CN110990500B - 传播路径模型地图建立方法及路径损耗确定方法 - Google Patents

Abstract

本发明提供了一种传播路径模型地图建立方法及路径损耗确定方法，上述传播路径模型地图建立方法包括：确定目标地理区域的范围；将所述目标地理区域划分为多个个体；针对任意两个相邻所述个体进行检测，获取任意两个相邻所述个体对应的基础路径损耗值；基于每对相邻所述个体对应的基础路径损耗值进行深度神经网络计算，获取每对相邻所述个体对应的模型路径损耗值；保存每对相邻所述个体对应的模型路径损耗值，生成所述目标地理区域的传播路径模型地图。本发明提供的技术方案大大提高了确定路径损耗值的效率，减少了人、财、物和时间的不必要浪费，提高了无线电管理的工作效率，完善了无线电管理体制。

Description

传播路径模型地图建立方法及路径损耗确定方法

技术领域

本发明涉及无线通信领域，特别是涉及一种传播路径模型地图建立方法及路径损耗确定方法。

背景技术

无线电波具有频率f、波长λ、传播速率ν和相关单位dB/dBm等基本概念，实际应用中，通过对上述基本概念的定性或定量描述实现对无线电波的区分。

根据无线电收发设备所在位置是否在视线范围内，无线电波传播途径可划分为视距传播和非视距传播。但是在实际应用中，无线电波传播路径复杂，无线电波经过直射、反射、绕射、散射和穿透多条途径传播到达接收端。

无线电管理系统中涉及干扰共存分析，需要确定无线电发射设备技术指标、无线电接收设备技术指标和传输路径模型三大因素。无线电发射设备和无线电接收设备在已符合《中华人民共和国无线电管理条例》等文件的情况下，两者的技术指标可通过查询有关技术文件和标准获得标准值；传输路径模型包括确定性模型和经验模型。不同传输环境对信号损耗的程度不同，因此，传输路径模型的确定对分析结果至关重要。

无线电发射设备技术指标和无线电接收设备技术指标的实际值与标准值相差不大，其差值对干扰共存分析结果的影响可忽略不计。但是，传输环境中建筑物密度、建筑物材料、空气湿度等外界因素均对实际无线电信号产生不同程度的干扰，使得确定性模型与经验模型可能相差较大。传输路径损耗对干扰共存分析结果的影响较大，在实际应用中，应选取经验模型进行干扰共存分析。传统经验模型是针对某一特定无线电收发设备，在特定距离下，通过多次测量获得的功率损耗值，即传统经验模型仅是具体两地点之间，在某一工作频点时的传输损耗，不具备移植性。

