CN108183754A - 一种gsm基站电磁辐射预测方法 - Google Patents
一种gsm基站电磁辐射预测方法 Download PDFInfo
- Publication number
- CN108183754A CN108183754A CN201810009505.2A CN201810009505A CN108183754A CN 108183754 A CN108183754 A CN 108183754A CN 201810009505 A CN201810009505 A CN 201810009505A CN 108183754 A CN108183754 A CN 108183754A
- Authority
- CN
- China
- Prior art keywords
- data
- base stations
- electromagnetic radiation
- gsm base
- training
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种GSM基站电磁辐射预测方法,其步骤如下:将271个GSM基站电磁辐射历史数据分成256个组,每个组内含有15个训练时的分组输入数据和1个训练时对应的输出比对数据,通过分组的历史数据对预测模型进行训练,再将训练好的预测模型对GSM基站电磁辐射进行预测。本发明分析了GSM基站电磁辐射预测的方式,该方法能对GSM基站电磁辐射进行高效及快速的预测,具有一定的社会效益。
Description
技术领域
本发明涉及一种GSM基站电磁辐射预测方法。
背景技术
目前针对通信基站周围的电磁辐射预测常运用训练好的预测模型进行预测。例如,文献《基于神经网络的TD-SCDMA基站电磁场强强度预测》(刘红欣.郑州大学硕士学位论文,2013.)在基站电磁辐射的的预测中,先对预测模型进行训练,然后使用训练好的模型进行预测,但是这种预测模型要想获得较好的预测效果,训练过程中需要的大量的训练数据,这些导致测试工作量非常大,另外预测也非常耗时,在很多情况下并不适用。
针对现有技术中存在的不足,本专利结合GSM基站电磁辐射序列的规律特性,以16个数据为一组,前15个数据为训练时的输入数据第16个数据为训练时输出值,采用271个数据进行模型的训练就能获得不错的预测效果,通过本发明提出的方法能够大大的减少了前期测量的工作量,同时能够更加高效和快速进行预测。
发明内容
为了解决上述技术问题,本发明提供一种GSM基站电磁辐射预测方法,能对GSM基站电磁辐射进行高效及快速的预测。
本发明解决上述技术问题的技术方案包括以下步骤:
1)、取GSM基站电磁辐射前271个历史数据作为训练数据,将271个历史数据分成256个组,每个组内含有15个数据,得到训练时的分组输入数据xj,f和训练时对应的输出比对数据tj,j为分组编号,j=1,2,…,256,f为每一个分组内数据的编号f=1,2,...,15;
2)、根据步骤1得到的分组训练数据xj,f和tj输入预测模型进行训练,确定预测模型的参数:ωi、bi、βi,i=1,2,…,30;
3)、根据步骤2训练得到的预测模型进行GSM基站电磁辐射预测。
上述的一种基于分组训练的GSM基站电磁辐射预测方法,所述步骤1)中,取GSM基站电磁辐射前271个历史数据作为训练数据,基于GSM基站电磁辐射的特性先将271个历史数据分成256个组,其特征是,以第1到第15个历史数据做为第一组训练过程中对应的输入数据x1,f,f=1,2,...,15,第16个数据为训练过程中对应的输出比对数据t1,第2到第16个历史数据为第二组训练过程中对应的输入数据x2,f,f=1,2,...,15,第17个数据为训练过程中对应的输出比对数据t2,以此类推,第256到第270个数据为第256组训练过程中对应的输入数据x256,f,f=1,2,...,15,第271个数据为训练过程中对应的输出比对数据t256,共得到256组训练数据。
上述的一种基于分组训练的GSM基站电磁辐射预测方法,所述步骤2)中,将步骤1得到的分组训练数据输入预测模型进行训练,预测模型为:
在上式(1)预测模型中,g为拟合函数ωi、bi和βi,i=1,2,3,…,30,为预测模型的参数,xj,f,j=1,2,3,…,256,f=1,2,…,15,为训练过程中对应的分组输入数据,tj,j=1,2,3,…,256,为训练过程中对应的输出比对数据,先将参数ωi和bi赋值为-1到1之间的随机数,并记录保存,然后将xj,f、tj、ωi和bi代入式(1),确定参数βi,则获得预测模型对应的ωi、bi和βi的值。
上述的一种基于分组训练的GSM基站电磁辐射预测方法,所述步骤3)中,将预测前的15个GSM基站电磁辐射历史数据作为输入数据,前15个数据表示z1,z2,…,z15输入已经训练好的预测模型进行预测,其预测表达式为:
其中,ωi、bi和βi为权力要求1中通过步骤2训练获得预测模型的参数,g为拟合函数zl为预测时候的输入数据,单位为V/m,y为模型的预测值,单位为V/m。
本发明的有益效果是:将271个GSM基站电磁辐射历史数据分成256个组,每个组内含有15个训练时的分组输入数据和1个训练时对应的输出比对数据,通过分组的历史数据对预测模型进行训练,再将训练好的预测模型对GSM基站电磁辐射进行预测。所建立的模型能对GSM基站电磁辐射进行高效及快速的预测。该方法对基站建设和环境保护有极大的参考价值,具有一定的社会效益。
附图说明
图1为本发明的流程图。
具体实施方式
