CN106851714A - 一种基于自学习模式的车地无线通信质量评估方法 - Google Patents

Abstract

本发明公开了一种基于自学习模式的车地无线通信质量评估方法，该方法中无线通信质量的评价采用相对获取简单的信号和噪声强度代替了获取较困难的丢包率和时延参数来进行无线性能的评价，降低了评价无线性能指标时测量数据源的难度；并且同时，信号强度和噪声的监测不增加无线通信负担，不会对列车正常通信造成影响，可以在运营进行阶段进行无线通信质量性能监测，极大的提高了问题发现的及时性和预警性，增强了无线通信质量的可靠性；此外，无需的频繁在夜间安排人员进行无线性能测试，降低了工作量，节省了人力和物力成本。

Description

一种基于自学习模式的车地无线通信质量评估方法

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种基于自学习模式的车地无线通信质量评估方法。

背景技术

随着信号控制和通信技术的发展与融合，基于无线通信的列车控制系统(CBTC)在城市轨道交通行业得到了广泛的应用并成为列车控制的主流制式。其突出特点之一就是数据通信方式的变革，利用无线通信技术实现车地之间的双向通信，实现了各设备之间实时双向高速通信。

CBTC的车地通信系统依靠其传输信息量大，传输速度快来实现移动闭塞。在移动闭塞行车过程中，行车数据通过无线通信进行传输。无线通信质量直接决定列车控制信息的传输质量，其诊断对保障CBTC可靠运行具有重要意义。

CBTC无线通信质量一般采用丢包率和传输时延两种指标来进行诊断。由于实际测试中丢包率和传输时延测试无法与列车无线通信同时进行，故目前只能在非运营时段进行专门的丢包率和传输时延测试。但是这种方法有两个方面的局限性，一方面，非运营时段和运营时段的外部环境存在差异，测试结果难以反映运营时的真实情况；另一方面，测试需要花费额外的人力物力成本，增加了运营成本。

鉴于此，一种新的无线通信质量评估方法厄待提出。

发明内容

本发明的目的是提供一种基于自学习模式的车地无线通信质量评估方法，可以节省人力和物力成本，并极大的提高了无线通信的可靠性。

本发明的目的是通过以下技术方案实现的：

一种基于自学习模式的车地无线通信质量评估方法，包括：

建立包含数据抽象系统、训练好的评价系统及学习系统的诊断模型；

在应用之前，对所述诊断模型进行训练，训练过程中，将包含基于位置的信号和噪声强度数据的训练数据输入至数据抽象系统中，由数据抽象系统结合学习系统中的历史数据将基于位置的信号和噪声强度数据转化为评价指标数据，并将该评价指标数据输入至训练好的评价系统，由训练好的评价系统计算出无线通信质量评估值，并与预设的数值进行比对，以确定计算出的无线通信质量评估值是否合格；若不合格，则进行人工排查若合格，且被抽样则进行人工排查，再与人工排查结果进行比较，并记录合格率；训练过程中最终输出的无线通信质量评估值即为人工排查时，通过与输入训练数据相对应位置的丢包率和时延数据计算出的无线通信质量评估值；并且，还将最终输出的无线通信质量评估值输入至学习系统来更新历史数据；重复上述训练过程，直至评价系统计算出的无线通信质量评估值满足一定的合格率，则完成诊断模型的训练；

在应用期，利用训练好的诊断模型对输入的包含基于位置的信号和噪声强度数据的测试数据进行评价，得到无线通信质量评估值。

所述数据抽象系统结合学习系统中的历史数据将基于位置的信号和噪声强度数据转化为评价指标数据包括：

所述基于位置的信号和噪声强度数据的采样频率为一米，总长度为n米，则第i米的信号和噪声强度值记为

计算信号和噪声强度值最低要求符合度：

上式中，s_thresold为预设的最低信号门限，表示信号和噪声强度值符合最低要求，表示信号和噪声强度值不符合最低要求；τ为信号和噪声强度值最低要求符合度；

计算信号和噪声强度值与理论值及聚合值的方差，反映实际信号和理论信号的偏差：

上式中，χ为信号和噪声强度值与理论值的方差，为与相同位置处的理论信号和噪声强度值；为信号和噪声强度值与聚合值的方差，为从学习系统中的历史数据中获得的与相同位置处的聚合信号和噪声强度值；

