CN106384023A - 基于主路径的混合场强预测方法 - Google Patents
基于主路径的混合场强预测方法 Download PDFInfo
- Publication number
- CN106384023A CN106384023A CN201611102385.8A CN201611102385A CN106384023A CN 106384023 A CN106384023 A CN 106384023A CN 201611102385 A CN201611102385 A CN 201611102385A CN 106384023 A CN106384023 A CN 106384023A
- Authority
- CN
- China
- Prior art keywords
- path
- main path
- training
- receiving
- field intensity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title abstract 3
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000007935 neutral effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000012935 Averaging Methods 0.000 abstract 1
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及射线跟踪技术领域，为提出基于主路径的快速射线跟踪和神经网络的混合场强预测模型。本发明采用的技术方案是，基于主路径的混合场强预测方法，利用三角化射线跟踪程序，对三维室内特定场景进行简化的射线跟踪运算，将源点与场点间的直射路径和一次反射路径作为主路径，利用得到的主路径计算接收点中主路径的相关参数，对室内场景进行实际测量，获取实测值，并对实测值采用滑动平滑技术进行滤波处理，即取得区域平均值，对接收点附近一定距离的接收电压的幅值和包络取平均；把得到的平均值输入到训练模型中，得到具体的训练模型；根据得到的具体训练模型，对其他接收点的参数进行预测。本发明主要应用于射线跟踪预测场合。
Description
技术领域
本发明涉及射线跟踪和神经网络的方法，通过这些方法提取主路径进行场强预测。具体讲,涉及基于主路径的混合场强预测方法。
背景技术
大量方法被提出用于预测场强。但是这些运算通过利用经验型模型和确定性模型实现。经验型模型是基于在具体的，具有代表性的环境中的测量活动。经验模型大多利用一些“通用场景”的“特定表述方式”，即对电波的自由空间传播损耗公式作补充或修正——场景的通用性是指场景地理位置不受限，能涵盖一类地区或地形；表述方式的特定性是指场景信息的表达式种类繁多，因不同场景特征而异，例如天线高度，障碍物类型、数量、厚度等都是影响表达式的参数。其中回归技术被用于获得描述路径损耗的数学表达。
此外，确定性模型应用于精确电磁技术或者他们的简化版本。这些技术需要传播环境：建筑等，作为准确的输入信息。即确定性模型，例如射线跟踪(RT)模型利用“特定场景”的“通用表述方式”来预测场强——场景的特定性是指场景仅限于某个场景，要求已获得其几何模型；表述方式的通用性是指不管场景如何，统一将场景信息量化为矩形、三角形等几何元素，然后将来自于发射源的电波用带矢量场(场强)的射线(传播方向)表示，经过直射反射绕射，在接收端叠加各多径分量的场强求得总场强。它们的主要优点是精确度高，但是它们的计算效率低。常见的全波近似的解决方案利用射线跟踪技术识别发射机和接收机之间所有可能的路径包括反射，衍射和绕射。每个射线的贡献利用菲涅耳传输和反射系数及对于衍射的贡献使用几何绕射理论(Geometrical Theory of diffraction,GTD)和一致绕射理论(Uniform Theory of Diffraction,UTD)来计算。
发明内容
为克服现有技术的不足，针对射线跟踪确定性模型的局限性，本发明旨在引入人工神经网络方法，提出基于主路径的快速射线跟踪和神经网络的混合场强预测模型。本发明采用的技术方案是，基于主路径的混合场强预测方法，利用三角化射线跟踪程序，对三维室内特定场景进行简化的射线跟踪运算，将源点与场点间的直射路径和一次反射路径作为主路径，利用得到的主路径计算接收点中主路径的相关参数，利用通用软件无线电外设USRP测量设备对室内场景进行实际测量，获取实测值，并对实测值采用滑动平滑技术进行滤波处理，即取得区域平均值，对接收点附近一定距离的接收电压的幅值和包络取平均；把得到的平均值输入到训练模型中，得到具体的训练模型；根据得到的具体训练模型，对其他接收点的参数进行预测。
从获得的实测数据中提取某直线接收路径上等间隔接收点的实测值，接收间隔0.1m。
利用选取的样本点对神经网络训练时，采用实测值与主路径计算值之差作为预测误差，与主路径信息共同训练神经网络，对于室内场景，利用快速射线跟踪和人工神经网络的混合模型，采用差分形式，即利用神经网络对预测误差进行预测，某接收点的预测误差ΔV定义为最终预测值与该点快速射线跟踪主路径场强值之差。
