CN112367130B - 一种无线网络信号传输强度计算方法及计算机存储介质 - Google Patents
一种无线网络信号传输强度计算方法及计算机存储介质 Download PDFInfo
- Publication number
- CN112367130B CN112367130B CN202011310597.1A CN202011310597A CN112367130B CN 112367130 B CN112367130 B CN 112367130B CN 202011310597 A CN202011310597 A CN 202011310597A CN 112367130 B CN112367130 B CN 112367130B
- Authority
- CN
- China
- Prior art keywords
- input
- model
- signal transmission
- wireless network
- real
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种无线网络信号传输强度计算方法及计算机存储介质,本发明采用的无线网络信号传输模型在建模时,首先基于工程实践分析构造输入特征变量,并且应用特征选择理论从中筛选出重要的特征子集作为实际输入特征向量;然后采用对抗网络根据真实输入特征向量生成虚拟输入特征向量,并且采用使用真实数据训练的分解模糊极限学习机得到虚拟输入特征向量对应的输出标签;接着采用多层直觉条件模糊残差神经网络作为虚/实孪生网络对虚/实输入特征向量抽取特征,其中通过特征共享层实现“虚实互动”。最后为进一步提高模型精确度和健壮性,基于stacking思想采用并联分解模糊宽度神经网络对若干个体平行学习模型进行集成,从而得到更强的模型泛化能力。
Description
技术领域
本发明涉及一种无线网络信号传输强度计算方法及计算机存储介质,属于无线通信技术领域。
背景技术
随着现代通信技术的发展,5G乃至6G通信在可预见的将来会在国民经济和日常生活中发挥越来越重要的作用。目前在5G无线网络的实际部署过程中,基站的选址是至关重要的技术难题之一。合理优化的基站部署方案是保证网络通信质量和控制建设成本的关键。其中精确的无线网络信号传输模型是基站部署的主要理论依据。因此,建立正确可靠的无线信号传输模型是现代通信的核心技术之一。
目前,虽然已有一些无线信号传输模型,例如经验模型、理论模型和改进的经验模型等。其中,经验模型是根据经验工程技术参数(数据)建立复杂度适中的函数拟合公式,比如Cost231-hata、Okumura等。而理论模型则是根据电磁波传播理论,考虑电磁波在空间的反射、绕射、折射等物理现象进行损耗计算,比如Volcano模型。现在工程上常用的改进经验模型是在更为细分的场景下通过在经验模型中引入更多的参数建立的更加精确的传输模型,比如Standard Propagation Model(SPM)模型。然而,这些模型需要专业技术人员根据以往工程经验进行设计调整,模型通用性差,需要针对不同的环境确定相应参数,模型的精准性难以保证,导致相应的计算结果和实测符合的不好,建模效果欠佳。
缺乏准确可靠且鲁棒性好的信号传输模型,难以计算和预测通信基站的信号覆盖情况以及强度分布,不利于基站选址。
发明内容
本发明的目的是提供一种无线网络信号传输强度计算方法及计算机存储介质,用以解决缺乏通用性强且科学精准的信号传输模型来计算和预测信号强度的问题。
为实现上述目的,本发明的方案包括:
本发明的一种无线网络信号传输强度计算方法,包括如下步骤:
1)采集信号发射端的工程参数和信号发射端到信号接收端之间的环境参数;
2)将所述工程参数和环境参数带入无线网络信号传输模型中计算得到信号发射端在信号接收端处的信号强度;
所述无线网络信号传输模型为机器学习模型,是由不同工程参数、环境参数和对应信号接收端处的信号强度的基站数据集训练得到;
所述基站数据集包括真实数据集和虚拟数据集,所述真实数据集由实践检验获得的真实输入参数和对应的真实输出值构成,所述真实输入参数包括工程参数和环境参数;所述虚拟数据集通过如下方式获得:
a)向所述真实输入参数随机注入噪声值并通过对抗网络得到虚拟数据集的虚拟输入参数;
b)将虚拟输入参数输入数据模型,得到虚拟输出值;所述数据模型由所述真实数据集训练得到。
本发明针对无线网络信号衰减和信号强度的计算,避免通用性差的理论经验模型,提出了一种基于机器学习的无线网络信号传播模型。而机器学习模型对训练集要求很高,要求有大量的现场数据来对模型进行训练,而对于无线网络信号来说,除了能够实际测量的工程参数(例如基站的技术参数)信号强度还受到传播路径上复杂地理环境的影响,这部分数据获取难度大,需要对路径上的地貌特征进行分类编码后进行实地考察测量和采集归类。而基站建设实践过程中,能够获得的数据不能满足机器学习模型的训练要求。
针对信号传输机器学习模型在建模的训练数据集从广泛性和数量上难以满足需求的问题,本发明采用无线网络信号传输生成对抗网络对真实输入特征向量生成虚拟输入特征向量,经过数据扩增后训练模型可以实现对深度学习模型的训练,同时得到较好的模型泛化能力和使用可靠性。
进一步的,所述工程参数和环境参数为基于对应候选参数的发散度大于设定值、皮尔逊相关系数大于设定值、最大互信息系数大于设定值和随机森林系数大于设定值中的一个或多个作为标准筛选得到;
所述随机森林系数为随机森林算法中所有决策树袋外数据误差的显著性Ri:
本发明从大量的工程参数和地理参数中构造出特征向量,并且基于特征选择理论筛选出了与输出信号相关度较高的特征子集,避免了引入不相关特征造成的模型泛化能力下降计算效率低的问题。
进一步的,步骤a)中,向所述真实输入参数随机注入噪声值的方法是,对真实输入参数进行扰动或插值后得到初步虚拟输入参数,然后将初步虚拟参数与真实输入参数进行混合。
进一步的,步骤a)中,对抗网络的生成器和判别器的目标函数均采用基于学习者表现的行为算法。
进一步的,所述无线网络信号传输模型为基于孪生网络构建的平行模型,模型训练时孪生网络的输入分别对应真实数据集和虚拟数据集。
