CN112929916B - 无线传播模型的构建方法和装置 - Google Patents
无线传播模型的构建方法和装置 Download PDFInfo
- Publication number
- CN112929916B CN112929916B CN202110295423.0A CN202110295423A CN112929916B CN 112929916 B CN112929916 B CN 112929916B CN 202110295423 A CN202110295423 A CN 202110295423A CN 112929916 B CN112929916 B CN 112929916B
- Authority
- CN
- China
- Prior art keywords
- wireless
- fitness
- feature
- clustering result
- weight set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 12
- 230000035772 mutation Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供一种无线传播模型的构建方法和装置,涉及通信领域,可以解决基于现有方案构建的无线传播模型精度低和适应性差的问题。该方法包括:基于遗传算法,获取特征权重集合;特征权重集合包括多个特征权重组,每个特征权重组包括多个特征权重;根据多个特征权重组,确定多个无线区域的聚类结果;基于聚类结果,确定多个无线区域的适应度;若适应度大于或等于适应度阈值,则基于聚类结果,构建无线传播模型。
Description
技术领域
本申请涉及通信领域,尤其涉及一种无线传播模型的构建方法和装置。
背景技术
无线传播模型是指,基于无线信号的传播规律而设计出来的数学模型,是无线网络规划的基础。目前,通常基于实地勘测和数据采集等方式构建的无线传播模型,完成无线网络的规划和部署,以满足通信需求和控制成本。其中,实地勘测需要技术人员针对不同类型区域分别进行现场勘测,耗时较长,而数据采集方式需要采集和传输大量的测量数据,均会导致效率低下,且会因实测数据和采集的测量数据的完备性和数量不足,导致构建的无线传播模型的精度低下,从而导致无线网络的运维成本居高不下。
并且,随着无线网络日趋复杂化,如多种通信制式并存、多种类型的基站(如宏基站、微基站)密集部署等,可能导致之前构建的无线传播模型无法满足日益复杂的无线网络的规划需求,从而导致无线传播模型适应性较差。
发明内容
本申请提供一种无线传播模型的构建方法和装置,可以解决基于现有方案构建的无线传播模型精度低和适应性差的问题。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种无线传播模型的构建方法。该方法包括:基于遗传算法,获取特征权重集合;该特征权重集合包括多个特征权重组,该多个特征权重组包括多个特征权重;根据该多个特征权重组,确定多个无线区域的聚类结果;基于该聚类结果,确定该多个无线区域的适应度;若该适应度大于或等于适应度阈值,则基于该聚类结果,构建无线传播模型。
基于第一方面提供的无线传播模型的构建方法,可以根据多个特征权重组对不同类型的无线区域进行聚类操作,并基于聚类结果确定遗传算法中无线区域的适应度,并根据适应度再次进行聚类操作,经逐代演化,以提高同簇的各无线区域的特征的相似度,从而使得聚类结果能够更加明晰地反映出每簇的无线区域的特点,从而实现针对不同类型的无线区域定制无线传播模型,以提高无线传播模型的精度;并且,在遗传算法的迭代过程中,可以获得大量的特征权重组,以提高无线区域的样本多样性,使得构建的无线传播模型能够根据不同类型的无线区域进行调整,从而提高构建的无线传播模型适应性。
第二方面,提供一种无线传播模型的构建装置。该装置包括:获取模块、确定模块和构建模块;其中,所述获取模块,用于基于遗传算法,获取特征权重集合;该特征权重集合包括多个特征权重组,该多个特征权重组包括多个特征权重;该确定模块,用于根据该多个特征权重组,确定多个无线区域的聚类结果;该确定模块,还用于基于该聚类结果,确定该多个无线区域的适应度;该构建模块,若该适应度大于或等于适应度阈值,则基于该聚类结果,构建无线传播模型。
第三方面,还提供一种无线传播模型的构建装置。该装置包括:处理器、收发器和存储器;其中,存储器用于存储一个或多个计算机程序,该一个或多个计算机程序包括计算机执行指令,当该装置运行时,处理器执行该计算机执行指令,以使该装置执行如上述第一方面的无线传播模型的构建方法。
第四方面,还提供一种计算机可读存储介质。该计算机可读存储介质中存储有指令,当计算机执行该指令时,使得该计算机执行如上述第一方面的无线传播模型的构建方法。
需要说明的是,上述计算机指令可以全部或者部分存储在第一计算机存储介质上。其中,第一计算机存储介质可以与无线传播模型的构建装置的处理器封装在一起的,也可以与无线传播模型的构建装置的处理器单独封装,本申请实施例对此不作限定。
