CN109981195B - 无线信号强度的处理方法及装置 - Google Patents
无线信号强度的处理方法及装置 Download PDFInfo
- Publication number
- CN109981195B CN109981195B CN201711464381.9A CN201711464381A CN109981195B CN 109981195 B CN109981195 B CN 109981195B CN 201711464381 A CN201711464381 A CN 201711464381A CN 109981195 B CN109981195 B CN 109981195B
- Authority
- CN
- China
- Prior art keywords
- signal
- position point
- base station
- signal intensity
- acquiring
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种无线信号强度的处理方法及装置,该方法包括:获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标;根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值,实现基于神经网络模型利用大数据技术对信号强度实际值进行预测,提高了准确率,使得计算得出的数值更符合实测数值。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种无线信号强度的处理方法及装置。
背景技术
在理想的真空环境下,电磁波的强度并不会随着传播衰减,所以计算某个点的信号强度只需要考虑基站跟接收端之间的欧式距离。然而在实际应用中,传播介质往往不可能是理想的真空状态,并且存在许多其他的干扰因子使得信号强度不断衰减,因此在计算某个位置的信号强度时,往往需要考虑在计算得到的理论强度上加入衰减因子来得到真实的信号强度。
目前信号强度理论值的计算公式为:
其中,T为信号强度理论值,T0为目标基站发射功率值,r为基站到采集位置点的欧式距离,n为衰减因子,u1、u2、u3是目标基站的经度、纬度和海拔高度,x1、x2、x3为采集位置点的经度、纬度和海拔高度。
针对衰减因子的校正目前采用主流方法是通过无线信号强度衰减模型生成矫正数据,例如采用经典模型:
RSSI表示接收信号强度指示值;A是距离信号源一米处的信号强度;n是衰减因子,为影响信号强度变化趋势的主要参数,受环境影响较大;d是所在位置跟基站之间的距离。
由于在计算过程中,这一类衰减模型通常是通过固有的衰减公式加以主观经验总结而成的,因此存在以下问题:
(1)模型输入单一:上述衰减模型通常只考虑传输介质,但在实际情况下,影响信号传输的远不止这些因素,还应考虑建筑物材质、高度、位置,天气因素如温度、湿度,需要构建一套完整的指标体系。
(2)计算过程不够客观:由于理论模型通常根据实验数据得到,缺乏真实的大数据模拟,加之一些参数需要靠经验值主观判断,因此不够客观,无法完全反映真实情况计算准确的信号强弱值,计算结果不够准确,对于结果的偏差往往难以及时修正模型。
(3)模型调整难度大:传统的模型如果加入更多的其他因素会使得衰减因子(修正参数)计算的公式模拟变得非常复杂,不易理解。
发明内容
本发明提供一种无线信号强度的处理方法及装置,用于解决现有技术中信号强度易受到多种因素影响不够准确的问题。
第一方面,本发明实施例提供一种无线信号强度的处理方法,包括:
获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,所述第一信号指标包括所述目标基站的经度、纬度和海拔高度,所述第二信号指标包括采集位置点的经度、纬度、海拔高度、矢量建筑物图层数据和天气数据;
根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值。
第二方面,本发明实施例提供一种无线信号强度的处理装置,包括:
获取模块,用于获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,所述第一信号指标包括所述目标基站的经度、纬度和海拔高度,所述第二信号指标包括采集位置点的经度、纬度、海拔高度、矢量建筑物图层数据和天气数据;
第一处理模块,用于根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
第二处理模块,用于根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
预测模块,用于根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如上述的方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法。
由上述技术方案可知,本发明实施例提供的一种无线信号强度的处理方法及装置,通过获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,根据第一信号指标和第二信号指标获得采集位置点对应的信号强度理论值,并根据第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值,实现基于神经网络模型利用大数据技术对信号强度实际值进行预测,提高了准确率,使得计算得出的数值更符合实测数值。
附图说明
图1为本发明一实施例提供的无线信号强度的处理方法的流程示意图;
图2为本发明一实施例提供的获取信号强度理论值的流程示意图;
图3为本发明一实施例提供的神经网络模型的示意图;
图4为本发明一实施例提供的无线信号强度的处理方法的流程示意图;
图5为本发明一实施例提供的无线信号强度的处理装置的结构示意图;
图6为本发明一实施例提供的无线信号强度的处理装置的结构示意图;
图7为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明一实施例提供一种无线信号强度的处理方法,包括:
