CN110731096A - 使用深度神经网络预测电信网络中的接收信号强度 - Google Patents

使用深度神经网络预测电信网络中的接收信号强度 Download PDF

Info

Publication number
CN110731096A
CN110731096A CN201880038250.0A CN201880038250A CN110731096A CN 110731096 A CN110731096 A CN 110731096A CN 201880038250 A CN201880038250 A CN 201880038250A CN 110731096 A CN110731096 A CN 110731096A
Authority
CN
China
Prior art keywords
received signal
signal strength
neural network
convolutional neural
geographic
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
Application number
CN201880038250.0A
Other languages
English (en)
Other versions
CN110731096B (zh
Inventor
杨劲
张昕
任杰
刘瑞林
陈旭峰
王写
宋其涛
周立洲
舒秀军
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN110731096A publication Critical patent/CN110731096A/zh
Application granted granted Critical
Publication of CN110731096B publication Critical patent/CN110731096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/02—Access restriction performed under specific conditions
    • H04W48/04—Access restriction performed under specific conditions based on user or terminal location or mobility data, e.g. moving direction, speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种用于预测电信网络中的接收信号强度的计算机实现方法包括：一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述接收的地理数据以及所述天线信息和发射功率信息的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；以及输出所述预测的接收信号强度。

Description

使用深度神经网络预测电信网络中的接收信号强度
本申请要求于2017年11月15日递交的发明名称为“使用深度神经网络预测电信网络中的接收信号强度”的第15/814,074号美国非临时专利申请案的在先申请优先权，该在先申请的内容以引入的方式并入本文。
技术领域
本发明涉及使用深度神经网络预测电信网络中的接收信号强度。
背景技术
在无线通信系统中，由发射机发送的无线信号(例如，以电磁波的形式)在通过空间传播时会受到衰减。例如，接收机(例如，移动设备)可以接收由发射机(例如，基站)发送的无线信号。发送的无线信号与接收的无线信号之间的信号强度(例如，功率或能量)差异可称为路径损耗，这表示电磁波在空间传播时的功率密度(衰减)降低。路径损耗可用于分析和设计电信系统的链路预算。
路径损耗可能是由于许多影响导致，例如自由空间损耗、折射、衍射、反射、孔径介质耦合损耗和吸收。路径损耗可能受地形轮廓、环境(例如城市或农村、植被或树叶等)、传播介质(例如干空气或潮湿空气)、所述发射机和所述接收机之间的距离、天线的高度和位置以及其它因素的影响。
因此，对于相同的发送无线信号，接收信号强度可能会因接收机的位置而有所不同，因为所述发送信号在到达所述接收机之前可能会经历不同的路径损耗。可以测量或计算接收的信号强度。例如，所述路径损耗可计算为所述接收信号强度与所述发送信号强度之间的差值。
所述接收信号强度和/或路径损耗的计算通常可称为预测，而无需实际发送无线信号。实际上，所述接收信号强度和/或路径损耗的计算通常涉及近似法。例如，可以使用统计方法和确定性方法预测所述接收信号强度和/或路径损耗。统计方法(也称为经验方法)基于典型无线链路类别的测量和平均接收信号强度和/或路径损耗。确定性方法基于波传播的物理规律。光线跟踪是确定性方法的示例。商业工具可用于接收信号强度和/或路径损耗预测，例如Siradel提供的Volcano软件。
发明内容
本发明描述了一种使用深度神经网络预测电信网络中的接收信号强度的系统和方法。
在第一种实现方式中，一种用于预测电信网络中的接收信号强度的计算机实现方法包括：一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述接收的地理数据以及所述天线信息和发射功率信息的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；以及输出所述预测的接收信号强度。
在第二种实现方式中，一种非瞬时性计算机可读介质存储用于预测电信网络中接收信号强度的计算机指令，所述计算机指令由一个或多个处理器执行时，使所述一个或多个处理器执行以下步骤：一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述接收的地理数据以及所述天线信息和发射功率信息的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；以及输出所述预测的接收信号强度。
在第三种实现方式中，接收信号强度预测设备，包括：非瞬时性内存存储，包括指令；以及与所述存储器通信的一个或多个处理器，其中，所述一个或多个处理器执行包括多个卷积层的卷积神经网络并执行所述指令完成以下操作：接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述地理数据的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；输出所述预测的接收信号强度。
上述和其它描述的实现方式可以分别可选地包括以下一个或多个功能。
第一功能，可与以下任一功能组合，其中所述卷积神经网络具有跨层结构，其中，通过组合所述卷积神经网络的不同深度处的两层或更多层的输出来确定与所述地理区域的所述不同位置对应的所述预测接收信号强度。
第二功能，可与以上或以下任一功能组合，其中组合所述卷积神经网络的不同深度处的两层或更多层的输出包括使用所述两层或更多层的所述输出作为输入，输入到一个或多个附加神经网络层以生成一个或多个输出。
第三功能，可与以上或以下任一功能组合，还包括基于所述预测接收信号强度执行所述地理区域的站点规划。
第四功能，可与以上或以下任一功能组合，其中所述地理数据包括地理信息系统(geographic information system，简称GIS)数据，所述地理信息系统的数据包括建筑物高度图层、地形层和杂波层中的一个或多个。
第五种功能，可与以上或以下任一功能组合，其中所述地理数据包括卫星图片和航空图片中的一个或多个。
第六功能，可与以上或以下任一功能组合，其中所述卷积神经网络通过使用模拟的路径损耗数据和实际的路径损耗数据进行训练。
第七功能，可与以上或以下任一功能组合，其中所述地理区域中所述基站的所述天线信息和发射功率信息包括自由空间接收信号强度，所述自由空间接收信号强度表示在所述地理区域中的不同位置接收的无线信号的自由空间接收信号强度，其中，所述地理区域中的所述不同位置接收的所述自由空间接收信号强度基于所述天线的发射功率、所述天线的辐射方向图以及从所述地理区域中的所述不同位置到所述基站的所述天线的相应距离计算。
第八功能，可与以上或以下任一功能组合，还包括根据所述地理数据和所述基站的所述天线信息和发射功率信息确定多维张量，其中，所述多维张量包括以下一个或多个：自由空间接收信号强度张量、水平视线角度张量、垂直视线角度张量、介电常数张量或用户设备(user equipment，简称UE)位置张量；以及基于所述接收的地理数据预测所述接收的信号强度包括基于所述多维张量预测所述接收的信号强度。
第九功能，可与以上或以下任一功能组合，还包括：计算与所述预测的接收信号强度对应的路径损耗值，所述预测的路径损耗值表示所述无线信号在所述地理区域中的所述不同位置的传播衰减。
在第四种实现方式中，一种用于训练卷积神经网络以预测电信网络中接收信号强度的计算机实现方法，包括：执行包括多个第一卷积层的卷积神经网络的一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；执行所述卷积神经网络的所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；执行所述卷积神经网络的所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
在第五种实现方式中，一种非瞬时性计算机可读介质存储用于训练卷积神经网络预测电信网络中接收信号强度的计算机指令，所述计算机指令由一个或多个处理器执行时，使所述一个或多个处理器执行以下步骤：执行包括多个第一卷积层的卷积神经网络的一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；执行所述卷积神经网络的所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；执行所述卷积神经网络的所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
在第六种实现方式中，一种用于训练卷积神经网络以预测电信网络中接收信号强度的设备，包括：非瞬时性存储器，包括指令；以及与所述存储器通信的一个或多个处理器，其中，所述一个或多个处理器执行所述指令完成以下操作：执行包括多个第一卷积层的卷积神经网络的一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；执行所述卷积神经网络的所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；执行所述卷积神经网络的所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
上述和其它描述的实现方式可以分别可选地包括以下一个或多个功能。
第一功能，可与以下任一功能组合，还包括：执行所述卷积神经网络的所述一个或多个处理器接收表示第二地理区域的地理信息的第二地理数据以及所述第二地理区域中第二基站的第二天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收模拟接收信号强度，所述模拟接收信号强度表示在所述第二地理区域的不同位置接收的无线信号的模拟信号强度；其中，使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络包括使用所述第一地理数据和所述实际接收信号强度以及使用所述第二地理数据、所述第二地理区域中第二基站的所述第二天线信息和发射功率信息及所述模拟接收信号强度训练所述卷积神经网络。
第二功能，可与以上或以下任一功能组合，其中接收所述模拟接收信号强度包括：接收来自模拟器的所述模拟接收信号强度，所述模拟器估计表示在所述第二地理区域中的不同位置接收的无线信号的信号强度的接收信号强度。
第三功能，可与以上或以下任一功能组合，其中训练所述卷积神经网络包括：通过基于所述第二地理数据、所述第二地理区域中第二基站的所述第二天线信息和发射功率信息以及所述模拟接收信号强度训练所述卷积神经网络，获得第一训练卷积神经网络；基于所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度，对所述第一卷积神经网络进行微调。
第四功能，可与以上或以下任一功能组合，其中接收实际接收信号强度包括基于路测接收所述实际接收信号强度，所述路测测量在所述第一地理区域中的不同位置接收的无线信号的信号强度的接收信号强度。
第五功能，可与以上或以下任一功能组合，其中所述训练的卷积神经网络具有跨层结构，其中，通过组合所述训练的卷积神经网络的不同深度处的两层或更多层的输出，获得从所述训练的卷积神经网络输出的接收信号强度。
第六功能，可与以上或以下任一功能组合，还包括使用所述训练的卷积神经网络预测所述接收信号强度，所述接收信号强度表示在所述第三地理区域的不同位置接收的无线信号的信号强度。
上述实现方式可使用计算机实现方法实现；一种存储计算机可读指令的非瞬时性计算机可读介质，用于执行所述计算机实现的方法；以及一种计算机实现的系统，包括计算机存储器，所述计算机存储器可互操作地与硬件处理器耦合，所述硬件处理器用于执行所述计算机实现的方法和存储在所述非瞬时性计算机可读介质上的所述指令。
本说明书主题的一个或多个实现方式的细节在附图和下面的描述中阐明。通过所述说明及附图以及权利要求书，本主题的其它特征、方面及优点将显而易见。
附图说明
图1是根据实现方式说明使用深度神经网络预测接收信号强度的示例过程流程的示意图；
图2是根据一实现方式的示出用于预测接收信号强度的深度神经网络的示例结构的示意图；
图3是根据一实现方式的示出训练深度神经网络以预测接收信号强度的示例过程流程的示意图；
图4是根据一实现方式的示出训练深度神经网络以预测接收信号强度的另一示例流程的示意图；
图5是根据一实现方式的示出用于使用深度神经网络以预测电信网络中接收信号强度的示例方法的流程图；
图6是根据一实现方式的示出用于获取训练的深度神经网络以预测电信网络中的接收信号强度的示例方法的流程图；
图7是根据一实现方式的用于提供与本发明描述的算法、方法、功能、过程、流程和程序相关的计算功能的示例计算机系统的框图；
图8是根据一实现方式的示出本发明描述的数据处理装置的示例结构的示意图；
图9是根据一实现方式的示出本发明描述的另一数据处理装置的示例结构的示意图；
图10是根据一实现方式的示出用于预测在所述地理区域中的不同位置接收的无线信号的接收信号强度的地理区域的示例模型的示意图；
图11A是根据一实现方式的从方位角平面角度示出天线辐射图示例的示意图；图11B是根据一实现方式的从倾斜角度平面角度示出天线辐射图示例的示意图；
图12是根据一实现方式的示出地理区域中的位置相对于所述地理区域中的基站的水平视距(horizontal line of sight，简称LOS)角度示例的示意图；
图13是根据一实现方式的示出地理区域中的位置相对于所述地理区域中的基站的垂直LOS角度示例的示意图；
图14是根据一实现方式的示出地理区域中不同位置的许可性示例的示意图；
图15是根据一实现方式的示出UE位置张量在地理区域中的不同位置的示例用户设备(user equipment，简称UE)存在指示的示意图。
与各种附图中的参考编号和标号相同，表示相同元素。
具体实施方式
