根据样本点所在小区o_i的地物信息及建筑物信息所占的网格百分比p_ij计算相对相似度；根据相对相似度进行目标小区的簇类选择。采用本方法在传播环境改变时，具有很好的自适应性，可移植性好，虽然执行速度可以容忍的范围之内，其分类效果和精度表现良好，可以为无线网络优化与规划提供重要的参考。

Description

一种网络规划中自适应传播环境分类方法

技术领域

本发明涉及网络规划与优化技术，具体是一种自适应传播环境分类方法。

背景技术

无线传播环境的精确描述用于无线蜂窝系统的规划设计，用于仿真时提供较精确的覆盖预测，以及提供精确的电波传播模型，从而有助于无线网络的规划、部署和扩容。

目前，针对传播环境分类的方法很少，一部分主要依靠现场实测，这样必然耗费人力资源；另一部分传播环境分类方法是基于聚类思想，例如在文献《一种根据传播环境分类校正传播模型的方法》中，首先从样本集中任意选择k个对象作为初始质心；而对于所剩下其它样本点，则根据它们与这些质心的欧几里德距离，分别将它们分配给与其距离最小的类别；然后重新计算所获聚类的质心，不断重复这一过程直到迭代收敛为止。该算法虽然在简单环境下的分类效果良好，且执行速度快，但是，随着传播环境的改变，特别是样本点差异很大时该方法的适应性变得很差，分类效果及精确度不太理想，必将造成电波传播模型的准确性降低，造成网络覆盖预测有误，以至于无法很好地进行无线网络的规划、部署和扩容。

随着城市化进程的发展，小区地物信息时刻变化，因此，需要一种自适应的传播环境分类方法，为无线网络规划提供重要的参考。

发明内容

本发明针对传播环境分类方法缺乏自适应性，设计了一种能适用于地物信息不断变化的传播环境分类方法。该方法在分类效果和精度方面，具有很好的性能，可以为无线网络优化与规划提供重要的参考。

本发明解决上述技术问题的技术方案是，通过GIS系统获取的地物信息属性，并根据规划区域的大小和复杂程度来构造Hash函数对属性信息进行抽样，从而得到规划区域内的样本属性集，算法单元调用公式：

计算目标小区属性集和样本小区属性的绝对相似度d(s_k，o_j)，通过GIS系统得到各小区的地物所占的网格百分比p_ij，如果目标小区的地物信息或建筑物信息发生改变，致使p_ij改变，重新获取各小区的地物所占的网格百分比p_ij，根据确定的网格百分比，算法单元调用公式：

计算目标小区属性集合与样本点所在小区的相对相似度。基于所得到的绝对相似度和相对相似度通过伪随机选择的概率来选择目标小区的所属簇类，选择概率通过如下来确定：

其中，δ_IJ为数据地理因子，是为了将物理上相近的数据合为一个类别；Q为伪随机选择参数，为[0，1]上的随机数，Q₀是[0，1]上的常数，用于确定伪随机选择的概率.当Q在Q₀范围以内，直接选取该样本簇C_i。将该数据集合(？)作为新的簇类，迭代次数的设置根据实际需要设置；

采用本发明提出的一种自适应的传播环境分类方法，分类效果和精度有明显提高，本分类方法的自适应性强，为无线网络的优化和规划提供了重要的依据。

附图说明

图1所示为本发明传播环境分类方法流程示意图

图2所示为属性信息抽样过程流程图

具体实施方式

本发明提出了一种自适应的传播环境分类方法。该方法通过初始化、抽样、绝对相似度计算、地物信息提取、条件判断、相对相似度计算和簇类选择，实现传播环境分类，具体过程如图1所示，包括如下步骤。

步骤1.初始化规划区内小区个数M和计算的迭代次数N。根据规划区域通信网络性质(为3G网或者2G网)，确定M值，例如：对于2G网络，大多数情况下一个扇区就对应一个小区；对于3G网络，一般情况下一个扇区可以有多个小区，小区个数取决于其使用的频率或扰码，并根据小区个数设置迭代次数N，迭代次数的设置与小区的个数相对应。

步骤2.通过GIS系统获取规划区域M个小区的地物属性和建筑物属性等地理信息，并获取目标小区的地物信息和建筑物信息，在存储器中建立目标小区属性集合o_j。信息处理单元对M个规划区域小区的地理信息进行处理，从M个小区中抽取K个样本点建立样本小区的簇C_i，其中，i≤M。簇C_i作为地物属性和建筑物等属性的数据集合，用地物信息的特征向量s_k＝(e₁，e₂，…e_n)来表示簇C_i的属性集合，并将其存入存储器中，建立属性集合表。例如规划区域内有水域、陆地、灌木、矮草、高大建筑物、低矮建筑物等，将其设置为具有不同属性，放入属性集合表中，构建地物信息的特征向量。k≤M，n为每个小区的地物属性和建筑物属性的数目，由GIS系统获取的。