S11、获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标。
在本步骤中,需要说明的是,在本发明实施例中,在计算无线信号强度值时,需要用到目标基站的信号指标和所述目标基站覆盖区域内的采集位置点的信号指标。
如下表1所示为目标基站的信号指标。
表1
如下表2所示为采集位置点的信号指标。
表2
S12、根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值。
在本步骤中,需要说明的是,在本发明实施例中,如图2所示,该步骤具体可为:
S121、获取目标基站的经度、纬度和海拔高度;
S122、获取采集位置点的经度、纬度和海拔高度;
S123、根据目标基站的经度、纬度和海拔高度,以及位置点的经度、纬度和海拔高度采用理论值计算公式获得采集位置点对应的信号强度理论值;
所述理论值计算公式包括:
其中,T为信号强度理论值,T0为目标基站发射功率值,r为基站到采集位置点的欧式距离,n为衰减因子,u1、u2、u3是目标基站的经度、纬度和海拔高度,x1、x2、x3为采集位置点的经度、纬度和海拔高度。
S13、根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率。
在本步骤中,需要说明的是,在本发明实施例中,该步骤具体可为:获取所述第二信号指标对应的各个权重值;根据所述第二信号指标和各个权重值采用神经网络模型获得所述采集位置点对应的信号强度修正率。
对此,首先要确定预设的权重值,该权重值的确定需采用训练数据和神经网络模型来实现,如图3所示,弹性网络模型是一种作为正则化矩阵的线性回归模型。其具体执行可为:
1)输入神经元(指输入的训练数据,即上述表2中的信号指标)以及对应神经元的每条连接线上的权重wki。其中第一个下标k,即第k个采集位置点,第二个下标是第k个采集位置点所对应的第i个指标;wki为对应的初始权重值。
2)将输入信号指标xi与对应的权重wki相乘后进行累加,建立一个线性加法器,并在结果末端加入偏置bk。
4)输出yk,即为信号强度修正率。
为了使信号强度的预测更精准,需要利用梯度下降对神经网络中的权重值进行更新,具体如下:
1、定义输出误差,其中D代表所有的采集位置点的信号指标,d表示其中一个采集位置点的信号指标,od表示利用实际检测到的信号强度计算出的修正率,td表示通过神经网络模型预测得到的修正率值的大小:
2、利用误差对权重值求导,使得导数可以提供了一个方向(梯度),沿着这个方向改变权重值,可以使更新后的模型的真实值与预测值之间的误差减小。
3、利用求导得到的梯度对权重进行更新,其中η是更新迭代中的学习率用以控制下降的速度即权重更新的速率,并将新得到的权重值重新配置给训练数据的信号标识,再次通过神经网络模型进行计算,得到新的修正率。
获得确定好的权重值后,根据待预测的所述第二信号指标和各个权重值采用神经网络模型获得所述采集位置点对应的信号强度修正率。
S14、根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值。
在本步骤中,需要说明的是,在本发明实施例中,在已知信号强度理论值T以及信号强度修正率的前提下,可计算得到信号强度实际值Tfix,其中计算公式为:Tfix=T×σ。
本发明实施例提供的一种无线信号强度的处理方法,通过获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,根据第一信号指标和第二信号指标获得采集位置点对应的信号强度理论值,并根据第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值,实现基于神经网络模型利用大数据技术对信号强度实际值进行预测,提高了准确率,使得计算得出的数值更符合实测数值。
图4示出了本发明一实施例提供的一种无线信号强度的处理方法,包括:
S21、获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标;
S22、根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
S23、根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
S24、根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值;
S25、建立所述目标基站覆盖区域内对应的天线波瓣三维地图;
S26、获取所述天线波瓣三维地图中各个预设位置点对应的信号强度实际值;
S27、根据预设的信号强度分段色彩范围对各个预设位置点进行渲染。
针对步骤S21-步骤S24,需要说明的是,步骤S21-步骤S24与上述实施例S11-步骤S14原理上相同,在此不再赘述。
针对步骤S25-步骤27,需要说明的是,在本发明实施例中,为了使得基站覆盖区域上的各位置点的信号强度进行形象展现,可将信号强度呈现在三维地图上。
步骤S25具体可为:
S251、根据预设数列精度大小建立天线波瓣模型。
在本步骤中,天线波瓣模型是现有存在的天线波瓣图,是以基站上的天线为中心,向外辐射的方向图。
S252、根据所述天线波瓣模型获取元因子等差数列和阵因子等差数列。
在本步骤中,理想情景下,信号强度角度仅存在于0≤θ≤π,0≤φ≤2π(θ为阵元与z轴夹角,φ阵元在水平面投影与x轴的夹角),在其他处为零;因此定义元因子等差数列a[1][n](0<a[0][i]<2*π,差值为2*π/len);定义阵因子等差数列b[1][n],用于计算天线方向矩阵。
S253、根据所述元因子等差数列和阵因子等差数列计算获得方向矩阵f;
S254、根据所述元因子等差数列、阵因子等差数列和方向矩阵计算获得所述天线波瓣模型中各个预设位置点的三维坐标,视为天线波瓣三维地图;
x=(f×sin a)T×cosb;
y=(f×sin a)T×sinb;
z=(f×cos a)T×[1,1,1,...,1],[1,1,1,...,1]中m个1,m为根据数列精度大小得到的位置点总数。