以下详细说明描述了使用深度神经网络预测电信网络中的接收信号强度，并描述了如何使本领域技术人员能够在一个或多个特定实现方式的背景下制定和使用所公开的主题。
可以对所公开的实现方式进行各种修改、更改和排列，对于本领域的普通技术人员来说，这种修改、更改和排列是显而易见的，并且所定义的一般原则可以应用于其它实现方式和应用，而不会偏离本发明的范围。在某些情况下，可以省略为获得对所述主题的理解而不必要的详细信息，以避免将一个或多个所述实现方式与不必要的详细信息混淆，因为此类详细信息属于本领域普通技术人员的技术范围内。本发明的目的不限于所描述或图示的实现方式，而是赋予与所描述的原则和特征一致的最广泛的范围。
在电信网络(例如无线通信网络)中，接收的信号强度和/或路径损耗信息可用于自动站点规划(automatic site planning，简称ASP)以预测信号覆盖。通过发送信号强度的信息，可以根据彼此推导出接收信号强度和路径损耗。例如，所述接收信号强度可以等于所述发送信号强度减去所述路径损耗；而所述路径损耗可以等于所述发送信号强度减去所述接收信号强度。以下详细说明侧重于预测接收信号强度的技术。对于本领域技术人员来说，显而易见的是，所述路径损耗可以类似的方式进行预测。可替代或附加地，在给定所述接收信号强度的情况下，可以很容易地获得相应的路径损耗。因此，所述接收信号强度、所述路径损耗或两者均可基于本发明中披露的技术进行预测。
在某些实现方式中，可以使用深度神经网络预测接收信号强度，而不是使用统计方法和确定性方法。例如，深度神经网络可用于处理地理信息系统(geographicinformation system，简称GIS)信息，并预测从站点的基站到所述站点中每个可能UE位置的信号损失。在一些实现方式中，预测接收信号强度可以包括计算在地理区域(例如，感兴趣的站点)的不同位置(例如，可能的UE位置)接收的无线信号的信号强度，而无需实际发送所述无线信号。例如，对于ASP，为了确定将所述基站放置在地理区域中的合适位置，可以选择基站在地理区域中的候选或假设位置。可以获取代表所述地理区域的地理信息的地理数据(例如GIS图)。所述基站的天线信息和发射功率信息(例如，功率、能量或其它指标)可以假设或确定例如包括或反映从所述候选位置的基站发送的无线信号的发送功率。这些类型的信息可以输入到深度神经网络中，以预测接收到的信号强度，其表示在所述地理区域中不同位置(例如，可能的UE位置)接收到的无线信号的信号强度。在一些实现方式中，对于所述基站的其它候选位置，可以重复上述预测接收信号强度的过程。可以根据与所述基站的不同候选位置对应的所述预测接收信号强度来确定放置所述基站的合适位置。例如，放置所述基站的合适位置可以是所述基站的候选位置，所述基站在不同位置产生最高平均接收信号强度，在不同位置接收信号强度的模拟方差，或者满足任何其它临界。
深度神经网络是人工神经网络(也称为神经网络)的一种类型。神经网络可以建模为无环图中连接的神经元集合。换言之，某些神经元的输出可以成为其它神经元的输入。神经网络可以组织成不同的神经元层。例如，作为常规神经网络，最常见的层类型是两个相邻层之间的神经元完全成对连接的全连接层，但单层中的神经元不共享连接。神经网络可以定义一系列函数，这些函数通过神经网络的神经元的权重进行参数化。
深度神经网络可以包括多层人工神经网络的卷积神经网络(也称为ConvNet)。ConvNet可以包含具有可学习权重和偏差的神经元。在一些实现方式中，每个神经元接收一些输入，执行点积，并可选择地使用非线性函数跟踪它。
与常规神经网络不同，ConvNet通过图像输入进行了很好的扩展。在一些实现方式中，可以明确假设ConvNet的输入是图像，从而可以将某些属性构建到所述ConvNet的架构中。然后，这些属性可以使前转功能更有效地实现，并大幅减少所述ConvNet中的参数数量。例如，与常规神经网络不同，ConvNet的层具有三个维度的神经元：宽度、高度和深度。(请注意，此处的术语“深度”是指激活量的第三维度，而不是全神经网络的深度，它是指神经网络中的层的总数)。在一些实现方式中，整个ConvNet可用于表示单个可微评分函数：从所述输入的原始图像像素到所述输出的类评分。
例如，CIFAR-10中的输入图像(机器学习将RGB 32x32像素图像分类为10个类别的常见基准问题)是激活的输入卷，并且该输入卷具有尺寸为32x32x3(分别为宽度、高度和深度)的图像。在一些实现方式中，层中的神经元将仅连接到其之前的层的一个小区域，而不是以完全连接的方式连接到所有神经元。此外，CIFAR-10的最终输出层的尺寸为1x1x10，因为到所述ConvNet架构结束时，整个图像将减少为沿深度维度排列的单一类评分矢量。
ConvNet可以包含层序列。在一些实现方式中，ConvNet的每一层通过可微函数将一卷激活转换为另一卷激活。例如，ConvNet可以包括将输入图像卷转换为输出卷(例如，保持类评分)的层列表。换言之，ConvNet可以逐层将原始图像从原始图像的原始像素值转换为最终类评分。
在一些实现方式中，ConvNet可以包括不同类型的层。一些层的示例类型包括卷积层(CONV层)、池化层(POOL层)、整流线性单元层(RELU层)和全连接层(FC层)。这些层可以通过堆叠形成完整的ConvNet架构。在一些实现方式中，CONV层可以计算与输入中的本地区域连接的神经元的输出，例如，通过计算它们的权重与它们在输入卷中连接的小区域(称为内核或过滤器)之间的点积来计算它们的输出。在一些实现方式中，卷积神经网络层具有一组关联的内核。每个内核包括由用户创建的神经网络模型建立的值。在一些实现方式中，内核识别特定图像轮廓、形状或颜色。在一些实现方式中，内核可以表示为权重输入的矩阵结构。在一些实现方式中，CONV层还可以处理一组激活输入。所述一组激活输入也可以表示为矩阵结构。RELU层可以应用按元素划分的激活函数，例如0时的最大(0，x)阈值。POOL层可以沿空间维度(例如宽度或高度)执行下采样操作。全连接层(FC层)可以计算所述类评分，并且所述FC层中的每个神经元可以连接到上一卷中的所有数字。
在一些实现方式中，ConvNet的某些层包含可训练的参数(即，其值通过训练或学习过程更新或以其它方式导出的参数)，而其它层则不包含。例如，所述CONV/FC层执行的转换不仅是所述输入量中的激活函数，还是可训练参数(神经元的权重和偏倚)的函数。另一方面，所述RELU/POOL层可以实现固定功能，并且没有可训练的参数。所述CONV/FC层中的可训练参数可以通过梯度下降进行训练，以便所述ConvNet计算的类评分与每个图像的训练集中的标签一致。在一些实现方式中，所述ConvNet的某些层可以具有或不具有其它超参数。例如，所述CONV/FC/POOL层可以具有其它超参数(即，在所述训练或学习过程开始之前设置的参数)，而所述RELU层没有。
在一些实现方式中，ConvNet将GIS数据作为输入，并预测接收信号强度矩阵作为输出。在一些实现方式中，所述ConvNet不依赖于波传播的物理规律，而是从大量训练数据(例如数十万或更多)中了解输入GIS数据和所述接收信号强度之间的复杂关系。ConvNet可以有数亿个参数(或神经网络术语中的权重)，这些参数可以从训练中获取。因此，所述ConvNet能够处理详细的GIS信息作为输入并且可以捕获所述输入的GIS数据和所述输出的接收信号强度数据之间的复杂关系。
在一些实现方式中，与传统神经网络不同，为深度神经网络设计了一种独特的跨层结构，用于接收信号强度预测。与传统神经网络(例如用于图像分类的网络)相比，独特的跨层结构允许深度神经网络实现更准确的接收信号强度预测。
在一些实现方式中，为了获得用于准确预测接收信号强度的深度神经网络，可能需要足够数量的训练数据(例如，几十万到数百万个数据点)。介绍了生成足够训练数据的示例技术。此外，还提出了示例训练方法，以获得适合接收信号强度预测的深度神经网络。在一些实现方式中，可以使用实际接收信号强度数据、模拟接收信号强度数据或两者训练深度神经网络。例如，可以首先使用模拟接收信号强度数据和相应的GIS图来训练深度神经网络。可以根据现有的接收信号强度预测方法(例如统计或确定性方法)获得模拟接收信号强度数据。可以从接收信号强度模拟器(例如，Volcano)获取模拟接收信号强度数据。在一些实现方式中，则可以使用实际接收信号强度数据(例如，从路测中获得的数据)，对基于模拟接收信号强度数据训练的深度神经网络进行微调。因此，最终训练的神经网络在现实世界中通过少量微调或不微调即可实现良好工作。
在一些实现方式中，本发明中描述的技术可以实现一个或多个优势。例如，将本发明中描述的技术实现为用于自动站点规划(automatic site planning，简称ASP)预测电信网络中的信号覆盖的一种快速准确的接收信号强度预测方法。例如，所述技术可用于现有或未来一代通信网络，包括但不限于：长期演进(long term evolution，简称LTE)、LTE-Advanced(LTE-Advanced，简称LTE-A)、5G、全球移动通信系统(Global System for Mobilecommunication，简称GSM)、通用分组无线业务(General Packet Radio Service，简称GPRS)、GSM演进增强数据速率(Enhanced Data rates for GSM Evolution，简称EDGE)、暂定标准95(Interim Standard，简称IS-95)、码分多址(Code Division Multiple Access，简称CDMA)2000、演进数据最优化(Evolution-Data Optimized，简称EVDO)、通用移动通讯系统(Universal Mobile Telecommunications System，简称UMTS)、无线本地接入网络(wireless local access network，简称WLAN)等等。
在一些实现方式中，所述技术可以提高接收信号强度预测的准确性。例如，所描述的使用深度神经网络的技术可以捕获GIS数据与接收信号强度之间的复杂关系，而统计模型(例如HATA)只有少数参数，并且只能捕获GIS数据与接收信号强度之间的简单关系。在一些实现方式中，与确定性方法(例如光线跟踪方法)相比，所述技术可以获得更准确的结果，例如，在输入不完全GIS数据的情况下。
在一些实现方式中，所描述的技术可以使用传统方法提高计算效率并降低接收信号强度预测的计算负载。例如，在某些情况下，与使用具有图形处理单元(graphicprocessing unit，简称GPU)的正常工作站的光线跟踪方法相比，所述技术的计算速度快10,000倍。所描述技术的一个实现方式仅需要20毫秒来计算正常工作站上一个站点的接收信号强度，而Volcano则需要4分钟。
图1是根据实现方式说明使用深度神经网络预测接收信号强度的示例过程流程100的示意图。示例性流程100显示，深度神经网络120可以接收站点的一个或多个GIS图补丁110作为输入，并返回接收信号强度矩阵130作为输出。在所示示例中，所述深度神经网络120是深度卷积神经网络(convolutional neural network，简称ConvNet)120。站点110的GIS图补丁可以包括感兴趣区域的GIS图的一层或多层。接收信号强度矩阵130可以包括感兴趣区域中每个网格的接收信号强度矩阵130。
在一些实现方式中，所述GIS图(例如，所述GIS图补丁)110的层可以包括，例如，建筑物高度图层、地形层、杂波层和任何其它层。在一些实现方式中，所述深度神经网络120的输入可以包括卫星、航空照片或其它图像数据。例如，感兴趣站点或区域可以是蜂窝通信网络中的小区。该小区可以包括位于中心的基站。在一些实现方式中，可以将所述基站所在像素的建筑物高度配置或修改为所述基站的天线高度。换言之，所述基站的天线高度可以通过所述建筑物图层捕获。
所述接收的信号强度矩阵130可以包括接收信号强度值用于感兴趣区域中的每个网格。接收信号强度矩阵130具有两个维度、三个维度或更高维度。例如，感兴趣区域中每个网格的接收信号强度值可以是感兴趣区域中每个网格的接收信号强度值，涉及网格的不同位置、基站的不同位置、基站的不同天线高度、不同环境(例如，城市或农村、植被或树叶)、不同传播介质(例如，干空气或湿空气)，或可能影响相关领域中接收信号强度值的其它属性。在一些实现方式中，所述预测的接收信号强度作为所述深度神经网络120的输出，除了接收信号强度矩阵外或替代接收信号强度矩阵，还可以在表格、阵列、图形或这些和其它形式的组合中表示。
图2是根据一实现方式的示出用于预测接收信号强度的深度神经网络200的示例结构的示意图。在所示示例中，所述深度神经网络200接收224像素乘224像素的GIS图补丁210作为输入，并预测10乘10接收信号强度矩阵230(每箱为22.4像素乘22.4像素)作为输出。通常，所述输入补丁可以是任意大小，所述预测的接收信号强度可以是任意网格。
所述深度神经网络200包括多个卷积层(例如，卷积层202、204、206、207、208、212、214、216、222、224、226、232、234和236)和池化层(例如，池化层201、203、211、221和231)。请注意，在所述深度神经网络200中的每个卷积层进行卷积运算后，会隐含包含RELU层。在所示示例中，所述卷积层202标记为“11x11 conv，64”，表示具有11x11内核和64个通道的卷积层。同样，所述卷积层204标记为“3x3 conv，128”，表示具有3x3内核128通道的卷积层。所述池化层201、203、211、221或231标记为“最大池，/2”，表示最大池化层，其在x和y维度中对所述输入进行2次采样。
在一些实现方式中，可以使用所述深度神经网络200的单个“前向通过”(例如，从所述顶卷积层202到所述底层卷积层236的单个串行或序列流)来预测所述接收信号强度。使用所述深度神经网络200的单一串行结构可以实现令人满意的允许精度，例如，用于所述预测地理区域中单个位置的接收信号强度。在某些情况下，所述深度神经网络200的这种单一串行结构可能无法在所述预测地理区域中两个或更多位置的接收信号强度时达到令人满意的似然精度。
在一些实现方式中，用于预测接收信号强度(例如，在地理区域的多个位置)的深度神经网络200可以具有跨层结构，该结构结合地理区域的本地和全局信息来估计接收信号强度。所述本地信息可以通过卷积层的输出反映，所述卷积层的输出靠近所述输入GIS图补丁210，而所述全局信息可以通过卷积层的输出反映，所述卷积层的输出远离所述输入GIS图补丁210。所述输入数据经过的层越多，所述输入数据的抽象性应用就越多。在一些实现方式中，可以组合所述深度神经网络200的下层和上层的输出，以更准确地预测作为所述深度神经网络200的最终输出的接收信号强度。例如，所述深度神经网络200的最终输出接收信号强度矩阵230通过组合所述深度神经网络200的不同深度处各层的输出来构建。所述深度神经网络中的特定层深度是指所述输入数据到达所述深度神经网络中的特定层之后经过的层数。例如，如所述深度神经网络200所示，所述卷积层202的深度为1，所述池化层201的深度为2。最终输出接收信号强度矩阵230通过在240处进行求和组合深度为8的下采样层205在深度为7的卷积层208之后的输出209，深度为13的下采样层215在深度为12的卷积层216之后的输出219，深度为18的下采样层225在深度为17的卷积层226之后的输出229，以及深度为23的上采样层235在深度为22的卷积层236之后的输出239。在一些实现方式中，执行向上采样或向下采样，以使不同层的输出具有统一维度。最终输出接收信号强度矩阵维度可以确定是否需要对某些卷积层的输出实施下采样还是上采样。在一些实现方式中，所述深度神经网络200的最终输出接收信号强度矩阵230可以组合所述深度神经网络200的不同深度处不同层或其它层的输出。可以根据期望的预测准确性、可用计算资源或其它因素确定或优化用于组合的所述深度神经网络200的层数和深度。
