CN110533233B - 基于适应度优化的无线微波测雨链路规划方法 - Google Patents

基于适应度优化的无线微波测雨链路规划方法 Download PDF

Info

Publication number
CN110533233B
CN110533233B CN201910768300.7A CN201910768300A CN110533233B CN 110533233 B CN110533233 B CN 110533233B CN 201910768300 A CN201910768300 A CN 201910768300A CN 110533233 B CN110533233 B CN 110533233B
Authority
CN
China
Prior art keywords
link
precision
base station
microwave
population
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
Application number
CN201910768300.7A
Other languages
English (en)
Other versions
CN110533233A (zh
Inventor
杨涛
郑鑫
秦友伟
朱少成
师鹏飞
李振亚
周旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910768300.7A priority Critical patent/CN110533233B/zh
Publication of CN110533233A publication Critical patent/CN110533233A/zh
Application granted granted Critical
Publication of CN110533233B publication Critical patent/CN110533233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明公开了一种基于适应度优化的无线微波测雨链路规划方法，包括以下步骤：1)获取无线微波基站空间分布数据并进行预处理，对站点及待选链路建立拓扑规则；2)建立微波测雨链路的精度和成本数学模型；3)利用自适应算法寻求最优解，将最优解进行解码，绘制规划线路。本发明针对无线微波测雨链路的规划对实测降雨精度及费用成本影响，综合考虑5类影响因子进行精细化分析，建立测雨精度和链路成本费用的目标函数，采用变异算子和基于最大进化代数的交叉策略来进行求解，实现了面向多目标优化的自适应多目标优化算法，确保在加速收敛的同时，实现高鲁棒性。本发明适用于城市高密度基站无线微波测雨链路的优化布设。