计算信号和噪声强度值与系统中所有学习结果综合的推荐曲线的方差：

上式中，表示训练数据中的信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量；表示理论上的信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量，表示行行向量相乘，相乘结果为一个数值；是计算两个1*N的行向量的长度的积；

计算信噪比的平均强度值与信号的比值；

上式中，为学习系统中的历史数据中获得的聚合信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量；

计算信号和噪声强度值信号差值平滑的程度：

将上述各个指标进行归一化处理，处理结果即为最终的评价指标数据：

上式中，χ_max、δ_max、γ_max、ξ_max均为训练数据集合中计算的各个指标的最大值。

该方法还包括：利用与输入训练数据相对应位置的丢包率和时延数据，来计算出的无线通信质量评估值，其计算公式如下：

上式中，Y_c为无线通信质量评估值，D表示传输时延，Plr表示丢包率，Plc表示最大连续丢包数，α₁、α₂、α₃均为权值，D_m为预设的可接受的最大传输时延，Plc_m为预设的可接受的最大连续丢包数。

训练过程中，将最终输出的的无线通信质量评估值输入至学习系统来更新历史数据的公式为：

上式中，m表示训练数据集合X中训练数据的数量，表示第j个训练数据中第i米的信号和噪声强度值，Y_c ^j表示对应于第j个训练数据的最终输出的无线通信质量评估值，表示与相同位置处的聚合信号和噪声强度值；若第j个训练数据中，共有1～n个信号和噪声强度值，则最终的获得一个由组成的行向量

该方法还包括：在应用期，根据计算到的无线通信质量评估值对学习系统中的历史数据进行更新，其公式为：

上式中，p为应用期的输入测试数据的数量，Y_o ^j表示根据输入的第j个测试数据计算到的无线通信质量评估值。

由上述本发明提供的技术方案可以看出，无线通信质量的评价采用相对获取简单的信号和噪声强度代替了获取较困难的丢包率和时延参数来进行无线性能的评价，降低了评价无线性能指标时测量数据源的难度；并且同时，信号强度和噪声的监测不增加无线通信负担，不会对列车正常通信造成影响，可以在运营进行阶段进行无线通信质量性能监测，极大的提高了问题发现的及时性和预警性，增强了无线通信质量的可靠性；此外，无需的频繁在夜间安排人员进行无线性能测试，降低了工作量，节省了人力和物力成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于自学习模式的车地无线通信质量评估方法的流程图；

图2为本发明实施例提供的诊断模型示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

CBTC无线通信质量一般采用丢包率和传输时延两种指标来进行诊断。但是实际测试中丢包率和传输时延测试无法与列车无线通信同时进行。现有的夜间测量不仅花费了额外的人力物力成本，而且难以保障运行时的通信质量问题。本发明根据信号强度和噪声与丢包率和传输时延的密切内在联系，基于信号强度和噪声的监测不增加无线通信负担，不会对列车正常通信造成影响的基本前提，将列车实际运行时刻采集的基于位置的信号噪声强度曲线通过本发明提供的模型进行映射，得出无线通信质量，实现每辆车，每趟运行都能进行无线通信质量的评估，极大提高了无线通信的可靠性。

本发明实施例中，基于自学习的诊断模型，通过数据抽象、BP神经网络和学习策略，以信号强度和噪声数据作为输入样本，以丢包率和传输时延计算的实际无线通信质量评估量作为期望输出，训练得到一个通过信号强度和噪声数据作为输入，无线通信质量评估量作为输出的一个诊断模型。该诊断模型采用信号强度和噪声数据代替丢包率时延来评估无线通信质量。下面结合具体实施例对本发明做详细的说明。