得到训练模型进一步具体步骤是，单个发射机的各个接收位置被定义为一条接收路径，在训练过程中，接收路径上的各个接收点的数据非常适合作为训练数据；在训练阶段，训练样本就是训练集；为了优化训练集，必须选取包含不同特性的的路径的接收点，以便提供人工神经网络可能遇到的所有传播条件；选取直射路径和一次反射路径作为主路径；在选取的路径中，必须包括接收点属于不同的位置范围作为输入参数，当训练阶段的学习过程完成以后，人工神经网络将输入接收路径上的接收点进行测试。对这些接收点，场强预测误差必须和训练集的场强预测误差相似，在这种情况下，人工神经网络训练完成。
本发明的特点及有益效果是：
利用主路径的射线跟踪和人工神经网络混合预测模型能够获取较精准的预测结果，与单纯使用射线跟踪方法计算相比，混合预测模型不仅降低运算复杂度，还能对预测精度稍微改善。考虑训练集对预测结果的影响，可以看出，训练集越大即选取的样本越密，预测结果越接近实测值。
附图说明：
图1为模型流程图。
图2为室内人工网络训练结构。
图3为室内混合模型场强输出。
图4为室内场景效果图。
图5为室内场景三角化截图。
图6为测量值、混合模型预测值、射线跟踪计算值的比较图。
具体实施方式
选取特定的场景，利用三角化射线跟踪程序，对三维室内特定场景进行简化的射线跟踪运算，将源点与场点间的直射路径和一次反射路径作为主路径。利用得到的主路径计算接收点中主路径的相关参数，利用通用软件无线电外设(USRP)测量设备对室内场景进行实际测量，获取实测值，并对实测值采用滑动平滑技术进行滤波处理，即取得区域平均值，对接收点附近一定距离的接收电压的幅值和包络取平均。把得到的平均值输入到训练模型中，得到具体的训练模型。在本文中的训练模型采用的是径向基神经网络和神经网络相结合的训练模型。
根据得到的具体训练模型，就可以对其他接收点的参数进行预测。利用混合模型预测场强的整个流程如图1所示。
(一)准备阶段
利用人工神经网络模型结合快速射线跟踪工具。使用导入了室内场景的快速射线跟踪工具得到主路径信息，包括直射路径和一次反射路径，然后计算接收点中主路径的相关参数。利用通用软件无线电外设(USRP)测量设备对室内场景进行实际测量，获取实测值，并对实测值采用滑动平滑技术进行滤波处理，即取得区域平均值，对接收点附近一定距离的接收电压的幅值和包络取平均。从获得的实测数据中提取某直线接收路径上等间隔接收点的实测值，接收间隔0.1m。
(二)训练阶段
利用选取的样本点(训练集)对神经网络训练时，采用实测值与主路径计算值之差作为预测误差，与主路径信息(输入参数)共同训练神经网络，如图2所示。对于室内场景，利用快速射线跟踪和人工神经网络的混合模型，采用差分形式，即利用神经网络对预测误差进行预测。某接收点的预测误差ΔV定义为最终预测值与该点快速射线跟踪主路径场强值之差。
对于训练集的选择是训练阶段最关键的阶段。主要介绍实测数据的特点，然后用目前开发的人工神经网络模型结合射线跟踪仿真模型识别发射机和接收机之间的主要路径。通常情况下，单个发射机的各个接收位置可以被定义为一条接收路径。在训练过程中，接收路径上的各个接收点的数据非常适合作为训练数据。
对于传输路径的明智选取使神经网络从中学习如何计算接收功率，是训练阶段的最关键的因素。在训练阶段，训练样本就是所谓的“训练集”。
为了优化训练集，必须选取包含不同特性的的路径的接收点，以便提供人工神经网络可能遇到的所有传播条件(反射路径，直射路径等)。因为本文针对室内区域，所遇到的主要传播路径主要集中在反射路径，直射路径，所以本文选取直射路径和一次反射路径作为主路径。此外，在选取的路径中，必须包括接收点属于不同的位置范围作为输入参数。这种情况下，人工神经网络可以学习在许多不同情况下的行为，可以在应用到新的情况下得到正确的场强值。当训练阶段的学习过程完成以后，人工神经网络将输入接收路径上的接收点进行测试。对这些接收点，场强预测误差必须和训练集的场强预测误差相似。在这种情况下，人工神经网络训练完成。
(三)室内场景实测验证阶段
室内场景效果图如图4所示：
室内三角化后的模型图如图5所示。
路径信息(人工神经网络输入参数)：接收机位置——接收机距离发射机的距离——距离；主路径射线跟踪预测场强值。用距离和主路径射线跟踪预测场强值作为人工神经网络输入参数。
研究对象：某直线接收路径上等间隔接收点，接收间隔0.1m。
测试集：研究对象即路径上全部接收点的主路径信息以及实测值。
训练集：研究对象的等间隔部分选取，包括1/5训练集、1/4训练集、1/3训练集、1/2训练集。例如：“1/3训练集”表示在路径上全部接收点中按顺序每3个选1个作为训练集。
以1/3训练集为例，测量值、混合模型预测值、射线跟踪计算值曲线如图6：
从图6中显示了接收路径上，接收间距为0.1m的等间隔接收点的实际测量值，射线跟踪工具得到的计算值，神经网络场强预测值。分析图中的曲线可以得出，射线跟踪计算值曲线比神经网络场强预测值曲线更加平滑，这是因为神经网络模型的输入数据包括实际测量值，而实际测量值的曲线变化幅度比较大。
选取不同的训练集，利用matlab的径向基神经网络(rbf)工具包多次仿真，得出结果如表1所示：
表1 不同训练集和输入参数的混合模型预测结果比较
混合模型得到场强预测值之后，本文分析了预测误差，通过比较混合模型预测值与实际测量值，射线跟踪工具得到的场强预测值与实际测量值在接收路径上各个不同接收点的均方误差。
Claims (4)
1.一种基于主路径的混合场强预测方法，其特征是，利用三角化射线跟踪程序，对三维室内特定场景进行简化的射线跟踪运算，将源点与场点间的直射路径和一次反射路径作为主路径，利用得到的主路径计算接收点中主路径的相关参数，利用软件无线电外设USRP测量设备对室内场景进行实际测量，获取实测值，并对实测值采用滑动平滑技术进行滤波处理，即取得区域平均值，对接收点附近一定距离的接收电压的幅值和包络取平均；把得到的平均值输入到训练模型中，得到具体的训练模型；根据得到的具体训练模型，对其他接收点的参数进行预测。