本申请中第二方面、第三方面、第四方面的描述,可以参考第一方面的详细描述;并且,第二方面、第三方面、第四方面的有益效果,可以参考第一方面中的有益效果分析,此处不再赘述。
在本申请实施例中,上述无线传播模型的构建装置的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种无线传播模型的构建装置的硬件结构示意图;
图2为本申请实施例提供的一种无线传播模型的构建方法的流程示意图;
图3为本申请实施例提供的又一种无线传播模型的构建方法的流程示意图;
图4为本申请实施例提供的遗传算法中的交叉操作的示意图;
图5为本申请实施例提供的一种无线传播模型的构建装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
针对上述问题,本申请实施例提供一种无线传播模型的构建方法及装置,可基于遗传算法和聚类算法,使用特征权重,以确定多个无线区域的聚类结果,从而构建无线传播模型。相比现有技术,本申请实施例提供的方案中可以针对不同类型的无线区域更加准确地定制无线传播模型,以解决基于现有方案构建的无线传播模型精度低和适应性差的问题。
上述无线传播模型的构建装置可以为用于构建无线传播模型的设备,也可以为该设备中的芯片,还可以为该设备中的芯片上系统。
可选的,该设备可以是物理机,例如:台式电脑,又称台式机或桌面机(DesktopComputer)、手机、平板电脑、笔记本电脑、超级移动个人计算机(Ultra-Mobile PersonalComputer,UMPC)、上网本、个人数字助理(Personal Digital Assistant,PDA)等终端设备。
可选的,上述无线传播模型的构建装置也可以通过部署在物理机上的虚拟机(Virtual Machine,VM),实现上述无线传播模型的构建装置所要实现的功能。
为了便于理解,下面对本申请实施例中的无线传播模型的构建装置的结构进行描述。
图1为本申请实施例提供的一种无线传播模型的构建装置的硬件结构示意图。如图1所示,该无线传播模型的构建装置包括处理器11,存储器12、通信接口13、总线14。其中,处理器11,存储器12以及通信接口13之间可以通过总线14连接。
处理器11是无线传播模型的构建装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器11可以是一个通用中央处理单元(Central ProcessingUnit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器11可以包括一个或多个CPU,例如图1中所示的CPU 0和CPU 1。
存储器12可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
一种可能的实现方式中,存储器12可以独立于处理器11存在,存储器12可以通过总线14与处理器11相连接,用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时,能够实现本申请实施例提供的无线传播模型的构建方法。
另一种可能的实现方式中,存储器12也可以和处理器11集成在一起。
通信接口13,用于与其他设备通过通信网络连接。所述通信网络可以是以太网,无线接入网,无线局域网(Wireless Local Area Networks,WLAN)等。通信接口13可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线14,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为了便于表示,图1中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图1示出的结构并不构成对该无线传播模型的构建装置的限定。除图1所示部件之外,该无线传播模型的构建装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合附图对本申请实施例提供的无线传播模型的构建方法进行详细介绍。
图2为本申请实施例提供的一种无线传播模型的构建方法的流程示意图。
如图2所示,该方法包括以下步骤:
S201,基于遗传算法,获取特征权重集合。
其中,该特征权重集合包括多个特征权重组,每个特征权重组包括多个特征权重。特征权重与无线区域的特征对应。无线区域为基于本申请构建的无线传播模型所要应用的区域。
具体地,根据专家经验,某些特征对构建无线传播模型的影响程度是已知的,即某些特征权重的重要性是已知的,因此,可以基于此确定特征权重的取值。
