CN111817805A - 一种信道传播模型参数的调整方法、装置和介质 - Google Patents
一种信道传播模型参数的调整方法、装置和介质 Download PDFInfo
- Publication number
- CN111817805A CN111817805A CN202010652706.1A CN202010652706A CN111817805A CN 111817805 A CN111817805 A CN 111817805A CN 202010652706 A CN202010652706 A CN 202010652706A CN 111817805 A CN111817805 A CN 111817805A
- Authority
- CN
- China
- Prior art keywords
- feature set
- input feature
- adjusting
- initial
- propagation model
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种信道传播模型参数的调整方法、装置和介质,获取建模区域内各收发节点之间的初始特征数据;按照不同数据类型所对应的处理规则,对初始特征数据进行处理,以得到特征信息以及经验模型预测值;将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。将初始输入特征集进行编码,以得到输入特征集;利用模拟退火算法,对输入特征集中包含的各编码数据进行调整,以得到与建模区域相匹配的目标输入特征集。依据模拟退火算法对输入特征集进行特征筛选,可以有效的去除无关以及冗余的输入特征,避免无线传播模型过度拟合于不相关数据而导致预测误差增加,提升了无线传播模型在不同场景下的预测准确度。
Description
技术领域
本发明涉及无线电波技术领域,特别是涉及一种信道传播模型参数的调整方法、装置和计算机可读存储介质。
背景技术
无线传播模型,即通过对电磁波传播进行建模来对无线电波的路径传输损耗进行预测,已经受到越来越广泛的关注。无线传播模型因为其对通信速率、信号干扰以及信号覆盖范围的估计起着重要的支撑作用,在很多通信场景下都有广泛的应用。例如,军用以及民用中的中继节点建立以及基站选址等。
传统的无线传播模型分为确定性模型、经验模型以及改进型经验模型。确定性模型是根据电磁波的传输理论,在考虑电磁波在空间中的折射、反射、绕射等方式的基础上,通过麦克斯韦方程来对传输损耗进行求解,该类方法具有较高的预测准确度,但却需要很高的计算量以及对物理环境进行精准建模,其往往只能应用于简单的物理环境。经验模型以及改进型经验模型是通过统计方法来从经验数据中拟合固定的公式来完成模型构建,该类方法在实际中易于实现,但其预测值往往与实际往往具有一定的误差。
随着深度学习技术的快速发展,现有研究逐渐集中于神经网络与无线传播模型相结合的智能无线传播模型。在不需要针对通信区域精准建模的情况下,智能无线传播模型利用大数据以及神经网络的强大拟合能力,往往能够获得更准确的预测结果。然而由于在不同环境下智能无线传播模型的适用特征可能并不相同,因此如何针对不同场景最优地为智能无线传播模型设计以及选择输入特征是一个重要研究问题。
可见,如何提升智能无线传播模型在不同场景下的预测准确度,是本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种信道传播模型参数的调整方法、装置和计算机可读存储介质,可以提升无线传播模型在不同场景下的预测准确度。
为解决上述技术问题,本发明实施例提供一种信道传播模型参数的调整方法,包括:
获取建模区域内各收发节点之间的初始特征数据;
按照不同数据类型所对应的处理规则,对所述初始特征数据进行处理,以得到特征信息以及经验模型预测值;
将所述初始特征数据、所述特征信息以及经验模型预测值合并作为初始输入特征集;
将所述初始输入特征集进行编码,以得到输入特征集;
利用模拟退火算法,对所述输入特征集中包含的各编码数据进行调整,以得到与所述建模区域相匹配的目标输入特征集。
可选地,所述利用模拟退火算法,对所述输入特征集中包含的各编码数据进行调整,以得到与所述建模区域相匹配的目标输入特征集包括:
按照预先设定的调整规则,调整所述输入特征集中的编码数据,以得到新的输入特征集;
计算所述输入特征集以及所述新的输入特征集在智能无线传播模型中的泛化误差值;
依据所述泛化误差值以及所述新的输入特征集,调整所述输入特征集的编码数据,以得到迭代特征集;
根据降温系数以及当前温度值对模拟退火温度参数进行更新;
判断优化次数是否达到预设阈值;
当优化次数未达到预设阈值时,则返回所述按照预先设定的调整规则,调整所述输入特征集中的编码数据,以得到新的输入特征集的步骤;
当优化次数达到预设阈值时,则将所述迭代特征集作为目标输入特征集。
可选地,所述依据所述泛化误差值以及所述新的输入特征集,调整所述输入特征集的编码数据,以得到迭代特征集包括:
将所述初始输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第一泛化误差值;