Description

基于适应度优化的无线微波测雨链路规划方法
技术领域
本发明涉及一种无线微波测雨链路规划方法，特别是涉及一种基于适应度优化的无线微波测雨链路规划方法。
背景技术
微波测雨技术利用已有通讯基站搭载微波测雨装备进行降雨监测，和传统雨量站、雷达测雨相比，具有建设维护管理成本低、时空分辨率高的突出优势，弥补了高寒、乡村及城市密集等地区降雨监测短板；测雨方式由线到面、站网密度由千米级提升至百米级，显著提高雨量监测准确度，实现了实时测雨。该技术具有广阔的应用前景。实践证明，无线微波测雨链路规划决定了实测降雨精度、分辨率及成本，因此，科学的对链路进行规划极其重要。无线微波通信链路的通信频率、链路长短和夹角、链路密度是保证无线微波测雨精度的关键技术指标。链路实际规划中，在保证测雨精度的同时，还需控制监测系统的建设和运营成本，属于典型的多目标优化问题。无线微波测雨链路规划问题数据量大(常达到TB级别)，数据节点多(我国省会城市无线通信基站常达到数万个)，问题维度复杂，因此需要一种稳定的多目标优化算法进行优化求解。微波链路规划模型需要设置多目标函数，目标之间一定程度存在冲突，同时各目标函数的影响因子复杂，需要细化分析。多目标优化方法具有鲁棒性强、适于求解非线性问题等优势。但其种类众多，性能受变异及交叉策略影响较大。因此，选择合适的变异因子及交叉策略对于求解目标函数十分重要。
发明内容
发明目的：本发明要解决的技术问题是提供一种基于适应度优化的无线微波测雨链路规划方法，针对无线微波测雨链路的实际规划中涉及到的参数(通信频率、链路长短和夹角、链路密度)优化和成本(建设和运行维护)问题，设计了基于多目标的自适应优化算法进行优化求解，实现了无线微波测雨链路的优化规划方法。
技术方案：本发明所述的基于适应度优化的无线微波测雨链路规划方法，包括以下步骤：
(1)获取无线微波基站空间分布数据并进行预处理，对站点及待选链路建立拓扑规则；
(2)建立微波测雨链路的精度和成本数学模型；
(3)利用自适应算法寻求最优解，将最优解进行解码，绘制规划线路。
进一步的，步骤(2)中建立精度和成本数学模型的方法具体为：
Figure GDA0002516471630000021
Figure GDA0002516471630000022
其中，M为精度目标函数，H为成本目标函数，ωi为第i条链路上测雨时效所对应的时间精度系数，λi为第i条链路上测雨时效所对应的空间精度系数，λk为第k种频率所对应的空间精度系数，βj为第j种仪器精度对应费用系数，RL为最邻近指数，ρ为密度，计算公式为：
Figure GDA0002516471630000023
n为基站数量，A为采用随机增量法求覆盖点的最小圆面积，apj为第j种仪器精度的雨衰测量分辨力，fri为第i条链路上微波通信频率，fci为第i条链路上采样时间间隔，li为链路长度；
Figure GDA0002516471630000024
其中，xi、yi为编号为i的站点的坐标，xj、yj为编号为j的站点的坐标；
PT(fci)为时间精度的表达式，
PT(fci)＝aT+bTfci
其中aT，bT为第i条链路采样频率的时效性系数；
PS(fri,li)为空间精度的表达式，
PS(fri，li)＝aS+bSfri+cSfri 2+al+blli
其中，as、bs、cs为第i条链路关于微波通信频率综合空间精度系数，al、bl为第i条链路关于链路长度的综合空间精度系数。
进一步的，RL计算方法具体为：
(1)计算所有基站到与其最邻近基站的距离；
(2)对所有基站数目n按照观测模式求平均距离，即
Figure GDA0002516471630000031
其中，dmin(si)为基站si到其最邻近基站的距离；
(3)dmin(si)的期望为E(dmin)，
Figure GDA0002516471630000032
进一步的，对所有链路上的微波通信频率fr和采样时间间隔fc建立约束，
8≤fr≤55
fc≤5
fr的单位为Hz，fc的单位为s。
进一步的，步骤(3)中寻求最优解的方法为：
(31)初始化操作：初次执行时随机生成微波链路的集合Pt，作为进化种群，使第t代的种群数量Qt为空集，t为进化代数，初始进化代数t＝0；
(32)计算种群个体的适应度，如下式所示：
Figure GDA0002516471630000033
