CN111414974B - 基于通信基站的微波链路测雨网络拓扑结构优化方法 - Google Patents

Abstract

本发明公开了一种基于通信基站的微波链路测雨网络拓扑结构优化方法，包括以下步骤：(1)基于地理信息系统获取通信基站经纬度信息和高度；(2)基于基站地理位置对基站进行分簇聚类；(3)基于遗传算法设计并优化微波链路测雨网络拓扑结构。本发明能够充分利用已有通信基站和微波设备，有助于进一步提高微波链路测雨的效费比，降低成本，以有限密度的微波链路网实现高精度的降雨场监测。

Description

基于通信基站的微波链路测雨网络拓扑结构优化方法

技术领域

本发明涉及一种气象信息处理与应用领域，特别涉及一种基于通信基站的微波链路测雨网络拓扑结构设计与优化方法。

背景技术

实时准确的气象信息对于气象预报、自然灾害预警以及部队保障等具有重要意义。传统的气象要素测量方式存在空间分辨率低、城市地区组网困难、成本高昂等缺点，无法为公众提供及时可靠的精细化气象资料。在已有通信基站之间搭设微波链路，组成微波链路网络，可以对近地面降雨场进行实时、高分辨率、高精度的监测，是现有气象观测站网的一种补充手段。但是，已有通信基站数量庞大，分布疏密度不均，直接在所有基站上搭设微波链路，既不现实，又存在建设成本高、数据冗余量大、反演困难等问题。

发明内容

发明目的：为了充分利用微波链路测雨这一手段，提高降雨场监测精度，本发明提出一种基于通信基站的微波链路测雨网络拓扑结构优化方法，其在基站地理信息的基础上，对微波链路测雨网络拓扑结构进行设计并优化，提高微波链路测雨的效费比，以有限密度的微波链路网实现高精度的降雨场监测。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于通信基站的微波链路测雨网络拓扑结构优化方法，在获取基站地理信息的基础上，利用聚类算法对基站选点分类，随后基于机器学习算法设计并优化微波链路测雨网络拓扑结构，具体包括如下步骤：

步骤1，基于地理信息系统获取基站经纬度信息和高度信息。

步骤2，基于基站地理位置对基站分簇聚类：

步骤2.1，在获取所有基站地理信息的基础上，随机将基站分为n个集合：(C₁,C₂,C₃,...,C_n)，并从每个集合中选取一个基站作为质心。

步骤2.2，计算每一个基站到质心的距离：

式中，x为所有基站经纬度信息矩阵，μ_i为质心位置。

步骤2.3，计算目标最小化平方误差，根据目标最小化平方误差更新质心。

步骤2.4，重复步骤2.2～2.3，当E值趋于稳定后，停止迭代，获得n个基站位置，基于地理位置均为分布在待测区域。

步骤3基于遗传算法设计并优化微波链路测雨网络拓扑结构：

步骤3.1，种群初始化：

基于步骤2中得到的n个基站地理信息，建立初始种群。

步骤3.2，设立适应度函数：

设定微波链路测雨网络拓扑结构的约束条件以及目标函数g(x)，基于此建立适应度函数：F＝f(g(x))

步骤3.3，种群选择、交叉与变异：

基于适应度函数计算个体被选择的概率：

式中，F_i为个体i的适应度值，i＝1,2,3,…,n，n为基站数目。

随后进行个体的交叉操作：

该式表示第k个染色体a_k和第l个染色体a_l在j位置上交叉，b是[0,1]区间上的随机数。

最后进行变异操作：

式中，a_max、a_min分别是基因a_ij的上界和下界，f(g)＝r²(1-g/G_max)²，g是当前迭代数，G_max是最大进化数，r是[0,1]区间上的随机数。

步骤3.4非线性寻优：根据约束条件和适应度函数，利用非线性寻优设计并优化微波链路网络拓扑结构。

优选的：步骤2.2中质心的计算公式为：

其中，C_i表示第i个集合。

优选的：步骤2.3中目标最小化平方误差：

其中，E表示目标最小化平方误差。

本发明相比现有技术，具有以下有益效果：

本发明在获取基站地理信息的基础上，利用聚类算法对基站选点分类，随后基于机器学习算法设计并优化微波链路测雨网络拓扑结构。能够充分利用已有通信基站和微波设备，有助于进一步提高微波链路测雨的效费比，降低成本，以有限密度的微波链路网实现高精度的降雨场监测。

附图说明

图1是基于通信基站的微波链路测雨网络拓扑结构设计与优化方法的实施流程图；

图2是基于通信基站的微波链路测雨网络拓扑结构设计与优化方法的实现效果图。。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于通信基站的微波链路测雨网络拓扑结构优化方法，在获取基站地理信息的基础上，利用聚类算法对基站选点分类，随后基于机器学习算法设计并优化微波链路测雨网络拓扑结构，以K均值聚类算法和遗传算法为例，阐述本发明技术方案，主要包括如下步骤(如图1所示)：