将所述新的输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第二泛化误差值;
当所述第二泛化误差值小于或等于所述第一泛化误差值时,则将所述新的输入特征集作为迭代特征集;
当所述第二泛化误差值大于所述第一泛化误差值时,则依据所述新的输入特征集、所述第一泛化误差值、所述第二泛化误差值以及当前温度值,调整所述初始输入特征集的编码数据,以得到迭代特征集。
可选地,在所述当优化次数达到预设阈值时,则将所述迭代特征集作为目标输入特征集之后还包括:
利用所述目标输入特征集以及所述初始特征数据对所述智能无线传播模型进行训练,以得到目标无线传播模型。
可选地,所述按照不同数据类型所对应的处理规则,对所述初始特征数据进行处理,以得到特征信息以及经验模型预测值包括:
利用经验模型对所述初始特征数据进行处理,以得到处理后的特征信息和经验模型预测值。
本发明实施例还提供了一种信道传播模型参数的调整装置,其特征在于,包括获取单元、处理单元、合并单元、编码单元和调整单元;
所述获取单元,用于获取建模区域内各收发节点之间的初始特征数据;
所述处理单元,用于按照不同数据类型所对应的处理规则,对所述初始特征数据进行处理,以得到特征信息以及经验模型预测值;
所述合并单元,用于将所述初始特征数据、所述特征信息以及经验模型预测值合并作为初始输入特征集;
所述编码单元,用于将所述初始输入特征集进行编码,以得到输入特征集;
所述调整单元,用于利用模拟退火算法,对所述输入特征集中包含的各编码数据进行调整,以得到与所述建模区域相匹配的目标输入特征集。
可选地,所述调整单元包括第一调整子单元、计算子单元、第二调整子单元、更新子单元、判断子单元和作为子单元;
所述第一调整子单元,用于按照预先设定的调整规则,调整所述输入特征集中的编码数据,以得到新的输入特征集;
所述计算子单元,用于计算所述输入特征集以及所述新的输入特征集在智能无线传播模型中的泛化误差值;
所述第二调整子单元,用于依据所述泛化误差值以及所述新的输入特征集,调整所述输入特征集的编码数据,以得到迭代特征集;
所述更新子单元,用于根据降温系数以及当前温度值对模拟退火温度参数进行更新;
所述判断子单元,用于判断优化次数是否达到预设阈值;当优化次数未达到预设阈值时,则返回所述第一调整子单元;
所述作为子单元,用于当优化次数达到预设阈值时,则将所述迭代特征集作为目标输入特征集。
可选地,所述第二调整子单元具体用于将所述初始输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第一泛化误差值;将所述新的输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第二泛化误差值;当所述第二泛化误差值小于或等于所述第一泛化误差值时,则将所述新的输入特征集作为迭代特征集;当所述第二泛化误差值大于所述第一泛化误差值时,则依据所述新的输入特征集、所述第一泛化误差值、所述第二泛化误差值以及当前温度值,调整所述初始输入特征集的编码数据,以得到迭代特征集。
可选地,还包括训练单元;
所述训练单元,用于利用所述目标输入特征集以及所述初始特征数据对所述智能无线传播模型进行训练,以得到目标无线传播模型。
可选地,所述处理单元具体用于利用经验模型对所述初始特征数据进行处理,以得到处理后的特征信息和经验模预测值。
本发明实施例还提供了一种信道传播模型参数的调整装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如上述任意一项所述信道传播模型参数的调整方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述信道传播模型参数的调整方法的步骤。
由上述技术方案可以看出,获取建模区域内各收发节点之间的初始特征数据;按照不同数据类型所对应的处理规则,对初始特征数据进行处理,以得到特征信息以及经验模型预测值;将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。通过扩充输入特征集中包含的数据种类,提升了整个初始输入特征集与无线传播模型所需预测的路径损耗值的相关性。将初始输入特征集进行编码,以得到输入特征集;利用模拟退火算法,对输入特征集中包含的各编码数据进行调整,以得到与建模区域相匹配的目标输入特征集。依据模拟退火算法对输入特征集进行特征筛选,可以有效的去除无关以及冗余的输入特征,自动针对建模区域筛选出适合的目标输入特征集,避免无线传播模型过度拟合于不相关数据而导致预测误差增加,提升了无线传播模型在不同场景下的预测准确度。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种信道传播模型参数的调整方法的流程图;
图2为本发明实施例提供的一种对输入特征集进行调整以得到目标输入特征集的方法的流程图;
图3为本发明实施例提供的一种信道传播模型参数的调整装置的结构示意图;
图4为本发明实施例提供的一种信道传播模型参数的调整装置的硬件结构示意。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种信道传播模型参数的调整方法。图1为本发明实施例提供的一种信道传播模型参数的调整方法的流程图,该方法包括:
S101:获取建模区域内各收发节点之间的初始特征数据。
在本发明实施例中,可以根据地形的不同设置不同的建模区域。例如,高密度城区、低密度城区、山林、平原等地形。一个建模区域可以看作是一个场景。
无线传播模型用于预测建模区域的路径损耗值。输入特征数据是影响无线传播模型预测准确度的重要参数。不同的地形对应的输入特征数据有所差异,在本发明实施例中,可以通过调整无线传播模型的输入特征数据,提升无线传播模型在不同场景下的预测准确度。
以一个建模区域为例,在实际应用中,可以在该建模区域内设置多组收发节点,测量每组收发节点之间的频率值、距离值、高度值等初始特征数据。
以基站和测量点为例,基站可以作为发送节点,测量点可以作为接收节点,基站和测量点之间的初始特征数据的类型可以参见表1。
表1
表1中记载了基站和测量点之间的初始特征数据的具体类型,其中,地物类型指的是基站和测量点所在的建模区域对应的地形。关于地物类型的具体类别可以参见表2。
表2
S102:按照不同数据类型所对应的处理规则,对初始特征数据进行处理,以得到特征信息以及经验模型预测值。
结合S101的介绍可知,数据类型主要包括频率值、距离值、高度值。在本发明实施例中,可以采用现有技术中的经验模型对初始特征数据进行处理,以得到处理后的特征信息和经验模型预测值。
经验模型包括自由空间传播模型(Free Space)、COST-231模型以及Okumura-Hata传播模型,经验模型对初始特征数据的处理方式可以参见表3。
表3
S103:将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。
在本发明实施例中,不单单将初始特征数据作为无线传播模型的输入特征集,为了提升输入特征集与无线传播模型所需预测的路径损耗值的相关性,对输入特征集进行了扩充,将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。
S104:将初始输入特征集进行编码,以得到输入特征集。
对初始输入特征集进行扩充之后,会导致无线传播模型的计算量增加,在本发明实施例中,为了降低无线传播模型的计算量,可以采用模拟退火算法对初始输入特征集中包含的数据进行筛选。
为了便于数据的处理,需要对初始输入特征集参数进行编码,将其转变成0或1形式的编码数据。
S105:利用模拟退火算法,对输入特征集中包含的各编码数据进行调整,以得到与建模区域相匹配的目标输入特征集。
对输入特征集中包含的各编码数据进行调整,主要是去除输入特征集中无关以及冗余的输入特征,自动针对建模区域筛选出适合的目标输入特征集,避免无线传播模型过度拟合于不相关数据而导致预测误差增加,提升了无线传播模型在不同场景下的预测准确度。
对输入特征集进行调整的具体实现方式可以参见图2,在此不再赘述。
由上述技术方案可以看出,获取建模区域内各收发节点之间的初始特征数据;按照不同数据类型所对应的处理规则,对初始特征数据进行处理,以得到特征信息以及经验模型预测值;将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。通过扩充输入特征集中包含的数据种类,提升了整个初始输入特征集与无线传播模型所需预测的路径损耗值的相关性。将初始输入特征集进行编码,以得到输入特征集;利用模拟退火算法,对输入特征集中包含的各编码数据进行调整,以得到与建模区域相匹配的目标输入特征集。依据模拟退火算法对输入特征集进行特征筛选,可以有效的去除无关以及冗余的输入特征,自动针对建模区域筛选出适合的目标输入特征集,避免无线传播模型过度拟合于不相关数据而导致预测误差增加,提升了无线传播模型在不同场景下的预测准确度。
如图2所示为本发明实施例提供的一种对输入特征集进行调整以得到目标输入特征集的方法的流程图,所述方法包括:
S201:按照预先设定的调整规则,调整输入特征集中的编码数据,以得到新的输入特征集。
结合上述介绍可知,经过编码处理之后,输入特征集中的特征数据可以用0和1表示,在实际应用中,可以将编码为1的数据输入进无线传播模型,编码为0的数据则不输入。举例说明,假设输入特征集中第一位表示频率,编码为1,那么将频率输入进无线传播模型;反之频率编码为0,则不输入。
在具体实现中,对于输入特征集中的编码数据的调整,可以随机抽取一个特征改变其输入状态以产生新的输入特征集。改变输入状态是指在输入特征集中随机选取一个位置,当该位置对应的编码数据为0时,则调整为1;当该位置对应的编码数据为1时,则调整为0。
S202:计算输入特征集以及新的输入特征集在智能无线传播模型中的泛化误差值。
智能无线传播模型指的是初始状态下的无线传播模型,智能无线传播模型对应的初始温度可以用T(0)表示,优化次数可以用k表示。
计算智能无线传播模型的泛化误差值属于现有技术较为成熟的技术,在此不再赘述。
S203:依据泛化误差值以及新的输入特征集,调整输入特征集的编码数据,以得到迭代特征集。
不同的输入特征集有其对应的泛化误差值,在具体实现中,可以将初始输入特征集作为智能无线传播模型的输入层参数进行训练,以获取第一泛化误差值;将新的输入特征集作为智能无线传播模型的输入层参数进行训练,以获取第二泛化误差值;当第二泛化误差值小于或等于第一泛化误差值时,则将新的输入特征集作为迭代特征集;当第二泛化误差值大于第一泛化误差值时,则依据新的输入特征集、第一泛化误差值、第二泛化误差值以及当前温度值,调整初始输入特征集的编码数据,以得到迭代特征集。