如图1所示，为本发明实施例提供的一种基于自学习模式的车地无线通信质量评估方法的流程图，其主要包括如下步骤：

步骤11、建立包含数据抽象系统、训练好的评价系统及学习系统的诊断模型。

本发明实施例中，评价系统采用BP神经网络作为模型，通过训练集数据进行训练。训练过程中，将训练集数据中基于位置的信号和噪声强度数据输入至数据抽象系统中，由数据抽象系统根据规则和聚合信号将基于位置的信号和噪声强度数据转化为评价指标数据，并将该评价指标数据输入至该神经网络进行训练，以训练数据中的传输时延、丢包率和最大连续丢包数计算到无线通信质量评估值作为目标进行训练。得到评价系统也就是BP神经网络的连接权值，完成评价系统的初步建立。

本领域技术人员可以理解，BP神经网络是常规神经网络，其训练过程及方式可以根据实际情况来确定，后文的训练过程主要是针对诊断模型进行的训练。

步骤12、在应用之前，对所述诊断模型进行训练。

由于评价系统的模型得出的无线通信质量评估值还不能非常准确表征实际测试的无线性能质量评估值。所以需要在应用之前，进行继续加强训练；诊断模型的训练过程如图2所示。

应用之前，将包含基于位置的信号和噪声强度数据的训练数据输入至数据抽象系统中，由数据抽象系统结合学习系统中的历史数据将基于位置的信号和噪声强度数据转化为评价指标数据，并将该评价指标数据输入至评价系统，由评价系统根据训练好的BP神经网络系统计算出无线通信质量评估值；同时，还将计算的出无线通信质量评估值与预设的数值进行比对，以确定计算出的无线通信质量评估值是否合格。

若不合格，则进行人工排查若合格，且被抽样则进行人工排查，再与人工排查结果进行比较，并记录合格率；训练过程中最终输出的无线通信质量评估值即为人工排查时，通过与输入训练数据相对应位置的丢包率和时延数据计算出的无线通信质量评估值；并且，还将最终输出的无线通信质量评估值输入至学习系统来更新历史数据。

在上述训练过程中，由于诊断模型是一个基于历史数据学习的模型，所以在诊断模型产生之后不能保证百分之百准确，需要在使用中进行不断的矫正。诊断模型基于历史数据学习完成之后，预想的是采用100％的抽样，根据输入的参数可以得到一个评价结果(诊断模型的判别结果)。由于，此时还处于训练阶段，因此，即使评价结果合格也需要根据人工排查结果(人工计算出的实际结果)来判断该结果是否准确，并以此来矫正系统参数。综合结果是根据系统计算结果是否合格，再根据人工排查后输出的结果；例如，如果不合格，那么输出的综合结果即为人工排查结果；如果合格，且与人工排查结果一致，那么输出的综合结果即为人工排查结果或者评价系统输出结果。

当随着训练数据的不断增多，抽样率逐渐减小，如何评价系统输出结果合格，且没有被抽样，那么可直接输出，到最后抽样率为0，也就是说，诊断模型已经训练完成了，此时，就可以无需人工参与了。

步骤13、在应用期，利用训练好的诊断模型对输入的包含基于位置的信号和噪声强度数据的测试数据进行评价，得到无线通信质量评估值。

本发明实施例的上述方案中，关键点在于：信号和噪声强度的抽象机制、信号和噪声强度对丢包率和时延的替换机制，以及学习系统设计方案；下面针对这三个关键点进行详细介绍。

1、信号和噪声强度的抽象机制。

本发明实施例的上述方案中，数据抽象系统是指标评价体系的建立过程。由于信号强度和噪声数据是大量数据点的集合并且不同线路的长度不一样导致输入的标准不一致。因此，本发明实施例提出数据抽象系统通过将大量的信号强度和噪声用几个性能指标来代替。

信号和噪声强度的抽象机制，是将大量的基于位置的信号和噪声强度进行数据抽象，形成信号强度最低要求符合度、与理论值的方差、与系统中所有学习结果综合的推荐曲线的方差、自身信噪比的平均强度与信号的比值、信号差值平滑的程度这几个方面反映的数据指标，作为评价系统的输入。

在介绍各个指标计算过程之前，首先定义几个参数：基于位置的信号和噪声强度数据的采样频率为一米，总长度为n米，则第i米的信号和噪声强度值记为与相同位置处的理论信号和噪声强度值记为从学习系统中的历史数据中获得的与相同位置处的聚合信号和噪声强度值记为此处的会根据训练结果进行更新。