例如,假设一个特征权重组中包括以下特征对应的特征权重:建筑物高度、建筑物密度、建筑物类型、道路、森林绿地、地形、水域因素及其他(例如,包括科教文化、医院、银行、景区等所占的面积比)。假定这些特征对构建无线传播模型的影响程度从大到小依次为:建筑物高度、建筑物密度、建筑物类型、道路、森林绿地、地形、水域因素、其他(例如,包括科教文化、医院、银行、景区等所占的面积比),则S301中确定每组特征权重时需要满足:建筑物高度的权重>建筑物密度的权重>建筑物类型的权重>道路的权重>森林绿地的权重>地形的权重>水域因素的权重>其他的权重(例如,包括科教文化、医院、银行、景区等所占的面积比的权重)。即,特征的重要性与所对应的特征权重的取值大小关系正相关。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。
在本申请中,特征权重集合可以对应遗传算法中的群体,特征权重集合中的特征权重组可以对应遗传算法中的个体,特征权重可以对应遗传算法中的基因。
例如,特征权重集合Dset1(群体)包括J个特征权重组(个体),每个特征权重组包括M个特征权重(基因),则如公式(1)所示,Dset1可以表示为矩阵AJ,M,
其中,每个特征权重组的所有特征权重之和为1。例如,第j个特征权重组满足:aj1+aj2+…+ajM=1,1≤j≤J。
在S201中,获取的特征权重集合是基于遗传算法多次迭代所产生的特征权重集合。
S202,基于多个特征权重组,使用K-means算法,确定无线区域的聚类结果。
其中,K-means算法(K-means Clustering Algorithm,也可称之为K均值聚类算法)是一种迭代求解的聚类分析算法,该算法的步骤是,若将数据分为K簇,则随机选取K个对象作为聚类中心,然后计算每个对象与各聚类中心之间的距离,把每个对象分配给离该对象最近的聚类中心。聚类中心以及分配给该聚类中心的对象就代表一簇。当全部对象都被分配完成时,每簇的聚类中心会根据该簇中现有的对象重新计算。这个过程将不断重复直到满足某个终止条件,如没有对象被重新分配给不同的簇,或各簇的聚类中心不再发生变化。
例如,从样本空间选取N个无线区域的特征值,得到特征值集合CN,M。
其中,特征值集合CN,M包括N个特征值组,特征值组与无线区域对应,每个特征值组包括M个特征值,特征值与特征权重对应。
该样本空间包括多个无线区域,每个无线区域包括多个特征值,特征值可以利用现有实现方式确定。
具体地,可以从特征权重集合AJ,M中取第j个特征权重组,即aj1,aj2,…,ajM,使该特征权重组中的特征权重分别与特征值集合CN,M中对应的特征值相乘,即通过下述公式(2)得到J个特征值加权集合BN,M。
其中,B为第j个特征值加权集合,cnm为特征值集合CN,M中的第n个无线区域的第m个特征值;1≤n≤N,1≤m≤M,N为无线区域的个数,M为特征值的个数和特征权重的个数。
由于聚类算法不适用维数大于或等于维数阈值的数据,因此如果特征数量过多,即M值大于或等于维数阈值,则需要使用降维算法将矩阵BN,M降维。例如,可以使用主成分分析(Principal Component Analysis,PCA)方法将N×M的矩阵转化成独立不相关的N×4矩阵C′N,4。关于降维算法的具体实现,可以参考现有实现方式,本申请实施例不再赘述。
接着,使用K-means算法,对矩阵C′N,4进行聚类操作,其中聚类簇数记为K。簇数可以根据实际情况确定,本申请实施例对此不作具体限定。
由此,将J个特征值加权集合中的各个无线区域聚类为K簇,即对J×N个无线区域进行聚类操作,从而确定无线区域的聚类结果。
S203,基于聚类结果,确定无线区域的适应度。
其中,适应度是用于度量特征权重集合(种群)中特征权重组(个体)优劣的指标,并作为以后遗传算法的依据。在本申请实施例中,每个无线区域的适应度是基于每个无线区域的轮廓系数确定的。
例如,可以通过公式(3),确定第k簇中每个无线区域的轮廓系数S。
其中,si为第i个无线区域的轮廓系数,disMeanin为第i个无线区域与本簇的其他无线区域之间的平均距离,disMeanout为该第i个无线区域与非本簇的无线区域之间的平均距离,1≤k≤K。其中,上述平均距离可以为欧氏距离或余弦距离。
上述轮廓系数(Silhouette Coefficient)S,是聚类效果好坏的一种评价方式,取值范围可以为[-1,1]。轮廓系数S的值越趋近于1,表示内聚度和分离度都相对较优,即上述聚类操作的聚类结果越优秀;反之,则说明聚类结果越不准确。
之后,通过公式(4),确定每个无线区域的适应度,
其中,FitNum为适应度,si为该第i个无线区域的轮廓系数。
例如,第1个无线区域的轮廓系数s1大于第2个无线区域的轮廓系数s2,通过公式(4)可知,第1个无线区域的适应度FitNum1大于第2个无线区域的适应度FitNum2,则说明相较于第2个无线区域所对应的特征权重组(个体),第1个无线区域所对应的特征权重组(个体)在特征权重集合(群体)中表现更优秀,更应该保留下来作为以后遗传算法的依据。
S204,确定适应度是否大于或等于适应度阈值。
其中,适应度阈值用于判断特征权重组(个体)在特征权重集合(种群)中的优劣,以判断该特征权重组是否作为以后遗传算法的依据。由于遗传算法中,适应度函数要比较排序并在此基础上计算以后的遗传算法概率,所以适应度阈值的值要取正值。在本申请实施例中,适应度阈值可以设定为[0,1]中任一值。