为了便于描述,在本发明实施例中,可以用A表示输入特征集,A'表示新的输入特征集,E表示输入特征集在智能无线传播模型中的第一泛化误差值,用E'表示新的输入特征集在智能无线传播模型中的第二泛化误差。
当E'≤E,则接受新解A',使得A=A',E=E'。
当E'>E,则以概率去接受新解A'。其中,T(k)表示当前优化次数下的温度值。当E'>E时,由于E-E'小于0,因此为0-1之间的小数。此时只需要生成一个0-1之间的随机数,若生成的随机数小于则使得A=A',E=E'。
S204:根据降温系数以及当前温度值对模拟退火温度参数进行更新。
每执行一次S201-S203的操作可以看作是一次优化,此时可以将优化次数加一,即令k=k+1。
在本发明实施例中,可以按照如下公式,完成对模拟退火温度参数的更新,
T(k)=λ·T(k-1);
其中,λ表示降温系数,T(k-1)表示当前温度值,T(k)表示更新后的温度值。
S205:判断优化次数是否达到预设阈值。
预设阈值的取值可以根据实际需求设定,在此不做限定。
当优化次数未达到预设阈值时,则需要再次进行优化,此时可以返回S201。当优化次数达到预设阈值时,则执行S206。
S206:将迭代特征集作为目标输入特征集。
当优化次数达到预设阈值时,则说明已经完成对输入特征集的优化,此时可以将最终得到的迭代特征集作为目标输入特征集。
在本发明实施例中,可以利用目标输入特征集以及初始特征数据对智能无线传播模型进行训练,以得到目标无线传播模型。
在实际应用中,为展示不同区域的特异性,可以依据建筑物的稀疏程度以及其距离市中心的远近,对包含不同地形的地理区域进行研究。
在本发明实施例中,可以通过模拟仿真的方式验证依据本发明实施例提供的信道传播模型参数的调整方法,得到的目标无线传播模型的性能。
表4给出了本次仿真中神经网络以及模拟退火算法的相关参数,在本次验证中采用均方误差(Mean Squared Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)、平均误差(Mean Error,ME)以及标准差(Standard Deviation,STD)作为目标无线传播模型的性能指标。
表4
参数名称 | 参数取值 |
Epoch | 5000 |
损失函数 | MSE |
激活函数 | Relu |
学习速率 | 0.01 |
数据集规模 | 150000 |
降温系数λ | 0.9 |
初始温度T(0) | 10 |
优化次数k<sub>max</sub> | 150 |
神经网络层数 | 3 |
隐含层神经单元个数 | 256 |
表5展示了本发明实施例在图4中一个建模区域上建模所得的测试误差以及训练误差,从中可以看到本发明实施例提供的目标无线传播模型具备较低的泛化误差(MAE为5.436dB),并且其平均误差(0.259dB)在0dB左右,标准差(4.703dB)较低,因此其预测值较为收敛。
表5
误差 | MAE | MSE | ME | STD |
测试误差 | 5.436 | 52.493 | 0.259 | 4.703 |
训练误差 | 4.308 | 33.312 | 0.150 | 3.772 |
考虑到建模区域内测量点地形的复杂性以及收发节点两端距离和发射频率的多样性,我们在表5中训练后的神经网络的基础上,分别针对于区域内不同的地形、距离以及频率的泛化误差做了测试,其结果如表6、表7以及表8所示。
表6展示了该模型在不同地形下的性能,从中我们可以看出该模型在城市开阔区域(16)、植被区(5)以及高密度城区(11)具备较好的性能,其MAE(5.516dB、4.974dB以及5.482dB)较小,并且ME趋近于0dB,具备较低的STD,满足实用需求。
表6
地形 | MAE | MSE | ME | STD |
16 | 5.516 | 54.841 | 0.244 | 4.855 |
5 | 4.974 | 42.027 | 0.337 | 4.069 |
11 | 5.482 | 53.132 | 0.339 | 4.714 |
表7和表8分别展示了该模型在不同距离以及不同频率下的性能,从表中可以得知,该模型在这些不同情况下均具备较好的性能,并且没有与表5中区域5的整体性能有较大偏差,满足应用的实际需求。
表7
表8
频率(MHz) | MAE | MSE | ME | STD |
2585 | 5.486 | 55.950 | 0.253 | 4.708 |
2624.6 | 5.279 | 48.220 | 0.245 | 4.421 |
综合表6、表7以及表8,可以得出结论本发明实施例能够适用于复合场景(多种地形、频率以及距离),而不是传统经验模型以及确定性模型的单一固定场景。
图3为本发明实施例提供的一种信道传播模型参数的调整装置的结构示意图,包括获取单元31、处理单元32、合并单元33、编码单元34和调整单元35;
获取单元31,用于获取建模区域内各收发节点之间的初始特征数据;