示例性的，若干个可以组成一个序列s_rel，它是一条离散的曲线，横坐标是距离(m)，纵坐标是信号强度值。

各个指标计算过程如下：

1)计算信号和噪声强度值最低要求符合度：

上式中，s_thresold为预设的最低信号门限，表示信号和噪声强度值符合最低要求，表示信号和噪声强度值不符合最低要求；τ为信号和噪声强度值最低要求符合度。

2)计算信号和噪声强度值与理论值及聚合值的方差，反映实际信号和理论信号的偏差：

上式中，χ为信号和噪声强度值与理论值的方差，为信号和噪声强度值与聚合值的方差。

3)计算信号和噪声强度值与系统中所有学习结果综合的推荐曲线的方差：

上式中，表示训练数据中的信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量；表示理论上的信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量，表示行行向量相乘，相乘结果为一个数值；是计算两个1*N的行向量的长度的积。上式得到的是实际测得值和理论值的余弦距离，表示的是这两个行向量的距离。

4)计算信噪比的平均强度值与信号的比值；

上式中，为学习系统中的历史数据中获得的聚合信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量。

5)计算信号和噪声强度值信号差值平滑的程度：

将上述各个指标进行归一化处理，处理结果即为最终的评价指标数据：

上式中，χ_max、δ_max、γ_max、ξ_max均为训练数据集合X中计算的各个指标的最大值。

归一化处理是为了消除各个指标之间数量级不一样的情况，该方法的思想是采用训练数据集合X中计算出来的各个指标的最大值，这样的话，每种指标都会化成相同的以1为数量级的一些数据，防止有些数据绝对值比较大，导致其他绝对值相对较小的无法对结果产生作用的一种方法。

2、信号和噪声强度对丢包率和时延的替换机制。

评价系统是将训练数据进行评价并得出结论。由于输入到输出的映射关系不确定性和复杂度较高，评价系统采用BP神经网络模型实现输入到输出的映射。在本发明实施例中，将采集的信号强度等数据文件经过数据抽象系统，形成神经网络的输入。同时，采用丢包率，最大连续丢包数和时延得出实际的无线通信质量评估值。

信号和噪声强度对丢包率和时延的替换机制，是采用丢包率和时延经过权值运算得到的结果作为期望输出。利用神经网络模型将信号和噪声强度经过抽象后作为输入同丢包率和时延得到的期望输出进行训练，找出信号和噪声强度与丢包率时延的内在联系，进行无线性能的评价。

上述过程是在训练诊断模型之前的步骤，也就是说，训练好评价系统之后才进行诊断模型的训练。

在人工排查结果，也是利用与输入训练数据相对应位置的丢包率和时延数据，来计算无线通信质量评估值Y_c，该无线通信质量评估值Y_c作为实际数值，其计算公式如下：

上式中，Y_c为无线通信质量评估值，D表示传输时延，Plr表示丢包率，Plc表示最大连续丢包数，α₁、α₂、α₃均为权值(可以根据工程实际要求改变偏重测量的比重)，D_m为预设的可接受的最大传输时延，Plc_m为预设的可接受的最大连续丢包数。

本领域技术人员可以理解，上式中的max、min为最大值、最小值函数；示例性的，可以某一测试项的最大值max(*)可以设为50M。

3、学习系统设计方案。

学习系统是为了使系统跟据线路的实际环境不断的调整。本发明实施例中，根据测量的数据进行历史数据库的迭代更新，并修正评价系统的偏差，实现系统的自学习和健壮性。

学习系统中的历史数据库主要存储数据抽象系统计算时做需要的聚合数据，并根据上一次训练结果进行更新；其主要包括：

1)训练过程中，将最终输出的的无线通信质量评估值输入至学习系统来更新历史数据，其公式为：

上式中，m表示训练数据集合X中训练数据的数量，表示第j个训练数据中第i米的信号和噪声强度值，Y_c ^j表示对应于第j个训练数据的最终输出的无线通信质量评估值，表示与相同位置处的聚合信号和噪声强度值；若第j个训练数据中，共有1～n个信号和噪声强度值，则最终的获得一个由组成的行向量