发明内容

本发明提供了一种传播路径模型地图建立方法及路径损耗确定方法以克服上述问题或者至少部分地解决上述问题。

根据本发明的一个方面，提供了一种传播路径模型地图建立方法，包括：

确定目标地理区域的范围；

将所述目标地理区域划分为多个个体；

针对任意两个相邻所述个体进行检测，获取任意两个相邻所述个体对应的基础路径损耗值；

基于每对相邻所述个体对应的基础路径损耗值进行深度神经网络计算，获取每对相邻所述个体对应的模型路径损耗值；

保存每对相邻所述个体对应的模型路径损耗值，生成所述目标地理区域的传播路径模型地图。

可选的，所述将所述目标地理区域划分为多个个体，包括：

以网格的形式将所述目标地理区域划分为多个个体。

可选的，所述基于每对相邻所述个体对应的基础路径损耗值进行深度神经网络计算，包括：

基于所述基础路径损耗值，采用贪婪逐层预训练算法对深度神经网络参数进行初始化；

进行深度神经网络模型训练，逐层对深度神经网络参数进行调整，将所述深度神经网络模型拟合至逼近真实模型。

可选的，所述基于所述基础路径损耗值，采用贪婪逐层预训练算法对深度神经网络参数进行初始化，包括：

将所述基础路径损耗值传输到深度神经网络的输入层，作为隐藏层第一层的可观察数据；

采用无监督学习算法对所述隐藏层第一层的可观察数据进行训练，生成隐藏层第一层的初始参数；

将所述隐藏层第一层的初始参数作为隐藏层第二层的可观察数据，继续采用所述无监督学习算法对所述隐藏层第二层进行训练，生成所述隐藏层第二层的初始参数；

重复上述步骤直至初始化隐藏层所有层，得到各层初始化参数；

将隐藏层最后一层初始化参数输入到深度神经网络的输出层，采用监督学习算法初始化输出层参数。

可选的，在所述生成所述目标地理区域的传播路径模型地图之后，还包括：

重复执行获取所述基础路径损耗值并计算相应模型路径损耗值的步骤，对所述传播路径模型地图进行更新。

根据本发明的另一个方面，还提供了一种路径损耗确定方法，包括：

基于上述任一项传播路径模型地图建立方法建立传播路径模型地图；

基于无线电的实际传播路径，以所述个体为单位，在所述传播路径模型地图上拟合出对应于所述实际传播路径的传播路径模型；

基于所述传播路径模型包括的各个所述个体，对所述传播路径模型包括的每对相邻个体对应的模型路径损耗值进行求和，将求和的结果作为所述实际传播路径的路径损耗值。

基于本发明提供的技术方案，通过建立传播路径模型地图，用户可以随时查询覆盖范围内任意两地点间的传播路径模型，大大提高了确定路径损耗值的效率，减少了人、财、物和时间的不必要浪费，提高了无线电管理的工作效率，完善了无线电管理体制。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是根据本发明实施例的传播路径模型地图建立方法的流程图；

图2是根据本发明实施例的以网格的形式划分个体并确定传播路径模型的示意图；

图3是深度学习神经网络的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要说明是的，在不冲突的前提下，本发明实施例和优选实施例中的技术特征可以相互结合。

自由空间传播模型用于预测接收机和发射机之间在完全无阻挡的视距路径时的接收信号强度。路径损耗表示经过传播后的信号衰减程度，单位为dB，定义为有效发射功率和接收功率之间的差值。自由空间中的无线电波传播是最简单、最基本的传播模式，无线电波的自由空间路径损耗模型(1)所示。

其中，PL为路径损耗值；P_t为发射功率；P_r为接收功率；G_t为发射天线增益；G_r为接收天线增益；λ为无线电波长；d为发射机和接收机之间的距离。根据式(1)可知，无线电波传播损耗仅与传播距离和无线电波频率有关。

自由空间路径损耗模型无法作为实际传播空间中无线电波路径损耗的衡量模型，实际无线传播空间中的无线电环境复杂度较高，路径损耗受到多方面的影响。实际视距和非视距传播环境中，无线电波的实际传播方式包括直射、反射、绕射、散射和穿透，不同传播方式的路径损耗程度模型不同；同时，陆地移动通信中的无线电波传播具有环境复杂性高、移动设备随机移动性大、波导效应和人为噪声严重等特点；高大建筑物和大气折射条件变换引起的慢衰落，无线电波多径传播引起的快衰落。

由此可知，根据固定路径损耗模型描述不同实际场景中的路径损耗大小，是不合理的。

针对上述问题，本实施例提供了一种传播路径模型地图建立方法。图1是根据本发明实施例的传播路径模型地图建立方法的流程图。如图1，所示，根据本发明实施例的传播路径模型地图建立方法包括：

