CN113329437A - 无线网络信号传播路径损耗预测方法及电子设备 - Google Patents
无线网络信号传播路径损耗预测方法及电子设备 Download PDFInfo
- Publication number
- CN113329437A CN113329437A CN202110633769.7A CN202110633769A CN113329437A CN 113329437 A CN113329437 A CN 113329437A CN 202110633769 A CN202110633769 A CN 202110633769A CN 113329437 A CN113329437 A CN 113329437A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic data
- model
- path loss
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 78
- 238000012417 linear regression Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 210000004027 cell Anatomy 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- H04B17/309—Measuring or estimating channel quality parameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供一种无线网络信号传播路径损耗预测方法及电子设备。所述方法包括：获取网络环境数据与原始测试数据，根据网络环境数据、原始测试数据生成初始特征数据并从中提取确定高阶特征数据；对初始特征数据与高阶特征数据进行冗余度与相关性分析，筛选出关键特征数据；构建多元线性回归模型，根据关键特征数据求解模型系数；利用多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值以生成组合特征数据；构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。所述电子设备用于实现所述无线网络信号传播路径损耗预测方法。
Description
技术领域
本公开涉及技术无线网络通信领域，尤其涉及一种无线网络信号传播路径损耗预测方法及电子设备。
背景技术
目前对于5G移动通信关键技术的研究逐渐成熟，但是网络建设仍然面临两个主要挑战。一是5G网络建设成本巨大。为了实现网络的无缝覆盖，相比于传统移动通信网络的基站数量，5G基站的数量将增加约2倍；二是基站的能耗巨大。单个5G基站的能耗约为4G基站的3倍，总能耗将是4G基站9倍以上，因此由能耗产生的运营成本问题不可忽视。为了解决上述问题，需要更精准有效的无线网络规划技术作为支撑。
无线网络规划的关键是以无线传播模型为基础对无线网络路径损耗的覆盖预测。通过无线传播模型对不同站点规划方案的路径损耗进行预测，可以在保证网络覆盖范围和质量的前提下，尽可能减少规划站点数量并优化基站工参配置，从而有效降低无线网络的能耗和建设成本。
由于目前处于5G网络建设初期，覆盖预测的主要场景为广域连续覆盖场景，因此多选择经验模型对站点规划方案进行性能评估。然而采用经验模型评估方法无法准确描述不同城市不同区域的无线环境，在工程实践中运营商需要根据网络特点选择合适的经验模型，并通过实测数据对模型进行校正以拟合当地的真实无线环境。然而由于5G网络信号传播的复杂性，相关技术的模型校正方法很难实现对路径损耗的准确预测。
发明内容
有鉴于此，本公开的目的在于提出一种无线网络信号传播路径损耗预测方法及电子设备。
基于上述目的，在第一方面，本公开提供了一种无线网络信号传播路径损耗预测方法，所述方法包括：
获取目标无线网络的网络环境数据与原始测试数据，根据所述网络环境数据与所述原始测试数据生成初始特征数据；
根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据；
对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据；
从所述关键特征数据中选取线性相关特征数据，对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，根据所述线性相关特征数据求解所述多元线性回归模型的模型系数；
基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据；
构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。
在第二方面，本公开还提供了一种无线网络信号传播路径损耗预测电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面的所述无线网络信号传播路径损耗预测方法。