2)在应用期，根据计算到的无线通信质量评估值对学习系统中的历史数据进行更新，其公式为：

上式中，p为应用期的输入测试数据的数量，Y_o ^j表示根据输入的第j个测试数据计算到的无线通信质量评估值；需要结合训练过程中计算到的无线通信质量评估值Y_c ^j进行更新，也就是说，诊断模型中采用当前Y_o ^j占历史所有数据输出之和中的比重来进行当前测试数据对数据库中的聚合数据的加权；若第j个测试数据中，共有1～n个信号和噪声强度值，则最终的获得一个由组成的行向量

本发明实施例的上述方案中，无线通信质量的评价采用相对获取简单的信号和噪声强度代替了获取较困难的丢包率和时延参数来进行无线性能的评价，降低了评价无线性能指标时测量数据源的难度；并且同时，信号强度和噪声的监测不增加无线通信负担，不会对列车正常通信造成影响，可以在运营进行阶段进行无线通信质量性能监测，极大的提高了问题发现的及时性和预警性，增强了无线通信质量的可靠性；此外，无需的频繁在夜间安排人员进行无线性能测试，降低了工作量，节省了人力和物力成本。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种基于自学习模式的车地无线通信质量评估方法，其特征在于，包括：

建立包含数据抽象系统、训练好的评价系统及学习系统的诊断模型；

在应用之前，对所述诊断模型进行训练，训练过程中，将包含基于位置的信号和噪声强度数据的训练数据输入至数据抽象系统中，由数据抽象系统结合学习系统中的历史数据将基于位置的信号和噪声强度数据转化为评价指标数据，并将该评价指标数据输入至训练好的评价系统，由训练好的评价系统计算出无线通信质量评估值，并与预设的数值进行比对，以确定计算出的无线通信质量评估值是否合格；若不合格，则进行人工排查若合格，且被抽样则进行人工排查，再与人工排查结果进行比较，并记录合格率；训练过程中最终输出的无线通信质量评估值即为人工排查时，通过与输入训练数据相对应位置的丢包率和时延数据计算出的无线通信质量评估值；并且，还将最终输出的无线通信质量评估值输入至学习系统来更新历史数据；重复上述训练过程，直至评价系统计算出的无线通信质量评估值满足一定的合格率，则完成诊断模型的训练；

在应用期，利用训练好的诊断模型对输入的包含基于位置的信号和噪声强度数据的测试数据进行评价，得到无线通信质量评估值。

2.根据权利要求1所述的一种基于自学习模式的车地无线通信质量评估方法，其特征在于，所述数据抽象系统结合学习系统中的历史数据将基于位置的信号和噪声强度数据转化为评价指标数据包括：

所述基于位置的信号和噪声强度数据的采样频率为一米，总长度为n米，则第i米的信号和噪声强度值记为

计算信号和噪声强度值最低要求符合度：

$sign\left(s_{rel}^i\right)=\left\{\begin{array}{cc}1& if(s_{rel}^i-s_{thresold}\&GreaterEqual;0)\\ 0& if(s_{rel}^i-s_{thresold}<0)\end{array}\right.;$

$\mathrm{\&tau;}=\underset{i=1}{\overset{n}{\&Sigma;}}sign\left(s_{rel}^i\right);$

上式中，s_thresold为预设的最低信号门限，表示信号和噪声强度值符合最低要求，表示信号和噪声强度值不符合最低要求；τ为信号和噪声强度值最低要求符合度；

计算信号和噪声强度值与理论值及聚合值的方差，反映实际信号和理论信号的偏差：

$\mathrm{\&chi;}={\left(\frac{1}{n-1}\underset{i=1}{\overset{n}{\&Sigma;}}{\left(s_{rel}^i-s_{idl}^i\right)}^2\right)}^{\frac{1}{2}};$

上式中，χ为信号和噪声强度值与理论值的方差，为与相同位置处的理论信号和噪声强度值；为信号和噪声强度值与聚合值的方差，为从学习系统中的历史数据中获得的与相同位置处的聚合信号和噪声强度值；

计算信号和噪声强度值与系统中所有学习结果综合的推荐曲线的方差：

$\mathrm{\&delta;}=\frac{\stackrel{\&OverBar;}{s_{rel}}\&CenterDot;\stackrel{\&OverBar;}{s_{idl}}}{\left|\stackrel{\&OverBar;}{s_{rel}}\right|\&CenterDot;\left|\stackrel{\&OverBar;}{s_{idl}}\right|};$