步骤S102，确定目标地理区域的范围；

步骤S104，将目标地理区域划分为多个个体；

步骤S106，针对任意两个相邻个体进行检测，获取任意两个相邻个体对应的基础路径损耗值；

步骤S108，基于每对相邻个体对应的基础路径损耗值进行深度神经网络计算，获取每对相邻个体对应的模型路径损耗值；

步骤S110，保存每对相邻个体对应的模型路径损耗值，生成目标地理区域的传播路径模型地图。

在本实施例中，“个体”是建立传播路径模型地图的基本单位，是使用特定的几何形状对地理区域进行划分得到的一个个更小的地理区域。优选的，如图2所示，在上述步骤S104中，可以以网格的形式将所述目标地理区域划分为多个个体。以网格的形式划分出的个体，每个个体都具有8个相邻的个体，为建立传播路径模型地图，任意两个相邻的个体对应的模型路径损耗值都需要计算并保存。

另外，网格的大小是可以灵活调整的。传播路径模型地图的建立是一个由粗到精的过程，建设初期以个体较大的网格对覆盖区域进行划分，后期对网格继续进行精细划分，不断提升传播路径模型地图的精确度和准确性。

而为了尽可能准确地确定个体的模型路径损耗值，本实施例采用了深度学习算法来计算个体的模型路径损耗值。深度学习是一种通过学习深度非线性网络结构实现复杂函数拟合的人工智能学习方法，其实质是一种深度神经网络学习算法，深度神经网络结构包括输入层、隐藏层和输出层三部分，如图3所示。其中，输入层是学习的输入数据，隐藏层进行输入数据的特征提取和分析，输出层是学习的输出数据。深度神经网络的完备性，使其可以表征任何函数，因此通过多层调参和不同网络结构能够实现对任意函数的拟合。

贪婪逐层预训练算法是一种无监督学习算法，基于贪婪逐层预训练算法的无监督深度学习方法，利用结构上层的可观察信息进行逐层无监督学习，对深度神经网络进行逐层预训练，得到每层的无监督初始化参数。采用贪婪逐层预训练算法的半监督算法对隐藏层采用无监督训练学习方法，对输出层采用有监督学习方法，能够得到更优的学习结果。

基于上述技术，优选的，步骤S108可以包括：

基于基础路径损耗值，采用贪婪逐层预训练算法对深度神经网络参数进行初始化

进行深度神经网络模型训练，逐层对深度神经网络参数进行调整，将深度神经网络模型拟合至逼近真实模型。

而上述的初始化过程可以包括：

将基础路径损耗值传输到深度神经网络的输入层，作为隐藏层第一层的可观察数据；

采用无监督学习算法对隐藏层第一层的可观察数据进行训练，生成隐藏层第一层的初始参数；

将隐藏层第一层的初始参数作为隐藏层第二层的可观察数据，继续采用无监督学习算法对隐藏层第二层进行训练，生成隐藏层第二层的初始参数；

重复上述步骤直至初始化隐藏层所有层，得到各层初始化参数；

将隐藏层最后一层初始化参数输入到深度神经网络的输出层，采用监督学习算法初始化输出层参数。

优选的，为了获得更准确的数据，在生成了目标地理区域的传播路径模型地图之后，还可以重复执行获取基础路径损耗值并计算相应模型路径损耗值的步骤，对上述传播路径模型地图进行更新。

下面通过一个具体的优选实施例对上述实施例进行说明。本优选实施例提供了一种基于半监督深度学习方法构建传播路径模型地图的方法，包括以下步骤：

1)确定划分网格的大小，每个网格的覆盖面积为传播路径模型地图的个体。

2)确定传播路径模型地图需要覆盖的地理区域范围；

3)以个体为基本单位对2)中确定的地理区域进行划分，如图2所示；

4)每个体的监测结果仅作为该个体的一组基础路径损耗值，初期建设中应排除暴雨、暴雪等异常天气情况下的监测数据；

5)深度神经网络初始化。采用贪婪逐层预训练算法对深层神经网络参数进行初始化，初始化过程如下：

a)个体监测数据(即基础路径损耗值)x传输到深度神经网络的输入层，作为隐藏层第一层的可观察数据h0(x)，即h0(x)＝x；

b)采用无监督学习算法对隐藏层第一层可观察数据h0(x)进行训练，生成隐藏层第一层的初始参数R1(h0(x))；

c)隐藏层第一层初始参数R1(h0(x))作为隐藏层第二层的可观察数据h1(x)，即h1(x)＝R1(h0(x))，继续采用无监督学习算法对隐藏层第二层进行训练，生成隐藏层第二层的初始参数R2(h1(x))；