具体地,如果该适应度大于或等于适应度阈值,则执行S205,即基于聚类结果,构建无线传播模型。反之,如果该适应度小于适应度阈值,则返回S201执行遗传算法的迭代操作。
可选地,判断条件也可以是达到最大迭代次数。最大迭代次数可以根据实际情况确定,本申请实施例不作具体限定。
具体地,可以在S204中判断遗传算法的迭代次数,如果迭代次数大于或等于最大迭代次数,仍然没有满足“适应度大于或等于适应度阈值”这一条件,则执行S205,即基于S203的聚类结果,构建无线传播模型;如果该迭代次数小于最大迭代次数,则返回S201继续执行遗传算法的迭代操作。
结合图2,如图3所示,在上述S201中,无线传播模型的构建装置基于遗传算法,获取特征权重集合,具体可以包括下述S301-S308。
S301,对从样本空间中获取的无线区域的特征值进行分析,确定特征权重集合Dset1。
其中,特征权重集合Dset1作为遗传算法的初代群体,包括J个特征权重组(个体),每个特征权重组包括M个特征权重(基因)。Dset1可以通过编码将需要求解的问题表示成遗传空间的染色体或者个体,以执行后述操作。
S302,对Dset1中的特征权重组进行编码。
例如,将特征权重矩阵AJ,M中的每个特征权重ajm(1≤j≤J,1≤m≤M)进行二进制编码。
S303,从样本空间选取N个无线区域的特征值,得到特征值集合CN,M。
S304,基于Dset1中的多个特征权重组,利用上述公式(4)确定无线区域的适应度FitNum1。
S305,基于适应度FitNum1,对Dset1中的特征权重组进行选择操作,生成特征权重集合Dset2。其中,特征权重集合Dset2作为后述的交叉操作和变异操作的父代。
应理解,无线区域的适应度越大,则说明该无线区域所对应的特征权重组表现越好,越应该保留以作为父代。即,每个特征权重组被选择的概率与对应的无线区域的适应度FitNum1正相关。
S306,对Dset2中的特征权重组进行交叉操作,产生特征权重集合Dset3。
具体地,如图4所示,以单点交叉为例,根据交叉概率α,从特征权重集合Dset3中随机选取同一特征的两个不同特征权重进行交叉操作。如图4所示,选取二进制编码为“0110111011110”与“1111000010100”的两个特征权重进行交叉操作。然后随机选择一个位置进行交叉,例如位置为4,则将位置4(包含位置4)以后的部分进行互换,得到“0110000010100”与“1111111011110”两个特征权重组,从而产生特征权重集合Dset3。
交叉概率α,一般取值为[0.4,0.9],可以根据实际情况确定,本申请实施例不作具体限定。
S307,基于Dset3中的特征权重组,确定无线区域的适应度。
在本申请实施例中,利用遗传算法时,如果产生新特征权重组(新个体),则需要确定适应度,以确定新产生的特征权重组(新个体)在特征权重集合(群体)里的优劣,从而作为遗传算法的后述操作的依据。
S308,对Dset3中的特征权重组进行变异操作,产生特征权重集合Dset4。
具体地,依次遍历每个特征权重,每次生成一个随机数,如果随机数小于变异概率β,则确定进行变异操作的特征权重。例如,确定对二进制编码为“0110000010101”的特征权重进行变异操作,然后随机选择一个位置进行变异,例如位置为4,则将位置4的编码由0变成1,即可得到新特征权重“0111000010101”,从而产生新的特征权重集合。
变异概率β一般取值非常小,如0.00001,可以根据实际情况确定,本申请实施例不作具体限定。
本申请实施例中,基于遗传算法,通过执行选择操作和交叉操作来模拟自然界中生物遗传基因的淘汰、重组和突变等环节,以提高无线区域的样本多样性。但是,在进行变异操作中,有可能依次遍历每个特征权重组后,每次生成的随机数均大于变异概率β,则不进行变异操作。在这种情况下,可以基于本次迭代的交叉操作后所确定的适应度,判断是否停止迭代。另外,选择操作、交叉操作以及变异操作参照现有遗传算法的实现方法,此处不再赘述。
S309,基于Dset4的特征权重组,确定无线区域的适应度。
上述的选择操作、交叉操作和变异操作在每一轮迭代中都可以进行,以更新特征权重组,直至适应度大于或等于适应度阈值、或达到最大迭代次数,停止遗传算法的迭代。
本申请实施例中,无线传播模型的构建装置基于遗传算法和聚类算法,使用特征权重,以确定多个无线区域的聚类结果,从而构建无线传播模型。如此,可以针对不同类型的无线区域更加准确地定制无线传播模型,可以解决基于现有方案构建的无线传播模型精度低和适应性差的问题。
上述主要从方法的角度对本申请实施例提供的方案进行介绍。为了实现上述功能,其包含执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,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,本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,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申请的范围。
