CN111062466A - 基于参数和神经网络预测天线调整后小区场强分布的方法 - Google Patents

基于参数和神经网络预测天线调整后小区场强分布的方法 Download PDF

Info

Publication number
CN111062466A
CN111062466A CN201911263143.0A CN201911263143A CN111062466A CN 111062466 A CN111062466 A CN 111062466A CN 201911263143 A CN201911263143 A CN 201911263143A CN 111062466 A CN111062466 A CN 111062466A
Authority
CN
China
Prior art keywords
antenna
grid
data
neural network
rsrp
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
CN201911263143.0A
Other languages
English (en)
Other versions
CN111062466B (zh
Inventor
吴冬华
宋铁成
黄陈兰子
王艺蓉
梁曼玉
胡静
余健
徐慧
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.)
Nanjing Howso Technology Co ltd
Southeast University
Original Assignee
Nanjing Howso Technology Co ltd
Southeast University
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 Nanjing Howso Technology Co ltd, Southeast University filed Critical Nanjing Howso Technology Co ltd
Priority to CN201911263143.0A priority Critical patent/CN111062466B/zh
Publication of CN111062466A publication Critical patent/CN111062466A/zh
Application granted granted Critical
Publication of CN111062466B publication Critical patent/CN111062466B/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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
    • G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
    • G01R29/0821—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning rooms and test sites therefor, e.g. anechoic chambers, open field sites or TEM cells
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Electromagnetism (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，包括以下步骤：(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格功率；(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。该方法的精确度高误差小。

Description

基于参数和神经网络预测天线调整后小区场强分布的方法
技术领域
本发明涉及电磁波场强预测技术，尤其涉及一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法。
背景技术
场强预测模型的研究主要目的是为了满足移动通信网的科学规划，合理的站址选择可以有效提供覆盖，消除覆盖盲区，并且为今后的网络优化提供方便。
国内外对电波传播的预测研究工作从七十年代开始广泛展开，摸索建立了很多分析模型，不同的场景下需要不同的传播模型，陆续开发的Road模型，Oknmura-Hata模型、ECAC模型、Palmer模型、适合市郊场景的Murphy模型以及适用于小区制射线跟踪模型等。比较常见的精确预测场强的是确定性模型，即传播环境、建筑信息等作为准确的输入信息，亦即射线跟踪(RT)模型。RT传输利用菲涅尔原理、反射系数及几何绕射理论(GeometricalTheory of Diffraction，GTD)和一致性绕射理论(Uniform Theory of Diffraction，UTD)。由于需要大量精确的环境数据，射线跟踪模型一般局限于室内，在室外场景中未得到广泛的应用。
而人工神经网络(ANN)恰能弥补这个不足，其在场强预测中应用的优点恰恰是，可以在建筑物的形状、参数和结构特征未知的情况下，利用容易获取的一些相关参数得到比较精确的场强值，且能够灵活地适应不同的场景。其原理是，利用可获得的参数作为神经网络的输入，经过不同的层，每层设置不同的神经元，经过特定的传输函数到达神经网络的输出层，然后利用实测数据进行训练，即通过调整神经网络的参数来寻找最佳的传输函数。ANN包含一系列相互连接的基本单元，称作神经元或节点。