在一些实现方式中，使用深度神经网络接收信号强度的预测准确性取决于深度神经网络的训练是否成功。训练神经网络的一个目标是调整所述深度神经网络的参数(例如，所述神经元的权重和偏倚)，以将损失函数降至最低。在一些实现方式中，损失函数测量预测(例如分类中的类评分)和地面真值标签之间的兼容性(例如，差异或错误)。
深度神经网络的训练是否成功可能依赖于几十万到一百万对地图补丁程序(例如GIS图修补程序)和地面真值接收信号强度矩阵。但是，可能很难从实际基站获取所有数据。在一些实现方式中，仅使用10,000个数据样本训练的深度神经网络可能无法提供准确的接收信号强度预测结果。
为了正确训练用于接收信号强度预测的深度神经网络，可以使用模拟和实际接收信号强度数据。例如，商业接收信号强度预测软件可用于使用模拟(例如，基于光线跟踪方法)生成数百万接收信号强度预测。所述模拟的接收信号强度数据可用作训练深度神经网络的地面真值。然后，可以使用实际接收的信号强度数据(例如，真实现场数据)来微调所述深度神经网络。
图3是根据一实现方式的示出训练深度神经网络以预测接收信号强度的示例过程流程300的示意图。所述示例处理流程300使用Volcano模拟器305(一种商业接收信号强度预测软件)作为示例接收信号强度模拟器，用于生成所述模拟的接收信号强度数据以训练深度神经网络。如图所示，所述Volcano模拟器305可以接收数百万个GIS图补丁302作为输入，并基于所述Volcano模拟器305实现的接收信号强度模拟算法生成对应的接收信号强度矩阵306。可以执行监督式学习304以基于从所述Volcano模拟器305获取的模拟训练数据生成训练的深度神经网络ConvNet-Volcano 308。例如，所述监督式学习304可以接收所述GIS图补丁302作为所述输入，并所述相应的接收信号强度矩阵306作为所述地面真值(或监督程序)，并确定使损失函数最小化的ConvNet-Volcano 308的参数(例如所述神经元的权重和偏倚)。各种监督学习算法和损失函数可用于所述监督式学习304，以获得经过训练的深度神经网络ConvNet-Volcano 308。
图4是根据一实现方式的示出训练深度神经网络以预测接收信号强度的另一示例过程流程400的示意图。所述示例处理流程400微调所述ConvNet-Volcano 308，这是基于模拟接收信号强度数据使用现场接收信号强度数据406训练的深度神经网络。如图所示，可以执行监督式学习404，以使用所述ConvNet-Volcano 308作为所述原始深度神经网络，并根据所述GIS图补丁402和对应的字段接收信号强度数据406更新所述ConvNet-Volcano 308的参数，生成另一训练的深度神经网络ConvNet-Real 408。在一些实现方式中，得到的ConvNet-Real 408是经过训练的深度神经网络，可最小化所述监督式学习404的损失函数，所述监督式学习404接收所述GIS图补丁402作为所述输入并接收对应的字段接收信号强度数据406作为所述接地真值。各种监督式学习算法和损失函数可用于所述监督式学习404，以获得所述微调的深度神经网络ConvNet-Real 408。
在一些实现方式中，可用的GIS图补丁402和对应的字段接收信号强度数据406的数量(例如，约10,000)远小于图3中模拟的接收信号强度数据(例如，接收信号强度矩阵306)。与单独使用所述模拟接收信号强度矩阵306或所述场接收信号强度数据406相比，基于所述模拟接收信号强度矩阵306和所述场接收信号强度数据406的最终微调深度神经网络ConvNet-Real 408可以提供更准确的预测结果。
图5是根据一实现方式的示出用于使用深度神经网络以预测电信网络中接收信号强度的示例方法500的流程图。所述方法500可由执行包含多个卷积层的卷积神经网络的一个或多个处理器实现。所述一个或多个处理器可以位于单个计算设备中，也可以分布在多个计算设备或云中。在一些实现方式中，所述一个或多个处理器可以是图7中所示的处理器705。
所述卷积神经网络可以是深度神经网络(例如，所述深度神经网络120或200、所述ConvNet-Volcano 308和ConvNet-Real 408)。在一些实现方式中，通过使用模拟接收信号强度数据和实际接收信号强度数据(例如ConvNet-Real 408)来训练所述卷积神经网络。
在一些实现方式中，所述卷积神经网络可以具有单个串行结构，因为所述卷积神经网络的最终输出产生于通过单个串行路径(例如，通过从所述深层神经网络200的所述顶部卷积层202到所述底层卷积层236的单个串行路径，而不从中间层的输出进行任何分支或组合)依次通过所述卷积神经网络的多个卷积层传递的输入信号(例如，地理数据和/或所述地理区域中基站的天线信息和发射功率信息)。在一些实现方式中，具有所述单个串行结构的卷积神经网络可用于预测所述地理区域中单个位置的接收信号强度。
在一些实现方式中，所述卷积神经网络可以具有跨层结构，因为所述卷积神经网络的最终输出是通过在所述卷积神经网络的不同深度处组合(中间)两个或多个(中间)层的输出来确定的。在一些实现方式中，将所述卷积神经网络的不同深度处的两个或多个层的输出合并包括使用所述两个或多个层的输出作为一个或多个额外神经网络层的输入，以生成一个或多个输出。在一些实现方式中，具有所述跨层结构的卷积神经网络可用于预测所述地理区域中不同位置的接收信号强度。
所述方法500还可以使用其它、更少或不同的实体实现。此外，还可以使用其它、更少或不同的操作来实现所述方法500，这些操作可以按所示的顺序或不同的顺序执行。在某些情况下，可以对操作或一组操作进行迭代或重复，例如，对于指定数量的迭代，或者直到达到终止条件。
所述示例性方法500从502开始，其中一个或多个处理器接收表示地理区域(例如，无线通信系统中的感兴趣区域或站点)的地理信息的地理数据。所述地理数据可以包括地理图像数据，例如地理信息系统(geographic information system，简称GIS)数据(例如，所述GIS图补丁110、210、302或402)，所述地理图像数据包括建筑物高度图层、地形层或表示地理区域地理信息的杂波层中的一个或多个。在一些实现方式中，所述地理图像数据包括卫星图像、航空图像或与所述地理区域相关的其它图像数据中的一个或多个。所述地理数据可以按矢量、矩阵、张量或任何其它适当格式表示。
在一些实现方式中，接收所述地理数据包括从用户界面或通信接口接收所述地理数据。在一些实现方式中，接收所述地理数据包括从存储器、数据库或其它数据存储设备检索所述地理数据。在一些实现方式中，接收所述地理数据包括从一个或多个其它来源获取所述地理数据。
在一些实现方式中，所述一个或多个处理器进一步接收所述地理区域中基站的天线信息和发射功率信息。所述基站的天线信息和功率信息可以包括，例如，位置、高度、方位角(例如，主波束的水平方向)、下倾角(例如，主波束的垂直方向)、天线的辐射图和发射功率中的一个或多个，或者基站在所述地理区域的其它设置。在一些实现方式中，所述地理区域中所述基站的天线信息和发射功率信息包括自由空间接收信号强度，所述自由空间接收信号强度表示在所述地理区域中不同位置接收的无线信号的自由空间接收信号强度，其中，基于所述天线的发射功率、所述天线的辐射图以及从所述地理区域中的不同位置到所述基站的天线的各自距离计算所述地理区域中不同位置的自由空间接收信号强度。
在一些实施方式中，所述一个或多个处理器还基于所述地理数据(例如，包含在所述GIS图中的原始信息)以及所述基站的天线信息和发射功率信息，例如，基于已知的物理定律(例如，基于材料介电常数的自由空间路径损耗和信号衰减)来计算或确定多维张量(例如，具有二维或多维的张量，例如，4维(4-dimensional，简称4D)张量)。所述多维张量可输入到所述卷积神经网络，用于预测所述接收信号强度。在一些实现方式中，由于所述卷积神经网络不需要从数据中获知这种已知的待纠正的规律，因此可以提高所述预测的准确性，从而减轻了训练期间所述卷积神经网络的学习任务。在一些实现方式中，所述学习到的卷积神经网络模型可以与频率无关，因为频率影响自由空间信号强度(也可能影响反射系数)。以下结合图10-15对多维张量的示例进行了描述。
图10是根据一实现方式的示出用于预测在所述地理区域中的不同位置接收的无线信号的接收信号强度的地理区域1000的示例模型的示意图。所述地理区域1000可以是地面区域(例如，城市或农村地区)，其包括具有一个或多个天线1015的基站1010。在一些实现方式中，所述地理区域1000中的所述基站1010周围的空间可以离散化为多个立方体1020a、1020b、1020c等(统称为多维数据集1020)。例如，每个立方体1020的位置可以由所述空间中所述立方体1020的中心的相应地理坐标(例如x、y和z)表示。在一些实现方式中，所述地理区域1000的x和y坐标可基于所述地理区域1000的地理数据(例如建筑物和地形层)确定。z坐标可由建筑物和地形的组合高度来索引。在一些实现方式中，围绕地理区域的2D或3D空间可以离散化为箱、网格或其它元素，而不偏离本发明的范围。
在一些实现方式中，每个立方体1020可以是k米乘以k米乘以k米，其中k是所述边缘的长度。k可以由所述地理区域1000的地图的分辨率决定。例如，5m x 5m x 5m单位立方体可用于具有5m分辨率的映射。在一些实现方式中，根据设计，所述z坐标可以限制在一定范围内，例如0至250m。在这种情况下，所述z方向有50个元素(50x 5m＝250m)。x和y坐标的范围也可能受到限制。因此，可以确定所述地理区域1000空间中的立方体总数。
一个多维张量示例可以是包含多个3D张量通道的4D张量。在每个信道中，所述x和y坐标可根据所述地理区域1000的建筑物和地形层确定；所述z坐标由所述地理区域1000的建筑物和地形的组合高度进行索引。所述多个3D张量信道可以包括例如自由空间接收信号强度张量、水平视线角度张量、垂直视线角度张量、介电常数张量或用户设备(userequipment，简称UE)位置张量中的一个或多个。
自由空间接收信号强度张量可以包括在所述地理区域的不同位置接收的无线信号的自由空间接收信号强度。所述自由空间接收信号强度是指在自由空间(通常是空气)的某个位置接收的无线信号的接收信号强度，其中不包括可能导致反射、折射或任何其它衰减的障碍物，但自由空间路径损耗除外。所述自由空间路径损耗是指所述无线信号(例如电磁波)在所述自由空间的视线(LOS)路径上传输时信号强度(例如功率或能量)的衰减。
例如，所述自由空间接收信号强度张量可以在所述地理区域1000的空间中包含多个立方体1020的自由空间接收信号强度。每个立方体1020的自由空间接收信号强度可以表示为例如所述立方体1020中心的自由空间接收信号强度。在一些实现方式中，所述自由空间接收信号强度张量可以包括多个立方体，其对应的自由空间接收信号强度用(x、y、z、P)表示，其中x、y、z是所述立方体1020的中心坐标，P表示所述立方体1020的中心处的自由空间接收信号强度。
所述立方体1020中心的自由空间接收信号强度可基于例如所述天线1015的发射功率、所述天线1015的辐射图、所述立方体相对于天线1015的方位角和倾角以及所述立方体120与所述天线1015之间的距离来计算。在一些实现方式中，可以使用自由空间路径损耗公式计算沿着所述立方体1020和所述基站1010的所述天线1015之间的路径的衰减。在一些实现方式中，假设所述天线1015位于x和y坐标的中心，则可以计算每个立方体1020的自由空间接收信号强度。
在一些实现方式中，可以创建包含部分或全部工程参数(例如，天线坐标、高度、方位角、倾斜和天线辐射图)的张量。所述工程参数可用于计算自由空间接收信号强度。图11A是根据一实现方式的从方位角平面角度示出天线辐射图1100示例的示意图；图11B是根据一实现方式的从倾斜角度平面角度示出天线辐射图1150示例的示意图。
水平LOS角度张量可以包括所述地理区域中不同位置相对于所述地理区域中的基站的水平LOS角度。在一些实现方式中，所述不同的位置可以由不同的网络立方体(例如，图10中所述地理区域1000的空间中的立方体1020)、箱、网格或其它元素表示。因此，所述水平LOS角度张量可以包括多个立方体相对于所述地理区域中的所述基站的水平LOS角度。
图12是根据一实现方式的示出地理区域1200中的位置相对于所述地理区域中的基站1230的水平LOS角度1210示例的示意图。所述地理区域1200可以是地面区域(例如，城市或农村地区)，其包括具有一个或多个天线1235的基站1230。与图10类似，在一些实现方式中，所述地理区域1200中的基站1230周围的空间可以离散化成多个立方体(图12中仅显示了一个立方体1220)。例如，所述立方体1220的位置可以由所述空间中所述立方体1220的中心的相应地理坐标(例如x、y和z)表示。为简单起见，图12仅以2D立方体显示。所述水平LOS角度θ1210可以指从所述基站1230的所述天线1235到所述立方体1220的LOS路径1240的水平角度θ(x-y平面内)。在一些实现方式中，所述水平LOS角度张量可以包括具有相应水平LOS角度的多个立方体，每个立方体用(x，y，z，θ)表示。
垂直LOS角度张量可以包括所述地理区域中不同位置相对于所述地理区域中的基站的垂直LOS角度。在一些实现方式中，所述不同的位置可以由不同的网络立方体(例如，图10中所述地理区域1000的空间中的立方体1020)、箱、网格或其它元素表示。因此，所述垂直LOS角度张量可以包括多个立方体相对于所述地理区域中的所述基站的垂直LOS角度。
图13是根据一实现方式的示出地理区域1300中的位置相对于所述地理区域1300中的基站1330的垂直LOS角度1310示例的示意图。所述地理区域1300可以是地面区域(例如，城市或农村地区)，其包括具有一个或多个天线1330的基站1335。与图10类似，在一些实现方式中，所述地理区域1300中的基站1330周围的空间可以离散化成多个立方体(图13中仅显示了一个立方体1320)。例如，所述立方体1320的位置可以由所述空间中所述立方体1320的中心的相应地理坐标(例如x、y和z)表示。为简单起见，图13仅以2D立方体显示。所述垂直LOS角度θ1310可以指从所述基站1330的所述天线1335到所述立方体1320的LOS路径1340的垂直角度
Figure BDA0002309251310000142
(y-z平面内)。在一些实现方式中，所述垂直LOS角度张量可以包括具有相应垂直LOS角度的多个立方体，每个立方体用(x，y，z，
Figure BDA0002309251310000143
)表示。
介电常数张量可包括地理区域中不同位置的介电常数或相对介电常数值，并可用于计算无线信号在两种材料之间的边界处会反射多少信号。所述介电常数是材料抵抗电场能力的度量。材料的相对介电常数是其(绝对)介电常数，表示为相对于真空的介电常数的比值。表1列出了一些材料在1kHz以下的室温下的相对容差。在一些实现方式中，所述介电常数张量可以包括其它指标，用于计算在地理区域中某个地点的两种材料之间边界处无线信号的反射。