从上面所述可以看出，本公开提供的一种无线网络信号传播路径损耗预测方法及电子设备，首先通过数据预处理对网络环境数据和原始测试数据进行清洗，提高数据的可用性；接着通过特征提取方法对路测数据中的高阶特征进行提取和构造，提高特征空间的完备性；最后通过特征选择方法对提取的特征进行相关性和冗余度分析，去除冗余或相关性低的特征得到关键特征数据，提高特征的表达能力，之后基于关键特征数据进行MLR-DNN模型的双重校正，其中先对5G无线信号路径损耗预测问题构建MLR模型，并使用最小二乘法拟合特征与路径损耗之间的线性关系，还将MLR模型拟合结果作为描述线性关系的高阶特征，通过特征组合构建组合特征数据，之后设计DNN模型结构以及训练策略，并针对组合特征数据进行训练，进一步拟合特征与路径损耗之间的非线性关系，以提升路径损耗预测的准确性。所述无线网络信号传播路径损耗预测方法及电子设备，通过特征工程逐步筛选后去关键特征数据，再利用双重模型相结合，能够更准确的拟合原始测试数据和路径损耗之间的非线性映射关系，有效提升路径损耗预测的准确性，满足5G网络覆盖预测的需求。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，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为本公开实施例所提供的一种无线网络信号传播路径损耗预测方法示意图；
图2为本公开实施例所提供的一种无线网络信号传播路径损耗预测方法中筛选关键特征数据的方法示意图示意图；
图3为本公开实施例所提供的一种无线网络信号传播路径损耗预测电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
目前对于5G移动通信关键技术的研究逐渐成熟，但是网络建设仍然面临两个主要挑战。一是5G网络建设成本巨大。为了实现网络的无缝覆盖，相比于传统移动通信网络的基站数量，5G基站的数量将增加约2倍；二是基站的能耗巨大。单个5G基站的能耗约为4G基站的3倍，总能耗将是4G基站9倍以上，因此由能耗产生的运营成本问题不可忽视。为了解决上述问题，需要更精准有效的无线网络规划技术作为支撑。
无线网络规划的关键是以无线传播模型为基础对无线网络路径损耗的覆盖预测。通过无线传播模型对不同站点规划方案的路径损耗进行预测，可以在保证网络覆盖范围和质量的前提下，尽可能减少规划站点数量并优化基站工参配置，从而有效降低无线网络的能耗和建设成本。
由于目前处于5G网络建设初期，覆盖预测的主要场景为广域连续覆盖场景，因此多选择经验模型对站点规划方案进行性能评估。然而采用经验模型评估方法无法准确描述不同城市不同区域的无线环境，在工程实践中运营商需要根据网络特点选择合适的经验模型，并通过实测数据对模型进行校正以拟合当地的真实无线环境。然而由于5G网络信号传播的复杂性，相关技术的模型校正方法很难实现对路径损耗的准确预测。
5G网络的网络性能参数多数据量大，能够直接获取的网络性能参数的数据质量和特征表达能力较弱，并且这些网络性能参数与路径损耗之间除了具有线性关系还具有更复杂的非线性关系，对于这些问题此本公开利用特征工程对5G网络中的原始测试数据进行处理以提高数据质量和特征表达能力，再采用多元线性回归模型与深度神经网络模型相结合的双重模型思路同时实现线性关系你拟合和非线性关系拟合，以提升路径损耗预测的准确性。
基于上述发明思路，在一方面，本公开实施例提供了一种无线网络信号传播路径损耗预测方法。
如图1所示，本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法，包括：
S1:获取目标无线网络的网络环境数据与原始测试数据，根据所述网络环境数据与所述原始测试数据生成初始特征数据。
其中，所述网络环境数据是指可以用来描述和表征目标无线网络的环境网络参数，包括电子环境与物理环境，例如可以包括无线网路中基站天线的相关参数信息(如天线方位角、机械下倾角、电子下倾角、挂高等)以及与基站天线相对应的多个网络服务小区的网络参数(如小区经度、小区纬度、小区名称、、服务小区绝对频点号、下行带宽等等)，以及多个网络服务小区内的实际物理环境(如建筑物分布情况、街道信息等等)。
所述原始测试数据是指利用测试终端在目标无线网络的不同测试点获取的包括实际路径损耗在内的路测数据，例如可以包括测试点经度、测试点纬度、测试时移动速度、测试终端天线挂高、路径损耗、RSRP、SINR、RSRQ等等。
所述网路环境数据与所述原始测试数据能够非常全面的涵盖目标无线网络无线环境的各项网络性能参数，根据所述网络环境数据与所述原始测试数据生成的所述初始特征数据也就更加全面。
S2:根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据。
在初始特征数据的基础上提取出与无线网络信息传输相关性更强的高阶特征数据，将高阶特征数据作为补充以提高网络性能参数的完备性。
S3:对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据。
所述初始特征数据与所述高阶特征数据中可能存在冗余与不相关数据，需要对这些特征数据进行筛选，例如可以将无法用于描述无线环境特点或者物理意义相同的特征判定为冗余特征并删除，取值单一的特征数据无法对不同无线环境的特点进行描述，可以将这些数据判为冗余特征并删除，以及其他一些与路径损耗不相关的数据也删除。