2.如权利要求1所述的基于主路径的混合场强预测方法，其特征是，从获得的实测数据中提取某直线接收路径上等间隔接收点的实测值，接收间隔0.1m。
3.如权利要求1所述的基于主路径的混合场强预测方法，其特征是，利用选取的样本点对神经网络训练时，采用实测值与主路径计算值之差作为预测误差，与主路径信息共同训练神经网络，对于室内场景，利用快速射线跟踪和人工神经网络的混合模型，采用差分形式，即利用神经网络对预测误差进行预测，某接收点的预测误差ΔV定义为最终预测值与该点快速射线跟踪主路径场强值之差。
4.如权利要求1或3所述的基于主路径的混合场强预测方法，其特征是，得到训练模型进一步具体步骤是，单个发射机的各个接收位置被定义为一条接收路径，在训练过程中，接收路径上的各个接收点的数据非常适合作为训练数据；在训练阶段，训练样本就是训练集；为了优化训练集，必须选取包含不同特性的的路径的接收点，以便提供人工神经网络可能遇到的所有传播条件；选取直射路径和一次反射路径作为主路径；在选取的路径中，必须包括接收点属于不同的位置范围作为输入参数，当训练阶段的学习过程完成以后，人工神经网络将输入接收路径上的接收点进行测试。对这些接收点，场强预测误差必须和训练集的场强预测误差相似，在这种情况下，人工神经网络训练完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611102385.8A CN106384023A (zh) | 2016-12-02 | 2016-12-02 | 基于主路径的混合场强预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611102385.8A CN106384023A (zh) | 2016-12-02 | 2016-12-02 | 基于主路径的混合场强预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106384023A true CN106384023A (zh) | 2017-02-08 |
Family
ID=57959427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611102385.8A Pending CN106384023A (zh) | 2016-12-02 | 2016-12-02 | 基于主路径的混合场强预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106384023A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325583A (zh) * | 2017-07-31 | 2019-02-12 | 财团法人工业技术研究院 | 深度神经网络、使用深度神经网络的方法及可读媒体 |
| CN109862586A (zh) * | 2019-03-02 | 2019-06-07 | 湖南城市学院 | 一种实现无线网络通信场强覆盖仿真系统及方法 |
| CN111355543A (zh) * | 2018-12-20 | 2020-06-30 | 中兴通讯股份有限公司 | 一种场强预测方法 |
| CN114448474A (zh) * | 2020-11-05 | 2022-05-06 | 中国移动通信集团设计院有限公司 | 多天线信道矩阵预测方法、装置和电子设备 |
| CN114827032A (zh) * | 2021-01-20 | 2022-07-29 | 辉达公司 | 利用强化学习执行网络拥塞控制 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103369549A (zh) * | 2013-06-19 | 2013-10-23 | 山东润谱通信工程有限公司 | 基于射线跟踪传播模型的室内三维空间无线信号预测方法 |
| CN104363616A (zh) * | 2014-10-27 | 2015-02-18 | 山东润谱通信工程有限公司 | 一种室外到室内传播模型预测室内三维空间场强的方法 |
| CN105071875A (zh) * | 2015-08-26 | 2015-11-18 | 天津大学 | 一种场强测量系统及其测量方法 |
-
2016
- 2016-12-02 CN CN201611102385.8A patent/CN106384023A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103369549A (zh) * | 2013-06-19 | 2013-10-23 | 山东润谱通信工程有限公司 | 基于射线跟踪传播模型的室内三维空间无线信号预测方法 |
| CN104363616A (zh) * | 2014-10-27 | 2015-02-18 | 山东润谱通信工程有限公司 | 一种室外到室内传播模型预测室内三维空间场强的方法 |