在本步骤中,通过上述公式,可以得到天线波瓣模型范围内各个位置点对应的三维坐标。各个位置点的三维坐标形成天线波瓣三维地图。
由于每个位置点对应信号强度实际值,按照对信号强度分段色彩范围可得到每个位置点上的信号强度实际值对应何种色彩,将各个位置点进行相应的色彩渲染。
本发明实施例提供的一种无线信号强度的处理方法,通过获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,根据第一信号指标和第二信号指标获得采集位置点对应的信号强度理论值,并根据第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值,实现基于神经网络模型利用大数据技术对信号强度实际值进行预测,提高了准确率,使得计算得出的数值更符合实测数值。另外,采用天线波瓣模型实现在三维地图上信号强度的呈现,形象化信号强度布局,支撑移动网优部门合理规划天线建设。
图5示出了本发明一实施例提供的一种无线信号强度的处理装置,包括获取模块51、第一处理模块52、第二处理模块53和预测模块54,其中:
获取模块51,用于获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标;
第一处理模块52,用于根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
第二处理模块53,用于根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
预测模块54,用于根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的一种无线信号强度的处理装置,通过获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,根据第一信号指标和第二信号指标获得采集位置点对应的信号强度理论值,并根据第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值,实现基于神经网络模型利用大数据技术对信号强度实际值进行预测,提高了准确率,使得计算得出的数值更符合实测数值。
图6示出了本发明一实施例提供的一种无线信号强度的处理装置,包括获取模块61、第一处理模块62、第二处理模块63、预测模块64和渲染模块65,其中:
获取模块61,用于获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标;
第一处理模块62,用于根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
第二处理模块63,用于根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
预测模块64,用于根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值;
渲染模块65,用于:建立所述目标基站覆盖区域内对应的天线波瓣三维地图;获取所述天线波瓣三维地图中各个预设位置点对应的信号强度实际值;根据预设的信号强度分段色彩范围对各个预设位置点进行渲染。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的一种无线信号强度的处理装置,通过获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,根据第一信号指标和第二信号指标获得采集位置点对应的信号强度理论值,并根据第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值,实现基于神经网络模型利用大数据技术对信号强度实际值进行预测,提高了准确率,使得计算得出的数值更符合实测数值。另外,采用天线波瓣模型实现在三维地图上信号强度的呈现,形象化信号强度布局,支撑移动网优部门合理规划天线建设。
图7示出了本发明一实施例提供的一种电子设备,包括:处理器701、存储器702、总线703及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如上述的方法,例如包括:获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标;根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法,例如包括:获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标;根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种无线信号强度的处理方法,其特征在于,包括:
获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,所述第一信号指标包括所述目标基站的经度、纬度和海拔高度,所述第二信号指标包括采集位置点的经度、纬度、海拔高度、矢量建筑物图层数据和天气数据;
根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值;
所述根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值,包括:
获取目标基站的经度、纬度和海拔高度;
获取采集位置点的经度、纬度和海拔高度;
根据目标基站的经度、纬度和海拔高度,以及位置点的经度、纬度和海拔高度采用理论值计算公式获得采集位置点对应的信号强度理论值;
所述理论值计算公式包括:
其中,T为信号强度理论值,T0为目标基站发射功率值,r为基站到采集位置点的欧式距离,n为衰减因子,u1、u2、u3是目标基站的经度、纬度和海拔高度,x1、x2、x3为采集位置点的经度、纬度和海拔高度。
2.根据权利要求1所述的方法,其特征在于,还包括:
建立所述目标基站覆盖区域内对应的天线波瓣三维地图;