S4:从所述关键特征数据中选取线性相关特征数据，对应于所述线性相关特征数据利用多元线性回归模型MLR对所述目标网络路径损耗进行建模，根据所述线性相关特征数据求解所述多元线性回归模型的模型系数。
为实现对网络性能参数与路径损耗之间线性关系的拟合，从关键特征数据中选取与线性相关特征数据，利用这些数据实现多元线性回归模型建模。所述线性相关特征数据可以包括无线信号的频率、基站天线与测试终端天线高度差、基站天线与测试终端之间的距离等，在一些可选实施例中即选取这三项数据来实现多元线性回归模型建模。
S5:基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据。
S6:构建深度神经网络DNN模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。
利用多元线性回归模型计算得到与所述关键特征数据相应的路径损耗预测值，将所述路径损耗预测值与所述关键特征数据一起作为深度神经网络模型的训练输入数据，能够在实现线性关系拟合的基础上，进一步进行非线性关系拟合。
所述无线网络信号传播路径损耗预测方法，首先通过数据预处理对网络环境数据和原始测试数据进行清洗，提高数据的可用性；接着通过特征提取方法对路测数据中的高阶特征进行提取和构造，提高特征空间的完备性；最后通过特征选择方法对提取的特征进行相关性和冗余度分析，去除冗余或相关性低的特征得到关键特征数据，提高特征的表达能力，之后基于关键特征数据进行MLR-DNN模型的双重校正，其中先对5G无线信号路径损耗预测问题构建MLR模型，并使用最小二乘法拟合特征与路径损耗之间的线性关系，还将MLR模型拟合结果作为描述线性关系的高阶特征，通过特征组合构建组合特征数据，之后设计DNN模型结构以及训练策略，并针对组合特征数据进行训练，进一步拟合特征与路径损耗之间的非线性关系，以提升路径损耗预测的准确性。所述无线网络信号传播路径损耗预测方法及电子设备，通过特征工程逐步筛选后去关键特征数据，再利用双重模型相结合，能够更准确的拟合原始测试数据和路径损耗之间的非线性映射关系，有效提升路径损耗预测的准确性，满足5G网络覆盖预测的需求。
在一些可选实施例中，所述目标无线网络包括与基站天线相对应的多个网络服务小区；
所述网络环境数据包括基站天线状态信息以及多个所述网络服务小区的小区网络参数与物理环境信息；
其中，所述小区网络参数包括所述网络服务小区的小区地理位置信息、小区标识信息与小区网络状态信息；
所述物理环境信息是指所述网络服务小区中多个建筑物的地理特征数据，包括建筑物轮廓信息、建筑物高度信息以及建筑物地理位置信息；
所述原始测试数据包括与多个测试点相对应的终端地理位置信息、终端网络状态信息、终端天线状态信息以及实际路径损耗；
其中，在一些可选实施例中所述小区网络状态信息、所述终端网络状态信息可以包括以频点号形式表示的网络频点信息，可以针对对所述网络频点信息进行预处理，根据5G频点号与频率之间的对应关系，将所述网络频点信息转换为频率形式表示；
所述小区地理位置信息以及所述物理环境信息中所涉及的位置信息多以GPS坐标数据形式记录，采用的采用的是WGS-84椭球坐标系，不方便计算欧氏距离，在一些可选实施例中可以将GPS坐标数据表示的位置信息转换为平面坐标形式表示，例如可以利用Python中pyproj库将GPS坐标数据转化为UTM平面坐标数据。
此外，实际情况中所采集的网络环境数据和原始测试数据可能存在数据异常或数据缺失的情况，例如数据异常问题包括服务小区工参和小区工参表不匹配、服务小区为室分类型、接收信号RSRP≤-110dBm，数据缺失问题包括测试终端经纬度缺失、基站经纬度缺失、路径损耗缺失，对于数据异常或数据缺失的情况，相应的整条数据不可用，在一些可选实施例中将相关数据删除。
所述根据所述网络环境数据与所述原始测试数据生成初始特征数据，进一步包括：
根据多个所述测试点与多个所述网络服务小区的对应关系，将所述网络环境数据与多个所述测试点相应的所述原始测试数据进行匹配，得到所述初始特征数据，即对于每个所述测试点都确定其相应的网络环境数据和原始测试数据，所述网络环境数据与所述原始测试数据共同组成所述测试点的初始特征数据。
在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中，所述根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据S2，进一步包括：
根据所述基站天线状态信息、所述小区网络参数与所述原始测试数据确定无线网络通信的工参特征数据；
根据所述工参特征数据与所述物理环境数据确定无线网络通信的地理特征数据；
所述高阶特征数据包括所述工参特征数据与所述地理特征数据。
其中，所述根据所述基站天线状态信息、所述小区网络参数与所述原始测试数据确定无线网络通信的工参特征数据，进一步包括：
根据所述基站天线状态信息确定基站天线高度hBS，根据所述终端天线状态信息确定终端天线高度hUE，根据所述基站天线高度与所述终端天线高度确定收发端天线高度差he＝hBs-hUE；
根据多个所述网络服务小区的所述小区地理位置信息确定基站地理位置信息，根据所述基站地理位置信息(xBs,yBS)与所述终端地理位置信息(xUE,yUE)确定收发端二维距离
根据所述收发端天线高度差he与所述收发端二维距离d2D计算确定收发端三维距离