d)重复c)中步骤初始化隐藏层所有层，得到各层初始化参数R1(h0(x))、R2(h1(x))、R3(h2(x))、…、RL(hL-1(x))；

e)隐藏层最后一层初始化参数RL(hL-1(x))输入到输出层，采用监督学习算法初始化输出层参数；

6)深度神经网络模型训练。模型训练即层层参数调整、逐渐拟合的过程，采用监督学习算法对整个深度神经网络进行微调，使神经网络模型能够逼近真实模型；

7)深度神经网络模型输出，得到个体的模型路径损耗值；

8)对地理区域范围全部个体的模型路径损耗值进行训练，得到传播路径模型地图；

9)继续收集监测数据，重复步骤5)～7)，不断优化和补充传播路径模型地图。

基于上述实施例提供的传播路径模型地图建立方法，在本发明的另一个实施例中还提供了一种路径损耗确定方法，该方法包括：

基于上述的传播路径模型地图建立方法建立传播路径模型地图；

基于无线电的实际传播路径，以个体为单位，在传播路径模型地图上拟合出对应于实际传播路径的传播路径模型；

基于传播路径模型包括的各个个体，对传播路径模型包括的每对相邻个体对应的模型路径损耗值进行求和，将求和的结果作为实际传播路径的路径损耗值。

本实施例提供了一种基于上述传播路径模型地图的路径损耗确定方法，在确定任意两个地点之间的路径损耗时，可以直接在传播路径模型地图上以个体为单位拟合出一条与这两个地点之间无线电的实际传播路径对应的传播路径模型，这个传播路径模型经过了多个个体，通过对这多个个体中每对相邻个体对应的模型路径损耗值进行求和即可确定出传播路径模型的路径损耗值，而这个路径损耗值就可以作为这两个地点之间无线电的实际传播路径对应的路径损耗值。基于本实施例提供的技术方案，用户可以随时查询覆盖范围内任意两地点间的传播路径模型，大大提高了确定路径损耗值的效率，减少了人、财、物和时间的不必要浪费，提高了无线电管理的工作效率，完善了无线电管理体制。

本发明提出传播路径模型和传播路径模型地图的概念，两者实质均为半确定性模型。传播路径模型是用确定性模型表征两相邻个体的实际路径损耗；传播路径模型地图是充分覆盖一定地理区域范围的所有传播路径损耗的确定性模型。如图2所示，将需覆盖地理区域以网格状进行划分，每个网格覆盖区域为一个个体，以个体几何中心代表该个体所覆盖的区域，基于实际的无线电传播路径(实线)，建立了经过了8个相邻个体的传播路径模型(虚线)，传播路径模型地图覆盖了所有监测频率。以A点到B点的传播路径模型为例，传统经验模型是通过将无线电发射设备和无线电接收设备分别置于A点和B点，无线电接收设备测量无线电发射设备的发射功率经过路径A→B的路径损耗PL0(实线)；利用传播路径模型地图进行路径损耗分析时，首先寻找路径A→B的近似路径，如用路径1+2+3+…+7(虚线)近似代替路径A→B，则用路径1、路径2、路径3、…、路径7(即7对相邻的个体)的模型路径损耗和代替路径A→B的实际损耗，即PL0≈PL1+PL2+PL3+…+PL7。

