CN111313987B - 适于智能家居的基于神经网络的路径损耗预测方法 - Google Patents

Abstract

本发明公开了一种适于智能家居的基于神经网络的路径损耗预测方法，包括：(1)模拟智能家居的多种场景，对实际环境中发送和接收天线之间的信道进行测量，(2)计算实测信道的路径损耗，(3)利用实测所得路径损耗对基于神经网络的路径损耗模型进行训练和参数提取，(4)使用本发明中的路径损耗模型和提取出的模型参数预测智能家居场景下的路径损耗特性。本发明能够精确地估计多种较短距离智能家居场景下的路径损耗特性，考虑了高度因素和不同环境，且具有较好的扩展性和通用性，对智能家居中通信系统的设计和部署有重要的实际价值。

Description

适于智能家居的基于神经网络的路径损耗预测方法

技术领域

本发明涉及无线信道建模、物联网、数理统计以及人工神经网络技术领域，具体而言涉及一种适于智能家居的基于神经网络的路径损耗预测方法。

背景技术

物联网应用作为当前和未来无线通信系统的重要场景，它被视为继计算机和互联网之后的全球信息工业革命的第三波浪潮。作为物联网的重要应用场景，智能家居旨在以家为平台,兼备建筑、自动化,智能化于一体的高效、舒适、安全、便利的家居环境。智能家居的实用性、安全性和稳定性依赖于健壮的无线通信系统。无线信道传播特性的建模是构筑智能家居中无线通信系统的关键问题。但是智能家居场景丰富多样，环境结构十分复杂，传感器和智能终端无处不在，智能家居的应用背景下的无线信道传播特性将会十分复杂。如何准确的对智能家居场景下的无线信道进行建模是一个亟需解决的问题。尤其是路径损耗模型，直接关系到智能家居的各种传感节点的部署，各个智能节点和设备之间的通信的性能和质量等。

专利号为CN201810769278.3的发明“基于机器学习的无线环境电磁参数拟合方法”提供了一种基于机器学习的无线环境电磁参数拟合方法，首先建立无线传播场景的三维射线跟踪模型，然后根据环境信息获得待拟合电磁参数的样本集；将样本集作为三维射线跟踪模型的输入，结合射线跟踪算法，获取相应的路径损耗仿真集；对无线电电波传播场景进行信道测量，获取路径损耗实际值；设置神经网络训练参数，将仿真集作为神经网络的输入，将样本集作为神经网络的输出，训练得到电磁参数拟合模型；将路径损耗实际值作为电磁参数拟合模型的输入，获取电磁参数实际值。该发明能够通过人工神经网络的训练过程构建路径损耗与环境参数之间复杂的非线性关系，拟合出实际无线环境中电磁参数。但该发明未对诸多影响参数做细分，只是单纯地获取不同位置不同环境的路径损耗，建立粗略的损耗模型，较为适用单一场景，一旦场景发生变换，误差较大。

专利号为CN201910425019.3的发明“一种无线信道大尺度衰落建模方法及装置”中提供一种无线信道大尺度衰落建模方法及装置，能够准确预测待测量点的路径损耗值。所述方法包括：获取测量环境的图片信息和测量环境中多个测量点的实际路径损耗值；根据图片信息提取传播环境的地表高度分布、地物及建筑类型信息，并对提取的地物及建筑类型信息进行独热编码；获取测量环境中基站的发射频率、基站高度、基站到接收天线的距离；对得到的实际路径损耗值、地表高度分布、独热编码后的地物及建筑类型信息、基站的发射频率、基站高度和基站到接收天线的距离进行组合，得到多维度信道特征；根据得到的多维度信道特征，对卷积神经网络进行训练，得到信道损耗检测模型。但该发明只考虑长距离传输条件下的高程范围和距离影响，不适用于智能家居这种场景下的高精度应用。

综上所述，现有的室内路径损耗模型存在以下几点局限性：第一，更适用于收发设备之间的距离较长的情况，模型精度不高，影响参数分辨率低，当收发设备之间的距离较短或场景环境较为复杂时，难以适用；第二，通常不考虑传感节点的高度因素等细微影响参数；第三，适用的环境比较单一，可扩展性较差。随着智能家居的进一步普及和物联网应用深度的持续提升，现有室内路径损耗模型也变得越来越不适用。

因此，一种基于实际测量数据建模，适用于多种较短距离智能家居场景的，充分考虑了高度因素和不同环境的，且可扩展性较好的路径损耗预测方法，对智能家居中通信系统的设计和部署有重要的实际价值。

发明内容

本发明目的在于提供一种适于智能家居的基于神经网络的路径损耗预测方法，能够精确地估计多种较短距离智能家居场景下的路径损耗特性，综合考虑了高度因素和不同环境等多种影响因子，具有较好的扩展性和通用性，对智能家居中通信系统的设计和部署有重要的实际价值，解决现有的路径损耗预测方法可扩展性较差且难以适用于复杂智能家居场景的问题。