根据所述基站地理位置信息与所述终端地理位置信息计算确定所述终端地理位置信息相应所述测试点与所述基站天线之间的相对方位角
以及根据所述基站天线状态信息确定基站天线下倾角θBS；
所述工参特征数据包括所述收发端天线高度差he、收发端二维距离d2D、收发端三维距离d3D、所述相对方位角
与所述天线下倾角θBS；
所述地理特征数据用于记录所述无线网络通信是否被建筑物遮挡，所述根据所述工参特征数据与所述物理环境数据确定无线网络通信的地理特征数据，进一步包括：
根据所述基站地理位置信息、所述终端地理位置信息、所述基站天线高度、所述终端天线高度以及所述物理环境数据，分析确定收发端之间的无线网络信号是否被建筑物遮挡，所述地理特征数据记为flag,被建筑物遮挡时flag的值记为1，未被遮挡则flag＝0。
具体的，可以通过先后在水平方向与竖直方向上判断收发端之间连线是否被建筑物遮挡来确定收发端之间的无线网络通信是否被建筑物遮挡。首先在水平方向上进行判断，根据基站地理位置信息与终端地理位置信息确定收发端之间连线，根据所述物理环境数据确定建筑物轮廓信息，在水平方向上确定建筑物轮廓图形，判断是否存在所述建筑物轮廓图形与所述收发端之间连线相交的情况，如果存在则说明收发端之间的无线网络通信可能被建筑物遮挡，此时再进行竖直方向的判断。在竖直方向上进行判断，根据基站地理位置信息、终端地理位置信息以及基站天线高度，确定竖直方向上收发端之间连线，根据所述建筑物轮廓信息与建筑物高度信息在竖直方向上确定建筑物截面形状，判断建筑物截面形状与竖直方向上收发端之间连线是否相交，若相交则可以确定收发端之间的无线网络通信被建筑物遮挡，否则判定收发端之间的无线网络信号未被建筑物遮挡。
如图2所示，在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中，所述初始特征数据与所述高阶特征数据包括分别与多项特征相对应的多个特征字段，所述对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据S3，进一步包括：
S201：根据多个特征字段对应的多项特征进行冗余度分析，将无法用于描述无线通信环境特点的特征以及具有相同物理意义的特征判定为冗余特征，删除所述冗余特征相应的特征字段；
S202：根据所述特征字段的取值进行冗余度分析，将取值单一的所述特征字段判定为冗余特征字段，删除所述冗余特征字段；
S203：根据所述特征字段计算确定多项所述特征与实际路径损耗之间的相关性系数，选取所述相关性系数绝对值大于预设相关阈值的所述特征作为关键特征，由所述关键特征相应的所述特征字段组成所述关键特征数据。
所述相关性系数：
其中，
表示第i项特征的特征字段，Y表示实际路径损耗，Cov(·)表示两个变量的协方差，E(·)表示变量的均值，σ(·)表示变量的标准差。在一些可选实施例中，所述预设相关阈值设置为0.01，选取
的多个特征作为关键特征。
在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中，所述从所述关键特征数据中选取线性相关特征数据，进一步包括：
根据所述相关性系数从多项特征中确定线性相关特征，由所述线性相关特征相应的所述特征字段组成所述线性相关特征数据；
所述对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，进一步包括：
所述多元线性回归模型为：
PL＝k0+k1log(T1)+k2log(T2)+…+knlog(Tn)
其中，PL表示路径损耗，k0,k1,k2,…,kn表示所述多元线性回归模型的模型系数，T1,T2,…,Tn表示多个所述线性相关特征相应的特征字段。
在一些可选实施例中，所述线性相关特征数据可以包括无线信号的载波中心频率fc、收发端天线高度差he、收发端三维距离d3D.这种情况下，所述多元线性回归模型为：
PL＝k0+k1log(fc)+k2log(d3D)+k3log(he)
而所述载波中心频率fc一般为固定值，k1log(fc)＝C，由此所述多元线性回归模型简化为：
PL＝k0+k2log(d3D)+k3log(he)+C.
在构建所述多元线性回归模型之后，需要将多个测试点相应的多组关键特征数据代入模型以求解确定模型系数。
在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中，所述根据所述线性相关特征数据求解所述多元线性回归模型的模型系数，进一步包括：
将所述多元线性回归模型的的损失函数定义为均方误差，将多个所述测试点相应所述线性相关特征数据代入所述多元线性回归模型，采用最小二乘矩阵法求解所述模型系数；
所述最小二乘矩阵法计算公式为：
θ＝(XTX)-1XTY
其中，X为m×n的线性相关特征数据矩阵，由m个所述测试点的n项线性相关特征数据组成，Xij表示第i个所述测试点的第j项线性相关特征数据，Y为m×1的输出路径损耗数据矩阵，Yi表示在第i个所述测试点测得的实际路径损耗，θ为模型系数向量，θ＝(k0,k1,k2,…,kn).
同样以所述线性相关特征数据包括无线信号的载波中心频率fc、收发端天线高度差he、收发端三维距离d3D的情况进行说明，此时θ为模型系数向量，θ＝(k0,k2,k3).