处理单元32,用于按照不同数据类型所对应的处理规则,对初始特征数据进行处理,以得到特征信息以及经验模型预测值;
合并单元33,用于将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集;
编码单元34,用于将初始输入特征集进行编码,以得到输入特征集;调整单元35,用于利用模拟退火算法,对输入特征集中包含的各编码数据进行调整,以得到与建模区域相匹配的目标输入特征集。
可选地,调整单元包括第一调整子单元、计算子单元、第二调整子单元、更新子单元、判断子单元和作为子单元;
第一调整子单元,用于按照预先设定的调整规则,调整输入特征集中的编码数据,以得到新的输入特征集;
计算子单元,用于计算输入特征集以及新的输入特征集在智能无线传播模型中的泛化误差值;
第二调整子单元,用于依据泛化误差值以及新的输入特征集,调整输入特征集的编码数据,以得到迭代特征集;
更新子单元,用于根据降温系数以及当前温度值对模拟退火温度参数进行更新;
判断子单元,用于判断优化次数是否达到预设阈值;当优化次数未达到预设阈值时,则返回第一调整子单元;
作为子单元,用于当优化次数达到预设阈值时,则将迭代特征集作为目标输入特征集。
可选地,第二调整子单元具体用于将初始输入特征集作为智能无线传播模型的输入层参数进行训练,以获取第一泛化误差值;将新的输入特征集作为智能无线传播模型的输入层参数进行训练,以获取第二泛化误差值;当第二泛化误差值小于或等于第一泛化误差值时,则将新的输入特征集作为迭代特征集;当第二泛化误差值大于第一泛化误差值时,则依据新的输入特征集、第一泛化误差值、第二泛化误差值以及当前温度值,调整初始输入特征集的编码数据,以得到迭代特征集。
可选地,还包括训练单元;
训练单元,用于利用目标输入特征集以及初始特征数据对智能无线传播模型进行训练,以得到目标无线传播模型。
可选地,其特征在于,处理单元具体用于利用经验模型对初始特征数据进行处理,以得到处理后的特征信息和经验模预测值。
图3所对应实施例中特征的说明可以参见图1和图2所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,获取建模区域内各收发节点之间的初始特征数据;按照不同数据类型所对应的处理规则,对初始特征数据进行处理,以得到特征信息以及经验模型预测值;将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。通过扩充输入特征集中包含的数据种类,提升了整个初始输入特征集与无线传播模型所需预测的路径损耗值的相关性。将初始输入特征集进行编码,以得到输入特征集;利用模拟退火算法,对输入特征集中包含的各编码数据进行调整,以得到与建模区域相匹配的目标输入特征集。依据模拟退火算法对输入特征集进行特征筛选,可以有效的去除无关以及冗余的输入特征,自动针对建模区域筛选出适合的目标输入特征集,避免无线传播模型过度拟合于不相关数据而导致预测误差增加,提升了无线传播模型在不同场景下的预测准确度。
图4为本发明实施例提供的一种信道传播模型参数的调整装置40的硬件结构示意图,包括:
存储器41,用于存储计算机程序;
处理器42,用于执行计算机程序以实现如上述任意实施例所述的信道传播模型参数的调整方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述任意实施例所述的信道传播模型参数的调整方法的步骤。
以上对本发明实施例所提供的一种信道传播模型参数的调整方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种信道传播模型参数的调整方法,其特征在于,包括:
获取建模区域内各收发节点之间的初始特征数据;
按照不同数据类型所对应的处理规则,对所述初始特征数据进行处理,以得到特征信息以及经验模型预测值;
将所述初始特征数据、所述特征信息以及所述经验模型预测值合并作为初始输入特征集;
将所述初始输入特征集进行编码,以得到输入特征集;
利用模拟退火算法,对所述输入特征集中包含的各编码数据进行调整,以得到与所述建模区域相匹配的目标输入特征集。
2.根据权利要求1所述的信道传播模型参数的调整方法,其特征在于,所述利用模拟退火算法,对所述输入特征集中包含的各编码数据进行调整,以得到与所述建模区域相匹配的目标输入特征集包括:
按照预先设定的调整规则,调整所述输入特征集中的编码数据,以得到新的输入特征集;
计算所述输入特征集以及所述新的输入特征集在智能无线传播模型中的泛化误差值;
依据所述泛化误差值以及所述新的输入特征集,调整所述输入特征集的编码数据,以得到迭代特征集;
根据降温系数以及当前温度值对模拟退火温度参数进行更新;
判断优化次数是否达到预设阈值;
当优化次数未达到预设阈值时,则返回所述按照预先设定的调整规则,调整所述输入特征集中的编码数据,以得到新的输入特征集的步骤;
当优化次数达到预设阈值时,则将所述迭代特征集作为目标输入特征集。
3.根据权利要求2所述的信道传播模型参数的调整方法,其特征在于,所述依据所述泛化误差值以及所述新的输入特征集,调整所述输入特征集的编码数据,以得到迭代特征集包括:
将所述初始输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第一泛化误差值;