获取所述天线波瓣三维地图中各个预设位置点对应的信号强度实际值;
根据预设的信号强度分段色彩范围对各个预设位置点进行渲染。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率,包括:
获取所述第二信号指标对应的各个权重值;
根据所述第二信号指标和各个权重值采用神经网络模型获得所述采集位置点对应的信号强度修正率。
4.根据权利要求2所述的方法,其特征在于,所述建立所述目标基站覆盖区域内对应的天线波瓣三维地图,包括:
根据预设数列精度大小建立天线波瓣模型;
根据所述天线波瓣模型获取元因子等差数列和阵因子等差数列;
根据所述元因子等差数列和阵因子等差数列计算获得方向矩阵f;
根据所述元因子等差数列、阵因子等差数列和方向矩阵计算获得所述天线波瓣模型中各个预设位置点的三维坐标,视为天线波瓣三维地图;
x=(f×sina)T×cosb;
y=(f×sina)T×sinb;
z=(f×cosa)T×[1,1,1,...,1],[1,1,1,...,1]中m个1,m为根据数列精度大小得到的位置点总数。
5.一种无线信号强度的处理装置,其特征在于,包括:
获取模块,用于获取目标基站的第一信号指标,以及获取所述目标基站覆盖区域内的采集位置点的第二信号指标,所述第一信号指标包括所述目标基站的经度、纬度和海拔高度,所述第二信号指标包括采集位置点的经度、纬度、海拔高度、矢量建筑物图层数据和天气数据;
第一处理模块,用于根据所述第一信号指标和所述第二信号指标获得所述采集位置点对应的信号强度理论值;
第二处理模块,用于根据所述第二信号指标和预设的神经网络模型获得所述采集位置点对应的信号强度修正率;
预测模块,用于根据所述信号强度理论值和所述信号强度修正率获得所述采集位置点对应的信号强度实际值;
所述第一处理模块具体用于:
获取目标基站的经度、纬度和海拔高度;
获取采集位置点的经度、纬度和海拔高度;
根据目标基站的经度、纬度和海拔高度,以及位置点的经度、纬度和海拔高度采用理论值计算公式获得采集位置点对应的信号强度理论值;
所述理论值计算公式包括:
其中,T为信号强度理论值,T0为目标基站发射功率值,r为基站到采集位置点的欧式距离,n为衰减因子,u1、u2、u3是目标基站的经度、纬度和海拔高度,x1、x2、x3为采集位置点的经度、纬度和海拔高度。
6.根据权利要求5所述的装置,其特征在于,还包括渲染模块,用于:
建立所述目标基站覆盖区域内对应的天线波瓣三维地图;
获取所述天线波瓣三维地图中各个预设位置点对应的信号强度实际值;
根据预设的信号强度分段色彩范围对各个预设位置点进行渲染。
7.根据权利要求5所述的装置,其特征在于,所述第二处理模块具体用于:
获取所述第二信号指标对应的各个权重值;
根据所述第二信号指标和各个权重值采用神经网络模型获得所述采集位置点对应的信号强度修正率。
8.根据权利要求6所述的装置,其特征在于,所述渲染模块具体用于:
根据预设数列精度大小建立天线波瓣模型;
根据所述天线波瓣模型获取元因子等差数列和阵因子等差数列;
根据所述元因子等差数列和阵因子等差数列计算获得方向矩阵f;
根据所述元因子等差数列、阵因子等差数列和方向矩阵计算获得所述天线波瓣模型中各个预设位置点的三维坐标,视为天线波瓣三维地图;
x=(f×sina)T×cosb;
y=(f×sina)T×sinb;
z=(f×cosa)T×[1,1,1,...,1],[1,1,1,...,1]中m个1,m为根据数列精度大小得到的位置点总数。
9.一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711464381.9A CN109981195B (zh) | 2017-12-28 | 2017-12-28 | 无线信号强度的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711464381.9A CN109981195B (zh) | 2017-12-28 | 2017-12-28 | 无线信号强度的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109981195A CN109981195A (zh) | 2019-07-05 |
CN109981195B true CN109981195B (zh) | 2021-09-14 |
Family
ID=67075153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711464381.9A Active CN109981195B (zh) | 2017-12-28 | 2017-12-28 | 无线信号强度的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109981195B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794437B (zh) * | 2019-10-31 | 2021-10-22 | 深圳中科保泰科技有限公司 | 卫星定位信号强度预测方法和装置 |
CN110896336B (zh) * | 2019-11-18 | 2022-05-10 | 腾讯科技(深圳)有限公司 | 一种信号调控方法、装置、设备及存储介质 |
CN111711972B (zh) * | 2020-05-08 | 2021-02-09 | 北京连山科技股份有限公司 | 一种基于链路智选传输技术的手机通话系统 |
CN111784816B (zh) * | 2020-06-28 | 2023-03-10 | 山东大学 | 基于微表面理论的高频材质渲染方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101345559A (zh) * | 2007-07-10 | 2009-01-14 | 谭泽富 | 对基站信号强度的路径损失进行估算的方法 |