本发明进一步提出无线网络信号传输平行学习模型,虚/实输入特征向量分别输入平行学习模型抽取各自特征然后通过共享层实现特征共用,提高模型的健壮性。
进一步的,所述孪生网络采用多层直觉条件模糊残差神经网络。
进一步的,所述无线网络信号传输模型进一步采用stacking模型将基于孪生网络构建的平行模型进行集成,得到集成平行模型。
进一步的,stacking模型采用分解模糊神经网络和宽度网络的并联形式。
本发明进一步建立stacking集成无线网络信号传输平行学习模型,其中stacking方式采用分解模糊神经网络和宽度神经网络的并联形式,在有效抑制输入噪声干扰同时提高模型学习效率。集成方法的使用进一步提高无线网络信号传输平行学习模型的泛化能力。
本发明的一种计算机存储介质,所述计算机存储介质储存有实现如上所述的无线网络信号传输强度计算方法的计算机可读程序指令。
由于适用场景复杂多样,信号传输损失受不可控随机因素影响巨大,建模难度较高。相较于以往的无线网络信号传输模型,本发明中所采用的无线网络信号传输模型对接收端信号强度预测精度更高,泛化能力更好,能够更加准确的计算信号衰减和预测对应位置的信号强度。
附图说明
图1是本发明的无线网络信号传输强度计算方法流程图;
图2是虚拟输入特征向量生成示意图;
图3是本发明的无线网络信号传输平行学习模型示意图;
图4是集成无线网络信号传输平行学习模型示意图;
图5是基站发射端和信号接收端地理位置示意图;
图6是分解条件模糊残差生成对抗网络生成器示意图;
图7是分解条件模糊残差生成对抗网络判别器示意图;
图8是分解条件模糊集合示意图;
图9是无线网络信号传输平行学习模型中残差块示意图。
具体实施方式
方法实施例:
针对目前无线网络信号传输模型的不足,本发明提出了一种无线网络信号传输强度计算方法,方法通过本发明提出的一种全新的无线网络信号传输模型计算环境影响下信号强度的衰减情况,能够预测已知工程参数的基站周围的信号强度分布情况,具体通过向模型输入相关工程参数和地理参数,计算得到对应位置的信号强度。本发明中通过无线网络信号传输平行建模方法建立无线网络信号传输模型。这种建模方法以无线网络传输历史数据为基础,通过精准分析无线网络信号传输衰减的影响因素,从而确定模型的输入模式(作为输入模型的变量的特征向量)和输出标签(输出信号,即模型输出的信号强度),采用平行学习技术建立无线网络信号传输模型。建模方法如图1步骤1)~5)所示,具体包括如下步骤:
1)确定无线网络信号传输模型输入模式和输出信号。
在采用数据驱动的建模方法探索无线网络信号传输规律的过程中,根据工程参数(实际测量)和地理参数(信号环境)确定模型输入特征向量和对应输出信号。常用的工程参数包括基站的地理坐标(Xbs,Ybs)、发射机相对地面高度Hg(米)、发射机水平方向角α(度)、发射机垂直电下倾角θe(度)、发射机垂直机械下倾角θm(度)、发射机中心频率ft(MHz)和发射机发射功率Pt(dBm)。采用的地理参数包括基站建筑物高度Hbs(米)、基站海拔高度Ha(米)、基站地物地貌特征GTbs、接收端地理坐标(Xr,Yr)、接收端建筑物高度Hr(米)、接收端海拔高度Har(米)、接收端地物地貌特征GTr。这里的地物地貌特征被划分成20种,分别用1-20整数表示。通过对无线信号传输过程中衰减规律的分析,发现接收端信号强度和发射机功率Pt、发射机与接收端之间的空间距离Dtr、平面距离dtr、两者之间的空间角度Θtr、平面角度θtr、两者之间障碍物的遮挡、两者的地物地貌特征、发射机绝对高度Ht a、接收端绝对高度Hr a、两者之间高度差ΔHa、信号线下倾角θ=θe+θm、发射机中心频率的对数logft呈现强相关。根据Cost231-hata模型分析,接收端信号强度和距离的对数直接相关,即logDtr、logdtr等。因此,可以得到模型输入的候选特征向量Tc=(Pt,Dtr,logDtr,dtr,logdtr,Θtr,θtr,Ht a,Hr a,ΔHa,θ,logft,GTbs,GTr)和输出信号接收端信号强度Pr。
2)特征选择方法筛选输入模式(降低输入向量维数)。
目前输入模型的参数Tc是14维特征向量,为进一步约简传输模型规模,降低建模成本和提高模型泛化能力,采用特征选择方法使dim(Tc)<14。
首先,特征变量的发散度是衡量数据集中每一输入特征分量的相对变化量的大小,发散度越大代表对应变量变化越大,变化越大表示该变量对输出信号影响越大,该特征变量越重要。即特征变量tci样本均值mi和标准差σi,则发散度Di=σi/mi,由此得到所有输入特征变量的发散度。
其次,皮尔逊系数Pi表示输入变量和输出信号之间的线性关系,值越大表示该输入特征变量和输出信号线性关系越显著,该特征变量越重要。即
其中my、σy表示输出信号数据样本的均值和均方差。据此得到所有输入特征变量的皮尔逊系数。
最后,最大互信息系数Ci可以表示输入特征和输出信号的非线性关系,值越大两者联系越紧密,该变量越重要。即
其中I(tci,y)表示估计联合概率密度分布,|tci|和|y|表示输入特征变量tci和输出信号y取值范围的划分数目。由此得到所有输入特征变量的最大互信息系数。
其中Ri越大,表示特征变量tci重要性越大,据此得到所有输入特征变量的随机森林系数Ri。设定各特征选择标准的权值wD、wP、wIMC和wRF,则特征选择系数FSi=wDDi+wPPi+wIMCCi+wRFRi,权值均大于0且和为1。按照FSi大小对特征变量重要性按从大到小顺序排列,从中选择重要特征变量组成最终输入特征向量。
3)采用无线网络信号传输生成对抗网络产生虚拟输入模式和输出信号。