表1：某些材料在室温下低于1kHz的相对介电常数
Figure BDA0002309251310000151
Figure BDA0002309251310000161
所述地理区域中的不同位置可包括不同的材料或介质，例如空气、混凝土、土壤和玻璃。在一些实现方式中，所述不同的位置可以由不同的网络立方体(例如，图10中所述地理区域1000的空间中的立方体1020)、箱、网格或其它元素表示。每个立方体中的主要材料可用于确定所述立方体在所述地理区域中相应位置的介电常数或相对介电常数。因此，所述介电常数张量可以包括所述地理区域中多个立方体各自的介电常数或相对介电常数。
在一些实现方式中，可以使用所述地理区域的卫星照片上的图像处理自动提取材料相关信息，例如，确定不同位置(例如，不同立方体)的各自主要材料。所述地理区域的每个位置的相应介电常数或相对介电常数可确定为主要材料的介电常数或相对介电常数，例如，参见表1。
图14是根据一实现方式的示出地理区域1400中不同位置的许可性示例的示意图。所述地理区域1400可以是地面区域(例如，城市或农村地区)，其包括具有一个或多个天线1435的基站1430。与图10类似，在一些实现方式中，所述地理区域1400中的基站1430周围的空间可以离散为多个立方体1420a、1420b和1420c(例如，统称为立方体1420)。例如，所述多维数据集1420的位置可以由所述空间中每个多维数据集1420的中心的相应地理坐标(例如x、y和z)表示。为简单起见，图14仅以2D立方体显示。在一些实现方式中，所述介电常数张量可以包括具有相应介电常数的多个立方体，每个立方体均用(x，y，z，εr)表示。所述介电常数可以是每个立方体中主要材料的相对介电常数。如图14所示，所述立方体1420a表示主要材料为空气的位置，因此相对介电常数为1。所述立方体1420b表示建筑物1440主要材料为混凝土的位置，因此相对介电常数为4.5。所述立方体1420b代表地球上具有二氧化硅主导材料的位置，因此相对介电常数为3.9。
用户设备(user equipment，简称UE)位置张量(或UE存在张量)可以包括UE存在指示(例如，具有二进制或布尔值)，每个UE存在指示指示UE是否可以存在于地理区域中不同位置的每个位置。换言之，所述UE位置张量可以指示是否有可能在所述地理区域的3D空间中的不同位置测量信号强度。
类似地，所述不同的位置可以由不同的网络立方体(例如，图10中所述地理区域1000的空间中的立方体1020)、箱、网格或其它元素表示。因此，所述UE位置张量可以包括所述地理区域中多个立方体的多个UE存在指示。例如，如果UE可能位于所述地理区域中的某个立方体(代表某个位置)中，则所述UE存在指示的值可以设置为1；否则，该值可以设置为0。
在一些实现方式中，所述UE位置张量可用于包括约束，例如环境或系统的物理约束，或用户的设计约束。例如，鉴于信号强度不会在地形表面以下(所述地面以下)测量，所述地形表面上面和上方的立方体的UE存在指示可设置为1，而所述地形表面以下的立方体的UE存在指示可设置为0。作为另一个示例，如果所述用户仅对沿着所述地形表面的信号强度感兴趣(表示人员在所述地面上走动的使用案例)，则所述地形表面的立方体的UE存在指标为1，并且所述UE位置张量的其它立方体的UE存在指标可以设置为0。在一些实现方式中，所述UE位置张量可以是具有多个0的稀疏张量。所述UE位置张量可用于通过筛选不相关的立方体来降低所述计算复杂性。
图15是根据一实现方式的示出UE位置张量在地理区域1500中的不同位置的示例UE存在指示的示意图。所述地理区域1500可以是地面区域(例如，城市或农村地区)，其包括具有一个或多个天线1535的基站1530。与图10类似，在一些实现方式中，所述地理区域1500中的基站1530周围的空间可以离散为多个立方体1520a、1520b和1520c(例如，统称为立方体1520)。例如，所述多维数据集1520的位置可以由所述空间中每个多维数据集1520的中心的相应地理坐标(例如x、y和z)表示。为简单起见，图15仅以2D立方体显示。在一些实现方式中，所述UE位置张量可以包括具有相应UE存在指示的多个立方体，每个指示由(x，y，z，i)表示。所述UE存在指标可以具有二进制值，例如0或1。如图15所示，所述立方体1520a表示建筑物1540上方不太可能定位UE的位置。因此，所述立方体1520a的UE存在指示的值为0。所述立方体1520b表示UE可能所在的地面上的位置。因此，所述立方体1520b的UE存在指示的值为1。所述立方体1520c表示UE可能所在的地面下的位置。因此，所述立方体1520c的UE存在指示的值为0。
返回参考图5，在503中，所述一个或多个处理器输入所述地理数据和所述天线，并将功率信息发送到所述卷积神经网络中。例如，所述一个或多个处理器基于所述地理数据以及所述基站的天线信息和发射功率信息使用多维张量(例如，包括五个3D张量信道的上述4D张量)作为所述卷积神经网络的输入。所述卷积神经网络可以是经过训练的卷积神经网络，它接收地理数据和天线，并将功率信息作为输入发送，并将接收到的信号强度作为输出返回。
在504中，所述一个或多个处理器基于所述接收地理数据以及所述地理区域中所述基站的所述天线信息和发射功率信息使用卷积神经网络预测接收信号强度，所述卷积神经网络包括卷积层数。在一些实现方式中，基于接收的地理数据和天线预测接收的信号强度并传输功率信息包括基于多维张量预测接收的信号强度，该张量包括地理数据和基站的天线信息和发射功率信息。
所述预测的接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度。例如，所述预测的接收信号强度可以表示基站发送的无线信号的信号强度，以及所述地理区域中不同可能位置的一个或多个用户设备(user equipment，简称UE)接收的无线信号的信号强度。所述UE可包括蜂窝电话、个人数据助理(personal data assistant，简称PDA)、智能手机、笔记本电脑、平板电脑、个人计算机(personal computer，简称PC)、寻呼机、便携式计算机、便携式游戏设备、可穿戴电子设备、健康/医疗/健身设备、摄像头或具有用于通过无线通信网络传输语音或数据的组件的其它移动通信设备。基站可以是NodeB、演进型NodeB(evolved NodeB，简称eNB)、下一代(例如，5G)NodeB或接入点。
在506处，所述一个或多个处理器输出所述预测的接收信号强度。所述预测的接收信号强度可以是接收信号强度矩阵(例如，所述接收信号强度矩阵130、230或306)、表格、图表或任何其它数据结构或表示的形式。
在508中，所述一个或多个处理器根据所述预测的接收信号强度执行所述地理区域的自动站点规划，该信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度。例如，所述一个或多个处理器可以计算与所述预测的接收信号强度对应的路径损耗值。所述预测的路径损耗值可以表示所述无线信号在所述地理区域中不同位置的传播衰减。自动站点规划可以包括，例如，根据所述预测的接收信号强度，改进、优化或以其它方式调整所述地理区域中基站的天线配置(例如，天线位置、天线波束方向、发射功率和在某些情况下天线辐射图)或其它参数。因此，例如，移动服务提供商可以在所述地理区域的某个区域实现更好的覆盖，减少站点之间的干扰，并降低设备成本。在一些实现方式中，许多候选(或假设)天线配置可用于预测接收信号强度。对于每个不同的候选天线配置，例如，根据所述方法500，可以预测在与每个候选天线配置对应的所述地理区域的不同位置接收的无线信号的接收信号强度。所述天线配置可以选择所述地理区域中不同位置的预测信号强度的最理想性能(例如，最大和或平均值或最小变化)。在一些实现方式中，所述地理区域中不同位置的预测接收信号强度可作为每个天线配置的性能指标。
图6是根据一实现方式的示出用于获取训练的深度神经网络以预测电信网络中的接收信号强度的示例方法600的流程图。所述方法600可由执行包含多个第一卷积层的卷积神经网络的一个或多个处理器实现。卷积神经网络可以是待训练、微调或以其它方式修改的初始卷积神经网络。所述卷积神经网络可以是预定的默认卷积神经网络，或者具有已知参数和结构的另一卷积神经网络。
所述一个或多个处理器可以位于单个计算设备中，也可以分布在多个计算设备或云中。在一些实现方式中，所述一个或多个处理器可以是图7中所示的处理器705。
所述方法600还可以使用其它、更少或不同的实体实现。此外，还可以使用其它、更少或不同的操作来实现所述方法600，这些操作可以按所示的顺序或不同的顺序执行。在某些情况下，可以对操作或一组操作进行迭代或重复，例如，对于指定数量的迭代，或者直到达到终止条件。
所述示例方法600从602开始，其中，所述一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据(例如，所述GIS图补丁302)。在一些实现方式中，所述一个或多个处理器进一步接收所述第一地理区域中第一基站的天线信息和发射功率信息。在一些实现方式中，可以根据所述地理数据以及所述第一基站的天线信息和发射功率信息确定多维张量(例如，4维张量)。所述多维张量可以作为所述卷积神经网络的输入，从而减轻训练期间所述卷积神经网络的学习任务。在一些实现方式中，所述一个或多个处理器接收的数据可以包括从用户接口或通信接口接收的数据、从存储器、数据库或其它数据存储设备检索的数据或从一个或多个其它来源获取的数据。
在604中，所述一个或多个处理器接收实际接收信号强度(例如，现场接收信号强度数据406)，其表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度。在一些实现方式中，接收实际接收信号强度包括基于路测接收信号强度来接收所述实际接收信号强度，该路测测量表示在所述第一地理区域的不同位置接收的无线信号的信号强度的接收信号强度。在一些实现方式中，接收实际接收信号强度包括从使用情况或服务报告接收所述实际接收信号强度，该使用情况或服务报告记录所述第一地理区域中不同位置的一个或多个UE接收的信号强度。在一些实现方式中，可以使用其它方法从其它来源获取所述实际接收信号强度。
在606中，所述一个或多个处理器接收表示第二地理区域的地理信息的第二地理数据(例如，所述GIS图补丁402)。所述第二地理区域可以与所述第一地理区域相同或不同。在一些实现方式中，所述一个或多个处理器进一步接收所述第二地理区域中的第二基站的天线信息和发射功率信息。在一些实现方式中，可以根据所述地理数据以及所述第二基站的天线信息和发射功率信息确定多维张量(例如，4维张量)。所述多维张量可以作为所述卷积神经网络的输入，从而减轻训练期间所述卷积神经网络的学习任务。
在608中，所述一个或多个处理器接收模拟接收信号强度(例如，所述接收信号强度矩阵306)，其表示在所述第二地理区域的不同位置接收的无线信号的模拟信号强度。例如，所述模拟的接收信号强度是根据所述第一地理数据获得的。在一些实现方式中，接收所述模拟接收信号强度包括从模拟器接收模拟接收信号强度，该模拟器估计接收信号强度，该信号强度表示根据所述第二地理数据在所述第二地理区域的不同位置接收的无线信号的信号强度。例如，所述模拟器可以是商业接收信号强度模拟器，例如Volcano模拟器305，或者实现统计方法、确定性方法或这些方法与其它接收信号强度预测方法的组合的任何其它模拟器。在一些实现方式中，可以使用其它方法从其它来源获取模拟的接收信号强度。
在610中，所述一个或多个处理器使用所述第一地理数据和所述实际接收信号强度来训练所述卷积神经网络，用于预测接收信号强度，以表示在第三地理区域的不同位置接收的无线信号的信号强度。在一些实现方式中，训练所述卷积神经网络可以包括根据特定指标(例如最小均方误差)调整卷积神经网络的参数。在一些实现方式中，所述卷积神经网络可以根据图3或图4中描述的示例技术使用监督学习算法进行训练。
在一些实现方式中，使用所述第一地理数据和所述实际接收信号强度训练所述卷积神经网络包括使用所述第一地理数据、所述第一地理区域的所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络。在一些实现方式中，使用所述第一地理数据和所述实际接收信号强度训练所述卷积神经网络包括使用所述第一地理数据和所述实际接收信号强度以及所述第二地理数据和所述模拟接收信号强度训练所述卷积神经网络。在一些实现方式中，使用所述第一地理数据和所述实际接收信号强度训练所述卷积神经网络包括使用所述第一地理数据、所述第一地理区域的所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度、所述第二地理区域的第二基站的所述第二天线信息和发射功率信息以及所述第二地理数据和所述模拟接收信号强度训练所述卷积神经网络。例如，训练所述卷积神经网络包括通过基于所述第二地理数据，所述第二地理区域中所述第二基站的所述第二天线信息和发射功率信息以及所述模拟接收信号强度训练所述卷积神经网络，获取第一训练的卷积神经网络(例如，卷积神经网络308)，其中所述模拟接收信号强度表示所述第二地理区域中不同位置接收的无线信号的模拟信号强度；以及基于所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述第一地理区域中不同位置接收的无线信号的实际接收信号强度，微调所述第一卷积神经网络。在一些实现方式中，微调卷积神经网络可以作为通过微调训练所述卷积神经网络的示例(例如，通过限制待调整的卷积神经网络的参数数量或限制学习速率或对所述卷积神经网络的每个或部分参数进行调整的步骤)。
在612中，所述一个或多个处理器获得训练的卷积神经网络(例如，所述ConvNet-Real 408)，该网络包括多个第二卷积层。在一些实现方式中，所述训练的卷积神经网络和所述第一训练的卷积神经网络在卷积层的数量、结构或参数中的一个或多个上可能有所不同。例如，所述训练的卷积神经网络和所述第一训练的卷积神经网络可以具有相同的卷积层数和结构，但所述卷积层的参数值可以不同。
所述训练的卷积神经网络作为所述示例方法600的输出，具有跨层结构，因为通过组合所述训练的卷积神经网络的不同深度处的两个或两个以上层的输出来获得从所述训练的卷积神经网络输出的信号强度。
在614中，所述一个或多个处理器使用所述训练的卷积神经网络来预测接收信号强度，所述接收信号强度表示在所述第三地理区域的不同位置接收的无线信号的信号强度，例如，根据结合图5描述的示例技术。例如，所述一个或多个处理器可以接收表示所述第三地理区域的地理信息的第三地理数据。所述一个或多个处理器可以将所述第三地理数据输入所述训练的卷积神经网络，使用所述输入的第三地理数据执行所述训练的卷积神经网络，并获得所述训练的卷积神经网络的输出作为所述第三地理数据的预测接收信号强度，以响应所述输入的第三地理数据。
图7是根据一实现方式的用于提供与本发明描述的算法、方法、功能、过程、流程和程序相关的计算功能的示例计算机系统700的框图。所述计算机系统700或多于一个计算机系统700可用于实现本发明之前描述的示例方法。例如，所述计算机系统700或多于一个计算机系统700也可用于使用本发明之前描述的深度神经网络预测电信网络中的接收信号强度。