如图2所示为样本点抽样方法流程图。具体包括如下步骤：

(1)根据不同的地物信息的特征向量，构造出各特征向量的分布函数F(x₁)，F(x₂)，...，F(x_n)，对于这些连续随机变量，其估计分布函数为近似正态分布N(x_mean，s_x ²)，分布函数为：

(2)根据分布函数构造联合分布函数(即Hash函数)，H(x₁，x₂，...，x_n)＝F(x₁)·F(x₂)·...·F(x_n)；

(3)根据规划区域大小，预先设定滑动窗口长度和个数；

(4)在滑动窗口之内对Hash函数进行抽样，获取样本点；

(5)记录样本点集合C_i，建立规划小区簇C_i的地物属性和建筑物属性相似度数据集合。

步骤3.根据簇C_i的属性集合s_k，结合目标小区的属性集合o_j，算法单元调用公式：

计算目标小区属性集o_j与样本点小区属性集s_k的绝对相似度d(s_k，o_j)；

步骤4.根据所获取目标小区属性集合o_j和样本点所在小区属性集s_k通过GIS系统获取各种地物所占的网格百分比p_ij；

步骤5.若目标扇区的地物信息或建筑物信息发生改变，致使p_ij改变，比如河流、绿地等的覆盖面积的变化，以及建筑物高度、地理位置等信息的变化，转为执行步骤3，重新计算s_k的绝对相似度，否则执行步骤6计算o_j与s_k的相对相似度；

步骤6.根据所获得的地物所占网格百分比，调用公式：

计算目标小区属性集合o_j与样本点所在小区s_k的相对相似度；

步骤7.根据绝对相似度和相对相似度计算目标小区的簇类选择概率P

其中，δ_IJ为数据地理因子，是为了将物理上相近的数据合为一个类别；Q为伪随机选择参数，为[0，1]上的随机数，Q₀是[0，1]上的常数，用于确定伪随机选择的概率.当Q在Q₀范围以内，直接选取该样本簇C_i。当不在范围Q₀以内，执行步骤3。若迭代次数超过预设值N，则计算结束，将该数据集合作为新的簇类，迭代次数的设置根据实际需要设置。

根据确定的簇类选择概率P，确定各种地物出现的概率，对环境进行分类，确定对网路的覆盖，根据样本点的变化对传播环境进行分类，提高电波传播模型的准确性及网络覆盖预测，便于无线网络的规划、部署和扩容。

Claims (2)

1.一种自适应传播环境分类方法，其特征在于，包括以下处理步骤：

A.初始化规划区内小区个数M和迭代次数N；

B.获取目标小区的地物属性和建筑物属性，在存储器中建立目标小区属性集合o_j，信息处理单元从M个小区中抽取K个样本点建立样本小区的簇C_i，i≤M，对样本小区的属性信息进行抽样，建立样本小区簇C_i的地物属性和建筑物属性的数据集合，用数据集合的特征向量s_k＝(e₁，e₂，…e_n)表示簇C_i的属性集合，其中，k≤M，n为每个小区的地物属性和建筑物属性中建筑物的数目；

C.根据目标小区的属性集合o_j，算法单元调用公式：

计算目标小区属性集o_j与样本点小区属性集s_k的绝对相似度d(s_k，o_j)；

D.通过地理信息系统获取目标小区属性集o_j和样本点所在小区簇C_i属性集s_k的地物属性和建筑物属性以及各种地物所占的网格百分比p_ij；

E.当网格百分比p_ij发生改变，转为执行步骤C，否则执行步骤F；

F.算法单元调用公式

计算目标小区o_j与样本点所在小区s_k的相对相似度；

G.算法单元根据目标小区o_j与样本点所在小区s_k的相对相似度计算目标小区的簇类选择概率P

其中，δ_IJ为数据地理因子。

2.根据权利要求1所述的自适应传播环境分类方法，其特征在于，所述对属性信息进行抽样具体包括，根据地物信息的特征向量，构造各特征向量的分布函数F(x₁)，F(x₂)，...，F(x_n)；根据分布函数构造Hash函数H(x₁，x₂，...，x_n)＝F(x₁)·F(x₂)·...·F(x_n)；根据规划区域大小设定滑动窗口长度和个数；在滑动窗口之内对Hash函数进行抽样，获取样本点；根据样本点集合，建立规划小区簇C_i的地物属性和建筑物属性数据集合。

Images