在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中，所述基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据,进一步包括：
获取多个所述测试点相应的所述关键特征数据，并确定所述关键特征数据中的所述线性相关特征数据；
基于所述模型系数利用所述多元线性回归模型根据所述线性相关特征数据计算确定与多个所述测试点相对应的所述路径损耗预测值；
将多个所述测试点的所述关键特征数据与所述路径损耗预测值相结合生成所述组合特征数据。
在一些可选实施例中，所述关键特征数据可以包括
对应于多个测试点的关键特征数据计算确定多个路径损耗预测值PLyc,则将所述关键特征数据与所述路径损耗预测值相结合生成所述组合特征数据为
就是说所述关键特征数据包括p项所述关键特征相应的特征字段，则所述组合特征数据包括p+1项组合特征相应的特征字段。
在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中,所述深度神经网络模型包括输入层、隐藏层与输出层，其中所述输入层包括p+1个输入神经元，用于将包括p+1项组合特征的所述组合特征数据输入模型，所述输入层的神经元个数与所述组合特征数据所包括的特征项数相同；
所述隐藏层用于提取输入数据的非线性特征，包括第一隐藏层与第二隐藏层，所述第一隐藏层包括64个神经元，所述第二隐藏层包括32个神经元；
所述输出层用于输出深度神经网络模型的预测结果；
所述利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，进一步包括：
所述深度神经网络模型采用自适应矩估计优化器Adam对神经网络进行优化，并且选用线性整流函数ReLU作为激活函数，选用方根误差RMSE作为模型训练的损失函数，选用决定系数R2作为评价指标。
其中，采用所述自适应矩估计优化器Adam进行优化时设置初始学习效率w＝0.0001。相比于其他优化器，Adam优化算法可以计算每个参数的自适应学习率。该算法在计算过程同时考虑了梯度一阶矩估计和二阶矩估计，因此自适应性更好，收敛速度更快，解决了其他优化器高方差参数更新导致的损失函数波动较大的问题，适用于训练结构复杂的深度神经网络模型。
对于DNN来说，激活函数引入了非线性映射关系，提高了模型的表达能力，是神经网络对数据进行非线性拟合的关键。为了避免梯度消失问题，使得模型的收敛速度维持在稳定状态，本发明选择ReLU函数作为激活函数。
所述激活函数为：
其中，x表示神经元的输入向量；
由于路径损耗进行预测属于回归预测任务，故选择均方根误差(Root MeanSquared Error，RMSE)作为模型训练的损失函数
所述损失函数为：
其中，y表示真实路径损耗，
表示神经网络模型的路径损耗预测值，m表示组合特征数据的数据量，与m个所述测试点相对应，yi表示第i个所述测试点相应的所述真实路径损耗，
表示对应于第i个所述测试点相应组合特征数据神经网络模型的路径损耗预测值。损失函数主要用于神经网络在训练过程中调整参数优化的方向，根据损失函数最小化原则，使模型不断拟合数据的真实分布，提高训练后模型在测试集上的预测效果。
所述评价指标为：
其中，
表示真实路径损耗均值。相比于其他指标，指标可以将模型性能评估值归一化到0到1区间。其中，R2≤1，R2越大，模型的预测效果越好。
在本公开的一些可选实施例所提供的一种无线网络信号传播路径损耗预测方法中,所述利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型还包括：
对所述组合特征数据进行归一化处理，利用归一化处理结果数据对所述深度神经网络模型进行训练优化。
由于对DNN模型进行训练的路测数据的特征均为数值型特征，特征之间尺度差异较大，会降低网络训练的速度，因此需要将数据的全部特征映射到同一尺度。在一些可选实施例中，采用Z-score标准化的方法将数据归一化到均值为0，方差为1的分布中，缩小特征间尺度差距，加快网络参数的训练速度。
DNN模型在训练时存在过拟合风险，会导致模型的泛化性能下降。因此常采用L1正则化和L2正则化解决该问题。L1正则化的作用是使参数稀疏化，可以用于特征选择，适用于数据集特征维度高的训练场景；L2正则化的作用是减小参数权值，提高模型的抗扰动能力。由于路测数据特征维度较低，故本发明采用L2正则化对损失函数进行修正，以防止模型过拟合。在公开实施例中，对所述深度神经网络模型训练所采用的损失函数进行L2正则化修正，修正后的损失函数为：
其中，r表示归一化处理后的真实路径损耗，yi表示归一化处理后第i个所述测试点相应的所述真实路径损耗，λ表示正则化系数，
表示网络权值参数的L2范数平方。其中，所述正则化系数可以初始化设置为0.001.