本申请实施例可以根据上述方法示例对无线传播模型的构建装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。可选的,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图5为本申请实施例提供的一种无线传播模型的构建装置的结构示意图。如图5所示,该装置500包括:获取模块501、确定模块502和构建模块503。
获取模块501,用于基于遗传算法,获取特征权重集合。
其中,该特征权重集合包括多个特征权重组,每个特征权重组包括多个特征权重。
确定模块502,用于基于多个特征权重组,使用K-means算法,确定无线区域的聚类结果;还用于基于该聚类结果,确定无线区域的适应度。
构建模块503,用于若判断出该适应度大于或等于适应度阈值,基于该聚类结果,构建无线传播模型。
可选地,确定模块502具体用于如下步骤:
基于特征权重集合中的多个特征权重组,利用上述公式(3),确定无线区域的轮廓系数S;
基于轮廓系数S,利用上述公式(3),确定无线区域的适应度。
可选地,确定模块502具体用于如下步骤:
在确定模块502基于轮廓系数S,利用上述公式(3),确定无线区域的适应度之前,根据多个特征权重组和多个特征值组,确定多个特征值加权集合。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本申请中,上述“模块”只是用于对实现以上描述的功能的划分,本申请对此不作具体限定。例如,上述“获取模块”也可以称之为“获取单元”。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当计算机执行该指令时,使得该计算机执行上述无线传播模型的构建方法流程中的各个步骤。
其中,计算机可读存储介质,例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit,ASIC)中。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种无线传播模型的构建方法,其特征在于,包括:
基于遗传算法,获取特征权重集合;所述特征权重集合包括多个特征权重组,每个特征权重组包括多个特征权重;
根据所述多个特征权重组,确定多个无线区域的聚类结果;
基于所述聚类结果,确定所述多个无线区域的适应度;
若所述适应度大于或等于适应度阈值,则基于所述聚类结果,构建无线传播模型;
所述基于所述聚类结果,确定所述多个无线区域的适应度,包括:
确定所述聚类结果的轮廓系数;
基于所述聚类结果的轮廓系数,确定所述适应度;
其中,FitNum为所述适应度,si为第i个无线区域的轮廓系数;
其中,disMeanin为第i个无线区域与本簇的其他无线区域之间的平均距离,disMeanout为所述第i个无线区域与非本簇的无线区域之间的平均距离。
2.根据权利要求1所述的无线传播模型的构建方法,其特征在于,所述特征权重集合包括第一特征权重集合和第二特征权重集合,所述多个无线区域包括多个第一无线区域和多个第二无线区域,所述聚类结果包括第一聚类结果和第二聚类结果,所述适应度包括第一适应度和第二适应度;
所述第一特征权重集合、所述多个第一无线区域、所述第一聚类结果、所述第一适应度对应;
所述第二特征权重集合、所述多个第二无线区域、所述第二聚类结果、所述第二适应度对应;
所述第二适应度大于所述第一适应度。
3.根据权利要求1所述的无线传播模型的构建方法,其特征在于,所述多个无线区域对应多个特征值组,所述多个特征值组包括多个特征值,所述多个特征值与所述多个特征权重对应;
在所述基于所述聚类结果的轮廓系数,确定所述适应度之前,所述方法还包括:
根据所述多个特征权重组和所述多个特征值组,确定多个特征值加权集合;所述多个特征值加权集合用于确定所述适应度;
其中,B为第j个特征值加权集合,cnm为第n个无线区域的第m个特征值;1≤n≤N,1≤m≤M,n、m为正整数,N为所述多个无线区域的个数,aj1,aj2,…,ajM为所述特征权重集合中的第j个特征权重组,M为所述多个特征值的个数和所述多个特征权重的个数。
4.一种无线传播模型的构建装置,其特征在于,包括:获取模块、确定模块和构建模块;其中,
所述获取模块,用于基于遗传算法,获取特征权重集合;所述特征权重集合包括多个特征权重组,每个特征权重组包括多个特征权重;
所述确定模块,用于根据所述多个特征权重组,确定多个无线区域的聚类结果;
所述确定模块,还用于基于所述聚类结果,确定所述多个无线区域的适应度;
所述构建模块,用于若所述适应度大于或等于适应度阈值,则基于所述聚类结果,构建无线传播模型;
所述确定模块,还用于确定所述聚类结果的轮廓系数;
所述确定模块,还用于基于所述聚类结果的轮廓系数,确定所述适应度;