| CN105071875A (zh) * | 2015-08-26 | 2015-11-18 | 天津大学 | 一种场强测量系统及其测量方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李东等: "主路径射线跟踪与神经网络混合预测模型", 《信息技术》 * |
| 林玉妹: "基于射线跟踪和神经网络的场强预测混合模型", 《万方学位论文库》 * |
| 武博强等: "基于USRP平台的无线信道测量设计与实现", 《电子测量技术》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325583A (zh) * | 2017-07-31 | 2019-02-12 | 财团法人工业技术研究院 | 深度神经网络、使用深度神经网络的方法及可读媒体 |
| CN111355543A (zh) * | 2018-12-20 | 2020-06-30 | 中兴通讯股份有限公司 | 一种场强预测方法 |
| CN111355543B (zh) * | 2018-12-20 | 2023-01-17 | 中兴通讯股份有限公司 | 一种场强预测方法 |
| CN109862586A (zh) * | 2019-03-02 | 2019-06-07 | 湖南城市学院 | 一种实现无线网络通信场强覆盖仿真系统及方法 |
| CN109862586B (zh) * | 2019-03-02 | 2023-03-24 | 湖南城市学院 | 一种实现无线网络通信场强覆盖仿真系统及方法 |
| CN114448474A (zh) * | 2020-11-05 | 2022-05-06 | 中国移动通信集团设计院有限公司 | 多天线信道矩阵预测方法、装置和电子设备 |
| CN114448474B (zh) * | 2020-11-05 | 2022-11-22 | 中国移动通信集团设计院有限公司 | 多天线信道矩阵预测方法、装置和电子设备 |
| CN114827032A (zh) * | 2021-01-20 | 2022-07-29 | 辉达公司 | 利用强化学习执行网络拥塞控制 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106384023A (zh) | 基于主路径的混合场强预测方法 | |
| CN109963287B (zh) | 天线方向角优化方法、装置、设备及介质 | |
| US20160195401A1 (en) | Method and system for locating an object | |
| CN111983935A (zh) | 一种性能评测方法和装置 | |
| CN105629198A (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
| CN108235355B (zh) | 一种环境模拟方法及装置 | |
| CN104540221A (zh) | 基于半监督sde算法的wlan室内定位方法 | |
| CN108226860A (zh) | 基于rss的超宽带混合维定位方法及定位系统 | |
| CN106028446A (zh) | 室内停车场定位方法 | |
| CN106376007A (zh) | 一种基站覆盖性能定位方法及系统 | |
| CN116017488B (zh) | 基于边界搜索的大区域散射通信覆盖预测方法及系统 | |
| CN105652235A (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 | |
| CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
| CN103760544B (zh) | 雷达目标的散射中心提取方法及系统 | |
| CN113702719A (zh) | 一种基于神经网络的宽带近场电磁定位方法及装置 | |
| CN105740204A (zh) | 不规则地形下低频段大地电导率快速反演方法 | |
| CN105187139B (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
| Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation | |
| CN105848285A (zh) | 基于压缩感知的电网设备巡检定位方法 | |
| CN106019222B (zh) | 一种基于定位算法残差的二次规划定位方法 | |
| CN106093891A (zh) | 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法 | |
| CN105636102B (zh) | 一种基于贝叶斯后验概率的定位方法及装置 | |
| CN105158731B (zh) | 一种基于路测功率值的信源定位方法 | |
| CN106483521A (zh) | 基于射线跟踪和遗传算法的未知源定位方法 | |
| CN105792211B (zh) | 一种伪基站识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170208 |
|
| WD01 | Invention patent application deemed withdrawn after publication |