其中，G为适应度函数；M为精度目标函数，H为成本目标函数，M1、H1为链路中所有站点全部建立微波测站时所对应的精度和费用；
将Pt中G最低的Q个种群个体进入集合Qt，Q为设置的种群数量；
(33)终止条件判断：当t＞TM时，输出集合Qt作为最优解，求解结束；当t≤TM时，进入步骤(34)；其中，TM为设定的最大进化代数；
(34)变异操作：使用自适应算法，将链路中的基站进行变换，设变异算子F，F取0或者1，个体变异操作方程为，
Figure GDA0002516471630000034
其中，vt为变异个体，
Figure GDA0002516471630000035
为种群中适应度最优个体，
Figure GDA0002516471630000036
为Pt、Qt中随机选取的4个个体；
(35)交叉操作：首先，采用基于最大进化代数的自适应函数改变交叉概率CR：
Figure GDA0002516471630000041
其中，TM为种群最大进化代数，CRmin＝0.3，CRmax＝0.9；
对原种群
Figure GDA0002516471630000042
及其变异个体
Figure GDA0002516471630000043
交叉变异操作方程为：
Figure GDA0002516471630000044
其中
Figure GDA0002516471630000045
表示第t+1代i条链路上的的第j个基站，jrand表示[0,1]之间的整数随机数，
Figure GDA0002516471630000046
表示第t代i个变异链路的第j个基站，
Figure GDA0002516471630000047
表示第t代i条链路的第j个基站；
(36)种群完成了一个进化过程，将交叉变异之后的个体重新组成Pt，t＝t+1，执行步骤(32)。
进一步的，种群Qt的种群数量为100n。
进一步的，步骤(3)中绘制规划线路的方法为：根据最优解解码得到的线路编号在ArcGIS绘制规划线路。
有益效果：本发明针对无线微波测雨链路的规划对实测降雨精度及费用成本影响，综合考虑5类影响因子进行精细化分析，建立测雨精度和链路成本费用的目标函数，采用变异算子和基于最大进化代数的交叉策略来进行求解，实现了面向多目标优化的自适应多目标优化算法，确保在加速收敛的同时，实现高鲁棒性。本发明适用于城市高密度基站无线微波测雨链路的优化布设。
附图说明
图1是本发明所述方法的流程图；
图2是本发明所述方法的应用场景示意图。
具体实施方式
本发明的实施方式的方法流程如图1所示，包括以下步骤：
步骤1：获得基站分布及其位置信息，如图2所示，导入GIS对要素信息进行顺序编号、平面投影坐标转换，同时对待选链路建立拓扑规则。
步骤2：建立微波测雨链路的时空精度与成本数学模型。时空精度与成本数学模型由目标函数及约束条件组成，目标函数由精度目标函数及成本函数组成，其中精度目标函数由下式描述：
Figure GDA0002516471630000051
成本目标函数由下式描述：
Figure GDA0002516471630000052
其中，M为精度目标函数，H为成本目标函数，ωi为第i条链路上测雨时效所对应的时间精度系数，λi为第i条链路上测雨时效所对应的空间精度系数，λk为第k种频率所对应的空间精度系数，βj为第j种仪器精度对应费用系数，RL为最邻近指数，apj为第j种仪器精度的雨衰测量分辨力，fri为第i条链路上微波通信频率，fci为第i条链路上采样时间间隔，li为链路长度(km)；
Figure GDA0002516471630000053
其中，xi、yi为编号为i的站点的坐标，xj、yj为编号为j的站点的坐标；
时间精度的计算表达式为：PT(fci)＝aT+bTfci；其中aT，bT为第i条链路采样频率fc的时效性系数，相关参数根据实验得到；
空间精度的计算表达式为：PS(fri，li)＝aS+bSfri+cSfri 2+al+blli，as、bs、cs、al、bl为i条链路关于微波频率fr及链长li的综合空间精度系数，相关参数根据实验得到。
针对空间密集程度及分散程度对于空间精度的影响，建立全新指标RLρ表征，其中，密度ρ计算公式为：
Figure GDA0002516471630000054