将所述新的输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第二泛化误差值;
当所述第二泛化误差值小于或等于所述第一泛化误差值时,则将所述新的输入特征集作为迭代特征集;
当所述第二泛化误差值大于所述第一泛化误差值时,则依据所述新的输入特征集、所述第一泛化误差值、所述第二泛化误差值以及当前温度值,调整所述初始输入特征集的编码数据,以得到迭代特征集。
4.根据权利要求2所述的信道传播模型参数的调整方法,其特征在于,在所述当优化次数达到预设阈值时,则将所述迭代特征集作为目标输入特征集之后还包括:
利用所述目标输入特征集以及所述初始特征数据对所述智能无线传播模型进行训练,以得到目标无线传播模型。
5.根据权利要求1-4任意一项所述的信道传播模型参数的调整方法,其特征在于,所述按照不同数据类型所对应的处理规则,对所述初始特征数据进行处理,以得到特征信息以及经验模型预测值包括:
利用经验模型对所述初始特征数据进行处理,以得到处理后的特征信息和经验模型预测值。
6.一种信道传播模型参数的调整装置,其特征在于,包括获取单元、处理单元、合并单元、编码单元和调整单元;
所述获取单元,用于获取建模区域内各收发节点之间的初始特征数据;
所述处理单元,用于按照不同数据类型所对应的处理规则,对所述初始特征数据进行处理,以得到特征信息以及经验模型预测值;
所述合并单元,用于将所述初始特征数据、所述特征信息以及所述经验模型预测值合并作为初始输入特征集;
所述编码单元,用于将所述初始输入特征集进行编码,以得到输入特征集;
所述调整单元,用于利用模拟退火算法,对所述输入特征集中包含的各编码数据进行调整,以得到与所述建模区域相匹配的目标输入特征集。
7.根据权利要求6所述的信道传播模型参数的调整装置,其特征在于,所述调整单元包括第一调整子单元、计算子单元、第二调整子单元、更新子单元、判断子单元和作为子单元;
所述第一调整子单元,用于按照预先设定的调整规则,调整所述输入特征集中的编码数据,以得到新的输入特征集;
所述计算子单元,用于计算所述输入特征集以及所述新的输入特征集在智能无线传播模型中的泛化误差值;
所述第二调整子单元,用于依据所述泛化误差值以及所述新的输入特征集,调整所述输入特征集的编码数据,以得到迭代特征集;
所述更新子单元,用于根据降温系数以及当前温度值对模拟退火温度参数进行更新;
所述判断子单元,用于判断优化次数是否达到预设阈值;当优化次数未达到预设阈值时,则返回所述第一调整子单元;
所述作为子单元,用于当优化次数达到预设阈值时,则将所述迭代特征集作为目标输入特征集。
8.根据权利要求7所述的信道传播模型参数的调整装置,其特征在于,所述第二调整子单元具体用于将所述初始输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第一泛化误差值;将所述新的输入特征集作为所述智能无线传播模型的输入层参数进行训练,以获取第二泛化误差值;当所述第二泛化误差值小于或等于所述第一泛化误差值时,则将所述新的输入特征集作为迭代特征集;当所述第二泛化误差值大于所述第一泛化误差值时,则依据所述新的输入特征集、所述第一泛化误差值、所述第二泛化误差值以及当前温度值,调整所述初始输入特征集的编码数据,以得到迭代特征集。
9.一种信道传播模型参数的调整装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至5任意一项所述信道传播模型参数的调整方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述信道传播模型参数的调整方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010652706.1A CN111817805B (zh) | 2020-07-08 | 2020-07-08 | 一种信道传播模型参数的调整方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010652706.1A CN111817805B (zh) | 2020-07-08 | 2020-07-08 | 一种信道传播模型参数的调整方法、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111817805A true CN111817805A (zh) | 2020-10-23 |
CN111817805B CN111817805B (zh) | 2022-07-19 |
Family
ID=72842969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010652706.1A Active CN111817805B (zh) | 2020-07-08 | 2020-07-08 | 一种信道传播模型参数的调整方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111817805B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112738838A (zh) * | 2020-12-25 | 2021-04-30 | 中国联合网络通信集团有限公司 | 一种传播模型的确定方法及装置 |