为达成上述目的，结合图1，本发明提出一种适于智能家居的基于神经网络的路径损耗预测方法，所述预测方法包括：

S1，模拟智能家居的多种场景，对实际环境中发送天线和接收天线之间的信道进行测量，通过扫频得到实测的信道频率响应H(f，d，h_tx，h_rx，e，c)，其中f是扫频的频点，d是收发天线之间的距离，h_tx是发送天线的高度，h_rx是接收天线的高度，e是收发天线所处的环境，c是收发天线之间的传播情况；

S2，通过对所有频点上的信道频率响应的平方值进行平均，计算实测信道的路径损耗

其中BW为扫频带宽；

S3，使用步骤S2中计算所得的路径损耗PL(d，h_tx，h_rx，e，c)和对应的输入值d、h_tx、h_rx、e和c确定隐层神经元个数N，训练基于人工神经网络的路径损耗模型的权重w_0j、w_j1、w_j2、w_j3、w_j4和偏置量b₀、b_j，并使用极大似然估计的方法计算μ和σ；

所述路径损耗模型为：

其中，N为隐层神经元个数，w_0j、w_j1、w_j2、w_j3、w_j4(j＝1,2,3,…,N)为人工神经网络神经元的权重，b₀、b_j(j＝1,2,3,…,N)为各个神经元的偏置量，f_a为神经元的传递函数，X_σ为正态分布的随机变量，其均值和方差分别为μ和σ，d_m、h_tm、h_rm、e_m、c_m、PL_m分别是测量的最大收发天线距离，最大发送天线高度，最大接收天线高度，最大收发天线所处的环境，最大收发天线之间的传播情况，最大路径损耗；

S4，使用不同的d、h_tx、h_rx、e和c作为输入，并使用步骤S3中获得的模型参数w_0j、w_j1、w_j2、w_j3、w_j4、b₀、b_j、μ和σ，将其代入步骤S3中的模型，预测不同距离、发送天线高度、接收天线高度、环境和传播情况下的路径损耗。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)综合考虑了高度因素和不同环境等多种影响因子，能够精确地估计多种较短距离智能家居场景下的路径损耗特性。

(2)在多种智能家居的环境中进行类似的测量，如卧室、厨房、过道、楼梯等，保证数据的充足性，以确保模型的具有较好的扩展性和通用性。

(3)解决现有的路径损耗预测方法可扩展性较差且难以适用于复杂智能家居场景的问题，对智能家居中通信系统的设计和部署有重要的实际价值。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的适于智能家居的基于神经网络的路径损耗预测方法的流程图。

图2是本发明的智能家居场景下客厅测量环境的示例图。

图3是本发明的基于神经网络的路径损耗模型示意图。

图4是本发明的预测的路径损耗(不含阴影)和测量值的对比图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

以如图2所示的客厅环境为典型场景，但不限于该场景或者该环境结构，这里提到的测量方案和路径损耗预测方法也可用于其他场景。本发明的路径损耗方法如图1所示，具体包括如下步骤：

步骤(1)，实际环境下由发送天线和接收天线形成多径传输信道，通过扫频测得实测信道频率响应。本发明中的实测数据是通过频域测量系统得到的，该测试系统将发送天线和接收天线分别通过低损耗电缆连接至矢量网络分析仪的两端，通过扫频的方法，可以测得信道的频率响应，测量系统的频率范围为f_L～f_H。发送天线固定在图2所示的某一个T_x所在的位置，接收天线在图2所示的R_x所在的位置，改变发送天线和接收天线的高度，发送天线从0.1m到3m以0.1m为间隔进行变化模拟发送智能设备或网关所处位置，接收天线高度从0.1m到2m以0.1m为间隔进行变化模拟接收智能设备所处位置，可以获得信道频率响应H(f，d，h_tx，h_rx，e，c)，其中f是扫频的频点，d是收发天线之间的距离，h_tx是发送天线的高度，hrx是接收天线的高度，e是收发天线所处的环境，c是收发天线之间的传播情况(视距或非视距)。测量频率范围为2.3GHz-2.5GHz，4.9GHz-5.1GHz，以模拟常用的WiFi，ZigBee，蓝牙等短距离传输技术频段。在多种智能家居的环境中进行类似的测量，如卧室、厨房、过道、楼梯等，保证数据的充足性，以确保模型的通用性。

步骤(2)，根据本发明的测试方法得到的实测信道频率响应，对所有频点上的信道频率响应的平方值进行平均，计算实测信道的路径损耗：

其中BW为扫频带宽，BW＝f_H-f_L。

步骤(3)，使用步骤(2)中计算所得的路径损耗PL(d，h_tx，h_rx，e，c)和对应的输入值d、h_tx、h_rx、e和c确定隐层神经元个数N，使用Levenberg-Marquardt反向传播算法训练基于人工神经网络的路径损耗模型的权重w_0j、w_j1、w_j2、w_j3、w_j4和偏置量b₀、b_j，并使用极大似然估计的方法计算μ和σ。模型如下(如图3所示)：