采用随机增量法求覆盖点的最小圆面积A＝πr2，r为能将所有的基站都包括在内的一个圆的最小半径。
基站分布均匀程度采用最邻近指数RL表征，RL为基于距离平均分布的最邻近距离，即如果观测模式的最邻近距离大于随机分布的最邻近距离NNI，则观测模式趋向于均匀，反之则趋向于聚集分布，计算方法如下：
(1)计算任意一个基站与该基站最邻近的基站的距离，即基站si的最邻近距离dmin(si)。
(2)对所有基站数目n按照观测模式求平均距离，即
Figure GDA0002516471630000061
(3)在CSR模式中同样可以得到平均的最临近距离，其期望为E(dmin)，于是，定义最邻近指数RL为：
Figure GDA0002516471630000062
根据实验以及国际电联推荐频率范围建立约束条件的不等式如下：
8≤fr≤55
fc≤5
fr的单位为Hz，fc的单位为s。
步骤3：采用自适应进化算法，基于最大进化代数的交叉策略来进行求解，加速收敛的同时鲁棒性较好，适用于不确定环境进行种群的优化，具体为：
假设一个城市所布置的基站点数量为n，种群数量Q为100n，t为进化代数。该算法流程如下所示：
3.1初始化操作：随机生成进化种群Pt，即微波链路的集合，使第t代的种群数量Qt为空集，初始进化代数t＝0。
3.2计算初始种群个体的适应度，采用目标函数M和H，进行标准化操作后，将其作为作为适应度计算的公式,如下式所示：
Figure GDA0002516471630000063
式中：G为适应度函数；M为步骤2中的精度目标函数，H为步骤2中的成本目标函数，M1，H1为链路中所有站点全部建立微波测站时所对应的精度和费用。
将第t代选出来的较为优秀的种群个体放入到Qt当中，即将Pt中G最低的100n个种群个体进入集合Qt，若种群的数量超过了要求则利用改进精英策略选择法进行修剪。
3.3终止条件判断：判断种群条件是否达到t＞TM(TM为最大进化代数，可以进行设定)，即是否满足条件：当前种群已经进化到最大代数。若成立终止计算，输出Qt的解集，进入步骤3.7，若不成立，则继续进行种群的变异和交叉操作，生成下一代个体继续计算。
3.4变异操作：使用自适应算法，将链路中的基站进行变换，设变异算子F(F取0或者1)，个体变异操作方程为：
Figure GDA0002516471630000071
其中，(vt为变异个体)；
Figure GDA0002516471630000072
为种群中适应度最优个体；
Figure GDA0002516471630000073
为Pt、Qt中随机选取的4个个体；同时考虑到本次变异是一种二进制的变异过程。经过这样的一次变异，即可变换了原本某一个微波链路中的基站顺序以及个数。
3.5交叉操作：首先，采用基于最大进化代数的自适应函数改变交叉概率CR：
Figure GDA0002516471630000074
其中，TM为种群最大进化代数，t为种群进化代数。开始以较小的CR值CRmin保持种群多样性，CR值随着个体逐步收敛增加，提高了变异个体生成的概率，并且加快了收敛速度，当达到设定最大收敛速度CRmax时，保持CR值稳定，既可以保持较快收敛速度又可以防止局部收敛的发生，参考ASMDE算法，CRmin＝0.3，CRmax＝0.9；
对原种群
Figure GDA0002516471630000075
及其变异个体
Figure GDA0002516471630000076
交叉变异操作方程为：
Figure GDA0002516471630000077
其中
Figure GDA0002516471630000078
表示第t+1代i条链路上的的第j个基站；jrand表示[0,1]之间的整数随机数；
Figure GDA0002516471630000079
表示第t代i个变异链路的第j个基站；
Figure GDA00025164716300000710
表示第t代i条链路的第j个基站。至此，种群完成了一个进化过程，即由第t代到t+1代的过程，t＝t+1；
3.6将交叉变异之后的个体重新组成Pt，并转至(3.2)；
3.7对算法得到的最优解进行解码，即在Qt解集中寻找一个最优的个体将其解码，根据解码得到的线路编号在ArcGIS平台绘制规划线路并记录各链路链长li、微波频率fri、采样频率fci及不同雨衰测量仪器精度apj。