目前有关文献中介绍了某室外微小区的场强预测方法，它将小区的地形信息参数输入至神经网络进行训练，并运用实测数据对模型的精度进行验证。有关文献提出一种室外混合预测模型，它将经验模型与ANN模型相结合，分别考虑收发端视距(Line of Sight,LOS)和非视距(Non Line of Sight,NLOS)情形，此种模型一般用于不同的地形类型，包含城市、郊区等。有关文献介绍了一种室内预测方法，比较了多种类型ANN用于场强预测的效果。有关文献也采用ANN方法，运用机器学习对不同地形进行分类，能够自动提取必要的场景信息进行训练。有关文献介绍了一种混合差分预测模型，其具体做法是利用粗略的场景模型和少量的精确预测值来训练多层感知机神经网络，使得以较小的运算复杂度代价得到精确的场强预测效果。上述各种算法固然能取得较高的精度，然而，是以精确的环境信息的支持为条件的，且某些算法没有真实数据予以验证。
因此，针对上述不足，有必要开发一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，利用天线调整前的大量用户数据，通过ANN预测天线方位角调整后天线有效覆盖区域内任意地理位置的接收功率，无需依赖环境数据，与实测数据比较的结果表明，预测误差在合理精度范围内。
发明内容
本发明要解决的技术问题是，提供一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，通过ANN预测天线有效覆盖区域内任意地理位置的接收功率，并基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率，无需依赖环境数据；且预测的误差很小。
为了解决上述技术问题，本发明采用的技术方案是：该基于参数和BP神经网络对天线调整后小区场强分布的预测方法，包括以下步骤：
(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；
(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；
(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；
(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格功率；
(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。
采用上述技术方案，由于传统的无线电波场强预测模型，亦即射线跟踪模型(RT)模型，需要大量的精确的环境数据，并且其应用范围仅仅局限于室内，在室外并未得到广泛的应用。人工神经网络(ANN)恰能弥补射线跟踪的不足与局限性，可以在建筑物的形状、参数和结构特征未知的情况下，利用容易获取的一些相关参数得到比较精确的场强值，且能够灵活地适应不同的场景。该技术方案提出了一种无需输入影响电磁辐射的场景信息，基于参数估计和反向传播(Back Propagation，BP)神经网络的预测方法；将小区分成很多栅格，将每个栅格内的用户设备(User Equipment,简称UE)的接收功率视为满足准正态分布的随机变量，读取该栅格内所有UE上报的参考信号接收功率(Reference SignalReceiving Power，RSRP)数据以下简称RSRP数据，适当筛选并计算其均值和标准差，分别作为上述准正态分布的参数估计值，用所有栅格的UE的RSRP均值对BP神经网络进行训练，基于电波传播公式和天线方向图增益变化量，得到天线调整后的每个栅格的接收功率均值，即为该栅格内UE接收功率均值的预测值，标准差的预测值视为与天线调整前相同；利用可获得的参数作为神经网络的输入，经过不同的层，每层设置不同的神经元，经过特定的传输函数到达神经网络的输出层，然后利用实测数据进行训练；无需依赖环境数据，并与实测数据比较，其预测误差在合理精度范围内；将接收点的坐标与MDT数据作为ANN的输入并进行数据训练，ANN的最终输出为用户设备UE的RSRP的预测值；采用反向传播快速计算ANN的代价函数的梯度，并根据梯度自动修正ANN中每层神经网络的输入权重值，以提高ANN的预测精度；本发明运用不同基站小区采集的最小化路测(Minimization Drive Test，MDT)数据进行参数估计，并将用户点的地理坐标作为神经网络输入参数，经过BP神经网络训练输出用户点参考信号接收功率(Reference Signal Receiving Power,RSRP)值，并基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率；其中反向传播(Back Propagation,BP)神经网络属于前馈型神经网络，具有学习速率快、自适应能力强的特点。它由输入层、中间层、输出层组成，中间层可以是多层。具体学习方法是，当一对学习模型提供给网络后，网络的输入到达神经元，产生连接权值(Weight)，然后由输出层到中间层逐层修正连接权值，此过程反复进行，直至ANN输出与目标输出的误差降到设定的阀值之下，或训练次数高于预设的上限，即可视为完成学习过程。BP神经网络的一大优点是有很强的非线性映射能力，从理论上来讲，对于一个三层和三层以上的BP网络而言，只要隐层的神经元的数目足够多，即能以任意精度逼近一个非线性的函数。BP神经网络在选择隐层神经元时应注意选择合适的神经元个数，太少往往会造成网络的不适性即欠拟合，太多往往会导致网络的过适性即过拟合。公式
Figure BDA0002312123070000041
给出了ANN基本的逻辑结构，其中，fi为转移函数，通常是非线性函数，常用的有Heaviside、Sigmoid或高斯函数等；yi表示输出节点i的输出；xj表示输入节点i的输入；wij表示节点i和j的链接权重；θi表示节点i的偏移量。采用三层ANN，第二层神经网络的激活函数采用的是：Hθ＝tan(sigmoid(θT·[1 xm ym]T))；第三层神经网络的激活函数采用的是：
Figure BDA0002312123070000045