所述图示的计算机702旨在包括任何计算设备，例如服务器、台式计算机、笔记本电脑/笔记本电脑、无线数据端口、智能手机、个人数据助理(personal data assistant，简称PDA)、平板电脑计算设备、这些设备中的一个或多个处理器，或任何其它合适的处理设备，包括计算设备的物理或虚拟实例(或两者)。此外，所述计算机702可以包括计算机，所述计算机包括输入设备，例如键盘、键盘、触摸屏或可接受用户信息的其它设备，以及输出设备，所述输出设备传送与所述计算机702的操作相关的信息，包括数字数据、视觉或音频信息(或信息的组合)，或图形用户界面(graphical user interface，简称GUI)。
所述计算机702可以充当计算机系统的客户端、网络组件、服务器、数据库或其它持久性或任何其它组件(或角色组合)的角色，以执行本发明中描述的主题。所述图示的计算机702与网络730通信耦合。在一些实现方式中，所述计算机702的一个或多个组件可用于在环境中运行，包括基于云计算的、本地的、全局的或其它环境(或环境组合)。
在高层，所述计算机702是一种电子计算设备，可用于接收、传输、处理、存储或管理与所述主题相关的数据和信息。根据一些实现方式，所述计算机702还可以包括应用服务器、电子邮件服务器、网络服务器、缓存服务器、流数据服务器或其它服务器(或服务器的组合)，或者与它们通信耦合。
所述计算机702可以通过所述网络730从客户端应用(例如，在另一台计算机702上执行)接收请求，并通过使用适当的软件应用处理所述接收到的请求来响应所述接收到的请求。此外，还可以从内部用户(例如，通过命令控制台或其它适当的访问方法)、外部或第三方、其它自动化应用以及任何其它适当的实体、个人、系统或计算机向所述计算机702发送请求。
所述计算机702的每个组件都可以使用系统总线703进行通信。在一些实现方式中，所述计算机702的任何或所有组件、硬件或软件(或硬件和软件的组合)可以通过所述系统总线703通过应用编程接口(application programming interface，简称API)712或服务层713(或API 712和服务层713的组合)彼此或与接口704(或两者的组合)进行对接。所述API 712可包括常规、数据结构和对象类的规格。所述API 712可以是独立于计算机语言的，也可以是独立于计算机语言的，是指完整的接口、单一功能，甚至是一组API。所述服务层713向所述计算机702或可通信地耦合到所述计算机702的其它组件(无论是否图示)提供软件服务。使用此服务层的所有服务消费者都可以访问所述计算机702的功能。软件服务(例如由所述服务层713提供的服务)通过定义的接口提供可重复使用、定义的功能。例如，所述接口可以是以JAVA、C++或其它适当语言编写的软件，提供可扩展标记语言(extensiblemarkup language，简称XML)格式或其它适当格式的数据。虽然作为简称计算机702的集成组件进行了说明，但是替代实施可以将简称API 712或简称服务层713作为与简称计算机702的其它组件或可通信地耦合到简称计算机702的其它组件(无论是否未示出)相关的独立组件进行说明。此外，简称API 712或简称服务层713的任何或所有部分均可作为另一软件模块、企业应用或硬件模块的子模块或子模块实施，而不偏离本发明的范围。
所述计算机702包括接口704。尽管在图7中示出为单个接口704，但可以根据所述计算机702的特定需求、期望或特定实施使用两个或更多个接口704。所述计算机702使用所述接口704与在分布式环境中连接到所述网络730(无论是否图示)的其它系统进行通信。通常，所述接口704包括在软件或硬件(或软件和硬件的组合)中编码的逻辑，并且可用于与所述网络730通信。更具体地，所述接口704可以包括支持与所述通信相关的一个或多个通信协议的软件，使得所述网络730或接口的硬件能够在所述图示的计算机702的内部和外部通信物理信号。
所述计算机702包括处理器705。尽管在图7中示出为单处理器705，但可以根据所述计算机702的特定需求、期望或特定实施使用两个或更多个处理器。通常，所述处理器705执行指令并操纵数据以执行所述计算机702以及本发明中所述的任何算法、方法、功能、过程、流程和程序的操作。
所述计算机702还包括数据库706，所述数据库706可以存储所述计算机702的数据或可连接到所述网络730(无论是否图示)的其它组件(或两者的组合)。例如，数据库706可以是存储与本发明一致的数据的内存式、常规型或其它类型的数据库。在一些实现方式中，根据所述计算机702的特定需求、期望或特定实施以及所述功能，数据库706可以是两种或多种不同的数据库类型(例如，混合内存式和常规型数据库)的组合。尽管图7中以单个数据库706的形式示出，但可以根据所述计算机702的特定需求、期望或特定实施以及所述功能使用两种或多种数据库(相同类型或类型组合)。虽然数据库706示为所述计算机702的组成部分，但在替代实现方式中，数据库706可以位于所述计算机702的外部。在一些实现方式中，所述数据库706可包括地理数据716、天线和发射功率数据715和接收信号强度数据718，所述地理数据716表示地理区域的地理信息；所述天线和发射功率数据715表示所述地理区域中基站的天线信息和发射功率信息；以及所述接收信号强度数据718表示所述地理区域中不同位置接收的无线信号的信号强度。在一些实现方式中，所述数据库706可包括由所述处理器705执行的模拟程序生成的模拟数据719。例如，所述模拟数据719可以包括模拟接收信号强度数据，其表示在所述地理区域的不同位置接收的无线信号的信号强度。
所述计算机702还包括存储器707，所述存储器707可以存储所述计算机702的数据或可连接到所述网络730(无论是否图示)的其它组件(或两者的组合)。例如，所述存储器707可以是存储与本发明一致的数据的随机存取存储器(random access memory，简称RAM)、只读存储器(read-only memory，简称ROM)、光介质、磁介质等。在一些实现方式中，根据所述计算机702的特定需求、期望或特定实施以及所述功能，所述存储器707可以是两种或多种不同类型的存储器的组合(例如，RAM和磁存储器的组合)。尽管在图7中以单个存储器707的形式示出，但可以根据所述计算机702的特定需求、期望或特定实施以及所述功能使用两个或更多存储器707(相同类型或类型组合)。虽然存储器707示为所述计算机702的一个组成部分，但在替代实现方式中，所述存储器707可以位于所述计算机702的外部。
所述应用708是算法软件引擎，其根据所述计算机702的特定需求、期望或特定实施提供功能，特别是关于本发明中描述的功能。例如，应用708可以用作一个或多个组件、模块或应用。此外，尽管所述应用708示为单个应用708，但可以在所述计算机702上将所述应用708实现为多个应用708。此外，尽管所述应用708示为所述计算机702的组成部分，但在替代实现方式中，所述应用708可以对所述计算机702是外部的。
所述计算机702还可以包括电源714。所述电源714可包括可充电或不可充电电池，所述电池可用作用户可更换或不可更换。在一些实现方式中，所述电源714可包括电源转换或管理电路(包括充电、备用或其它电源管理功能)。在一些实现方式中，所述电源714可包括电源插头，以允许所述计算机702插入墙壁插座或其它电源，从而为所述计算机702供电或为可充电电池充电。
可以有任意数量的计算机702与包含计算机702的计算机系统相关联或位于所述计算机系统的外部，每台计算机702通过网络730进行通信。此外，所述术语“客户端”、“用户”和其它适当术语可在不脱离本发明范围的情况下互换使用。此外，本发明考虑许多用户可以使用一台计算机702，或者一个用户可以使用多台计算机702。
图8是根据一实现方式的示出本发明描述的数据处理装置800的示例结构的示意图。所述数据处理装置800可用于使用深度神经网络预测接收信号强度。所述数据处理装置800可以是执行卷积神经网络的一个或多个处理器。所述数据处理装置800包括接收单元802、预测单元804、输出单元806和规划单元808。每个单元可以由一个或多个处理器(例如，处理器705)与一个或多个计算机存储器设备(例如，存储器707)互操作地耦合来实现，以执行所述功能。在一些实现方式中，每个设备都可以作为单独的模块实现。在一些实现方式中，部分或全部设备可以集成到单个模块中。在一些实现方式中，每个单元都可以在软件、硬件、FPGA(现场可编程门阵列)或在硬件、ASIC或FPGA中实现的ASIC(专用集成电路)中实现，或者通过这些和其它实现的组合来实现。
所述接收单元802用于接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，例如，根据结合图5中502描述的操作。所述输入单元803用于将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中，例如，根据结合图5中503描述的操作。所述预测单元804用于使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述接收的地理数据以及所述天线信息和发射功率信息的的多个卷积层，例如，根据结合图5中504描述的操作。所述预测的接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度。所述输出单元806用于将所述预测的接收信号强度(例如，通过用户接口或通信接口)输出到显示器、屏幕、数据存储器或远程设备(例如，根据结合图5中506描述的操作)。所述规划单元808用于基于所述预测的接收信号强度来执行所述地理区域的站点规划，所述预测的接收信号强度表示在所述地理区域中不同位置接收的无线信号的信号强度，例如，根据结合图5中508描述的操作。
图9是根据一实现方式的示出本发明描述的另一数据处理装置900的示例结构的示意图。所述数据处理装置900可用于获取训练的深度神经网络，用于预测例如电信网络中的接收信号强度。所述数据处理装置900可以是执行卷积神经网络的一个或多个处理器。所述数据处理装置900包括接收单元902、训练单元904和预测单元906。每个单元可以由一个或多个处理器(例如，所述处理器705)与一个或多个计算机存储器设备(例如，所述存储器707)互操作地耦合来实现，以执行所述功能。在一些实现方式中，每个设备都可以作为单独的模块实现。在一些实现方式中，部分或全部设备可以集成到单个模块中。在一些实现方式中，每个单元都可以在软件、硬件、FPGA(现场可编程门阵列)或在硬件、ASIC或FPGA中实现的ASIC(专用集成电路)中实现，或者通过这些和其它实现的组合来实现。
所述接收单元902用于接收第一地理数据和实际接收信号强度；所述第一地理数据接收表示第一地理区域的地理信息的第一地理数据、所述第一地理区域中第一基站的第一天线信息和发射功率信息；所述实际接收信号强度表示所述第一地理区域中的不同位置接收的无线信号的测量信号强度，例如，根据结合图6中602和604描述的操作。所述接收单元902还用于接收第二地理数据和模拟接收信号强度，所述第二地理数据表示第二地理区域的地理信息、所述第二地理数据中第二基站的第二天线信息和发射功率信息；所述模拟接收信号强度表示所述第二地理区域中的不同位置接收的无线信号的模拟信号强度，例如，根据结合图6中606和608描述的操作。
所述训练单元904用于使用所述第一地理数据、所述第一地理区域中所述第一基站的第一天线信息和发射功率信息以及所述实际接收信号强度、所述第二地理数据和所述模拟接收信号强度或其全部训练所述卷积神经网络，用于预测表示在所述第三地理区域的不同位置接收的无线信号的信号强度的接收信号强度。所述训练单元904用于训练所述卷积神经网络，例如，根据结合图6中610描述的操作。所述训练单元904用于获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层，例如，根据结合图6中612描述的操作。
所述预测单元906用于使用训练的卷积神经网络来预测接收信号强度，该信号强度表示在第三地理区域的不同位置接收的无线信号的信号强度，例如，根据结合图6中614描述的操作。
描述的所述主题实现可以单独或组合包括一个或多个功能。
例如，在第一种实现方式中，一种用于预测电信网络中的接收信号强度的计算机实现方法包括：一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述接收的地理数据以及所述天线信息和发射功率信息的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；以及输出所述预测的接收信号强度。
在第二种实现方式中，一种非瞬时性计算机可读介质存储用于预测电信网络中接收信号强度的计算机指令，所述计算机指令由一个或多个处理器执行时，使所述一个或多个处理器执行以下步骤：一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述接收的地理数据以及所述天线信息和发射功率信息的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；以及输出所述预测的接收信号强度。
在第三种实现方式中，接收信号强度预测设备，包括：非瞬时性内存存储，包括指令；以及与所述存储器通信的一个或多个处理器，其中，所述一个或多个处理器执行包括多个卷积层的卷积神经网络并执行所述指令完成以下操作：接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息；将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述地理数据的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；输出所述预测的接收信号强度。
上述和其它描述的实现方式可以分别可选地包括以下一个或多个功能。
第一功能，可与以下任一功能组合，其中所述卷积神经网络具有跨层结构，其中，通过组合所述卷积神经网络的不同深度处的两层或更多层的输出来确定与所述地理区域的所述不同位置对应的所述预测接收信号强度。
第二功能，可与以上或以下任一功能组合，其中组合所述卷积神经网络的不同深度处的两层或更多层的输出包括使用所述两层或更多层的所述输出作为输入，输入到一个或多个附加神经网络层以生成一个或多个输出。
第三功能，可与以上或以下任一功能组合，还包括基于所述预测接收信号强度执行所述地理区域的站点规划。
第四功能，可与以上或以下任一功能组合，其中所述地理数据包括地理信息系统(geographic information system，简称GIS)数据，所述地理信息系统的数据包括建筑物高度图层、地形层和杂波层中的一个或多个。
第五种功能，可与以上或以下任一功能组合，其中所述地理数据包括卫星图片和航空图片中的一个或多个。
第六功能，可与以上或以下任一功能组合，其中所述卷积神经网络通过使用模拟的路径损耗数据和实际的路径损耗数据进行训练。
第七功能，可与以上或以下任一功能组合，其中所述地理区域中所述基站的所述天线信息和发射功率信息包括自由空间接收信号强度，所述自由空间接收信号强度表示在所述地理区域中的不同位置接收的无线信号的自由空间接收信号强度，其中，所述地理区域中的所述不同位置接收的所述自由空间接收信号强度基于所述天线的发射功率、所述天线的辐射方向图以及从所述地理区域中的所述不同位置到所述基站的所述天线的相应距离计算。