在无线网络信号传输建模研究中,模型的泛化能力是建模效果评价的主要指标。泛化能力取决于建模使用的训练数据集的质量,要求具有广泛的代表性和相当的数量。通过基建实践获得的数据集由于受地域、时间和人力的限制,不能完全满足以上要求。本发明提出无线网络信号传输生成对抗网络数据生成模型,通过真实数据集产生其“虚拟同伴”,即虚拟输入特征向量和相应的输出信号,形成平行训练数据集建立无线网络信号传输平行学习模型。在产生平行数据的过程中,首先对于真实数据集的输入特征向量{Tn k}k=1 N进行插值或注入噪声初步产生虚拟特征向量{VTn k}k=1 Nv,然后将两者混合生成新的输入特征向量{NTn k}k=1 N+Nv。采用分解条件模糊残差生成对抗网络生成虚拟输入特征向量将其和{Tn k}k=1 N混合得到新的虚拟输入特征向量如需要重复以上过程T次,得到虚拟输入特征向量整个过程如图2所示。为了得到虚拟输入特征向量对应的输出信号,采用真实输入特征向量和输出信号建立分解模糊极限学习机,当输入虚拟输入特征向量时得到它们的输出信号。真实输入特征向量和对应的输出信号构成真实训练特征数据集{Xk,yk}k=1 N,虚拟输入特征向量和对应的输出信号构成虚拟训练特征数据集。
4)建立无线网络信号传输平行学习模型。
真实训练特征数据集{Xk,yk}k=1 N和虚拟训练特征数据集的概率分布不完全相同,本发明采用平行学习模型通过虚实输入特征向量的互动实现特征空间的共享,提高模型的泛化能力和健壮性。平行学习模型中包括虚拟孪生网络和真实孪生网络,虚/实孪生网络均采用多层直觉条件模糊残差神经网络。
平行学习模型在训练时,虚拟训练特征数据集(虚拟输入特征向量)用于训练虚拟孪生网络,真实数据集(真实输入特征向量)用于训练真实孪生网络,虚/实孪生网络在特征共享层实现特征共享。如图3所示,其中,虚/实孪生网络的结构由若干残差块和直觉条件模糊推理块构成,虚/实输入特征向量经过第一层残差块抽取特征得到VOl (1)/ROl (1),分别经过特征共享层得到输出SOm (1)=VCm (1)VO(1)+RCm (1)RO(1),采用批处理归一化对其进行变换计算批样本均值Mm (1)和均方差σm (1),则共享层输出FSOm (1)=Fm(NSOm (1))。此时,FSOm (1)作为共享特征输入虚/实孪生网络分别抽取特征计算得到VOl (2)/ROl (2),根据网络特征共享层的数目,如果存在更多特征共享层,则继续上面的过程计算共享层神经元n的输出FSOn (2)=Fn(NSOn (2))。否则,VOl (2)/ROl (2)作为下一残差块的输入继续抽取特征,重复以上过程直到最后一个残差块输出VOl (L-1)/ROl (L-1),l=1,…,HL-1。接着,抽取特征向量输入直觉条件模糊推理块继续进行特征抽取,采用Z切片原理对条件模糊隶属函数和非隶属函数进行切片得到和它们是连通的平面,对于时,隶属函数和非隶属函数对应平面分别采用区间二型隶属函数和非隶属函数推理得到激活一型直觉模糊集合,得到隶属函数质心和非隶属函数质心分别和后件线性函数加权求和得到隶属函数输出和非隶属函数输出,对其进行加权求和得到最后输出信号。
在建模过程中,采用dropout技术随机选择残差块和特征共享层中神经通道,选择概率服从拉普拉斯分布。
监督训练的目标函数是虚/实网络输出信号的误差加权和,权值wv+wr=1,wv>0,wr>0,参数优化采用随机梯度下降法。
5)集成无线网络信号传输平行学习模型。
集成学习能够降低模型的泛化误差,对于输出标签噪声鲁棒性强。本发明采用stacking思想对无线网络信号传输平行模型进行集成,得到准确度更高的集成无线网络信号传输平行模型。
采用集成学习方法时需要解决以下几个问题:①个体无线网络信号传输平行模型数目;②stacking模型的选择和训练。对于问题②,stacking模型本身应该具有训练效率高,不过于复杂的特点,本发明采用并联分解模糊宽度学习系统作为stacking模型。问题①个体平行模型的数目就是stacking模型输入向量的维数,通过不断增加维数,评估真实测试集的准确性变化情况,选择个体平行模型的数目。
如图4所示,在本发明中,stacking模型采用分解模糊神经网络和宽度网络的并联形式,既有利于减少输入向量噪声的影响,也可以提高stacking模型的建模效率。当新的输入特征向量{TN k}k=1 num时,个体平行学习模型输出{IN k}k=1 num,其中IN k=(IN1 k,…,INMs k),Ms是个体平行学习模型的数目。对于并联模型中分解模糊神经网络部分,模糊集合的隶属函数是分解为三个隶属函数和所以得到3Ms条模糊规则,形成子模糊神经网络j。其中模糊规则的输出归一化得到3Ms条规则归一化前件和后件内积运算得到子系统j的输出dj,j=1,…,Ms。而对于宽度网络部分,输入向量Yk输入P组输入节点进行变换得到输出输入层得到P组 然后Op输入到增强层增强层得到Q组再根据D=(d1,…,dM),抽取矩阵EM=[D,O1…OP,O1…OQ]T,EM·W=Y,计算EM的广义逆,得到W=EM+·Y。个体平行学习模型的数目要根据在测试集上的结果选择使集成无线网络信号传输平行学习模型的精确度和健壮性最优。
在集成学习模型的训练中,仅采用真实数据集(真实输入特征向量)作为训练集对集成模型进行训练。平行学习模型的虚/实孪生网络在步骤4)中的训练后参数得到了固定,因此集成学习模型的训练是针对stacking模型的训练。
训练完毕后得到了本发明的集成无线网络信号传输平行学习模型,在根据本发明的方法计算某基站在某处的信号强度时,采集该基站的工程参数和该基站到该处的信号环境参数,工程参数和环境参数为步骤2)筛选后的变量参数,将采集的参数形成特征向量输入集成无线网络信号传输平行学习模型,计算出无线网络信号在该处的强度。
下面提供一个实施例,结合附图对本发明各个步骤做进一步详细的说明。
本发明为了实现无线网络信号传输强度的计算,针对目前无线网络信号传输高精度建模问题,以无线网络信号传输生成对抗网络和集成平行学习模型为主要研究对象,1)首先采用特征选择方法对从原样本构造的特征向量中的分量按重要性进行筛选;2)然后对维数约简后的输入特征向量采用无线网络信号传输生成对抗网络产生虚拟输入特征向量;3)接着对无线网络信号传输平行学习模型的虚/实孪生网络进行监督训练;4)最后,引入集成学习方法,构建分解模糊神经网络和宽度神经网络并联的stacking模型对无线网络信号传输平行学习模型进行集成提高泛化能力。
1)分析和确定无线网络信号传输模型的输入模式和输出标签。