利用天线对天线所覆盖的区域进行栅格化，并对每个栅格内天线方位角调整前上报的大量用户数据进行参数估计，得到了用户数据的特征并通过进行相应的数据处理筛选出了合理的训练数据，通过ANN预测天线有效覆盖区域内任意地理位置的接收功率，并基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率，无需依赖环境数据。调用了某运营商的两个长期演进(Long Term Evolution,LTE)基站的实测结果，以对所提预测算法进行了性能评估，结果表明，本算法的预测平均误差在5～8dB，99％置信区间的宽度约为15dB。
作为本发明的优选技术方案，所述步骤(1)中的用户MDT数据包括用户的经度θ、纬度
Figure BDA0002312123070000044
时间提前量Ta和参考信号接收强度RSRP。
作为本发明的优选技术方案，所述步骤(2)具体包括以下步骤：
S21将海拔高度小于零的点视为异常数据，予以删除；
S22将海拔数据据设为常数0，对上报的用户数据的经纬度进行二维墨卡托投影，且将正北方向对应坐标x轴方向，天线方位角即自天线至测试点的向量与x正轴的逆时针夹角；再将用户点坐标减去天线坐标，得到以天线为原点的用户点的相对坐标，作为新坐标；
S23将天线辐射覆盖区域划分为多个栅格，所述栅格的大小与全球定位系统(GPS)的精度处于同一数量级；对于每个所述栅格内的不同的用户设备UE所上报的参考信号接收强度RSRP即RSRP值，取其均值μ和标准差σ分别设为该位置的用户设备UE的RSRP值作随机变量的均值和标准差，其中
Figure BDA0002312123070000042
m为一个栅格内上报RSRP值的用户设备的总数，
Figure BDA0002312123070000043
并对栅格内的用户上报的数据求均值μ与标准差σ，取位于[μ-3σ,μ+3σ]范围内的数据，超出该范围的数据则作为异常点并删除。其中由于UE上传的海拔信息往往精度较低，或者没有上传此类数据，故不考虑海拔，均设为常数0；因此对上报的用户数据的经纬度进行二维墨卡托投影，并且将正北方向对应坐标x正轴方向，方位角即自天线至测试点的向量与x正轴的逆时针夹角，例如方位角120度表示UE位置在xoy平面上投影位于从x正轴方向逆时针旋转120度的方向上。
作为本发明的优选技术方案，所述步骤(3)具体包括以下步骤：
将小区分成n m×n m的方形栅格，位于某一栅格的用户设备UE的坐标采用该栅格中心的坐标代替，栅格内用户设备UE的接收功率视为随机变量，基于栅格内所有用户设备UE上报的RSRP数据计算该随机变量的均值和标准差；根据RSRP数据量的不同，将所有栅格分成两类，第一类栅格为RSRP数据充足的栅格，用来训练神经网络；第二类栅格为RSRP数据不充足甚至未上报的栅格，通过神经网络预测其对应的栅格功率。
作为本发明的优选技术方案，所述步骤(4)具体包括以下步骤：
对RSRP数据充足的栅格采用三层神经网络进行训练，输入层是栅格中心点的坐标(xm,ym)，其中m表示栅格索引号；中间隐含层所包含的神经元个数与训练所采用的样本集规模呈正相关关系，输出层是第二类栅格的接收功率均值的预测值，输入层与隐藏层的常数项神经元是属于偏置单元；
其中隐藏层每个神经元采用的激活函数为：
Figure BDA0002312123070000051
其中θhidden是由输入层到该隐藏层神经元的权重向量，所有隐藏层的神经元的权重向量构成由输入层到隐藏层的权重矩阵；此激活函数对输入特征进行复杂化，以得到更加复杂的特征，从而拟合出从输入到预测输出的更加复杂的拟合函数以提高预测结果的精确性；
输出层采用的激活函数为线性函数：
Figure BDA0002312123070000052
其中x为隐藏层的输出组成的向量，θoutput是由隐藏层到输出层神经元的权重向量，所有输出层的神经元的权重向量构成由隐藏层到输出层的权重矩阵；该神经网络的层与层之间都有着不同的权重矩阵，权重矩阵的值要进行随机初始化，并随着神经网络的训练不断地优化代价函数而得到最终的最优权重矩阵值，最后得到天线调整前其有效辐射区内所有栅格接收功率均值的预测值。
作为本发明的优选技术方案，所述步骤(5)具体包括以下步骤：
通过场强预测模型中的电波传播模型，采用电波传播公式获得天线方位角转动之后的每个栅格平均接收功率公式，基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率，即获得天线调整后小区场强分布的预测；
其中电波传播公式为：
Figure BDA0002312123070000061
该公式中Pt为天线发射功率，
Figure BDA0002312123070000066
为天线方向图函数，GT为天线增益，λ为电波波长，d为天线到用户点的自由空间距离，α为路径损耗指数，Pr为接收点的接收功率；
天线方位角转动之后的每个栅格平均接收功率公式为：
Figure BDA0002312123070000062
其中
Figure BDA0002312123070000063
和
Figure BDA0002312123070000064
分别表示天线转动前后的(方位角，下倾角)，并与天线姿态调整之后上报的用户实测数据的均值进行比较，得到的误差作为该算法预测的接收功率均值的误差。其中
Figure BDA0002312123070000065
是在神经网络输出预测值Pt之后，用于计算天线到用户点(UE)的路径损耗指数α；并利用计算出来的α计算天线方位角调整后的原用户点(UE)的RSRP值；同时只要天线姿态调整幅度不是很大，则对接收功率的标准差基本无影响，基于上述考虑，直接用调整前的标准差作为调整后的标准差的预测值。
与现有技术相比，本发明具有如下优点和有益效果：
1)无需输入建筑物形状、几何尺寸、介电常数和电导率等影响电磁辐射的场景信息；
2)采用概率统计模型，与实际采集的RSRP样本数据特征更为吻合，因为RSRP样本数据必然受UE的性能、位置、姿态和信道衰落的不一致性以及GPS定位随机误差的影响。
3)对于未有UE到达的区域，即未有RSRP数据上报的区域，也能预测。
附图说明
下面结合附图进一步描述本发明的技术方案：