Claims (6)

1.一种基于适应度优化的无线微波测雨链路规划方法，其特征在于，包括以下步骤：
(1)获取无线微波基站空间分布数据并进行预处理，对站点及待选链路建立拓扑规则；
(2)建立微波测雨链路的精度和成本数学模型；
(3)利用自适应算法寻求最优解，将最优解进行解码，绘制规划线路；
步骤(2)中建立精度和成本数学模型的方法具体为：
Figure FDA0002516471620000011
Figure FDA0002516471620000012
其中，M为精度目标函数，H为成本目标函数，ωi为第i条链路上测雨时效所对应的时间精度系数，λi为第i条链路上测雨时效所对应的空间精度系数，λk为第k种频率所对应的空间精度系数，βj为第j种仪器精度对应费用系数，RL为最邻近指数，ρ为密度，计算公式为：
Figure FDA0002516471620000013
n为基站数量，A为采用随机增量法求覆盖点的最小圆面积，apj为第j种仪器精度的雨衰测量分辨力，fri为第i条链路上微波通信频率，fci为第i条链路上采样时间间隔，li为链路长度；
Figure FDA0002516471620000014
其中，xi、yi为编号为i的站点的坐标，xj、yj为编号为j的站点的坐标；
PT(fci)为时间精度的表达式，
PT(fci)＝aT+bTfci
其中aT，bT为第i条链路采样频率的时效性系数；
PS(fri,li)为空间精度的表达式，
PS(fri，li)＝aS+bSfri+cSfri 2+al+blli
其中，as、bs、cs为第i条链路关于微波通信频率综合空间精度系数，al、bl为第i条链路关于链路长度的综合空间精度系数。
2.根据权利要求1所述的基于适应度优化的无线微波测雨链路规划方法，其特征在于，RL计算方法具体为：
(1)计算所有基站到与其最邻近基站的距离；
(2)对所有基站数目n按照观测模式求平均距离，即
Figure FDA0002516471620000021
其中，d min(si)为基站si到其最邻近基站的距离；
(3)d min(si)的期望为E(d min)，
Figure FDA0002516471620000022
3.根据权利要求1所述的基于适应度优化的无线微波测雨链路规划方法，其特征在于：对所有链路上的微波通信频率fr和采样时间间隔fc建立约束，
8≤fr≤55
fc≤5
fr的单位为Hz，fc的单位为s。
4.根据权利要求1所述的基于适应度优化的无线微波测雨链路规划方法，其特征在于，步骤(3)中寻求最优解的方法为：
(31)初始化操作：初次执行时随机生成微波链路的集合Pt，作为进化种群，使第t代的种群数量Qt为空集，t为进化代数，初始进化代数t＝0；
(32)计算种群个体的适应度，如下式所示：
Figure FDA0002516471620000023
其中，G为适应度函数；M为精度目标函数，H为成本目标函数，M1、H1为链路中所有站点全部建立微波测站时所对应的精度和费用；
将Pt中G最低的Q个种群个体进入集合Qt，Q为设置的种群数量；
(33)终止条件判断：当t＞TM时，输出集合Qt作为最优解，求解结束；当t≤TM时，进入步骤(34)；其中，TM为设定的最大进化代数；
(34)变异操作：使用自适应算法，将链路中的基站进行变换，设变异算子F，F取0或者1，个体变异操作方程为，
Figure FDA0002516471620000031
其中，vt为变异个体，
Figure FDA0002516471620000032
为种群中适应度最优个体，
Figure FDA0002516471620000033
为Pt、Qt中随机选取的4个个体；
(35)交叉操作：首先，采用基于最大进化代数的自适应函数改变交叉概率CR：
Figure FDA0002516471620000034
其中，TM为种群最大进化代数，CRmin＝0.3，CRmax＝0.9；
对原种群
Figure FDA0002516471620000035
及其变异个体
Figure FDA0002516471620000036
交叉变异操作方程为：
Figure FDA0002516471620000037
其中
Figure FDA0002516471620000038
表示第t+1代i条链路上的的第j个基站，jrand表示[0,1]之间的整数随机数，
Figure FDA0002516471620000039
表示第t代i个变异链路的第j个基站，
Figure FDA00025164716200000310
表示第t代i条链路的第j个基站；
(36)种群完成了一个进化过程，将交叉变异之后的个体重新组成Pt，t＝t+1，执行步骤(32)。
5.根据权利要求4所述的基于适应度优化的无线微波测雨链路规划方法，其特征在于：种群Qt的种群数量为100n。
6.根据权利要求1所述的基于适应度优化的无线微波测雨链路规划方法，其特征在于，步骤(3)中绘制规划线路的方法为：根据最优解解码得到的线路编号在ArcGIS绘制规划线路。
CN201910768300.7A 2019-08-20 2019-08-20 基于适应度优化的无线微波测雨链路规划方法 Active CN110533233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910768300.7A CN110533233B (zh) 2019-08-20 2019-08-20 基于适应度优化的无线微波测雨链路规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910768300.7A CN110533233B (zh) 2019-08-20 2019-08-20 基于适应度优化的无线微波测雨链路规划方法