其中,FitNum为所述适应度,si为第i个无线区域的轮廓系数;
其中,disMeanin为第i个无线区域与本簇的其他无线区域之间的平均距离,disMeanout为所述第i个无线区域与非本簇的无线区域之间的平均距离。
5.根据权利要求4所述的无线传播模型的构建装置,其特征在于,所述特征权重集合包括第一特征权重集合和第二特征权重集合,所述多个无线区域包括多个第一无线区域和多个第二无线区域,所述聚类结果包括第一聚类结果和第二聚类结果,所述适应度包括第一适应度和第二适应度;
所述第一特征权重集合、所述多个第一无线区域、所述第一聚类结果、所述第一适应度对应;
所述第二特征权重集合、所述多个第二无线区域、所述第二聚类结果、所述第二适应度对应;
所述第二适应度大于所述第一适应度。
6.根据权利要求4所述的无线传播模型的构建装置,其特征在于,所述多个无线区域对应多个特征值组,所述多个特征值组包括多个特征值,所述多个特征值与所述多个特征权重对应;
所述确定模块,还用于在所述确定模块基于所述聚类结果的轮廓系数,确定所述适应度之前,根据所述多个特征权重组和所述多个特征值组,确定多个特征值加权集合;所述多个特征值加权集合用于确定所述适应度;
其中,B为第j个特征值加权集合,cnm为第n个无线区域的第m个特征值;1≤n≤N,1≤m≤M,n、m为正整数,N为所述多个无线区域的个数,aj1,aj2,…,ajM为所述特征权重集合中的第j个特征权重组,M为所述多个特征值的个数和所述多个特征权重的个数。
7.一种无线传播模型的构建装置,其特征在于,包括:处理器、收发器和存储器;
其中,存储器用于存储一个或多个计算机程序,所述一个或多个计算机程序包括计算机执行指令,当所述装置运行时,所述处理器执行所述计算机执行指令,以使所述装置执行如权利要求1至3中任一项所述的无线传播模型的构建方法。
8.一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中存储有指令,当计算机执行所述指令时,使得所述计算机执行如权利要求1至3中任一项所述的无线传播模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295423.0A CN112929916B (zh) | 2021-03-19 | 2021-03-19 | 无线传播模型的构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295423.0A CN112929916B (zh) | 2021-03-19 | 2021-03-19 | 无线传播模型的构建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112929916A CN112929916A (zh) | 2021-06-08 |
CN112929916B true CN112929916B (zh) | 2023-04-07 |
Family
ID=76175232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295423.0A Active CN112929916B (zh) | 2021-03-19 | 2021-03-19 | 无线传播模型的构建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112929916B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105846925A (zh) * | 2016-03-21 | 2016-08-10 | 北京邮电大学 | 一种三维mimo ota信道建模的方法及装置 |
CN110636516A (zh) * | 2019-09-03 | 2019-12-31 | 中国联合网络通信集团有限公司 | 信号传播模型的确定方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101119576A (zh) * | 2007-08-16 | 2008-02-06 | 中讯邮电咨询设计院 | 基于传播环境分析的传播模型选择方法 |
CN101115244A (zh) * | 2007-08-16 | 2008-01-30 | 中讯邮电咨询设计院 | 以小区为单位的传播模型分配方法 |
CN106384282A (zh) * | 2016-06-14 | 2017-02-08 | 平安科技(深圳)有限公司 | 构建决策模型的方法和装置 |
CN110188785A (zh) * | 2019-03-28 | 2019-08-30 | 山东浪潮云信息技术有限公司 | 一种基于遗传算法的数据聚类分析方法 |
CN110191474B (zh) * | 2019-04-19 | 2022-04-12 | 广州杰赛科技股份有限公司 | 传播模型的参数校正方法、装置、设备以及存储介质 |