图1为某运营商提供的天线方向图，其中图(a)为H面方向图，图(b)为V面方向图；
图2为采用二维玫瑰曲面拟合得到的天线方向图；
图3为基站用户接收功率分布直方图；
图4为基于参数估计和神经网络，对天线姿态调整之后的信号覆盖区域的UE接收功率进行预测所采用的神经网络架构图；
图5为基于参数估计和神经网络，对天线姿态调整之后的信号覆盖区域的UE接收功率进行预测所采用的简化的算法流程图；
图6为对实施例1的运营商的某基站，将天线方位角调整至150度，采用本发明的算法所预测的域内UE接收功率与信号覆盖区域内UE上报的RSRP的差值作为预测误差的误差分布图；
图7为对实施例1的运营商的某基站，将天线方位角调整至150度，其域内UE上报的RSRP值的统计直方图；
图8为对实施例1的运营商的某基站，将天线方位角调整至150度，采用本发明的算法得到的域内UE接收功率预测值的统计直方图；
图9为对实施例2的运营商的某基站，将天线方位角调整至150度，采用本发明算法所预测的域内UE接收功率与信号覆盖区域内UE上报的RSRP的差值作为预测误差的误差分布如图；
图10为对实施例2的运营商的某基站，将天线方位角调整至150度，其域内UE上报的RSRP值统计直方图；
图11为对实施例2的运营商的某基站，将天线方位角调整至150度，采用发明的算法得到的域内UE接收功率预测值统计直方图；
图12为对实施例2的运营商的某基站，将天线方位角调整至150度，域内UE上报的RSRP值分布图；
图13为对实施例2的运营商的某基站，将天线方位角调整至150度，本发明的算法得到的域内UE接收功率预测值分布图。图12和图13二图直观地反映，二者的数值及其分布趋势是基本一致的；
图14为对实施例1的运营商的某基站，天线方位角不变时某一栅格内UE上报的RSRP统计直方和正态曲线图；
图15为对实施例2的运营商的某基站，天线方位角不变时某一栅格内UE上报的RSRP统计直方和正态曲线图；
图16为对实施例2的运营商的某基站，天线调整前某一栅格内UE上报的RSRP统计直方图；
图17为对实施例2的运营商的某基站，天线调整后该栅格内UE上报的RSRP统计直方图。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
为验证算法正确性，并评价其精度，下面我们以两个基站为例，采用MATLAB编程，对天线姿态调整后其覆盖区域的场强分布进行预测，为无线网络规划提供参考。我们采取了两个实施例，一个时某运营商某基站，其用户点比较少，分布比较分散，场景简单；另一个时某运营商某基站，其用户点较多，分布主要集中在街道小区，场景复杂。这里未考虑海拔，仅考虑水平面坐标，并且仅针对天线方位角调整幅度不是很大的情况，基于多径衰落的原理，此时可认为路径损耗指数α的变化量可以忽略。
天线是电波的辐射源，天线方向性反映了在各个方向辐射(或接收)电磁波的能力分布，天线方向性的特性曲线通常用方向图来表示。
由于天线方向图的大致趋势与玫瑰曲线很相似，所以采用二维玫瑰曲面拟合法来进行天线方向图的拟合，通过采用不同的玫瑰曲线参数便形成了不同特性玫瑰曲线，因此可以用来拟合不同特性天线方向图；基于某运营商的天线供货商提供的天线方向图，进行数据取样，然后采用二维玫瑰曲面拟合法对天线方向图进行拟合，并基于最小二乘法，找到拟合函数的最优参数，从而对天线的方向图函数做出较为精确的预测，得到任意方向的增益值，即电波传播公式中
Figure BDA0002312123070000081
实施例1：该基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其中如图1所示为天线供货商提供的天线方向图，其中图(a)为H面方向图，图(b)为V面方向图；图2所示为采用二维玫瑰曲面拟合得到的方向图；根据用户设备(User Equipment,UE)上报的用户数据，对整个小区内接收功率的频率分布进行统计，图3是某运营商某基站在某一天内上报的RSRP(dBm)的分布图；由图3可以反映出整个小区的UE的接收功率分布，呈现着不规律的随机分布，其概率分布难以进行定量的分析。在此情况下，我们将采用分栅格的方法对栅格内UE功率分布进行更加细化的分析并结合神经网络对栅格的平均RSRP值进行预测；所采用的神经网络架构如图4所示，简化的算法流程图如图5所示；
具体包括以下步骤：
(1)根据工参记录，该基站(基站1)的最大发射功率为52dBm，中心载频的信道号为38496，天线增益为14dBi，天线初始方位角为130度时共有8756个用户点，需要预测若将方位角调整为150度其覆盖区域的场强分布，天线方位角为150度时有4803个用户点可供比较计算预测误差。本文基于Poyting矢量与电磁场强度的关系[15]，间接地采用RSRP分贝值进行预测；
(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；
S21将海拔高度小于零的点，视为异常数据，予以删除；
S22由于UE上传的海拔信息往往精度较低，或者没有上传此类数据，故不考虑海拔，均设为常数0，因此对上报的用户数据的经纬度进行二维墨卡托投影，并且将正北方向对应坐标x正轴方向，方位角即自天线至测试点的向量与x正轴的逆时针夹角，例如方位角120度表示UE位置在xoy平面上投影位于从x正轴方向逆时针旋转120度的方向上；最后将用户点坐标减去天线坐标，得到以天线为原点的用户点的相对坐标，作为新坐标；
S23对于每个栅格内的不同的UE所上报的RSRP值，取其均值μ和标准差σ分别作为该位置UE的RSRP作为随机变量的均值和标准差，其中
Figure BDA0002312123070000091
Figure BDA0002312123070000092
m为一个栅格内上报RSRP值的用户设备的总数，
Figure BDA0002312123070000093
Figure BDA0002312123070000094
并对栅格内部用户上报的数据求均值μ与标准差σ，位于[μ-3σ,μ+3σ]数据应该大概率发生，超出这一范围的认为是异常点，并删除这些异常点；