第八功能，可与以上或以下任一功能组合，还包括根据所述地理数据和所述基站的所述天线信息和发射功率信息确定多维张量，其中，所述多维张量包括以下一个或多个：自由空间接收信号强度张量、水平视线角度张量、垂直视线角度张量、介电常数张量或用户设备(user equipment，简称UE)位置张量；以及基于所述接收的地理数据预测所述接收的信号强度包括基于所述多维张量预测所述接收的信号强度。
第九功能，可与以上或以下任一功能组合，还包括：计算与所述预测的接收信号强度对应的路径损耗值，所述预测的路径损耗值表示所述无线信号在所述地理区域中的所述不同位置的传播衰减。
在第四种实现方式中，一种用于训练卷积神经网络以预测电信网络中接收信号强度的计算机实现方法，包括：执行包括多个第一卷积层的卷积神经网络的一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；执行所述卷积神经网络的所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；执行所述卷积神经网络的所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
在第五种实现方式中，一种非瞬时性计算机可读介质存储用于训练卷积神经网络预测电信网络中接收信号强度的计算机指令，所述计算机指令由一个或多个处理器执行时，使所述一个或多个处理器执行以下步骤：执行包括多个第一卷积层的卷积神经网络的一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；执行所述卷积神经网络的所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；执行所述卷积神经网络的所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
在第六种实现方式中，一种用于训练卷积神经网络以预测电信网络中接收信号强度的设备，包括：非瞬时性存储器，包括指令；以及与所述存储器通信的一个或多个处理器，其中，所述一个或多个处理器执行所述指令完成以下操作：执行包括多个第一卷积层的卷积神经网络的一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；执行所述卷积神经网络的所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；执行所述卷积神经网络的所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
上述和其它描述的实现方式可以分别可选地包括以下一个或多个功能。
第一功能，可与以下任一功能组合，还包括：执行所述卷积神经网络的所述一个或多个处理器接收表示第二地理区域的地理信息的第二地理数据以及所述第二地理区域中第二基站的第二天线信息和发射功率信息；执行所述卷积神经网络的所述一个或多个处理器接收模拟接收信号强度，所述模拟接收信号强度表示在所述第二地理区域的不同位置接收的无线信号的模拟信号强度；其中，使用所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络包括使用所述第一地理数据和所述实际接收信号强度以及使用所述第二地理数据、所述第二地理区域中第二基站的所述第二天线信息和发射功率信息及所述模拟接收信号强度训练所述卷积神经网络。
第二功能，可与以上或以下任一功能组合，其中接收所述模拟接收信号强度包括：接收来自模拟器的所述模拟接收信号强度，所述模拟器估计表示在所述第二地理区域中的不同位置接收的无线信号的信号强度的接收信号强度。
第三功能，可与以上或以下任一功能组合，其中训练所述卷积神经网络包括：通过基于所述第二地理数据、所述第二地理区域中第二基站的所述第二天线信息和发射功率信息以及所述模拟接收信号强度训练所述卷积神经网络，获得第一训练卷积神经网络；基于所述第一地理数据、所述第一地理区域中所述第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度，对所述第一卷积神经网络进行微调。
第四功能，可与以上或以下任一功能组合，其中接收实际接收信号强度包括基于路测接收所述实际接收信号强度，所述路测测量在所述第一地理区域中的不同位置接收的无线信号的信号强度的接收信号强度。
第五功能，可与以上或以下任一功能组合，其中所述训练的卷积神经网络具有跨层结构，其中，通过组合所述训练的卷积神经网络的不同深度处的两层或更多层的输出，获得从所述训练的卷积神经网络输出的接收信号强度。
第六功能，可与以上或以下任一功能组合，还包括使用所述训练的卷积神经网络预测所述接收信号强度，所述接收信号强度表示在所述第三地理区域的不同位置接收的无线信号的信号强度。
本规范中描述的主题和功能操作的实现可以在数字电子电路、有形的计算机软件或固件、计算机硬件(包括本规范中公开的结构及其结构等同物)中实现，也可以以一种或多种的组合实现。本说明书中描述的主题的实现可实现为一个或多个计算机程序，即一个或多个计算机程序指令模块，编码在有形的、非瞬时性的、计算机可读的计算机存储介质上，以便由数据处理设备执行或控制数据处理设备的操作。可替代或附加地，所述程序指令可以在人为产生的传播信号(例如，机器产生的电、光或电磁信号)中编码，所述电、光或电磁信号用于编码信息以传输到合适的接收器设备，以便由数据处理设备执行。所述计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行访问存储器设备或计算机存储介质的组合。
所述术语“实时”、“实时(快速)时间(real(fast)time，简称RFT)”、“接近(快速)实时(near(ly)real-time，简称NRT)”、“准实时”或类似术语(本领域普通技术人员理解)意味着，动作和响应在时间上接近，从而使个人能够感知大量同时发生的动作和响应。例如，在个人访问数据的操作后，响应显示(或启动显示)数据的时间差可能小于1毫秒，小于1秒。，或少于5秒。虽然请求的数据不需要立即显示(或为显示而启动)，但显示(或为显示而启动)时不需要任何故意延迟，同时考虑到所述计算系统的处理限制以及收集、准确测量、分析、处理、存储或传输数据所需的时间。
所述术语“数据处理装置”、“计算机”或“电子计算机设备”(或本领域普通技术人员理解的同等术语)指的是数据处理硬件，包括用于处理数据的各种装置、设备和机器，包括例如可编程处理器、计算机或多个处理器或计算机。所述设备还可以包括或进一步包括专用逻辑电路，例如中央处理器(central processing unit，简称CPU)、FPGA(现场可编程门阵列)或ASIC(专用集成电路)。在一些实现方式中，所述数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合)可基于硬件或软件(或基于硬件和软件的组合)。所述设备可以选择包括为计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或执行环境的组合的代码。本发明考虑使用具有或不具有常规操作系统的数据处理设备，例如LINUX、UNIX、WINDOWS、MAC OS、ANDROID、IOS或任何其它合适的常规操作系统。
计算机程序，也可以被称为或描述为程序、软件、软件应用、模块、软件模块、脚本或代码，可以用任何形式的编程语言(包括编译或解释语言)编写，也可以用声明式或程序语言编写，并且可以以任何形式部署，包括作为独立程序或模块、组件、子程序、或适合在计算环境中使用的其它设备。计算机程序可以(但不需要)与文件系统中的文件相对应。程序可以存储在文件的一部分中，其中包含其它程序或数据，例如存储在标记语言文档中、专用于该程序的单个文件中或多个协调文件(存储一个或多个模块、子程序或部分代码的文件)中的一个或多个脚本。计算机程序可以部署在一台计算机或位于一个站点或分布在多个站点并通过通信网络互连的多个计算机上。虽然各图中所示的部分程序显示为通过各种对象、方法或其它过程实现各种功能和功能的单独模块，但这些程序可包括多个子模块、第三方服务、组件、库等(视情况而定)。相反，各种组件的特性和功能可以酌情组合为单个组件。用于进行计算确定的阈值可以是静态、动态的，也可以是静态和动态地确定的。
本规范中描述的方法、过程或逻辑流可以由一台或多台可编程计算机执行，这些计算机执行一个或多台计算机程序，通过对输入数据进行操作并生成输出来执行功能。所述方法、过程或逻辑流也可以由专用逻辑电路(例如CPU、FPGA或ASIC)执行，装置也可以实现为所述专用逻辑电路。
适合执行计算机程序的计算机可以基于通用或专用微处理器(包括通用微处理器或任何其它类型的CPU)。通常，CPU将从只读存储器(read-only memory，简称ROM)或随机存取存储器(random access memory，简称RAM)接收指令和数据，或者两者兼有。计算机中的元件包括CPU(用于执行或执行指令)和存储指令和数据的一个或多个存储器设备。通常，计算机还将包括或可操作地耦合到从一个或多个大容量存储设备接收数据或将数据传输到两个或两个设备以存储数据，例如磁光盘、磁光盘或光盘。但是，计算机不需要使用此类设备。此外，计算机可以嵌入到其它设备中，例如移动电话、个人数字助理(personal digitalassistant，简称PDA)、移动音频或视频播放器、游戏控制台、全球定位系统(globalpositioning system，简称GPS)接收器或便携式存储设备(例如通用串行总线(universalserial bus，简称USB)闪存驱动器)，仅举几个例子。
适用于存储计算机程序指令和数据的计算机可读介质(如适用的瞬时性或非瞬时性)包括所有形式的非易失性存储器、介质和存储器设备，包括例如半导体存储器设备，例如可擦除可编程只读存储器(erasable programmable read-only memory，简称EPROM)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称EEPROM)和闪存设备；磁盘，例如内部硬盘或可移动磁盘；磁光盘；和CDROM、DVD+/-R、DVD-RAM和DVD-ROM磁盘。所述存储器可以存储各种对象或数据，包括缓存、类、框架、应用、备份数据、作业、网页、网页模板、数据库表、存储动态信息的存储库以及任何其它适当信息，包括任何参数、变量、算法、指令、规则、约束或其引用。此外，所述存储器可包括任何其它适当的数据，例如日志、策略、安全或访问数据、报告文件以及其它数据。所述处理器和存储器可由专用逻辑电路补充或并入。
为了提供与用户交互，本规范中所述主题的实现可以在计算机中实现，所述计算机具有向所述用户显示信息的显示设备(例如CRT(阴极射线管)、LCD(液晶显示器)、LED(发光二极管)或等离子显示器)以及所述用户可以向计算机提供输入的键盘和指向设备，例如鼠标、跟踪球、跟踪板。还可以使用触摸屏向所述计算机提供输入，例如具有压力灵敏度的平板电脑表面、使用电容式或电感应式多点触控屏幕或其它类型的触摸屏。其它类型的设备也可用于提供与用户交互；例如，提供给所述用户的反馈可以是任何形式的感觉反馈，例如视觉反馈、听觉反馈或触觉反馈；所述用户的输入可以以任何形式接收，包括声音、语音或触觉输入。此外，计算机可以通过向用户使用的设备发送和接收文档来与所述用户交互；例如，通过向所述用户客户端设备上的网络浏览器发送网页来响应从所述网络浏览器接收的请求。
所述术语“图形用户界面”即“GUI”可以用单数或多数来描述一个或多个图形用户界面以及特定图形用户界面的每个显示。因此，所述GUI可以表示任何图形用户界面，包括但不限于网络浏览器、触摸屏或命令行界面(command line interface，简称CLI)，用于处理信息并将信息结果有效地呈现给用户。通常，GUI可包括许多用户界面(user interface，简称UI)元素，其部分或全部与网络浏览器关联，例如交互字段、下拉列表和按钮。这些和其它UI元素可与所述网络浏览器的功能相关或表示这些功能。
本说明书中描述的主题的实现可以在计算系统中实现，所述计算系统包括后端组件(例如，作为数据服务器)，或者包括中间件组件(例如，应用服务器)，或者包括前端组件，例如，客户端计算机具有用户可以通过该客户端计算机与本说明书中描述的主题的实现交互的图形用户界面或网络浏览器，或一个或多个此类后端、中间件或前端组件的任意组合。所述系统的组件可以通过有线或无线数字数据通信(或数据通信的组合)的任何形式或介质互连，例如通信网络。通信网络的示例包括局域网(local area network，简称LAN)、无线接入网络(radio access network，简称RAN)、城域网(metropolitan area network，简称MAN)、广域网(wide area network，简称WAN)、全球微波接入互操作性(WorldwideInteroperability for Microwave Access，简称WIMAX)、无线局域网(wireless localarea network，简称WLAN)，例如使用802.11a/b/g/n或802.20(或802.11x和802.20的组合或与本发明一致的其它协议)，互联网的全部或部分，或一个或多个位置的任何其它通信系统(或通信网络的组合)。所述网络可以与例如互联网协议(Internet Protocol，简称IP)数据包、帧中继帧、异步传输模式(Asynchronous Transfer Mode，简称ATM)信元、语音、视频、数据或网络地址之间的其它适当信息(或通信类型的组合)进行通信。
所述计算系统可以包括客户端和服务器。客户端和服务器通常彼此远程，通常通过通信网络进行交互。客户端和服务器之间的关系是由于各自计算机上运行的计算机程序以及彼此之间具有客户端-服务器关系而产生的。
虽然本规范包含许多具体实现细节，但这些不应理解为对任何发明的范围或可能要求的范围的限制，而应理解为特定于特定发明的特定实现的功能的描述。在本规范中在单独实施的背景下描述的某些功能也可以在单个实现中结合实现。相反地，在单个实现环境中描述的各种功能也可以在多个实现中单独实现，也可以在任何合适的子组合中实现。此外，尽管可以将之前描述的功能描述为在某些组合中起作用，甚至最初声明为这样，但在某些情况下，可以从组合中删除来自声明的组合的一个或多个功能，并且声明的组合可以指向子组合的子组合或变体。
本主题的特定实现已描述完。其它实施、更改和排列所描述的实现都在以下权利要求的范围内，这对于本领域技术人员来说是显而易见的。虽然操作按特定顺序在附图或权利要求书中进行了描述，但这不应理解为要求按所示的特定顺序或顺序执行此类操作，或要求执行所有所示操作(某些操作可能被视为可选操作)，以获得期望的结果。在某些情况下，多任务处理或并行处理(或多任务处理和并行处理的组合)可能是有利的，并可酌情执行。
此外，在之前描述的实现中，各种系统模块和组件的分离或集成不应理解为需要在所述实现中进行此类分离或集成，应理解的是，所描述的程序组件和系统通常可以集成在单个软件产品中，或封装在多个软件产品中。
因此，上述示例实现并未定义或限制本发明。在不脱离本发明的精神和范围的情况下，也可以进行其它更改、替换和变更。
此外，任何声明的实现被认为适用于至少一种计算机实现方法；一种存储计算机可读指令的非瞬时性计算机可读介质，用于执行所述计算机实现的方法；以及一种计算机系统，包括计算机存储器，所述计算机存储器可互操作地与硬件处理器耦合，所述硬件处理器用于执行所述计算机实现的方法或存储在所述非瞬时性计算机可读介质上的所述指令。