上式中，表示训练数据中的信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量；表示理论上的信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量，表示行行向量相乘，相乘结果为一个数值；是计算两个1*N的行向量的长度的积；

计算信噪比的平均强度值与信号的比值；

$\mathrm{\&gamma;}=\frac{\stackrel{\&OverBar;}{s_{rel}}\&CenterDot;{\stackrel{\&OverBar;}{s_{dta}}}^T}{\left|\stackrel{\&OverBar;}{s_{rel}}\right|\&CenterDot;\left|\stackrel{\&OverBar;}{s_{dta}}\right|};$

上式中，为学习系统中的历史数据中获得的聚合信号和噪声强度值是基于每一米位置的曲线，是一个1*N的行向量；

计算信号和噪声强度值信号差值平滑的程度：

$\mathrm{\&xi;}=\frac{1}{n}\underset{i=1}{\overset{n-1}{\&Sigma;}}|s_{rel}^{i+1}-s_{rel}^i|;$

将上述各个指标进行归一化处理，处理结果即为最终的评价指标数据：

上式中，χ_max、δ_max、γ_max、ξ_max均为训练数据集合中计算的各个指标的最大值。

3.根据权利要求1所述的一种基于自学习模式的车地无线通信质量评估方法，其特征在于，该方法还包括：利用与输入训练数据相对应位置的丢包率和时延数据，来计算出的无线通信质量评估值，其计算公式如下：

$Y_c=\min (0,{\mathrm{\&alpha;}}_1\&CenterDot;(1-\max \left(Plr\right))+{\mathrm{\&alpha;}}_2\&CenterDot;\frac{D_m-\max \left(D\right)}{D_m}+{\mathrm{\&alpha;}}_3\&CenterDot;\frac{{\mathrm{Plc}}_m-\max \left(Plc\right)}{{\mathrm{Plc}}_m})$

上式中，Y_c为无线通信质量评估值，D表示传输时延，Plr表示丢包率，Plc表示最大连续丢包数，α₁、α₂、α₃均为权值，D_m为预设的可接受的最大传输时延，Plc_m为预设的可接受的最大连续丢包数。

4.根据权利要求1或2或3所述的一种基于自学习模式的车地无线通信质量评估方法，其特征在于，训练过程中，将最终输出的的无线通信质量评估值输入至学习系统来更新历史数据的公式为：

$s_{dta}^i=\frac{1}{\underset{j=1}{\overset{m}{\&Sigma;}}{Y}_c^j}\underset{j=1}{\overset{m}{\&Sigma;}}{Y}_c^j\&CenterDot;x_j\left(s_{rel}^i\right);$

上式中，m表示训练数据集合X中训练数据的数量，表示第j个训练数据中第i米的信号和噪声强度值，表示对应于第j个训练数据的最终输出的无线通信质量评估值，表示与相同位置处的聚合信号和噪声强度值；若第j个训练数据中，共有1～n个信号和噪声强度值，则最终的获得一个由组成的行向量

5.根据权利要求1或2或3所述的一种基于自学习模式的车地无线通信质量评估方法，其特征在于，该方法还包括：在应用期，根据计算到的无线通信质量评估值对学习系统中的历史数据进行更新，其公式为：

${s_{dta}^i}^{\&prime;}=\frac{(\underset{j=1}{\overset{m}{\&Sigma;}}{Y}_c^j+\underset{j=1}{\overset{p}{\&Sigma;}}{Y}_o^j)-Y_o^p}{\underset{j=1}{\overset{m}{\&Sigma;}}{Y}_c^j+\underset{j=1}{\overset{p}{\&Sigma;}}{Y}_o^j}{s}_{dta}^i+\frac{Y_o^p}{\underset{j=1}{\overset{m}{\&Sigma;}}{Y}_c^j+\underset{j=1}{\overset{p}{\&Sigma;}}{Y}_o^j}{s}_{rel}^i;$

上式中，p为应用期的输入测试数据的数量，表示根据输入的第j个测试数据计算到的无线通信质量评估值。