根据现代无线信号传输理论,信号的接收强度主要和两类参数相关,地理参数和工程参数。对于地理参数,在无线信号的传输过程中,信号能量的路径损耗取决于信号发射端(基站)和信号接收端(智能终端)的空间位置、传输阻尼等因素。如图5所示,其中发射端(基站)和接收端的二维地理坐标分别表示为(Xbs,Ybs)和(Xr,Yr),在平面上二维坐标(X,Y)是对地理区域进行网格划分的极限值(ΔX→0,ΔY→0),它的数目将是无穷多个。为减少数据处理量,需要适当增大ΔX和ΔY的取值。因此,事实上(X,Y)代表一个面积为ΔS=ΔX×ΔY的单位元。它可以是该区域内任意坐标。为统一表示,采用单位元中心位置坐标作为该单位元坐标(X,Y)。所以,一个面积为S的区域可以得到采样点数目是在二维平面上,信号发出端和接收端的距离可以表示为考虑信号发出端和接收端的高度信息Ha和Har(海拔高度),则两者之间的三维距离可以表示为
除此之外,基站信号发射器的信号发射线和信号接收端夹角的大小,也是影响接收端信号强度的重要因素,该夹角大小有两种表示,一种是信号发射线与信号发射端接收端之间二维距离所在直线的夹角θtr=tan-1(|Xbs-Xr-ΔHa|/dtr),另一种是信号发射线与信号发射端接收端之间三维距离所在直线的夹角Θtr=sin-1(|Ha+Har|/Dtr)-θ。其中ΔHa是信号接收端和信号线的垂直距离,θ表示信号线下倾角,信号线下倾角θ等于垂直电下倾角θe加上垂直机械下倾角θm。
从实际场景分析,障碍物对信号的遮挡是影响接收端信号强度的又一重要因素,除了前面已经提到的发射端和接收端之间的距离,遮挡效果的强弱(主要通过信号反射、折射、散射和吸收等作用)和两者的相对高度(Ha-Har),地物地貌特征(江河湖海陆地)、两者之间障碍物的数目和高度有关。
具体的地物地貌分析非常复杂,大体上可以将其分为20种地貌类型,即海洋(01)、河流(02)、湿地(03)、草地(04)、灌木(05)、森林(06)、高度大于一百米的大厦(07)、高度介于一百米到六十米的楼房(08)、高度介于六十米到四十米的楼房(09)、高度介于四十米到二十米的楼房(10)、高度小于二十米的密集楼房(11)、高度小于二十米的稀疏楼房(12)、城市开阔区域(13)、郊区开阔区域(14)、乡村开阔区域(15)、工业密集区(16)、工业区(17)、密集办公区(18)、城市(19)、乡村(20)和郊区(21)。对于以上所示的类型采用one-hot编码将其转化成数值型变量作为输入模式。
除了以上的地理参数,工程参数也是决定接收端信号强度的重要因素。它包括基站发射机在水平方向上与正北方向夹角α,当接收端和发射机同角度时接收信号要比不同角度时接受强度更强。发射信号中心频率ft和功率Pt直接决定接收端信号强度。
通过以上分析,可以得到输入模式的备选变量参数为发射端和接收端的二维距离dtr,三维距离Dtr,以及它们的对数logdtr、logDtr(根据电磁波自由衰减公式,信号衰减和距离的对数呈线性关系)。发射端和接收端连线和信号线之间的二维夹角θtr、三维夹角Θtr、发射端坐标(Xbs,Ybs,Ha)、接收端坐标(Xr,Yr,Har)、发射端海拔高度Ha、接收端海拔高度Har、发射端和接收端的相对高度ΔHa、信号线下倾角θ=θe+θm、信号发射中心频率的对数logft,发射端的地貌表示GTbs和接收端的地貌表示GTr。也就是说,作为备选输入模式的向量Tc为:
Tc=(Pt,Dtr,logDtr,dtr,logdtr,Θtr,θtr,Ha,Har,ΔHa,θ,logft,GTbs,GTr) (1)
其中,GTbs和GTr分别是5位二进制编码。因为过多的输入特征不仅能使神经网络的结构和参数呈指数级增长,在训练网络时消耗较多的计算资源和时间,而且会助长训练后的网络产生过拟合现象,所以合理有效的采取特征选择技术适当减少输入模式维度,即从向量Tc的元素中选取一个子集(和输出标签Y最相关的分量)是数据处理部分的重点。本发明在建模中采用基于特征选择理论的方法筛选出备选输入模式中的主要特征。
2)采用特征选择方法筛选主要特征。
根据特征选择理论,本发明采用以下四个标准衡量输入模式中的各个变量参数分量的重要性。
A.模式分量的发散度:根据特征选择理论,对于输入模式(本案为向量Tc)的各个分量只有当它们在每个数据样本中有充分的差异时它们在整个建模过程中才起作用。因此,采用无监督方法度量输入模式中每个分量的变化情况,是特征选择的第一个标准。具体地,整个建模任务中训练样本经过变换得到备选特征向量和对应输出变量其中tci k中i=1,…,n,表示备选输入模式的各个分量。当N→∞,训练样本输入模式对应分量的均值和标准差等于它们的总体期望和均方差,则发散度Di=σi/mi被用来进行输入模式的特征选取。
B.模式分量的皮尔逊系数:在特征选择理论中,皮尔逊系数用来衡量输入模式各个分量分别和输出标签的线性相关性。输入模式(本案为向量Tc)的分量tci和输出标签y(本案为模型输出的接收端信号强度Pr)的线性相关性可通过它们各自的训练样本进行估计。计算输入模式各个分量的样本的均值mi和标准差σi,输出标签的均值和标准差则皮尔逊线性相关系数的取值为[0,1]。但是,该系数仅度量输入模式分量和输出标签的线性关系,为进一步测量两者的非线性相关性,需要计算最大互信息系数。
C.模式分量的最大互信息系数:为了更加有效度量输入模式分量和输出标签的非线性关系,采用以下最大互信息系数,i=1,…,n。对于输入模式分量和输出标签样本其中 y=min1≤k≤N yk。确定s,t∈Z+,s·t≤N0.6分别对和进行划分,得到区间因为二维离散点集的元素数目为Np,q(当被或被代替时,元素数目为Nq或Np),概率 对应这种划分方法计算互信息:
Iw(xi,y)=∑p,qNp,q/Nlog2(Np,qN/(NpNq)) (2)
在上式中,w=1,…,Np,Np表示s,t固定时,对区间和的划分方式的数目。根据Iw(tci,y)计算最大互信息I(tci,y)=maxw Iw(tci,y)然后进行归一化In(tci,y)=I(tci,y)/log2 mins,t(s,t),不断改变s和t的取值,重复以上的计算过程最终得到最大互信息系数