由上文的记载可知，本发明实施例提供的技术方案具备以下特点：

1、路径损耗模型精确度高：用多个相邻个体的传播路径拟合任意两点的传播路径，用多个传播路径损耗值代替长距离传播路径损耗值。

2、干扰共存分析效率高：将欲覆盖地理区域以网格状进行划分，传播路径模型地图已知任意两相邻网格的确定路径损耗。因此，在进行干扰共存分析时，用户只需要确定收发两点所在网格区域，即可直接调取实际路径损耗模型。

3、资源利用率最大化：减少人、财、物和时间的不必要浪费，提高无线电管理的工作效率，完善无线电管理体制。

由上述记载可知，本发明实施例提供的技术方案可以很好的应用在无线电管理系统中。首先，本发明实施例提供的技术方案提出搭建传播路径模型地图的做法，用户通过传播路径模型地图可随时查询覆盖范围内任意两地点间的传播损耗模型，从资源利用角度减少人、财、物和时间的浪费。其次，本发明实施例提供的技术方案采用了基于半监督深度学习方法构建传播路径模型地图的方法，深度学习算法的实质为一种深度神经网络学习算法，采用贪婪逐层预训练算法的半监督算法对隐藏层采用无监督训练方式，对输出层采用监督学习方式，能够得到更优的学习结果。

最后应说明的是：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：在本发明的精神和原则之内，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脱离本发明的保护范围。

Claims (6)

1.一种传播路径模型地图建立方法，包括：

确定目标地理区域的范围；

将所述目标地理区域划分为多个个体；

针对任意两个相邻所述个体进行检测，获取任意两个相邻所述个体对应的基础路径损耗值；

基于每对相邻所述个体对应的基础路径损耗值进行深度神经网络计算，获取每对相邻所述个体对应的模型路径损耗值；

保存每对相邻所述个体对应的模型路径损耗值，生成所述目标地理区域的传播路径模型地图。

2.根据权利要求1所述的方法，其中，所述将所述目标地理区域划分为多个个体，包括：

以网格的形式将所述目标地理区域划分为多个个体。

3.根据权利要求1所述的方法，其中，所述基于每对相邻所述个体对应的基础路径损耗值进行深度神经网络计算，包括：

基于所述基础路径损耗值，采用贪婪逐层预训练算法对深度神经网络参数进行初始化；

进行深度神经网络模型训练，逐层对深度神经网络参数进行调整，将所述深度神经网络模型拟合至逼近真实模型。

4.根据权利要求3所述的方法，其中，所述基于所述基础路径损耗值，采用贪婪逐层预训练算法对深度神经网络参数进行初始化，包括：

将所述基础路径损耗值传输到深度神经网络的输入层，作为隐藏层第一层的可观察数据；

采用无监督学习算法对所述隐藏层第一层的可观察数据进行训练，生成隐藏层第一层的初始参数；

将所述隐藏层第一层的初始参数作为隐藏层第二层的可观察数据，继续采用所述无监督学习算法对所述隐藏层第二层进行训练，生成所述隐藏层第二层的初始参数；

重复上述步骤直至初始化隐藏层所有层，得到各层初始化参数；

将隐藏层最后一层初始化参数输入到深度神经网络的输出层，采用监督学习算法初始化输出层参数。

5.根据权利要求1所述的方法，其中，在所述生成所述目标地理区域的传播路径模型地图之后，还包括：

重复执行获取所述基础路径损耗值并计算相应模型路径损耗值的步骤，对所述传播路径模型地图进行更新。

6.一种路径损耗确定方法，包括：

基于上述权利要求1-5任一项所述的传播路径模型地图建立方法建立传播路径模型地图；

基于无线电的实际传播路径，以所述个体为单位，在所述传播路径模型地图上拟合出对应于所述实际传播路径的传播路径模型；

基于所述传播路径模型包括的各个所述个体，对所述传播路径模型包括的每对相邻个体对应的模型路径损耗值进行求和，将求和的结果作为所述实际传播路径的路径损耗值。