此外，本公开实施例中DNN模型的训练策略中还对超参数epoch和batch进行设置。超参数epoch描述了神经网络对全部数据集的拟合次数，每次迭代都会通过梯度下降算法优化网络权值，使得模型的拟合误差不断减小并收敛。超参数batch描述了每个epoch中用于每次参数更新的样本批大小，影响参数优化的方向。首先对batch参数进行选择，将batch的初始值设为0，步长设为10，迭代20次；选择最优的batch参数后，设置epoch为300，根据模型训练后的对比实验结果，综合考虑模型性能和训练效率，再选择最优的epoch参数值。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的无线网络信号传播路径损耗预测方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的无线网络信号传播路径损耗预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种无线网络信号传播路径损耗预测方法，所述方法包括：
获取目标无线网络的网络环境数据与原始测试数据，根据所述网络环境数据与所述原始测试数据生成初始特征数据；
根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据；
对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据；
从所述关键特征数据中选取线性相关特征数据，对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，根据所述线性相关特征数据求解所述多元线性回归模型的模型系数；
基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据；
构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。
2.根据权利要求1所述的方法，其中，所述目标无线网络包括与基站天线相对应的多个网络服务小区；
所述网络环境数据包括基站天线状态信息以及多个所述网络服务小区的小区网络参数与物理环境信息；
其中，所述小区网络参数包括所述网络服务小区的小区地理位置信息、小区标识信息与小区网络状态信息；
所述物理环境信息是指所述网络服务小区中多个建筑物的地理特征数据，包括建筑物轮廓信息、建筑物高度信息以及建筑物地理位置信息；
所述原始测试数据包括与多个测试点相对应的终端地理位置信息、终端网络状态信息、终端天线状态信息以及实际路径损耗；
所述根据所述网络环境数据与所述原始测试数据生成初始特征数据，进一步包括：
根据多个所述测试点与多个所述网络服务小区的对应关系，将所述网络环境数据与多个所述测试点相应的所述原始测试数据进行匹配，得到所述初始特征数据。
3.根据权利要求2所述的方法，其中，所述根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据，进一步包括：
根据所述基站天线状态信息、所述小区网络参数与所述原始测试数据确定无线网络通信的工参特征数据；
根据所述工参特征数据与所述物理环境数据确定无线网络通信的地理特征数据；
所述高阶特征数据包括所述工参特征数据与所述地理特征数据；
其中，所述根据所述基站天线状态信息、所述小区网络参数与所述原始测试数据确定无线网络通信的工参特征数据，进一步包括：
根据所述基站天线状态信息确定基站天线高度，根据所述终端天线状态信息确定终端天线高度，根据所述基站天线高度与所述终端天线高度确定收发端天线高度差；
根据多个所述网络服务小区的所述小区地理位置信息确定基站地理位置信息，根据所述基站地理位置信息与所述终端地理位置信息确定收发端二维距离；
根据所述收发端天线高度差与所述收发端二维距离计算确定收发端三维距离；
根据所述基站地理位置信息与所述终端地理位置信息计算确定所述终端地理位置信息相应所述测试点与所述基站天线之间的相对方位角；
以及根据所述基站天线状态信息确定基站天线下倾角；
所述工参特征数据包括所述收发端天线高度差、收发端二维距离、收发端三维距离、所述相对方位角与所述天线下倾角；
所述地理特征数据用于记录所述无线网络通信是否被建筑物遮挡，所述根据所述工参特征数据与所述物理环境数据确定无线网络通信的地理特征数据，进一步包括：
根据所述基站地理位置信息、所述终端地理位置信息、所述基站天线高度、所述终端天线高度以及所述物理环境数据，分析确定收发端之间的无线网络通信是否被建筑物遮挡。
4.根据权利要求2所述的方法，其中，所述初始特征数据与所述高阶特征数据包括分别与多项特征相对应的多个特征字段；
所述对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据，进一步包括：
根据多个特征字段对应的多项特征进行冗余度分析，将无法用于描述无线通信环境特点的特征以及具有相同物理意义的特征判定为冗余特征，删除所述冗余特征相应的特征字段；
根据所述特征字段的取值进行冗余度分析，将取值单一的所述特征字段判定为冗余特征字段，删除所述冗余特征字段；
根据所述特征字段计算确定多项所述特征与实际路径损耗之间的相关性系数，选取所述相关性系数绝对值大于预设相关阈值的所述特征作为关键特征，由所述关键特征相应的所述特征字段组成所述关键特征数据。
5.根据权利要求4所述的方法，其中，所述从所述关键特征数据中选取线性相关特征数据，进一步包括：
根据所述相关性系数从多项特征中确定线性相关特征，由所述线性相关特征相应的所述特征字段组成所述线性相关特征数据；
所述对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，进一步包括：
所述多元线性回归模型为：
PL＝k0+k1log(T1)+k2log(T2)+…+knlog(Tn)
其中，PL表示路径损耗，k0，k1，k2，...，kn表示所述多元线性回归模型的模型系数，T1，T2，...，Tn表示多个所述线性相关特征相应的特征字段。
6.根据权利要求5所述的方法，其中，所述根据所述线性相关特征数据求解所述多元线性回归模型的模型系数，进一步包括：
将所述多元线性回归模型的的损失函数定义为均方误差，将多个所述测试点相应所述线性相关特征数据代入所述多元线性回归模型，采用最小二乘矩阵法求解所述模型系数；
所述最小二乘矩阵法计算公式为：
θ＝(XTX)-1XTY
其中，X为m×n的线性相关特征数据矩阵，由m个所述测试点的n项线性相关特征数据组成，Xij表示第i个所述测试点的第j项线性相关特征数据，Y为m×1的输出路径损耗数据矩阵，Yi表示在第i个所述测试点测得的实际路径损耗，θ为模型系数向量，θ＝(k0，k1，k2，...，kn)。
7.根据权利要求4所述的方法，其中，所述基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据，进一步包括：
获取多个所述测试点相应的所述关键特征数据，并确定所述关键特征数据中的所述线性相关特征数据；
基于所述模型系数利用所述多元线性回归模型根据所述线性相关特征数据计算确定与多个所述测试点相对应的所述路径损耗预测值；
将多个所述测试点的所述关键特征数据与所述路径损耗预测值相结合生成所述组合特征数据。
8.根据权利要求7所述的方法，其中，所述关键特征数据包括p项所述关键特征相应的特征字段，所述组合特征数据包括p+1项组合特征相应的特征字段；