Claims (20)

1.一种用于预测电信网络中的接收信号强度的计算机实现方法，其特征在于，包括：
一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；
所述一个或多个处理器将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；
执行所述卷积神经网络的所述一个或多个处理器使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述地理数据以及所述天线信息和发射功率信息的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；
所述一个或多个处理器输出所述预测的接收信号强度。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络具有跨层结构，其中，通过组合所述卷积神经网络的不同深度处的两层或更多层的输出来确定与所述地理区域的所述不同位置对应的所述预测接收信号强度。
3.根据权利要求2所述的方法，其特征在于，组合所述卷积神经网络的不同深度处的两层或更多层的输出包括使用所述两层或更多层的所述输出作为输入，输入到一个或多个附加神经网络层以生成一个或多个输出。
4.根据权利要求1所述的方法，其特征在于，还包括基于所述预测接收信号强度执行所述地理区域的站点规划。
5.根据权利要求1所述的方法，其特征在于，所述地理数据包括地理信息系统GIS的数据，所述地理信息系统的数据包括建筑物高度图层、地形层和杂波层中的一个或多个。
6.根据权利要求1所述的方法，其特征在于，所述地理数据包括卫星图片和航空图片中的一个或多个。
7.根据权利要求1所述的方法，其特征在于，所述卷积神经网络通过使用模拟的路径损耗数据和实际的路径损耗数据进行训练。
8.根据权利要求1所述的方法，其特征在于，所述地理区域中所述基站的所述天线信息和发射功率信息包括自由空间接收信号强度，所述自由空间接收信号强度表示在所述地理区域中的不同位置接收的无线信号的自由空间接收信号强度，其中，所述地理区域中的所述不同位置接收的所述自由空间接收信号强度基于所述天线的发射功率、所述天线的辐射方向图以及从所述地理区域中的所述不同位置到所述基站的所述天线的相应距离计算。
9.根据权利要求1所述的方法，其特征在于，还包括：
根据所述地理数据和所述基站的所述天线信息和发射功率信息确定多维张量，其中，所述多维张量包括以下一个或多个：自由空间接收信号强度张量、水平视线角度张量、垂直视线角度张量、介电常数张量或用户设备(user equipment，简称UE)位置张量；
其中，基于所述接收的地理数据预测所述接收的信号强度包括基于所述多维张量预测所述接收的信号强度。
10.根据权利要求1所述的方法，其特征在于，还包括：计算与所述预测的接收信号强度对应的路径损耗值，所述预测的路径损耗值表示所述无线信号在所述地理区域中的所述不同位置的传播衰减。
11.一种用于训练卷积神经网络以预测电信网络中接收信号强度的计算机实现方法，其特征在于，包括：
一个或多个处理器接收表示第一地理区域的地理信息的第一地理数据以及所述第一地理区域中第一基站的第一天线信息和发射功率信息，所述一个或多个处理器用于执行包括多个第一卷积层的卷积神经网络；
所述一个或多个处理器接收实际接收信号强度，所述实际接收信号强度表示在所述第一地理区域的不同位置接收的无线信号的测量信号强度；
所述一个或多个处理器使用所述第一地理数据、所述第一地理区域中第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度训练所述卷积神经网络，所述实际接收信号强度用于预测第三地理区域中不同位置接收的无线信号的信号强度的接收信号强度；
所述一个或多个处理器获取训练的卷积神经网络，所述训练的卷积神经网络包括多个第二卷积层。
12.根据权利要求11所述的方法，其特征在于，还包括：
所述一个或多个处理器接收表示第二地理区域的地理信息的第二地理数据以及所述第二地理区域中第二基站的第二天线信息和发射功率信息；
所述一个或多个处理器接收模拟接收信号强度，所述模拟接收信号强度表示在所述第二地理区域的不同位置接收的无线信号的模拟信号强度；
其中，使用所述第一地理数据和所述实际接收信号强度训练所述卷积神经网络包括使用所述第一地理数据、所述第一地理区域中第一基站的所述第一天线信息和发射功率信息及所述实际接收信号强度以及使用所述第二地理数据、所述第二地理区域中第二基站的所述第二天线信息和发射功率信息及所述模拟接收信号强度训练所述卷积神经网络。
13.根据权利要求12所述的方法，其特征在于，接收所述模拟接收信号强度包括：接收来自模拟器的所述模拟接收信号强度，所述模拟器估计表示在所述第二地理区域中的不同位置接收的无线信号的信号强度的接收信号强度。
14.根据权利要求12所述的方法，其特征在于，训练所述卷积神经网络包括：
通过基于所述第二地理数据、所述第二地理区域中第二基站的所述第二天线信息和发射功率信息以及所述模拟接收信号强度训练所述卷积神经网络，获得第一训练卷积神经网络；
基于所述第一地理数据、所述第一地理区域中第一基站的所述第一天线信息和发射功率信息以及所述实际接收信号强度，对所述第一卷积神经网络进行微调。
15.根据权利要求11所述的方法，其特征在于，接收实际接收信号强度包括基于路测接收所述实际接收信号强度，所述路测测量在所述第一地理区域中的不同位置接收的无线信号的信号强度的接收信号强度。
16.根据权利要求11所述的方法，其特征在于，所述训练的卷积神0经网络具有跨层结构，其中，通过组合所述训练的卷积神经网络的不同深度处的两层或更多层的输出，获得从所述训练的卷积神经网络输出的接收信号强度。
17.根据权利要求11所述的方法，其特征在于，还包括使用所述训练的卷积神经网络预测所述接收信号强度，所述接收信号强度表示在所述第三地理区域的不同位置接收的无线信号的信号强度。
18.一种非瞬时性计算机可读介质，其特征在于，存储用于预测电信网络中接收信号强度的计算机指令，所述计算机指令由一个或多个处理器执行时，使所述一个或多个处理器执行以下步骤：
一个或多个处理器接收表示地理区域的地理信息的地理数据以及所述地理区域中基站的天线信息和发射功率信息，所述一个或多个处理器用于执行卷积神经网络；
所述一个或多个处理器将所述地理数据以及所述天线信息和发射功率信息输入所述卷积神经网络中；
执行所述卷积神经网络的所述一个或多个处理器使用所述卷积神经网络预测接收信号强度，所述卷积神经网络包括基于所述地理数据的多个卷积层，所述接收信号强度表示在所述地理区域的不同位置接收的无线信号的信号强度；
所述一个或多个处理器输出所述预测的接收信号强度。
19.根据权利要求18所述的非瞬时性计算机可读介质，其特征在于，所述卷积神经网络具有跨层结构，其中，通过组合所述卷积神经网络的不同深度处的两层或更多层的输出来确定与所述地理区域的所述不同位置对应的所述预测接收信号强度。
20.根据权利要求18所述的非瞬时性计算机可读介质，其特征在于，所述步骤还包括基于预测的接收信号强度执行所述地理区域的站点规划。
CN201880038250.0A 2017-11-15 2018-11-14 使用深度神经网络预测电信网络中的接收信号强度 Active CN110731096B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/814,074 US10555192B2 (en) 2017-11-15 2017-11-15 Predicting received signal strength in a telecommunication network using deep neural networks
US15/814,074 2017-11-15
PCT/CN2018/115485 WO2019096173A1 (en) 2017-11-15 2018-11-14 Predicting received signal strength in a telecommunication network using deep neural networks