步骤1，基于地理信息系统获取基站经纬度信息和高度信息。

步骤2，基于基站地理位置对基站分簇聚类：

步骤2.1，在获取所有基站地理信息的基础上，随机将基站分为n个集合：(C₁,C₂,C₃,...,C_n)，并从每个集合中选取一个基站作为质心。

步骤2.2，计算每一个基站到质心的距离：

式中，x为所有基站经纬度信息矩阵，μ_i为质心位置，质心的计算公式为：

其中，C_i表示第i个集合。

步骤2.3，计算目标最小化平方误差，根据目标最小化平方误差更新质心。

目标最小化平方误差：

其中，E表示目标最小化平方误差。

步骤2.4，重复步骤2.2～2.3，当E值趋于稳定后，停止迭代，获得n个基站位置，基于地理位置均为分布在待测区域。

步骤3基于遗传算法设计并优化微波链路测雨网络拓扑结构：

步骤3.1，种群初始化：

基于步骤2中得到的n个基站地理信息，建立初始种群。

步骤3.2，设立适应度函数：

设定微波链路测雨网络拓扑结构的约束条件以及目标函数g(x)，基于此建立适应度函数：F＝f(g(x))。

步骤3.3，种群选择、交叉与变异：

基于适应度函数计算个体被选择的概率：

式中，F_i为个体i的适应度值，i＝1,2,3,…,n，n为基站数目。

随后进行个体的交叉操作：

该式表示第k个染色体a_k和第l个染色体a_l在j位置上交叉，b是[0,1]区间上的随机数。

最后进行变异操作：

式中，a_max、a_min分别是基因a_ij的上界和下界，f(g)＝r²(1-g/G_max)²，g是当前迭代数，G_max是最大进化数，r是[0,1]区间上的随机数。

步骤3.4非线性寻优：根据约束条件和适应度函数，利用非线性寻优设计并优化微波链路网络拓扑结构，结束迭代。

微波链路测雨网络拓扑结构和优化的典型结果，如图2所示，本发明能够充分利用已有通信基站和微波设备，有助于进一步提高微波链路测雨的效费比，降低成本，以有限密度的微波链路网实现高精度的降雨场监测。

虽然上述说明描述了完整的实施例，包括基于基站地理位置对基站分簇聚类、基于机器学习算法设计并优化微波链路测雨网络拓扑结构，但并不局限于上述举例。本发明适用于各类移动通信基站、微波中继基站、广播基站等通信基站，在获取基站地理信息的基础上对基站选点分类，包括但不限于聚类算法，设计并优化微波链路测雨网络拓扑结构，包括但不限于机器学习算法，本领域的技术人员，在本发明的实质范围内做出的变型、修改或替换，都应属于本发明的保护范围。

Claims (1)

1.一种基于通信基站的微波链路测雨网络拓扑结构优化方法，其特征在于，包括如下步骤：

步骤1，基于地理信息系统获取基站经纬度信息和高度信息；

步骤2，基于基站地理位置对基站分簇聚类：

步骤2.1，在获取所有基站地理信息的基础上，随机将基站分为n个集合：(C₁,C₂,C₃,…,C_n)，并从每个集合中选取一个基站作为质心；

步骤2.2，计算每一个基站到质心的距离：

式中，x为所有基站经纬度信息矩阵，μ_i为质心位置；

质心位置的计算公式为：

其中，C_i表示第i个集合；

步骤2.3，计算目标最小化平方误差，根据目标最小化平方误差更新质心；

步骤2.4，重复步骤2.2～2.3，当目标最小化平方误差E趋于稳定后，停止迭代，获得n个基站位置，基于地理位置均为分布在待测区域；

目标最小化平方误差：

其中，E表示目标最小化平方误差；

步骤3基于遗传算法设计并优化微波链路测雨网络拓扑结构：

步骤3.1，种群初始化：

基于步骤2中得到的n个基站地理信息，建立初始种群；

步骤3.2，设立适应度函数：

设定微波链路测雨网络拓扑结构的约束条件以及目标函数g(x)，基于此建立适应度函数：F＝f(g(x))；

步骤3.3，种群选择、交叉与变异：

基于适应度函数计算个体被选择的概率：

式中，F_i为个体i的适应度值，i＝1,2,3,…,n，n为基站数目；

随后进行个体的交叉操作：

该式表示第k个染色体a_k和第l个染色体a_l在j位置上交叉，b是[0,1]区间上的随机数；

最后进行变异操作：

式中，a_max、a_min分别是基因a_ij的上界和下界，f(g)＝r²(1-g/G_max)²，g是当前迭代数，G_max是最大进化数，r是[0,1]区间上的随机数；

步骤3.4非线性寻优：根据约束条件和适应度函数，利用非线性寻优设计并优化微波链路网络拓扑结构。

Images