EP2141957A1 (en) * | 2008-07-02 | 2010-01-06 | IBBT vzw | System and method for position estimation |
CN104618046A (zh) * | 2015-02-10 | 2015-05-13 | 广东省电信规划设计院有限公司 | 基于无线传播模型校正的信号强度预测方法和系统 |
WO2016067017A1 (en) * | 2014-10-27 | 2016-05-06 | Ranplan Wireless Network Design Limited | Method for predicting indoor three-dimensional space signal field strength using an outdoor-to-indoor propagation model |
-
2017
- 2017-12-28 CN CN201711464381.9A patent/CN109981195B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101345559A (zh) * | 2007-07-10 | 2009-01-14 | 谭泽富 | 对基站信号强度的路径损失进行估算的方法 |
EP2141957A1 (en) * | 2008-07-02 | 2010-01-06 | IBBT vzw | System and method for position estimation |
WO2016067017A1 (en) * | 2014-10-27 | 2016-05-06 | Ranplan Wireless Network Design Limited | Method for predicting indoor three-dimensional space signal field strength using an outdoor-to-indoor propagation model |
CN104618046A (zh) * | 2015-02-10 | 2015-05-13 | 广东省电信规划设计院有限公司 | 基于无线传播模型校正的信号强度预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109981195A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109981195B (zh) | 无线信号强度的处理方法及装置 | |
KR102588572B1 (ko) | 무선 신호 특성들에 대한 머신 러닝에 기반한 모션 탐지 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
Zou et al. | An online sequential extreme learning machine approach to WiFi based indoor positioning | |
Kim et al. | Target localization using ensemble support vector regression in wireless sensor networks | |
US20180329022A1 (en) | Method, apparatus and system for locating an object using cluster-type magnetic field | |
US20200311985A1 (en) | Radio coverage map generation | |
TWI544822B (zh) | 訊號強度分佈建立方法及無線定位系統 | |
CN109996279A (zh) | 过覆盖小区定位方法、装置、设备及介质 | |
CN108650706B (zh) | 基于二阶泰勒近似的传感器节点定位方法 | |
CN104811968B (zh) | 一种传播模型的校正方法及装置 | |
CN112218330A (zh) | 定位方法及通信装置 | |
CN111487582A (zh) | 获得蓝牙阵列天线参数标定模型、到达角的方法和装置 | |
CN110012416A (zh) | 一种用户终端的定位方法及装置 | |
CN109581281A (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
CN108318854A (zh) | 一种定位方法、装置、电子设备及可读存储介质 | |
Pau et al. | A practical approach based on Bluetooth Low Energy and Neural Networks for indoor localization and targeted devices’ identification by smartphones | |
Mohanta et al. | Advanced localization algorithm for wireless sensor networks using fractional order class topper optimization | |
CN108207005A (zh) | 一种lte无线网络的评估方法及服务器 | |
CN106535132B (zh) | 用于定位终端的方法和装置 | |
CN109429194B (zh) | 移动感知网络中的参考节点位置确定方法及装置 | |
CN107113633A (zh) | 优化通信网络的处理方法和装置 | |
CN108834053B (zh) | 一种定位方法、装置及设备 | |
CN110320493B (zh) | 室内定位方法、装置、电子设备和计算机存储介质 | |
CN102665272B (zh) | 一种基于种子节点选择的无线传感器网络定位方法及系统 |
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 |