所述深度神经网络模型包括输入层、隐藏层与输出层，其中所述输入层包括p+1个输入神经元，用于将包括p+1项组合特征的所述组合特征数据输入模型；
所述隐藏层用于提取输入数据的非线性特征，包括第一隐藏层与第二隐藏层，所述第一隐藏层包括64个神经元，所述第二隐藏层包括32个神经元；
所述输出层用于输出深度神经网络模型的预测结果；
所述利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，进一步包括：
所述深度神经网络模型采用自适应矩估计优化器对神经网络进行优化，并且选用线性整流函数作为激活函数，选用方根误差作为模型训练的损失函数，选用决定系数作为评价指标；
其中，采用所述自适应矩估计优化器进行优化时设置初始学习效率w＝0.0001；
所述激活函数为：
其中，x表示神经元的输入向量；
所述损失函数为：
其中，y表示真实路径损耗，
表示神经网络模型的路径损耗预测值，m表示组合特征数据的数据量，与m个所述测试点相对应，yi表示第i个所述测试点相应的所述真实路径损耗，
表示对应于第i个所述测试点相应组合特征数据神经网络模型的路径损耗预测值；
所述评价指标为：
其中，
表示真实路径损耗均值。
9.根据权利要求8所述的方法，其中，所述利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型还包括：
对所述组合特征数据进行归一化处理，利用归一化处理结果数据对所述深度神经网络模型进行训练优化；
对所述深度神经网络模型训练所采用的损失函数进行L2正则化修正，修正后的损失函数为：
其中，r表示归一化处理后的真实路径损耗，yi表示归一化处理后第i个所述测试点相应的所述真实路径损耗，λ表示正则化系数，
表示网络权值参数的L2范数平方。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633769.7A CN113329437B (zh) | 2021-06-07 | 2021-06-07 | 无线网络信号传播路径损耗预测方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633769.7A CN113329437B (zh) | 2021-06-07 | 2021-06-07 | 无线网络信号传播路径损耗预测方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113329437A true CN113329437A (zh) | 2021-08-31 |
| CN113329437B CN113329437B (zh) | 2022-07-01 |
Family
ID=77421169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110633769.7A Active CN113329437B (zh) | 2021-06-07 | 2021-06-07 | 无线网络信号传播路径损耗预测方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113329437B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113727377A (zh) * | 2021-09-02 | 2021-11-30 | 中国联合网络通信集团有限公司 | 基于基站参数判断无线通信环境变化的方法及设备 |
| CN113890833A (zh) * | 2021-10-28 | 2022-01-04 | 中国联合网络通信集团有限公司 | 网络覆盖预测方法、装置、设备及存储介质 |
| CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
| CN115060985A (zh) * | 2022-06-21 | 2022-09-16 | 北京电磁方圆科技有限公司 | 多通道天线的测试方法及装置 |
| CN115310372A (zh) * | 2022-10-10 | 2022-11-08 | 香港中文大学（深圳） | 一种基于高精度电磁传播模型的路径损耗预测方法 |
| CN115423156A (zh) * | 2022-08-15 | 2022-12-02 | 博源规划设计集团有限公司 | 一种新建铁路四电工程用地选址优化方法 |
| CN115840889A (zh) * | 2023-02-17 | 2023-03-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于转捩预测的特征值的处理方法、装置、设备及介质 |
| CN116258052A (zh) * | 2021-12-09 | 2023-06-13 | 北京邮电大学 | 一种路损预测方法、装置及电子设备 |
| CN118101105A (zh) * | 2024-04-17 | 2024-05-28 | 苏州恩赫信息科技有限公司 | 一种电波传播路径损耗预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109217955A (zh) * | 2018-07-13 | 2019-01-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
| CN110990500A (zh) * | 2019-03-29 | 2020-04-10 | 天维讯达(湖南)科技有限公司 | 传播路径模型地图建立方法及路径损耗确定方法 |
| CN111817805A (zh) * | 2020-07-08 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种信道传播模型参数的调整方法、装置和介质 |
| WO2021064999A1 (ja) * | 2019-10-04 | 2021-04-08 | 日本電信電話株式会社 | 伝搬特性推定装置、伝搬特性推定方法、及び伝搬特性推定プログラム |
| CN112702129A (zh) * | 2020-12-07 | 2021-04-23 | 中国人民解放军国防科技大学 | 一种信道路径损耗估计方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-07 CN CN202110633769.7A patent/CN113329437B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109217955A (zh) * | 2018-07-13 | 2019-01-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
| CN110990500A (zh) * | 2019-03-29 | 2020-04-10 | 天维讯达(湖南)科技有限公司 | 传播路径模型地图建立方法及路径损耗确定方法 |
| WO2021064999A1 (ja) * | 2019-10-04 | 2021-04-08 | 日本電信電話株式会社 | 伝搬特性推定装置、伝搬特性推定方法、及び伝搬特性推定プログラム |
| CN111817805A (zh) * | 2020-07-08 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种信道传播模型参数的调整方法、装置和介质 |