D.随机森林的特征选择:对于各个输入模式分量tci,采用随机森林(T棵决策树的集成)方法确定它们的重要性可以采取以下步骤:①对于每一棵决策树tj,计算相应的袋外数据误差②在样本数据集中,对于分量tci的样本加入随机噪声干扰noise(服从单位区间的均匀分布),即得到新的样本分量从而得到新的输入模式样本,然后计算各个决策树的袋外数据误差③计算所有决策树袋外数据误差的显著性显著性大的对应输入模式分量越重要。
对于输入模式的各个分量,经过以上计算过程得到四个评价指标Di,Pi,Ci和Ri,它们对应的权值分别为wD、wP、wC和wR,且和为1。则最终结果为
FSi=(wDDi+wPPi+wCCi+wRRi) (3)
根据问题需要设置阈值Th∈[0,1],模式分量对应的FSi大于Th时,该分量被保留,否则从备选输入向量Tc中删除,经过选择后得到正式输入向量Tn,正式输入向量Tn的维度dim(Tn)≤dim(Tc)。
3)采用无线网络信号传输生成对抗网络产生虚拟输入模式和输出信号。
经过特征变换和特征选择得到真实输入特征向量{Tn k}k=1 N对其进行扰动或插值操作等数据扩增得到{VTn k}k=1 Nv,其中VTn k=Tn k+N,N是随机噪声或VTn k=f(Tn k)。随后得到{NTn k}k=1 N+Nv输入分解条件模糊残差生成对抗网络,即它的生成器(generator)和判别器(discriminator)都采用分解条件模糊快作为输出层和残差块作为特征抽取层,它们的目标函数采用改进的基于学习者表现的行为算法(Improved learner performance basedbehavior algorithm,ILPBA)选择最优的损失函数形式。图6和图7展示了分解条件模糊残差生成对抗网络的生成器和判别器。对于生成器,它的输入是随机信号向量R=(r1,…,rn)∈Rn,经过残差块的特征抽取得到输出A(1)=F(R),F(*)表示Relu激活函数,则残差块输出O(1)=R+A(1)。类似地,经过L-1残差块的堆叠进行特征抽取得到O(L-1)=(o1 (L-1),…,onum (L-1))。然后输入到分解条件模糊推理块,条件模糊集合的隶属函数是三维函数μ(O(L-1),P1,…,Pn),其中P1,…Pn是模糊集合。采用Z切片原理可以得到条件模糊集合的Z切片μ(O(L-1),P1(z),…,Pn(z)), 它的上下边界可以表示为:
μ c(O(L-1),z)μ(O(L-1),Y(z)) (6a)
这里,z∈[0,1]。当高斯隶属函数的半径是一型模糊集合时,条件模糊集合exp(-(x-m)2/Σ2)和它对应的分解条件模糊集合的示意图如图8所示。
清晰化归一化规则激活力最后得到分解模糊子系统j的输出对于生成器,输出n维虚拟特征向量VX=(vx1,…vxn),其中而对于判别器,输出真/假的概率生成对抗网络的目标函数是通过借鉴博弈论的思想通过生成器和判别器的对抗训练使产生的虚拟输入特征向量的分布无限接近于真实分布。生成对抗网络的目标函数包含生成器和判别器两个基本部分,它的目标是使真实数据分布pdata和生成器产生的虚拟数据分布pG的Jenson-Shannon散度达到最小。为进一步提高生成样本的质量,各种目标函数被研究,这里改进的基于学习者表现的行为算法被用来选择最合适的目标函数以减少训练的不稳定和模式塌陷现象。整个筛选过程如下:
A.初始化种群P0。随机产生长度L的二进制数串。候选目标函数数目是O,则2L-1≤O≤2L。考虑到计算量,初始化种群的数目不宜过大,一般取小于10。
B.初始化大学专业招生人数Num,系数c1,c2,权值w,子种群大小参数ssp,迭代次数Ter。
C.对初始种群P0采用混沌离散映射Fdc对每个个体每一维混沌化,得到离散混沌序列P1、…、Pn,即Pi=Fdc(Pi-1)。经过以上离散迭代,得到P=[P0 P1…Pn]。
D.对于候选种群P中的每一个体计算其适应值。对于个体表示目标函数 a、b表示真实样本和G产生的虚拟样本的标签,c表示虚拟样本被D判别为真实样本的程度。采用随机梯度下降法优化G和D得到虚拟样本的分布pG,然后使用JS散度得到其与pdata的差异d≥0,最后得到适应值fit=exp(-αd),其中α>0是常数。由此得到所有候选个体的适应值向量Fit,按从大到小顺序排列得到Fit’,根据轮盘赌原理选择N个个体组成初始种群P。初始最佳适应值表示为Fitb,它所对应的最佳个体是pb。
E.建立子种群。根据子种群大小参数ssp从种群P中随机选取Ns=N*ssp个个体组成子种群Ps。计算其适应值向量FitPs,从大到小排列后得到FitPs’。它对应的子种群Ps’分为两个部分:好学生群GP和差学生群BP,它们的适应值向量分别是FitGP和FitBP,其中最大适应值分别是MFitGP和MFitBP。
F.当t≤Ter,进行以下迭代,否则停止迭代。如果Fitpi≤MFitBP,则个体pi加入差学生群BP;否则,如果Fitpi≤MFitGP,则个体pi加入好学生群GP;否则,个体pi加入天才学生群PP。当j≤Num时,如果PP≠Ω,Ω表示空集,则从天才学生群随机选择个体pj;否则,如果GP≠Ω,则从好学生群随机选择个体pj;否则,从差学生群随机选择个体pj。此时,j=j+1,继续迭代直到满足终止条件。
个体学习寻优,即:
vij(t+1)=wvij(t)+c1(pbij(t)-pij(t))+c2(gbj(t)-pij(t)) (8a)
pij(t+1)=pij(t)+vij(t+1) (8b)
其中pbij(t)是个体pi(t)的最优适应值,gb(t)是种群P的最优适应值。由此得到t+1次迭代后的种群P(t+1),种群最优适应值MFit(t+1),对应个体gb(t+1)。进行第五步的过程,建立t+1次迭代的子种群。重复第六步的迭代,直到满足终止条件。