其中，N为隐层中神经元个数，w_0j、w_j1、w_j2、w_j3、w_j4(j＝1,2,3,…,N)为人工神经网络神经元的权重，b₀、b_j(j＝1,2,3,…,N)为各个神经元的偏置量，f_a为神经元的传递函数，为tansig函数：

X_σ为正态分布的随机变量，其均值和方差分别为μ和σ。d_m、h_tm、h_rm、e_m、c_m、PL_m分别是测量的最大收发天线距离，最大发送天线高度，最大接收天线高度，最大收发天线所处的环境，最大收发天线之间的传播情况，最大路径损耗。隐层中神经元个数N的取值范围为3到50，通过对不同N的神经网络进行训练，取均方误差最小的N作为模型的参数。

步骤(4)，使用不同的d、h_tx、h_rx、e和c作为输入，并使用步骤(3)中获得的模型参数w_0j、w_j1、w_j2、w_j3、w_j4、b₀、b_j、μ和σ，将其代入步骤(3)中的模型，即可预测不同距离、发送天线高度、接收天线高度、环境和传播情况下的路径损耗。

为了验证本发明中的基于神经网络的路径损耗模型是否有效，特列举一验证例进行说明。本实施例中，使用的是客厅、过道和楼梯环境的测试数据作为模型参数的提取依据，图4展示了本发明预测的路径损耗(不含阴影)和测量值的对比图，可以看出两者吻合度较高，说明本发明所提出的路径损耗预测方法可以很好地模拟实际智能家居场景下的路径损耗。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (6)

1.一种适于智能家居的基于神经网络的路径损耗预测方法，其特征在于，所述预测方法包括：

S1，模拟智能家居的多种场景，对实际环境中发送天线和接收天线之间的信道进行测量，通过扫频得到实测的信道频率响应

，其中f是扫频的频点，d是收发天线之间的距离，h_tx是发送天线的高度，h_rx是接收天线的高度，e是收发天线所处的环境，c是收发天线之间的传播情况；

S2，通过对所有频点上的信道频率响应的平方值进行平均，计算实测信道的路径损耗

，其中BW为扫频带宽；

S3，使用步骤S2中计算所得的路径损耗

和对应的输入值d、h_tx、h_rx、e和c确定隐层神经元个数N，训练基于人工神经网络的路径损耗模型的权重w_0j、w_j1、w_j2、w_j3、w_j4和偏置量b₀、b_j，并使用极大似然估计的方法计算μ和σ；

所述路径损耗模型为：

其中，N为隐层神经元个数，w_0j、w_j1、w_j2、w_j3、w_j4为人工神经网络神经元的权重，b₀、b_j为各个神经元的偏置量，j的取值为1到N范围内的所有整数，f_a为神经元的传递函数，X_σ为正态分布的随机变量，其均值和方差分别为μ和σ，d_m、h_tm、h_rm、e_m、c_m、PL_m分别是测量的最大收发天线距离，最大发送天线高度，最大接收天线高度，最大收发天线所处的环境，最大收发天线之间的传播情况，最大路径损耗；

S4，使用不同的d、h_tx、h_rx、e和c作为输入，并使用步骤S3中获得的模型参数w_0j、w_j1、w_j2、w_j3、w_j4、b₀、b_j、μ和σ，将其代入步骤S3中的模型，预测不同距离、发送天线高度、接收天线高度、环境和传播情况下的路径损耗。

2.根据权利要求1所述的适于智能家居的基于神经网络的路径损耗预测方法，其特征在于，步骤S1中，所述模拟智能家居的多种场景，对实际环境中发送天线和接收天线之间的信道进行测量包括：

分别选择卧室、客厅、厨房、过道、楼梯作为发送天线和接收天线的摆放位置；

将发送天线从0.1m到3m以0.1m为间隔进行变化模拟发送智能设备所处位置，接收天线高度从0.1m到2m以0.1m为间隔进行变化模拟接收智能设备所处位置，固定发送天线位置，移动接收天线位置，收发天线之间的距离范围限制在1m到15m；

将发送天线和接收天线分别通过低损耗电缆连接至矢量网络分析仪的两端，扫频测量S ₂₁参数获得信道频率响应

，测量频率范围为2.3GHz-2.5GHz，4.9GHz-5.1GHz。

3.根据权利要求1所述的适于智能家居的基于神经网络的路径损耗预测方法，其特征在于，所述隐层神经元个数N的取值范围为3到50，通过对不同N的神经网络进行训练，取均方误差最小的N作为模型的参数。

4.根据权利要求1所述的适于智能家居的基于神经网络的路径损耗预测方法，其特征在于，所述神经元的传递函数f _a 为tansig函数：

；

其中，x为各神经元的输入值。

5.根据权利要求1所述的适于智能家居的基于神经网络的路径损耗预测方法，其特征在于，所述收发天线之间的传播情况包括视距、非视距两种。

6.根据权利要求1所述的适于智能家居的基于神经网络的路径损耗预测方法，其特征在于，步骤S3中，采用Levenberg-Marquardt反向传播算法对神经网络神经元权重和偏置量进行训练。

Images