| CN112702129A (zh) * | 2020-12-07 | 2021-04-23 | 中国人民解放军国防科技大学 | 一种信道路径损耗估计方法、装置、电子设备及存储介质 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113727377A (zh) * | 2021-09-02 | 2021-11-30 | 中国联合网络通信集团有限公司 | 基于基站参数判断无线通信环境变化的方法及设备 |
| CN113727377B (zh) * | 2021-09-02 | 2023-07-04 | 中国联合网络通信集团有限公司 | 基于基站参数判断无线通信环境变化的方法及设备 |
| CN113890833A (zh) * | 2021-10-28 | 2022-01-04 | 中国联合网络通信集团有限公司 | 网络覆盖预测方法、装置、设备及存储介质 |
| CN113890833B (zh) * | 2021-10-28 | 2023-06-13 | 中国联合网络通信集团有限公司 | 网络覆盖预测方法、装置、设备及存储介质 |
| CN116258052A (zh) * | 2021-12-09 | 2023-06-13 | 北京邮电大学 | 一种路损预测方法、装置及电子设备 |
| CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
| CN114742265B (zh) * | 2022-03-09 | 2023-07-18 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
| CN115060985A (zh) * | 2022-06-21 | 2022-09-16 | 北京电磁方圆科技有限公司 | 多通道天线的测试方法及装置 |
| CN115423156A (zh) * | 2022-08-15 | 2022-12-02 | 博源规划设计集团有限公司 | 一种新建铁路四电工程用地选址优化方法 |
| CN115423156B (zh) * | 2022-08-15 | 2023-09-15 | 博源规划设计集团有限公司 | 一种新建铁路四电工程用地选址优化方法 |
| CN115310372A (zh) * | 2022-10-10 | 2022-11-08 | 香港中文大学（深圳） | 一种基于高精度电磁传播模型的路径损耗预测方法 |
| CN115840889A (zh) * | 2023-02-17 | 2023-03-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于转捩预测的特征值的处理方法、装置、设备及介质 |
| CN118101105A (zh) * | 2024-04-17 | 2024-05-28 | 苏州恩赫信息科技有限公司 | 一种电波传播路径损耗预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113329437B (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113329437B (zh) | 无线网络信号传播路径损耗预测方法及电子设备 | |
| CN110731096B (zh) | 使用深度神经网络预测电信网络中的接收信号强度 | |
| Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
| CN110418354A (zh) | 一种基于机器学习的免传播模型无线网络规划方法 | |
| US20180329022A1 (en) | Method, apparatus and system for locating an object using cluster-type magnetic field | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN111160108A (zh) | 一种无锚点的人脸检测方法及系统 | |
| CN112561199B (zh) | 天气参数预测模型训练方法、天气参数预测方法及装置 | |
| CN104581644B (zh) | 基于径向基插值的室内wlan指纹数据库多点自适应更新方法 | |
| CN113644996B (zh) | 基于深度学习的小区级rsrp估计方法 | |
| JP6696859B2 (ja) | 品質推定装置及び品質推定方法 | |
| Eriksson et al. | On long-term statistical dependences in channel gains for fixed wireless links in factories | |
| CN110784837B (zh) | 室内定位方法、装置、介质及电子设备 | |
| CN114139448B (zh) | 海基观测网站位布局优化的方法、系统、介质、终端及应用 | |
| CN114449439A (zh) | 一种地下管廊空间的定位方法及装置 | |
| CN113301503B (zh) | 弱覆盖区域检测方法及装置 | |
| Yan et al. | UAM-RDE: an uncertainty analysis method for RSSI-based distance estimation in wireless sensor networks | |
| CN114157374B (zh) | 小区无线信号强度预测方法和装置、计算机可读存储介质 | |
| US20240235706A9 (en) | Communication design support apparatus, communication design support method and program | |
| US11240680B2 (en) | Device and method for analyzing propagation characteristics in wireless communication system | |
| Cheng et al. | A channel state information and geomagnetic fused fingerprint localisation algorithm based on multi‐input convolutional neural network | |
| WO2022215134A1 (ja) | 通信設計支援装置、通信設計支援方法およびプログラム | |
| WO2022215131A1 (ja) | 通信設計支援装置、通信設計支援方法およびプログラム | |
| WO2022215133A1 (ja) | 通信設計支援装置、通信設計支援方法およびプログラム | |
| US20240155385A1 (en) | Communication design support apparatus, communication design support method and program |
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 |