G.获取最优解。天才学生群PP中最优适应值MFitPP,对应个体pbest表示的目标函数即为分解条件模糊残差生成对抗网络的目标函数,采用此时的生成器G产生虚拟输入数据样本{VtTn k}k=1 Nvt,再和数据样本{Tn k}k=1 N混合得到经过T次这样的迭代,得到虚拟输入特征向量然后采用分解模糊极限学习机(decomposed fuzzyextreme learning machine,DFELM)计算得到相应输出。对于DFELM,采用[0,1]均匀分布的随机数作为前件高斯隶属函数的中心和半径,然后对其进行分解得到对应三个分解高斯隶属函数,从而构建分解模糊子系统Dj,j=1,…,M。子系统Dj的输出是最后输出子系统规则激活力矩阵Fj和后件向量Wj表示为:
4)构建基于平行学习的无线网络信号传输模型。
采用生成模型得到虚拟数据样本和真实数据样本概率分布存在差异,为了得到建模精度高、泛化能力好的模型,本发明采用多层直觉条件模糊残差神经网络。如图2所示,对于虚/实孪生网络结构中,特征抽取主要由基层残差块和最后直觉条件模糊推理块的一部分完成,初级特征通过特征共享层进行共享,具体过程表示为:虚/实输入特征向量VTn k/RTn k经过第一层残差块抽取特征向量VOl (1)/ROl (1),如图9所示。输入经过全连接网络得到输入特征向量的增量ΔVTn k/ΔRTn k将其与相应输入相加得到ReLu函数的输入计算得到VOl (1)/ROl (1)。
将它们输入特征共享层,VCm、RCm分别表示与虚/实特征相对应的参数,输入到共享层m神经元的输入是SOm (1)=VCm (1)VO(1)+RCm (1)RO(1),为规范输入分布提高模型性能,采用批归一化技术将数据样本转化为正态分布N(αm (1),βm (1)),计算批数据的均值 和均方差对输入神经元m的数据归一化计算神经元m的输出FSOm (1)=Fm(NSOm (1))。此时,FSOm (1)作为共享特征输入虚/实孪生网络分别抽取特征计算得到VOl (2)/ROl (2),根据网络特征共享层的数目,如果存在更多特征共享层,则继续上面的过程计算共享层神经元n的输出FSOn (2)=Fn(NSOn (2))。否则,VOl (2)/ROl (2)作为下一残差块的输入继续抽取特征,重复以上过程直到最后一个残差块输出VOl (L-1)/ROl (L-1),l=1,…,HL-1。然后,它们输入直觉条件模糊推理块进行特征抽取,直觉条件模糊集合它的z切片表示为:
对于残差块、特征共享层、直觉条件模糊推理块中的特征传输通道采用服从拉普拉斯概率分布的dropout随机选取。对虚/实孪生网络进行参数调节,首先计算最终的输出根均方误差其中N为输入样本数目,yk为第k个虚/实样本的标签,O(L)为第k个样本的实际输出。其次采用批量梯度下降(BatchGradient Descent,BGD)算法更新调节参数。
5)构建集成无线网络信号传输平行学习模型
集成学习是机器学习领域中的一个研究热点问题,为了进一步提高模型预测的精确度和泛化能力,在本发明中,采用并联分解模糊宽度学习算法对个体无线网络信号传输平行学习模型进行stacking集成构建。初始个体无线网络信号传输平行学习模型的数目是NI,当新的训练样本{TN k}k=1 num输入它们,得到相应输出{IN k}k=1 num,它是stacking模型的输入数据集,输出标签是{yN k}k=1 num。并联分解模糊宽度学习算法同时考虑模型训练的效率和健壮性,具有很强的抗噪声干扰能力。具体的设计包括以下步骤:
B.对于宽度神经网络部分,向量{IN k}k=1 num输入到P组输入节点,经过激活函数得到输出所以,得到P组特征向量选择ReLu函数作为激活函数。接着,[O1 k…OP k]输入到增强层 增强层的输出是Q组增强的特征向量即[O1 k…OQ k]。选择Sigmoid函数作为激活函数。
D.对于测试集计算无线网络信号传输模型的准确度Acc,如果Acc满足要求,则建模过程结束,得到其平行学习模型;否则,增加个体无线网络信号传输平行学习模型的数目,重复以上过程,得到新模型的准确度,直到满足要求。
本发明在无线网络信号传输强度计算中,采用平行学习思想构建无线网络信号传输模型。首先基于工程参数和地理参数分析构造输入特征变量,并且应用特征选择理论从中筛选出重要的特征子集作为实际输入特征向量;然后,采用无线网络信号传输生成对抗网络根据真实输入特征向量生成虚拟输入特征向量,并且采用使用真实输入特征向量和输出标签训练的分解模糊极限学习机得到虚拟输入特征向量对应的输出标签;接着,采用多层直觉条件模糊残差神经网络作为虚/实孪生网络对虚拟/真实输入特征向量抽取特征,其中通过特征共享层实现‘虚实互动’。最后,为进一步提高模型精确度和健壮性,基于stacking思想采用并联分解模糊宽度神经网络对若干个体无线网络信号传输平行学习模型进行集成,从而得到更加强大的模型泛化能力。
计算机存储介质实施例:
一种计算机存储介质,储存有实现无线网络信号传输强度计算方法的程序指令,实现用于该程序指令在被至少一个处理器执行时,配合相关硬件实现本发明无线网络信号传输强度计算方法的步骤。本发明的无线网络信号传输强度计算方法已在方法实施例中介绍的足够清楚,此处不再赘述。
本实施例所称的介质是,存储有计算机程序指令的可编程数据处理设备。例如,可以是集成有存储核心的控制器,例如单片机或工控机。和/或是其他独立的存储器、内存储器。上述介质还可以是一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)。
Claims (8)
1.一种无线网络信号传输强度计算方法,其特征在于,包括如下步骤:
1)采集信号发射端的工程参数和信号发射端到信号接收端之间的环境参数;
2)根据所述工程参数和环境参数确定模型输入的候选特征向量,并对模型输入的候选特征向量进行筛选,将筛选出的模型输入特征向量带入无线网络信号传输模型中计算得到信号发射端在信号接收端处的信号强度;
所述无线网络信号传输模型为机器学习模型,是由不同工程参数、环境参数和对应信号接收端处的信号强度的基站数据集训练得到;
所述基站数据集包括真实数据集和虚拟数据集,所述真实数据集由实践检验获得的真实输入参数和对应的真实输出值构成,所述真实输入参数包括工程参数和环境参数;所述虚拟数据集通过如下方式获得:
1)向所述真实输入参数随机注入噪声值并通过无线网络信号传输生成对抗网络得到虚拟数据集的虚拟输入参数;所述无线网络信号传输生成对抗网络的生成器和判别器采用分解条件模糊块作为输出层,采用残差块作为特征抽取层,生成器和判别器的目标函数采用改进的基于学习者表现的行为算法选择最优损失函数形式;
2)将虚拟输入参数输入分解模糊极限学习机,得到虚拟输出值;所述分解模糊极限学习机由所述真实数据集训练得到;所述分解模糊极限学习机的分解模糊子系统规则前件分解高斯隶属函数的中心和半径采用[0,1]均匀分布的随机数得到,而后件向量通过广义逆得到。
2.根据权利要求1所述的无线网络信号传输强度计算方法,其特征在于,所述模型输入的候选特征向量为:发射机发射功率Pt,发射机与接收端之间的空间距离Dtr及其对数logDtr,平面距离dtr及其对数logdtr,发射机与接收端之间的空间角度Θtr,平面角度θtr,发射机绝对高度Ht a,接收端绝对高度Hr a,发射机与接收端之间高度差ΔHa,信号线下倾角θ,发射机中心频率的对数logft,基站地物地貌特征GTbs,以及接收端地物地貌特征GTr,模型输入特征向量为基于对应候选参数的发散度大于设定值、皮尔逊相关系数大于设定值、最大互信息系数大于设定值和随机森林系数大于设定值中的一个或多个作为标准筛选得到;
所述随机森林系数为随机森林算法中所有决策树袋外数据误差的显著性Ri:
3.根据权利要求1所述的无线网络信号传输强度计算方法,其特征在于,步骤a)中,向所述真实输入参数随机注入噪声值的方法是,对真实输入参数进行扰动或插值后得到初步虚拟输入参数,然后将初步虚拟参数与真实输入参数进行混合。
4.根据权利要求1所述的无线网络信号传输强度计算方法,其特征在于,所述无线网络信号传输模型为基于孪生网络构建的平行模型,模型训练时孪生网络的输入分别对应真实数据集和虚拟数据集。
5.根据权利要求4所述的无线网络信号传输强度计算方法,其特征在于,所述孪生网络采用多层直觉条件模糊残差神经网络,所述多层直觉条件模糊残差神经网络由若干残差块和直觉条件模糊推理块构成。
6.根据权利要求5所述的无线网络信号传输强度计算方法,其特征在于,所述无线网络信号传输模型进一步采用stacking方法将若干个基于孪生网络构建的平行模型进行集成,得到集成平行模型;个体平行模型的数目就是stacking方法输入向量的维数,通过不断增加维数,评估真实测试集的准确性变化情况,选择个体平行模型的数目。
7.根据权利要求6所述的无线网络信号传输强度计算方法,其特征在于,stacking方法采用分解模糊神经网络和宽度网络的并联形式。
8.一种计算机存储介质,其特征在于,所述计算机存储介质储存有实现如权利要求1~7任一项所述的无线网络信号传输强度计算方法的计算机可读程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310597.1A CN112367130B (zh) | 2020-11-20 | 2020-11-20 | 一种无线网络信号传输强度计算方法及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310597.1A CN112367130B (zh) | 2020-11-20 | 2020-11-20 | 一种无线网络信号传输强度计算方法及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112367130A CN112367130A (zh) | 2021-02-12 |
CN112367130B true CN112367130B (zh) | 2023-04-07 |
Family
ID=74534080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011310597.1A Active CN112367130B (zh) | 2020-11-20 | 2020-11-20 | 一种无线网络信号传输强度计算方法及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112367130B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552450A (zh) * | 2021-07-07 | 2021-10-26 | 上海交通大学 | 一种基于虚拟传感器的局部放电源定位方法 |
CN114166858B (zh) * | 2022-02-11 | 2022-04-12 | 海门市芳华纺织有限公司 | 基于人工智能的纺织毛刷辊划伤皮革区域检测方法 |
CN117997755A (zh) * | 2022-10-31 | 2024-05-07 | 中兴通讯股份有限公司 | 强化学习模型的训练方法、电子设备及存储介质 |
CN116743286B (zh) * | 2023-06-12 | 2024-01-30 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696331A (zh) * | 2018-03-19 | 2018-10-23 | 西安电子科技大学 | 一种基于生成对抗网络的信号重构方法 |
CN108985440A (zh) * | 2018-09-05 | 2018-12-11 | 河南工业大学 | 区间二型直觉模糊随机向量函数连接神经网络设计方法 |
WO2020088739A1 (en) * | 2018-10-29 | 2020-05-07 | Hexagon Technology Center Gmbh | Facility surveillance systems and methods |
CN111931816A (zh) * | 2020-07-09 | 2020-11-13 | 河南工业大学 | 一种视网膜图像平行处理方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176164B (zh) * | 2013-04-11 | 2016-01-13 | 北京空间飞行器总体设计部 | 基于无线传感器网络的多目标无源跟踪方法 |