Publications (2)

Publication Number Publication Date
CN110533233A CN110533233A (zh) 2019-12-03
CN110533233B true CN110533233B (zh) 2020-07-31

Family

ID=68663739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910768300.7A Active CN110533233B (zh) 2019-08-20 2019-08-20 基于适应度优化的无线微波测雨链路规划方法

Country Status (1)

Country Link
CN (1) CN110533233B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311895A (zh) * 2020-02-10 2020-06-19 河海大学 面向道路级环境感知的微波衰减信号联合变频采集系统
CN111414974B (zh) * 2020-03-30 2022-04-26 中国人民解放军国防科技大学 基于通信基站的微波链路测雨网络拓扑结构优化方法
CN112131989B (zh) * 2020-09-15 2021-07-23 河海大学 一种基于空间降雨数据的毫米波测雨模型参数获取方法
CN112668761B (zh) * 2020-12-17 2021-07-06 河海大学 一种逐级式线聚合降雨数据尺度转换方法
CN114170427B (zh) * 2021-11-12 2022-09-23 河海大学 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103856952A (zh) * 2014-02-27 2014-06-11 上海大学 一种工业无线传感器网络Pareto多目标部署优化方法
CN105719016A (zh) * 2016-01-19 2016-06-29 国家电网公司 一种基于免疫算法的电力通信网接入点的选址规划方法
CN106547036A (zh) * 2016-10-21 2017-03-29 中国人民解放军理工大学 一种多频段微波链路联合的区域降水测量方法
CN109697323A (zh) * 2018-12-27 2019-04-30 武汉大学 一种融合卫星遥感和移动通信基站信号的降雨观测方法
CN110061496A (zh) * 2019-04-25 2019-07-26 燕山大学 源网荷多目标规划模型的可信度优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6876859B2 (en) * 2001-07-18 2005-04-05 Trueposition, Inc. Method for estimating TDOA and FDOA in a wireless location system
US20130273934A1 (en) * 2012-04-13 2013-10-17 At&T Mobility Ii Llc Adaptive radio area network coverage
US20160050589A1 (en) * 2014-08-13 2016-02-18 Samsung Electronics Co., Ltd. Ambient network sensing and handoff for device optimization in heterogeneous networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103856952A (zh) * 2014-02-27 2014-06-11 上海大学 一种工业无线传感器网络Pareto多目标部署优化方法
CN105719016A (zh) * 2016-01-19 2016-06-29 国家电网公司 一种基于免疫算法的电力通信网接入点的选址规划方法
CN106547036A (zh) * 2016-10-21 2017-03-29 中国人民解放军理工大学 一种多频段微波链路联合的区域降水测量方法
CN109697323A (zh) * 2018-12-27 2019-04-30 武汉大学 一种融合卫星遥感和移动通信基站信号的降雨观测方法
CN110061496A (zh) * 2019-04-25 2019-07-26 燕山大学 源网荷多目标规划模型的可信度优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
微波链路降水测量技术及应用研究进展综述;刘西川等;《装备环境工程》;20190630;第16卷(第6期);第13-18页 *

Also Published As

Publication number Publication date
CN110533233A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533233B (zh) 基于适应度优化的无线微波测雨链路规划方法
AU2020102550A4 (en) The location optimization of 5G base stations (BSs) in urban outdoor area that considers signal blocking effect
CN103324978B (zh) 基于多目标量子蚁群算法的多目标决策引擎参数优化方法
CN102395194B (zh) Wlan环境下改进ga优化的anfis室内定位方法
CN106054125B (zh) 一种基于线性链条件随机场的融合室内定位方法
CN103116865A (zh) 一种多维度协同电网规划的方法
CN104467999A (zh) 一种基于量子蛙跳的频谱感知算法
CN115776724B (zh) 面向电磁频谱地图测绘的传感器节点布局优化方法及系统
CN105277917A (zh) 一种基于反馈机制的动态指纹库室内定位方法
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及系统
CN113747360B (zh) 一种基于混合可见光和ble的室内定位方法
Askarzadeh et al. Wind power modeling using harmony search with a novel parameter setting approach
Cui et al. Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network
CN110225454A (zh) 一种置信度传递的分布式容积卡尔曼滤波协作定位方法
CN115586557B (zh) 一种基于路网数据的车辆行驶轨迹纠偏方法及装置
CN110326323B (zh) 一种获取发射概率、转移概率以及序列定位的方法和装置
CN109492768A (zh) 空气质量预测模型训练方法及装置
CN110445825A (zh) 基于强化学习的超密集网络小站编码协作缓存方法
CN114399652A (zh) 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法
CN106257849B (zh) 基于多目标量子萤火虫搜索机制的频谱感知方法
CN113852433B (zh) 一种基于计算机视觉的无线信道阴影衰落模型预测方法
CN103489037A (zh) 一种可发电风资源的预测方法
CN114189871B (zh) 一种考虑校正信号传播模型的电力5g基站布局方法
CN104469792A (zh) 指纹定位中基于多假设分析的ap部署优化方法
CN104796912A (zh) 一种gsm-r网络频率规划的方法及系统

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