CN110708702B (zh) * | 2019-09-03 | 2022-08-02 | 中国联合网络通信集团有限公司 | 信号传播模型的确定方法及装置 |
CN111163476A (zh) * | 2020-01-02 | 2020-05-15 | 国网江苏省电力有限公司信息通信分公司 | 一种基于无线传播模型的电力无线专网覆盖和干扰确定方法 |
-
2021
- 2021-03-19 CN CN202110295423.0A patent/CN112929916B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105846925A (zh) * | 2016-03-21 | 2016-08-10 | 北京邮电大学 | 一种三维mimo ota信道建模的方法及装置 |
CN110636516A (zh) * | 2019-09-03 | 2019-12-31 | 中国联合网络通信集团有限公司 | 信号传播模型的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112929916A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109788489B (zh) | 一种基站规划方法及装置 | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
US20220130496A1 (en) | Method of training prediction model for determining molecular binding force | |
CN103544544B (zh) | 一种能源消耗预测方法及装置 | |
CN110636445B (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
CN109815541B (zh) | 轨道交通车辆产品零部件模块划分方法、装置与电子设备 | |
WO1998006044A1 (en) | Universal system for artificial intelligence based learning, categorization, and optimization | |
CN110082822B (zh) | 利用卷积神经网络进行地震检测的方法 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN116934385B (zh) | 用户流失预测模型的构建方法、用户流失预测方法及装置 | |
CN112116952A (zh) | 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法 | |
CN105139282A (zh) | 一种电网指标数据处理方法、装置以及计算设备 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN114169439A (zh) | 异常通信号码的识别方法、装置、电子设备和可读介质 | |
CN112929916B (zh) | 无线传播模型的构建方法和装置 | |
CN117524341A (zh) | 曲面结构的确定方法、装置、电子设备及存储介质 | |
CN110830939B (zh) | 基于改进的cpn-wlan指纹定位数据库的定位方法 | |
Alok et al. | Simultaneous feature selection and clustering of micro-array and RNA-sequence gene expression data using multiobjective optimization | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN115689338A (zh) | 一种基于多指标的配电网技术成熟度评价方法及系统 | |
CN109472455A (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN115907522A (zh) | 配电网评审方法、装置、终端及存储介质 | |
CN114240499A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN106507371A (zh) | 确定规划目标函数的方法和装置 | |
Young et al. | The effect of standardization in multicriteria decision analysis on health policy outcomes |
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 |