Publications (2)

Publication Number Publication Date
CN110731096A true CN110731096A (zh) 2020-01-24
CN110731096B CN110731096B (zh) 2021-06-01

Family

ID=66431584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880038250.0A Active CN110731096B (zh) 2017-11-15 2018-11-14 使用深度神经网络预测电信网络中的接收信号强度

Country Status (3)

Country Link
US (1) US10555192B2 (zh)
CN (1) CN110731096B (zh)
WO (1) WO2019096173A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624634A (zh) * 2020-05-11 2020-09-04 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN111884939A (zh) * 2020-08-31 2020-11-03 广州文远知行科技有限公司 数据传输方法、装置、可移动载体和存储介质
CN112272074A (zh) * 2020-10-27 2021-01-26 国网内蒙古东部电力有限公司电力科学研究院 一种基于神经网络的信息传输速率控制方法及系统
CN113259941A (zh) * 2021-05-12 2021-08-13 上海交通大学 基于反向散射波束成形的调节无线设备通信安全性的系统
CN116743286A (zh) * 2023-06-12 2023-09-12 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018117320A (ja) * 2017-01-20 2018-07-26 株式会社東芝 電子ミラーの映像合成装置及び映像合成方法
US11537869B2 (en) * 2017-02-17 2022-12-27 Twitter, Inc. Difference metric for machine learning-based processing systems
US10892834B2 (en) 2018-09-18 2021-01-12 International Business Machines Corporation Method and system for determining signal strength for a mobile device
US11233593B2 (en) * 2018-12-11 2022-01-25 At&T Intellectual Property I, L.P. Signal strength prediction based on line of sight analysis
US10655971B1 (en) * 2019-05-01 2020-05-19 Mapsted Corp. Maintaining a trained neural network for mobile device RSS fingerprint based indoor navigation
CN111954206B (zh) * 2019-05-17 2024-04-09 株式会社Ntt都科摩 终端和基站
CN112218306B (zh) * 2019-07-09 2022-09-23 中国移动通信集团江西有限公司 基站覆盖性能的预测方法、装置和计算机设备
CN110430596B (zh) * 2019-08-06 2022-10-04 中国联合网络通信集团有限公司 无线信号覆盖区域的质量评估方法、装置及可读存储介质
GB2586868A (en) * 2019-09-06 2021-03-10 Nec Corp Coverage and capacity optimisation using deep reinforcement learning
WO2021062752A1 (zh) * 2019-09-30 2021-04-08 华为技术有限公司 一种通信方法及装置
KR20210042717A (ko) * 2019-10-10 2021-04-20 삼성전자주식회사 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치
WO2021068194A1 (zh) * 2019-10-11 2021-04-15 深圳信息职业技术学院 天线信号处理模型的训练方法、装置、天线及存储介质
US20210242951A1 (en) * 2020-01-31 2021-08-05 Trakpoint Solutions, Inc. Distributed signal processing for radiofrequency indoor localization
JP7468107B2 (ja) 2020-04-16 2024-04-16 日本電気株式会社 電波強度推定装置、位置推定システム、位置推定方法、電波強度推定方法およびプログラム
US11546070B1 (en) * 2020-05-01 2023-01-03 University Of South Florida Method of selecting an optimal propagated base signal using artificial neural networks
CN113726544A (zh) * 2020-05-26 2021-11-30 中兴通讯股份有限公司 预测覆盖指标的方法、模型训练方法和装置、设备、介质
CN111814953B (zh) * 2020-06-16 2024-02-13 上海瀚讯信息技术股份有限公司 一种基于通道剪枝的深度卷积神经网络模型的定位方法
DE102020117377A1 (de) * 2020-07-01 2022-01-05 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung für einen Empfänger zur Ortung einer Authentifizierungseinheit eines Kraftfahrzeugs
CN112261719B (zh) * 2020-07-24 2022-02-11 大连理智科技有限公司 一种slam技术结合深度学习的区域定位方法
US11528620B2 (en) * 2020-08-14 2022-12-13 Samsung Electronics Co., Ltd. Generating and calibrating signal strength prediction in a wireless network
EP4002911A1 (en) 2020-11-13 2022-05-25 Robert Bosch GmbH Apparatuses and methods to determine a high-resolution qos prediction map
US11601209B2 (en) * 2020-11-25 2023-03-07 At&T Intellectual Property I, L.P. Modeling radio wave propagation in a fifth generation (5G) or other next generation network
CN113222250B (zh) * 2021-05-13 2022-08-05 中国工程物理研究院激光聚变研究中心 基于卷积神经网络的大功率激光装置输出波形预测方法
US11888544B2 (en) * 2021-06-14 2024-01-30 Google Llc Selection of physics-specific model for determination of characteristics of radio frequency signal propagation
CN113612555B (zh) * 2021-08-19 2022-06-07 江西赛柏科技有限公司 基于移动终端无线射频信号强度的智能标定方法及系统
US11856412B2 (en) 2021-12-17 2023-12-26 T-Mobile Usa, Inc. Telecommunications network planning system
CN114520978B (zh) * 2021-12-18 2022-11-18 哈尔滨翰才科技有限公司 一种在网络规划仿真中自动布置基站的方法及系统
CN114866386B (zh) * 2022-05-26 2023-02-10 电子科技大学 一种高速磁悬浮车地通信系统频率自适应信道改善方法
WO2023244149A1 (en) * 2022-06-17 2023-12-21 Telefonaktiebolaget Lm Ericsson (Publ) Preparing cell measurement data and evaluating performance of a cell in a communication network using a machine learning model

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533554A (zh) * 2013-10-21 2014-01-22 上海邮电设计咨询研究院有限公司 一种基于3g路测数据预测4g lte网络覆盖的方法
US20160242192A1 (en) * 2015-02-17 2016-08-18 Sr Technologies, Inc. Estimation of wireless signal strength at a distance from distributed survey
CN106471526A (zh) * 2014-08-29 2017-03-01 谷歌公司 使用深度神经网络来处理图像
CN106599883A (zh) * 2017-03-08 2017-04-26 王华锋 一种基于cnn的多层次图像语义的人脸识别方法
CN106792769A (zh) * 2016-11-22 2017-05-31 上海斐讯数据通信技术有限公司 一种WiFi定位方法及服务器及定位模型建立方法
US20170280332A1 (en) * 2016-03-24 2017-09-28 International Business Machines Corporation Visual representation of signal strength using machine learning models

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102088319B (zh) 2009-12-02 2014-04-02 华为技术有限公司 一种信号损伤补偿方法、装置和光接收机
US10467493B2 (en) * 2017-07-14 2019-11-05 Google Llc Object detection using neural network systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533554A (zh) * 2013-10-21 2014-01-22 上海邮电设计咨询研究院有限公司 一种基于3g路测数据预测4g lte网络覆盖的方法
CN106471526A (zh) * 2014-08-29 2017-03-01 谷歌公司 使用深度神经网络来处理图像
US20160242192A1 (en) * 2015-02-17 2016-08-18 Sr Technologies, Inc. Estimation of wireless signal strength at a distance from distributed survey
US20170280332A1 (en) * 2016-03-24 2017-09-28 International Business Machines Corporation Visual representation of signal strength using machine learning models
CN106792769A (zh) * 2016-11-22 2017-05-31 上海斐讯数据通信技术有限公司 一种WiFi定位方法及服务器及定位模型建立方法
CN106599883A (zh) * 2017-03-08 2017-04-26 王华锋 一种基于cnn的多层次图像语义的人脸识别方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624634A (zh) * 2020-05-11 2020-09-04 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN111884939A (zh) * 2020-08-31 2020-11-03 广州文远知行科技有限公司 数据传输方法、装置、可移动载体和存储介质
CN112272074A (zh) * 2020-10-27 2021-01-26 国网内蒙古东部电力有限公司电力科学研究院 一种基于神经网络的信息传输速率控制方法及系统
CN112272074B (zh) * 2020-10-27 2022-11-25 国网内蒙古东部电力有限公司电力科学研究院 一种基于神经网络的信息传输速率控制方法及系统
CN113259941A (zh) * 2021-05-12 2021-08-13 上海交通大学 基于反向散射波束成形的调节无线设备通信安全性的系统
CN113259941B (zh) * 2021-05-12 2023-02-17 上海交通大学 基于反向散射波束成形的调节无线设备通信安全性的系统
CN116743286A (zh) * 2023-06-12 2023-09-12 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置
CN116743286B (zh) * 2023-06-12 2024-01-30 广东技术师范大学 基于自注意力机制的无线信号接收强度预测方法及装置

Also Published As

Publication number Publication date
US20190150006A1 (en) 2019-05-16
US10555192B2 (en) 2020-02-04
WO2019096173A1 (en) 2019-05-23
CN110731096B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN110731096B (zh) 使用深度神经网络预测电信网络中的接收信号强度
Levie et al. RadioUNet: Fast radio map estimation with convolutional neural networks
CN109891781B (zh) 考虑物体的材质和轮廓分析通信信道的方法和装置
EP2659697B1 (en) Method for the prediction of coverage areas of a cellular network
CN113329437B (zh) 无线网络信号传播路径损耗预测方法及电子设备
CN113064117B (zh) 一种基于深度学习的辐射源定位方法及装置
CN109874146A (zh) 一种预测路损的方法及装置
CN111968229A (zh) 高精度地图制图方法及装置
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
JP2019211342A (ja) 気象解析装置、気象解析方法、およびプログラム
KR102553327B1 (ko) 영상 처리 방법, 상기 방법을 기록한 컴퓨터 판독 가능 저장 매체 및 영상 처리 장치.
CN112634340A (zh) 基于点云数据确定bim模型的方法、装置、设备和介质
JP6696859B2 (ja) 品質推定装置及び品質推定方法
TW201835607A (zh) 氣象預測裝置、氣象預測方法及氣象預測程式
CN114611388B (zh) 基于人工智能的无线信道特征筛选方法
CN113644996B (zh) 基于深度学习的小区级rsrp估计方法
Kao et al. Using a least squares support vector machine to estimate a local geometric geoid model
Cheng et al. CNN-based indoor path loss modeling with reconstruction of input images
KR102211847B1 (ko) 경로 손실 지수 예측 시스템 및 방법
CN113938895B (zh) 铁路无线信号的预测方法、装置、电子设备及存储介质
He et al. Radio propagation modeling and real test of ZigBee based indoor wireless sensor networks
Islam et al. Efficient and accurate ray tracing method for indoor radio wave propagation prediction in presence of human body movement
Arnold et al. Vision-Assisted Digital Twin Creation for mmWave Beam Management
Yu Radiomap Inpainting in Protected Areas: Algorithm Study and Open-source Dataset
Sun et al. Application of VR Technology in the Optimization Modeling of Port Wave-proof Building

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