WO2018027239A1 (en) * | 2016-08-05 | 2018-02-08 | Neonic Corporation | System and method for wireless location |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
CN109598337B (zh) * | 2018-12-05 | 2021-02-02 | 河南工业大学 | 基于分解模糊神经网络的二氧化硫浓度预测方法 |
US11487271B2 (en) * | 2019-04-23 | 2022-11-01 | Dassault Systemes Simulia Corp. | Machine learning with fast feature generation for selective laser melting print parameter optimization |
CN111915246B (zh) * | 2020-06-28 | 2024-04-26 | 河南工业大学 | 一种粮仓储粮数量平行检测方法 |
-
2020
- 2020-11-20 CN CN202011310597.1A patent/CN112367130B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696331A (zh) * | 2018-03-19 | 2018-10-23 | 西安电子科技大学 | 一种基于生成对抗网络的信号重构方法 |
CN108985440A (zh) * | 2018-09-05 | 2018-12-11 | 河南工业大学 | 区间二型直觉模糊随机向量函数连接神经网络设计方法 |
WO2020088739A1 (en) * | 2018-10-29 | 2020-05-07 | Hexagon Technology Center Gmbh | Facility surveillance systems and methods |
CN111931816A (zh) * | 2020-07-09 | 2020-11-13 | 河南工业大学 | 一种视网膜图像平行处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
Study on radio propagation prediction by machine learning using urban structure maps;Tatsuya Nagao等;《2020 14th European Conference on Antennas and Propagation (EuCAP)》;第1-5页 * |
基于深度学习的无线传播应用分析;雒腾等;《科学技术创新》;第60-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112367130A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112367130B (zh) | 一种无线网络信号传输强度计算方法及计算机存储介质 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN111340076A (zh) | 一种对新体制雷达目标未知模式的零样本识别方法 | |
CN116451553A (zh) | 一种改进的变分模态分解与BiGRU融合的水质预测方法 | |
CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
Liu et al. | Application of dueling DQN and DECGA for parameter estimation in variogram models | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
CN114004158A (zh) | 基于遗传算法优化支持向量机的海面电磁散射预测方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
Syaharuddin et al. | The formula study in determining the best number of neurons in neural network backpropagation architecture with three hidden layers | |
Ahmadi et al. | Identification of dominant sources of sea level pressure for precipitation forecasting over Wales | |
CN111610514B (zh) | 一种蒸发波导传播特性的反演方法及装置 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN115623422A (zh) | 三维战场辐射源定位跟踪方法 | |
RU2780606C1 (ru) | Способ обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта | |
Cardon et al. | Key issues for successful industrial neural-network applications: An application in geology |
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 |