CN113329437A (zh) * | 2021-06-07 | 2021-08-31 | 北京邮电大学 | 无线网络信号传播路径损耗预测方法及电子设备 |
EP4116673A1 (en) * | 2021-07-07 | 2023-01-11 | Sony Group Corporation | A server device and a method for spatial mapping of a model |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049913A1 (en) * | 2003-07-11 | 2005-03-03 | Huddleston David E. | Method and apparatus for automated feature selection |
CN102625324A (zh) * | 2012-03-08 | 2012-08-01 | 上海大学 | 基于粒子群算法的无线光纤传感器网络部署方法 |
CN103365962A (zh) * | 2013-06-19 | 2013-10-23 | 山东润谱通信工程有限公司 | 建筑物材质无线传播损耗参数数据库的建立和校正方法 |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
CN104320845A (zh) * | 2014-07-04 | 2015-01-28 | 南京邮电大学 | 一种基于传感器和量子智能计算的主用户定位方法 |
CN107750051A (zh) * | 2017-09-29 | 2018-03-02 | 重庆玖舆博泓科技有限公司 | 无线传播模型的优化方法及其装置 |
-
2020
- 2020-07-08 CN CN202010652706.1A patent/CN111817805B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049913A1 (en) * | 2003-07-11 | 2005-03-03 | Huddleston David E. | Method and apparatus for automated feature selection |
CN102625324A (zh) * | 2012-03-08 | 2012-08-01 | 上海大学 | 基于粒子群算法的无线光纤传感器网络部署方法 |
CN103365962A (zh) * | 2013-06-19 | 2013-10-23 | 山东润谱通信工程有限公司 | 建筑物材质无线传播损耗参数数据库的建立和校正方法 |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
CN104320845A (zh) * | 2014-07-04 | 2015-01-28 | 南京邮电大学 | 一种基于传感器和量子智能计算的主用户定位方法 |
CN107750051A (zh) * | 2017-09-29 | 2018-03-02 | 重庆玖舆博泓科技有限公司 | 无线传播模型的优化方法及其装置 |
Non-Patent Citations (3)
Title |
---|
THOMAS KURNER等: "Application of Bertoni"s work to propagation models used for the planning of real 2G and 3G cellular networks", 《2009 3RD EUROPEAN CONFERENCE ON ANTENNAS AND PROPAGATION》 * |
王卫红等: "基于LTE方向型传播模型的模拟退火加权定位算法", 《计算机科学》 * |
高士顺等: "一种自适应于不同场景的智能无线传播模型", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112738838A (zh) * | 2020-12-25 | 2021-04-30 | 中国联合网络通信集团有限公司 | 一种传播模型的确定方法及装置 |
CN113329437A (zh) * | 2021-06-07 | 2021-08-31 | 北京邮电大学 | 无线网络信号传播路径损耗预测方法及电子设备 |
CN113329437B (zh) * | 2021-06-07 | 2022-07-01 | 北京邮电大学 | 无线网络信号传播路径损耗预测方法及电子设备 |
EP4116673A1 (en) * | 2021-07-07 | 2023-01-11 | Sony Group Corporation | A server device and a method for spatial mapping of a model |
Also Published As