本实施例在以本发明内容为前提下进行,给出了详细的实施步骤,但本发明的保护范围不限于下述的实施例。
本次实施的实验地在空旷平坦的区域,实施对象为校教学楼屋顶基站,实验仪器为频谱分析仪AT6030D。测量对象为GSM基站,测量时间从上午8点到晚上22点每天共计15个时间点,连续测量一个月的工作日共20天,共计测得300个数据,测得的300个数据放于下表中。表1测得的300个数据
下面结合附图和实施例对本发明作进一步的说明。
步骤一:取GSM基站电磁辐射前271个历史数据作为训练数据,先将历史数据依据GSM基站电磁辐射的特性,将271个历史数据分成256个组,每个组内含有15个数据,得到训练时的分组输入数据xj,f和训练时对应的输出比对数据tj,j为分组编号,j=1,2,…,256,f为每一个分组内数据的编号f=1,2,...,15。
在本次实施例中,GSM基站电磁辐射在20天的测量中共获得300个电磁辐射数据,将这300个数据进行分组,取预测点前271个历史数据做为预测模型的训练数据,然后将历史数据分成256个组。其中以第1到第15个历史数据作为第一组训练过程中对应的输入数据x1,f=[0.1513,0.1551,...,0.1469],f=1,2,…,15,第16个数据为训练过程中对应的输出值t1=[0.1445],第2到第16个历史数据为第二组训练过程中对应的输入数据x2,f=[0.1551,0.1594,...,0.1445],f=1,2,…,15,第17个数据为训练过程中对应的输出值t2=[0.1484],以此类推,第256到第270个数据为第256组训练过程中对应的输入数据x256,f=[0.1547,0.1539,...,0.1569],f=1,2,…,15,第271个数据为训练过程中对应的输出值,t256=[0.1558],共得到256个分组训练数据。
步骤二:根据步骤1得到的分组训练数据xj,f和tj输入预测模型进行训练,确定预测模型的参数,ωi、bi、βi,i=1,2,…,30,其中的预测模型为:
在上式(1)预测模型中,g为拟合函数ωi、bi和βi,i=1,2,3,…,30,为预测模型的参数,xj,f,j=1,2,3,…,256,f=1,2,…,15,为训练过程中对应的分组输入数据,tj,j=1,2,3,…,256,为训练过程中对应的输出比对数据,先将参数ωi和bi赋值为-1到1之间的随机数,并记录保存,然后将xj,f、tj、ωi和bi代入式(1),确定参数βi,则获得预测模型对应的ωi、bi和βi的值。其中ωi,bi的值都放于下表中:
表2 ωi的参数
表3 bi的参数
由于参数ωi,bi随机赋值进行初始化其值如上表所示,最后可计算得出βi的值如下表所示:
表4 βi的参数
步骤三:根据步骤2训练得到的预测模型进行GSM基站电磁辐射预测,将预测前的15个GSM基站电磁辐射历史数据作为输入数据,前15个数据表示z1,z2,…,z15输入已经训练好的预测模型进行预测,其预测表达式为:
其中,ωi,βi和bi为权力要求1中通过步骤2训练获得预测模型的参数,g为拟合函数zl为预测时候的输入数据,单位为V/m,y为模型的预测值,单位为V/m,如下表所示:
表5输入值、预测值、测量值的展示
为了进一步体现本发明方法的有效性,将所提出方法的预测值与测量值提出来进行比较,如下表所示:
表6所提出方法的预测值yi与对应的测量值比较
y1 | y2 | y3 | y4 | y5 | y6 | y7 | y8 | y9 | y10 | y11 | y12 | y13 | y14 |
0.1527 | 0.1588 | 0.1574 | 0.1611 | 0.1624 | 0.1557 | 0.1557 | 0.1597 | 0.1571 | 0.1595 | 0.1607 | 0.1558 | 0.1569 | 0.1573 |
测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 | 测量值 |
0.1554 | 0.1568 | 0.1596 | 0.1648 | 0.1606 | 0.1557 | 0.1562 | 0.1558 | 0.1595 | 0.1608 | 0.1567 | 0.1546 | 0.1554 | 0.157 |
同时该模型平均每次预测时间只需0.1秒,大大提高了预测速度。
从实验结果可以看出,各个预测值与测量值都比较接近,说明利用此方法可以实现GSM基站电磁辐射高效及快速的预测,验证了本发明所使用方法的有效性。
Claims (4)
1.一种GSM基站电磁辐射预测方法,其特征在于,包括以下步骤:
1)、取GSM基站电磁辐射前271个历史数据作为训练数据,将271个历史数据分成256个组,每个组内含有15个数据,得到训练时的分组输入数据xj,f和训练时对应的输出比对数据tj,j为分组编号,j=1,2,…,256,f为每一个分组内数据的编号f=1,2,...,15;
2)、根据步骤1得到的分组训练数据xj,f和tj输入预测模型进行训练,确定预测模型的参数:ωi、bi、βi,i=1,2,…,30;
3)、根据步骤2训练得到的预测模型进行GSM基站电磁辐射预测。