(3)对基站1天线方位角调整前后的用户区域进行n m×n m的栅格划分，并对每个栅格用户点数据进行数据处理；
对每一个栅格的UE的坐标用该栅格中心的坐标(xm,ym)代替，栅格内UE的接收功率视为随机变量，基于栅格内所有UE上报的RSRP数据估计该随机变量的均值和标准差。根据RSRP数据量的不同，将所有栅格分成两类，第一类是RSRP数据充足的栅格，将采用栅格的中心坐标与该栅格内所有UE上报的RSRP值的平均值组成训练数据集(xm,ym,RSRPave)，其中m为栅格索引号，RSRPave为m号栅格的平均RSRP值，用来训练神经网络，第二类为RSRP数据不充足甚至未上报的栅格，对于第二类通过神经网络预测其对应的栅格功率；
(4)用训练数据集对所设计的神经网络进行训练，得到神经网络每一层对应的最优权重值；
对RSRP数据充足的栅格采用三层神经网络进行训练，输入层是栅格中心点的坐标(xm,ym)，其中m表示栅格索引号；中间隐含层所包含的神经元个数与训练所采用的样本集规模呈正相关关系，输出层是第二类栅格的接收功率均值的预测值，输入层与隐藏层的常数项神经元是属于偏置单元；
其中隐藏层每个神经元采用的激活函数为：
Figure BDA0002312123070000101
其中θhidden是由输入层到该隐藏层神经元的权重向量，所有隐藏层的神经元的权重向量构成由输入层到隐藏层的权重矩阵；此激活函数对输入特征进行复杂化，以得到更加复杂的特征，从而拟合出从输入到预测输出的更加复杂的拟合函数以提高预测结果的精确性；
输出层采用的激活函数为线性函数：
Figure BDA0002312123070000102
其中x为隐藏层的输出组成的向量，θoutput是由隐藏层到输出层神经元的权重向量，所有输出层的神经元的权重向量构成由隐藏层到输出层的权重矩阵；该神经网络的层与层之间都有着不同的权重矩阵，权重矩阵的值要进行随机初始化，并随着神经网络的训练得到最终的权重矩阵值，最后得到天线调整前其有效辐射区内所有栅格接收功率均值的预测值；
(5)通过场强预测模型中的电波传播模型，采用电波传播公式获得天线方位角转动之后的每个栅格平均接收功率公式，基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率，即获得天线调整后小区场强分布的预测；
其中电波传播公式为：
Figure BDA0002312123070000111
该公式中Pt为天线发射功率，
Figure BDA0002312123070000115
为天线方向图函数，GT为天线增益，λ为电波波长，d为天线到用户点的自由空间距离，α为路径损耗指数，Pr为接收点的接收功率；
天线方位角转动之后的每个栅格平均接收功率公式为：
Figure BDA0002312123070000112
其中
Figure BDA0002312123070000113
和
Figure BDA0002312123070000114
分别表示天线转动前后的(方位角，下倾角)，并与天线姿态调整之后上报的用户实测数据的均值进行比较，得到的误差作为该算法预测的接收功率均值的误差；即算法精度衡量。
预测结果表明，采用本发明的算法对该基站天线调整后的场强分布进行预测，误差绝对值均值达到5.00dB，96％以上的分布区域的预测误差小于15dB。本文将采用本发明的算法预测的UE接收功率与信号覆盖区域内UE上报的RSRP的差值作为预测误差，其分布如图6所示，图中反映，大部分区域的预测误差较小。
其中图6中反映，大部分区域的预测误差较小；天线方位角调整至150度域内UE上报的RSRP值和本发明的算法得到的域内UE接收功率预测值的统计直方图分别如图7和8所示，图中显示，二者统计规律也是基本一致的。
实施例2：与实施例1中的具体计算步骤相同；
根据工参记录，该基站的最大发射功率为53dBm(折合成线性功率约200W)，中心载频的信道号为37900，天线增益为14dBi，天线的初始方位角为130度时有34459个用户点，需要预测若将方位角调整为150度其覆盖区域的场强分布，天线方位角为150度时有17849个用户点可供比较计算预测误差。预测结果表明，采用本发明的算法对该基站天线调整后的场强分布进行预测，误差绝对值均值达到7.40dB，90％以上的分布区域的预测误差小于15dB；预测误差分布如图9所示，图9的结果反映，大部分区域的预测误差较小；
天线方位角调整至150度域内UE上报的RSRP值和本发明的算法得到的域内UE接收功率预测值的统计直方图分别如图10和11所示，图中显示，二者统计规律也是基本一致的；另外，信号覆盖区域内UE上报的RSRP和采用本发明的算法预测的UE接收功率的分布分别如图12和图13所示，二图直观地反映，二者的数值及其分布趋势是基本一致的；
显然，由于受到手机型号、手机姿态、位置、遮挡物及其它周围环境等诸多因素的影响，同一地点UE的接收功率是随机变化的，究竟满足何种概率分布，是个有趣的问题。对此，本文将小区划分成很多5m*5m的方形栅格，由于栅格已经足够小(与民用GPS定位精度处于同一数量级)，因此该栅格的接收功率可代表栅格内任一点的接收功率。我们统计了两个实施例的每个栅格在天线角度不改变时8天的用户数据，其中，实施例1天线方位角不变时某一栅格内UE上报的RSRP统计直方图和拟合的正太分布曲线如图14所示，实施例2天线方位角不变时某一栅格内UE上报的RSRP统计直方图和拟合的正太曲线如图15所示。
图中横轴为功率，纵轴为用户数据在各个功率段出现的频率，红线为采用上述均值和方差作为正态分布参数的预测值刻画出的正态分布曲线。图14所示的实施例1的某栅格内共计上报了1158个用户数据，经计算得到该栅格所有用户数据的均值为-103.72dBm，标准差为4.60dBm，99％的置信区间宽度约为13.8dB；图15所示的实施例2的某栅格内共计上报了1185个用户数据，经计算得到该栅格所有用户数据的均值为-100.57dBm，标准差为6.02dBm，99％的置信区间宽度约为18.06dB；由图14和图15可以看出，天线方位角不变时同一栅格内的UE上报的接收功率与正态分布的统计规律基本一致，因而本文视其为满足准正态分布，并且通过对两个实施例中所有栅格功率的统计分析，每一个栅格99％置信区间的宽度一般在15dB左右，所以预测模型的误差值在工程上是可以接受的。