Publication number | Publication date |
---|---|
CN111817805B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111817805B (zh) | 一种信道传播模型参数的调整方法、装置和介质 | |
Konak | Estimating path loss in wireless local area networks using ordinary kriging | |
JP2002057614A (ja) | 無線通信システム中のrf伝播評価方法と装置 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
Cavalcanti et al. | A hybrid path loss prediction model based on artificial neural networks using empirical models for LTE and LTE-A at 800 MHz and 2600 MHz | |
WO2022021602A1 (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
Filiposka et al. | Terrain-aware three-dimensional radio-propagation model extension for NS-2 | |
CN111967679A (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
CN105517019A (zh) | 采用集成回归系统检测lte网络性能的方法 | |
He et al. | Random forests based path loss prediction in mobile communication systems | |
CN110247719A (zh) | 基于机器学习的5g时变信道回放与仿真方法 | |
CN109946673A (zh) | 基于蒙特卡洛树搜索的网络化雷达节点遴选方法 | |
Wang et al. | Terrain-based coverage manifold estimation: Machine learning, stochastic geometry, or simulation? | |
Wang et al. | A comprehensive prediction model for VHF radio wave propagation by integrating entropy weight theory and machine learning methods | |
Alwajeeh et al. | Efficient method for associating radio propagation models with spatial partitioning for smart city applications | |
CN103338460B (zh) | 用于动态网络环境的节点中心度的计算方法 | |
CN112243242B (zh) | 大规模天线波束配置方法和装置 | |
Liu et al. | Prediction of wireless network connectivity using a Taylor Kriging approach | |
Wang et al. | An SVR-Based Radio Propagation Prediction Model for Terrestrial FM Broadcasting Services in Beijing and Its Surrounding Area | |
Ebhota et al. | Signal power loss prediction based on artificial neural networks in microcell environment | |
CN117135639B (zh) | 基于神经网络的无线通信覆盖预测方法、系统及设备 | |
CN115022889B (zh) | 一种5g网络的rsrp预测模型及其建立方法和应用 | |
Perihanoglu et al. | Spatial Prediction of Received Signal Strength for Cellular Communication Using Support Vector Machine and K-Nearest Neighbours Regression | |
Haoyan et al. | Dubhe: a deep-learning-based B5G coverage analysis method | |
CN113723006B (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 |
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 |