2.如权利要求1所述的一种GSM基站电磁辐射预测方法,所述步骤1)中,取GSM基站电磁辐射前271个历史数据作为训练数据,基于GSM基站电磁辐射的特性先将271个历史数据分成256个组,其特征是,以第1到第15个历史数据,作为第一组训练过程中对应的输入数据x1,f,f=1,2,...,15,第16个数据为训练过程中对应的输出比对数据t1,第2到第16个历史数据为第二组训练过程中对应的输入数据x2,f,f=1,2,...,15,第17个数据为训练过程中对应的输出比对数据t2,以此类推,第256到第270个数据为第256组训练过程中对应的输入数据x256,f,f=1,2,...,15,第271个数据为训练过程中对应的输出比对数据t256,共得到256组训练数据。
3.如权利要求1所述的一种GSM基站电磁辐射预测方法,所述步骤2)中,其特征是,将分组训练数据输入预测模型进行训练,预测模型为:
在上式(1)预测模型中,g为拟合函数ωi、bi和βi,i=1,2,3,…,30,为预测模型的参数,xj,f,j=1,2,3,…,256,f=1,2,…,15,为训练过程中对应的分组输入数据,tj,j=1,2,3,…,256,为训练过程中对应的输出比对数据,先将参数ωi和bi赋值为-1到1之间的随机数,并记录保存,然后将xj,f、tj、ωi和bi代入式(1),确定参数βi,则获得预测模型对应的ωi、bi和βi的值。
4.如权利要求1所述的一种GSM基站电磁辐射预测方法,所述步骤3)中,其特征是,将预测前的15个GSM基站电磁辐射历史数据作为输入数据,前15个数据表示z1,z2,…,z15,输入已经训练好的预测模型进行预测,其预测表达式为:
其中,ωi、bi和βi为权力要求1中通过步骤2训练获得预测模型的参数,g为拟合函数zl为预测时候的输入数据,单位为V/m,y为模型的预测值,单位为V/m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009505.2A CN108183754B (zh) | 2018-01-05 | 2018-01-05 | 一种gsm基站电磁辐射预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009505.2A CN108183754B (zh) | 2018-01-05 | 2018-01-05 | 一种gsm基站电磁辐射预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108183754A true CN108183754A (zh) | 2018-06-19 |
CN108183754B CN108183754B (zh) | 2021-06-22 |
Family
ID=62549851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810009505.2A Active CN108183754B (zh) | 2018-01-05 | 2018-01-05 | 一种gsm基站电磁辐射预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108183754B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119372A1 (zh) * | 2018-12-14 | 2020-06-18 | 中兴通讯股份有限公司 | 场强预测方法、装置、设备及存储介质 |
WO2021080670A1 (en) * | 2019-10-22 | 2021-04-29 | Raytheon Company | Closed-loop control of rf test environment |
EP3902313A4 (en) * | 2018-12-20 | 2022-09-28 | ZTE Corporation | FIELD STRENGTH TEST PROCEDURE |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331816A (zh) * | 2014-10-28 | 2015-02-04 | 常州大学 | 基于知识学习和隐私保护的大数据用户购买意愿预测方法 |
CN105653502A (zh) * | 2016-03-17 | 2016-06-08 | 湘潭大学 | 一种基于遗传算法的通信基站电磁辐射相关性分析方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
CN107181545A (zh) * | 2017-06-14 | 2017-09-19 | 湘潭大学 | 信道共享下td‑scdma基站电磁辐射预测方法 |
-
2018
- 2018-01-05 CN CN201810009505.2A patent/CN108183754B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331816A (zh) * | 2014-10-28 | 2015-02-04 | 常州大学 | 基于知识学习和隐私保护的大数据用户购买意愿预测方法 |
CN105653502A (zh) * | 2016-03-17 | 2016-06-08 | 湘潭大学 | 一种基于遗传算法的通信基站电磁辐射相关性分析方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
CN107181545A (zh) * | 2017-06-14 | 2017-09-19 | 湘潭大学 | 信道共享下td‑scdma基站电磁辐射预测方法 |
Non-Patent Citations (1)
Title |
---|