图16-17显示了同一栅格在天线调整前后接收功率统计规律的变化，虽然均值从-91.35dBm变为-98.72dBm，但标准差仅从6.30dBm变为5.72dBm，变化了0.58dBm，因此天线调整前后同一栅格的标准差视为不变是成立的。
对于本领域的普通技术人员而言，具体实施例只是对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，具体包括以下步骤：
(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；
(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；
(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；
(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格平均接收功率；
(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。
2.根据权利要求1所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，所述步骤(1)中的用户MDT数据包括用户的经度θ、纬度
Figure FDA0002312123060000011
时间提前量Ta和参考信号接收强度RSRP。
3.根据权利要求2所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，
所述步骤(2)具体包括以下步骤：
S21将海拔高度小于零的点视为异常数据，予以删除；
S22将海拔数据据设为常数0，对上报的用户数据的经纬度进行二维墨卡托投影，且将正北方向对应坐标x轴方向，天线方位角即自天线至测试点的向量与x正轴的逆时针夹角；再将用户点坐标减去天线坐标，得到以天线为原点的用户点的相对坐标，作为新坐标；
S23将天线辐射覆盖区域划分为多个栅格，所述栅格的大小与全球定位系统(GPS)的精度处于同一数量级；对于每个所述栅格内的不同的用户设备UE所上报的参考信号接收强度RSRP即RSRP值，取其均值μ和标准差σ分别设为该位置的用户设备UE的RSRP值作随机变量的均值和标准差，其中
Figure FDA0002312123060000012
m为一个栅格内上报RSRP值的用户设备的总数，
Figure FDA0002312123060000013
并对栅格内的用户上报的数据求均值μ与标准差σ，取位于[μ-3σ,μ+3σ]范围内的数据，超出该范围的数据则作为异常点并删除。
4.根据权利要求3所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，
所述步骤(3)具体包括以下步骤：
将小区分成n m×n m的方形栅格，位于某一栅格的用户设备UE的坐标采用该栅格中心的坐标代替，栅格内用户设备UE的接收功率视为随机变量，基于栅格内所有用户设备UE上报的RSRP数据计算该随机变量的均值和标准差；根据RSRP数据量的不同，将所有栅格分成两类，第一类栅格为RSRP数据充足的栅格，用来训练神经网络；第二类栅格为RSRP数据不充足甚至未上报的栅格，通过神经网络预测其对应的栅格功率。
5.根据权利要求4所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，
所述步骤(4)具体包括以下步骤：
对RSRP数据充足的栅格采用三层神经网络进行训练，输入层是栅格中心点的坐标(xm,ym)，其中m表示栅格索引号；中间隐含层所包含的神经元个数与训练所采用的样本集规模呈正相关关系，输出层是第二类栅格的接收功率均值的预测值，输入层与隐藏层的常数项神经元是属于偏置单元；
其中隐藏层每个神经元采用的激活函数为：
Figure FDA0002312123060000021
其中θhidden是由输入层到该隐藏层神经元的权重向量，所有隐藏层的神经元的权重向量构成由输入层到隐藏层的权重矩阵；
输出层采用的激活函数为线性函数：
Figure FDA0002312123060000022
其中x为隐藏层的输出组成的向量，θoutput是由隐藏层到输出层神经元的权重向量，所有输出层的神经元的权重向量构成由隐藏层到输出层的权重矩阵；该神经网络的层与层之间都有着不同的权重矩阵，权重矩阵的值要进行随机初始化，并随着神经网络的训练得到最终的权重矩阵值，最后得到天线调整前其有效辐射区内所有栅格接收功率均值的预测值。
6.根据权利要求5所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，
所述步骤(5)具体包括以下步骤：
通过场强预测模型中的电波传播模型，采用电波传播公式获得天线方位角转动之后的每个栅格平均接收功率公式，基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率，即获得天线调整后小区场强分布的预测；
其中电波传播公式为：
Figure FDA0002312123060000031
该公式中Pt为天线发射功率，
Figure FDA0002312123060000032
为天线方向图函数，GT为天线增益，λ为电波波长，d为天线到用户点的自由空间距离，α为路径损耗指数，Pr为接收点的接收功率；
天线方位角转动之后的每个栅格平均接收功率公式为：
Figure FDA0002312123060000033
其中
Figure FDA0002312123060000035
和
Figure FDA0002312123060000034
分别表示天线转动前后的(方位角，下倾角)，并与天线姿态调整之后上报的用户实测数据的均值进行比较，得到的误差作为该算法预测的接收功率均值的误差。
CN201911263143.0A 2019-12-11 2019-12-11 基于参数和神经网络预测天线调整后小区场强分布的方法 Active CN111062466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911263143.0A CN111062466B (zh) 2019-12-11 2019-12-11 基于参数和神经网络预测天线调整后小区场强分布的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911263143.0A CN111062466B (zh) 2019-12-11 2019-12-11 基于参数和神经网络预测天线调整后小区场强分布的方法

Publications (2)

Publication Number Publication Date
CN111062466A true CN111062466A (zh) 2020-04-24
CN111062466B CN111062466B (zh) 2023-08-04

Family

ID=70300474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911263143.0A Active CN111062466B (zh) 2019-12-11 2019-12-11 基于参数和神经网络预测天线调整后小区场强分布的方法

Country Status (1)

Country Link
CN (1) CN111062466B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112013833A (zh) * 2020-07-23 2020-12-01 中国人民解放军战略支援部队信息工程大学 一种基于深度神经网络的victs天线对星跟踪方法
CN112070721A (zh) * 2020-08-13 2020-12-11 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN112187387A (zh) * 2020-09-22 2021-01-05 北京邮电大学 基于栅格化用户位置自动化天线调参的新型强化学习方法
CN114070676A (zh) * 2020-08-05 2022-02-18 展讯半导体(南京)有限公司 Ai网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站
WO2022116941A1 (zh) * 2020-12-03 2022-06-09 中兴通讯股份有限公司 网络参数衍生方法、电子设备及存储介质
WO2023040887A1 (zh) * 2021-09-18 2023-03-23 维沃移动通信有限公司 信息上报方法、装置、终端及可读存储介质
CN116528273A (zh) * 2023-06-30 2023-08-01 中国电信股份有限公司 接收功率计算方法、装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030207278A1 (en) * 2002-04-25 2003-11-06 Javed Khan Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states
CN108307397A (zh) * 2017-01-13 2018-07-20 中国移动通信集团四川有限公司 网络覆盖评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030207278A1 (en) * 2002-04-25 2003-11-06 Javed Khan Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states
CN108307397A (zh) * 2017-01-13 2018-07-20 中国移动通信集团四川有限公司 网络覆盖评估方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112013833A (zh) * 2020-07-23 2020-12-01 中国人民解放军战略支援部队信息工程大学 一种基于深度神经网络的victs天线对星跟踪方法
CN114070676A (zh) * 2020-08-05 2022-02-18 展讯半导体(南京)有限公司 Ai网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站
CN114070676B (zh) * 2020-08-05 2023-03-14 展讯半导体(南京)有限公司 Ai网络模型支持能力上报、接收方法及装置、存储介质
CN112070721A (zh) * 2020-08-13 2020-12-11 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN112070721B (zh) * 2020-08-13 2024-01-12 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN112187387A (zh) * 2020-09-22 2021-01-05 北京邮电大学 基于栅格化用户位置自动化天线调参的新型强化学习方法
WO2022116941A1 (zh) * 2020-12-03 2022-06-09 中兴通讯股份有限公司 网络参数衍生方法、电子设备及存储介质
WO2023040887A1 (zh) * 2021-09-18 2023-03-23 维沃移动通信有限公司 信息上报方法、装置、终端及可读存储介质
CN115913486A (zh) * 2021-09-18 2023-04-04 维沃移动通信有限公司 信息上报方法、装置、终端及可读存储介质
CN116528273A (zh) * 2023-06-30 2023-08-01 中国电信股份有限公司 接收功率计算方法、装置、存储介质及电子设备
CN116528273B (zh) * 2023-06-30 2023-10-31 中国电信股份有限公司 接收功率计算方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111062466B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN111062466B (zh) 基于参数和神经网络预测天线调整后小区场强分布的方法
Masood et al. A machine learning based 3D propagation model for intelligent future cellular networks
Popoola et al. Determination of neural network parameters for path loss prediction in very high frequency wireless channel
Faruk et al. Path loss predictions in the VHF and UHF bands within urban environments: Experimental investigation of empirical, heuristics and geospatial models
Ahmadien et al. Predicting path loss distribution of an area from satellite images using deep learning
Braham et al. Fixed rank kriging for cellular coverage analysis
CN111147163A (zh) 一种基于dnn神经网络的无线通信链路损耗预测方法
Butt et al. RF fingerprinting and deep learning assisted UE positioning in 5G
Moraitis et al. Machine learning-based methods for path loss prediction in urban environment for LTE networks
Krijestorac et al. Spatial signal strength prediction using 3D maps and deep learning
Isabona et al. Hybrid neural network approach for predicting signal propagation loss in urban microcells
Yin et al. Proximity report triggering threshold optimization for network-based indoor positioning
CN113873532B (zh) 一种智慧园区5g网络规划方法
Thrane et al. Drive test minimization using deep learning with Bayesian approximation
Fernandes et al. Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks
Dieng et al. Comparing and adapting propagation models for LoRa networks
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
Kim et al. mmWave path loss modeling for urban scenarios based on 3D-convolutional neural networks
Fernandez Anitzine et al. Influence of training set selection in artificial neural network‐based propagation path loss predictions
Nguyen et al. Deep Learning for Path Loss Prediction at 7 GHz in Urban Environment
CN112040405A (zh) 一种基于核极限学习机与粒子滤波的室内定位方法
Bärring et al. Factory radio design of a 5G network in offline mode
Hayashi et al. A Deep Learning Method for Path Loss Prediction Using Geospatial Information and Path Profiles
Adeyemo et al. Development of a Path-loss Prediction Model Using Adaptive Neuro-fuzzy Inference System
Combeau et al. A numerical simulation system for mobile telephony base station EMF exposure using smartphones as probes and a genetic algorithm to improve accuracy

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