杨锡运等: "基于粒子群优化的核极限学习机模型的风电功率区间预测方法", 《中国电机工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119372A1 (zh) * | 2018-12-14 | 2020-06-18 | 中兴通讯股份有限公司 | 场强预测方法、装置、设备及存储介质 |
CN111327377A (zh) * | 2018-12-14 | 2020-06-23 | 中兴通讯股份有限公司 | 场强预测方法、装置、设备及存储介质 |
EP3896873A1 (en) * | 2018-12-14 | 2021-10-20 | ZTE Corporation | Field intensity prediction method and apparatus, and device and storage medium |
CN111327377B (zh) * | 2018-12-14 | 2022-08-19 | 中兴通讯股份有限公司 | 场强预测方法、装置、设备及存储介质 |
EP3896873A4 (en) * | 2018-12-14 | 2022-09-28 | ZTE Corporation | METHOD AND DEVICE FOR FIELD STRENGTH PREDICTION AND DEVICE AND STORAGE MEDIUM |
EP3902313A4 (en) * | 2018-12-20 | 2022-09-28 | ZTE Corporation | FIELD STRENGTH TEST PROCEDURE |
WO2021080670A1 (en) * | 2019-10-22 | 2021-04-29 | Raytheon Company | Closed-loop control of rf test environment |
Also Published As
Publication number | Publication date |
---|---|
CN108183754B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108183754A (zh) | 一种gsm基站电磁辐射预测方法 | |
CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN110516844A (zh) | 基于emd-pca-lstm的多变量输入光伏功率预测方法 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN109492709B (zh) | 基于混合模型的数据预测方法及装置 | |
CN105259318B (zh) | 一种基于气象参数的恶臭ou值预测方法和系统 | |
CN105787594A (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
CN105512485B (zh) | 一种估算细颗粒物及其前体物环境容量的新方法 | |
CN113130014B (zh) | 一种基于多分支神经网络的稀土萃取模拟方法及系统 | |
CN103412994A (zh) | 一种确定高速风洞大型飞机模型缩比的方法 | |
CN104915515A (zh) | 一种基于bp神经网络的gfet建模方法 | |
Macaskill | Computer simulation for mixed-model production lines | |
CN113740220A (zh) | 基于高分辨气溶胶资料的多尺度三维变分同化方法 | |
CN1987477B (zh) | 河道沉积物中重金属的连环拟合方法 | |
CN103761616B (zh) | 一种基于设备功率和工作时间的产品耗电量的分配方法 | |
CN105160419A (zh) | 一种引入空气质量指数的绝缘子等值盐密度预测模型 | |
CN109523136A (zh) | 一种面向智能制造的调度知识管理系统 | |
CN101271546A (zh) | 多装配线车间人力资源优化配置方法 | |
Odman | A quantitative analysis of numerical diffusion introduced by advection algorithms in air quality models | |
CN106548027A (zh) | 一种新的基于非负矩阵分解的源解析方法 | |
CN105911016A (zh) | 一种原油光谱性质的非线性建模方法 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
Zeng et al. | Optimal reduction of anthropogenic emissions for air pollution control and the retrieval of emission source from observed pollutants Ӏ. Application of incomplete adjoint operator | |
CN113743648B (zh) | 空气质量集合预报方法、装置、设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |