CN115310372B - 一种基于高精度电磁传播模型的路径损耗预测方法 - Google Patents

一种基于高精度电磁传播模型的路径损耗预测方法 Download PDF

Info

Publication number
CN115310372B
CN115310372B CN202211232558.3A CN202211232558A CN115310372B CN 115310372 B CN115310372 B CN 115310372B CN 202211232558 A CN202211232558 A CN 202211232558A CN 115310372 B CN115310372 B CN 115310372B
Authority
CN
China
Prior art keywords
neural network
model
prediction
propagation
brtdf
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
Application number
CN202211232558.3A
Other languages
English (en)
Other versions
CN115310372A (zh
Inventor
黄川�
崔曙光
汪彦丞
张晗
唐心怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese University of Hong Kong Shenzhen
Original Assignee
Chinese University of Hong Kong Shenzhen
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese University of Hong Kong Shenzhen filed Critical Chinese University of Hong Kong Shenzhen
Priority to CN202211232558.3A priority Critical patent/CN115310372B/zh
Publication of CN115310372A publication Critical patent/CN115310372A/zh
Application granted granted Critical
Publication of CN115310372B publication Critical patent/CN115310372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/06—Ray-tracing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于高精度电磁传播模型的路径损耗预测方法，包括以下步骤：S1.对于一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，加入该类物品的样本集；S2.构建神经网络预测模型进行训练，得到成熟神经网络预测模型；S3.对于不同类别的物品S类物体，重复执行步骤S1~S2，得到每一类物体对应的成熟神经网络预测模型；S4.基于神经网络预测模型，对发射机经预测区域向接收机传播信息的路径损耗进行预测。本发明针对每一类物品建立了神经网络预测模型，并在此基础上对不同的物体进行双向反射透射分布函数值（BRTDF值）求解，基于光线追踪实现路径损耗预测，有效提高了预测精度。

Description

一种基于高精度电磁传播模型的路径损耗预测方法
技术领域
本发明涉及路径损耗预测，特别是涉及一种基于高精度电磁传播模型的路径损耗预测方法。
背景技术
现有的路径损耗（Path loss）预测存在很不精确的问题。路径损失的预测主要有一下几种方法。
第一种是基于模型的数据拟合方法，典型的方法是基于斜率和截距的统计模型进行预测，这种预测模型只利用了发射机和接收机之间的距离，因此预测精度低，与真实值的偏差一般在10db。
第二种是基于数据驱动的插值方法，这种方法在某些位置测量了一些路径损耗的值，然后通过一些信号处理方法，如克里金（Kriging）插值估计未测量位置的路径损耗。这种方法几乎不依赖于物理模型。除克里格法外，其他例子还有径向基函数插值法、张量补全法、支持向量回归法和矩阵补全法。这种方法的预测精度和采集的数据量直接相关，需要在每个环境中大量测量才能取得较好的预测结果。
第三种估计路径损失的方法是仅利用物理先验知识的方法，而不对预测区域进行任何测量。典型的例子有光线跟踪法、主导路径预测法。这是目前预测精度较高的方法误差在5db左右，但是因为传播环境的建模精度有限，同时有树木和其他杂物，不精确的环境建模限制了光线追踪的精度。此外到了毫米波频段之后，光线追踪更加困难，因为波长变窄，与波长尺寸相当的环境信息都需要知道，但是光线追踪法很难利用高精度环境信息。此外要对反射/衍射参数估计近似值，还需要现场测量调整这些参数。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于高精度电磁传播模型的路径损耗预测方法，针对每一类物品建立了神经网络预测模型，并在此基础上对不同的物体进行双向反射透射分布函数（BRTDF）值求解，并基于光线追踪实现路径损耗预测，有效提高了预测精度。
本发明的目的是通过以下技术方案来实现的： 一种基于高精度电磁传播模型的路径损耗预测方法，包括以下步骤：
S1.对于同一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，加入该类物品的样本集；
电磁波传播过程中遇到障碍物后，出射电磁波的能量特性。如果电磁波穿透了物体，我们就认为这是透射的电磁波；如果电磁波没有穿过物体，那我们就认为这是反射的电磁波。之后的内容中，我们就用反射和透射这两种现象概括传播现象。这种高精度的电磁传播模型就用物体的双向反射透射分布函数来刻画。
S2.构建神经网络预测模型，利用步骤S1中得到的样本集中的样本进行训练，得到成熟神经网络预测模型；
S3.对于不同类别的物品S类物体
Figure 100002_DEST_PATH_IMAGE001
，重复执行步骤S1~S2，得到每一类物品对应的成熟神经网络预测模型；
S4.基于神经网络预测模型，对发射机经预测区域向接收机传播信息的路径损耗进行预测：
S401.获取预测区域的地理环境信息：
利用激光雷达测量预测区域内物品的外形结构，得到物品的三维模型，三维模型用dxf格式的文件存储，以便于光线追踪的使用；
对预测区域内物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片；
S402.通过光线追踪计算出从发射机到接收机的所有传播路径，相近的路径计入一个传播簇，所有的传播簇记为cluster1, … , clusterK；
首先以发射机为球心，向各个方向均匀发射光线；
然后追踪每一条光线，光线直线传播并与S1中获取的环境中三维模型发生反射；
最后能传播到接收机的所有光线组成了所有的传播路径，所述传播路径包括离去角DoA、到达角AoA、传播路径的三维长度d、与环境中物体发生反射的坐标位置、传播时间构成。
如果两条光线DoA和AoA的角度差值小于预先设定的阈值
Figure 506117DEST_PATH_IMAGE002
那么将他们分为一簇光线，所述一簇光线是指簇内各条光线经历了相同的物体。
S403.针对每个传播簇，基于步骤S3中得到的成熟神经网络预测模型计算能量损失；
对于通过光线追踪法得到一簇光线路径Cluster k，k=1,…,K；离去角DoA为
Figure 100002_DEST_PATH_IMAGE003
，到达角AoA是
Figure 29634DEST_PATH_IMAGE004
，发射机TX天线在方向
Figure 927926DEST_PATH_IMAGE005
有增益
Figure 368135DEST_PATH_IMAGE006
， RX天线在方向
Figure 296776DEST_PATH_IMAGE004
有增益
Figure 228960DEST_PATH_IMAGE007
；将这一簇里面的离去角为
Figure 589666DEST_PATH_IMAGE003
的光线能量写成：
Figure 884381DEST_PATH_IMAGE008
式中
Figure 748038DEST_PATH_IMAGE009
的表示成熟神经网络预测模型的预测结果：首先确定预测区域内的物体种类，选择对应种类的成熟神经网络预测模型，然后将预测区域内物体的特征M，以及入射角度，作为成熟神经网络预测模型的输入，由成熟神经网络预测模型输出预测结果，所述预测结果为BRTDF预测值构成的一张图片，包含所有接收角度下的BRTDF预测值；
考虑电磁波在自由空间中的损耗，这一簇电磁波信号的总能量就是：
Figure 167518DEST_PATH_IMAGE010
式中的d表示这一簇光线传播路径的三维长度。
S404.计算所有传播簇的能量和，并据此预测路径损耗。
对所有传播簇求和得到接收机的接收功率
Figure 377920DEST_PATH_IMAGE011
而预测的路径损耗就是发射功率减去接收功率
Figure 199245DEST_PATH_IMAGE012
。
本发明的有益效果是：本发明针对每一类物品建立了神经网络预测模型，并在此基础上对不同的物体进行双向反射透射分布函数（BRTDF）值求解，并基于光线追踪实现路径损耗预测，有效提高了预测精度。
附图说明
图1为本发明的方法流程图；
图2为实施例中物体BRTDF的测量原理示意图；
图3为实施例中电磁波经过一个墙面反射之后的能量分布BRTDF示意图；
图4为实施例中区域的建筑物外墙示意图；
图5为实施例中神经网络的输出示意图；
图6为实施例中仿真的神经网络预测结果示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于高精度电磁传播模型的路径损耗预测方法，其特征在于：包括以下步骤：
S1.对于同一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，加入该类物品的样本集；
电磁波传播过程中遇到障碍物后，出射电磁波的能量特性。如果电磁波穿透了物体，我们就认为这是透射的电磁波；如果电磁波没有穿过物体，那我们就认为这是反射的电磁波。之后的内容中，我们就用反射和透射这两种现象概括传播现象。这种高精度的电磁传播模型就用物体的双向反射透射分布函数来刻画。
S101.对于同一类物品中的任一待测物体
Figure 469689DEST_PATH_IMAGE013
，首先用激光雷达测量该物品的外形结构，得到该物品的三维模型，三维模型用dxf格式的文件；然后对该物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片，将物品三维模型和反应物品材质信息的照片记为物品的地理环境信息
Figure 501099DEST_PATH_IMAGE014
；
S102.设电磁传播模型通过BRTDF函数进行刻画，则需要测量待测物体的BRTDF值：
BRTDF值通过BRTDF函数进行求解，所述BRTDF函数即为双向反射透射分布函数，等于电磁波接收位置处能量与电磁波发射位置处能量的比值；测量过程为：
将载有发射机TX的无人机，悬空在坐标为
Figure 100002_DEST_PATH_IMAGE015
的地方并朝着物体
Figure 485498DEST_PATH_IMAGE016
发射电磁波，发射的电磁波能量是
Figure 100002_DEST_PATH_IMAGE017
；将载有接收机RX的无人机放置在接收位置
Figure 20385DEST_PATH_IMAGE018
，测量得到这个接收位置的RX接收到的电磁波能量
Figure 100002_DEST_PATH_IMAGE019
；
通过
Figure 196151DEST_PATH_IMAGE020
计算得到的结果，即为接收角度
Figure 100002_DEST_PATH_IMAGE021
下的BRTDF值；
S103.改变载有RX的无人机遍历的接收位置，使得载有RX的无人机遍历所有预设的接收位置，在每一个接收位置下重复执行步骤S102，得到所有接收角度下的BRTDF值，并将这些BRTDF值构成一张图片，记为
Figure 744551DEST_PATH_IMAGE022
；
将地理环境信息和载有发射机TX的无人机悬空坐标构成样本特征
Figure 500017DEST_PATH_IMAGE023
，将
Figure 889410DEST_PATH_IMAGE024
作为样本特征
Figure 642603DEST_PATH_IMAGE023
的标签，构成一个训练样本；
S104.改变载有TX的无人机的悬空坐标，使得载有TX的无人机的悬空坐标遍历所有预设的发射位置，设预设的发射位置共有R个，并在每一个发射位置下重复执行步骤S102~S103，得到R个训练样本；
S105.遍历当前类物品中的每一个待测物体，并在每一个待测物品下重复执行步骤S101~S104，设当前类物品共有C个待测物体，则供得到
Figure 648605DEST_PATH_IMAGE025
个训练样本，加入当前类物品的训练集中。
BRDF是双向反射分布函数（Bidirectional Reflectance DistributionFunction），但是真实的电磁波反射和透射并不是之前光线追踪法中的只有镜像反射分量和单一的透射方向，而是朝多个方向反射透射能量。因此传统的方法带来了路径损失的预测误差。因此，通过预测电磁波在经历物体表面反射和穿过物体透射之后路径损失的方法，能够提高了整体路径损失的预测精度。
电磁波与物体的影响主要分为反射和透射。故本申请在BRDF的基础上考虑了电磁波透射物体的情况，定义BRTDF，即双向反射透射分布函数（Bidirectional Reflectanceand Transmission Distribution Function，BRTDF）；电磁波从一个入射角度照射在物体表面之后，物体会朝各个方向反射电磁波。传统预测方法主要只考虑了镜面方向的能量，而没有考虑别的方向的能量，因此对路径损失的预测产生了误差。透射也是如此，光线追踪方法不能预测电磁波穿过物体之后朝多个角度传播的能量，只能计算直线传播穿透一个物体的损失，因此产生了误差。本申请的预测方案中，考虑了物体反射和透射能量并非是单一角度，而是一个角度范围的特性。从而实现精确预测。
首先定义物体的反射透射模型。借鉴计算机图形学中双向反射透射分布函数。首先建立空间坐标系，空间中任意一点的方向可由球坐标系中的水平方向偏转的角度
Figure 145445DEST_PATH_IMAGE026
和竖直方向偏转的角度
Figure 421968DEST_PATH_IMAGE027
确定。
如图2所示，在球坐标系下，在方位为
Figure 939537DEST_PATH_IMAGE028
的位置放置一个TX在方位为
Figure 42622DEST_PATH_IMAGE029
的位置放置一个RX，把从
Figure 202208DEST_PATH_IMAGE028
角度发射的信号强度记为
Figure 300614DEST_PATH_IMAGE030
，将电磁波经过物体反射或者透射之后在
Figure 233759DEST_PATH_IMAGE029
方向的能量记为
Figure DEST_PATH_IMAGE031
。BRTDF刻画了电磁波反射透射的能量损失，它等于反射或透射的能量与入射能量的比值，即
Figure 761823DEST_PATH_IMAGE032
；
在本申请的实施例中，电磁波经过一个墙面反射之后的能量分布BRTDF如图3所示。入射电磁波方向是
Figure DEST_PATH_IMAGE033
，即这个图是
Figure 662783DEST_PATH_IMAGE034
的函数图像，描述了不同出射方向的能量分布。可见经过反射之后的出射电磁波不是只有一角度，而是在一个范围反射着能量。
S2.构建神经网络预测模型，利用步骤S1中得到的样本集中的样本进行训练，得到成熟神经网络预测模型；
所述步骤S2包括：
S201.通过神经网络算法构建BRTDF的神经网络预测模型；所述神经网络算法一般采用深度学习神经网络算法。
S202.利用训练集中的训练样本对神经网络预测模型进行训练，在训练过程中训练样本中的样本特征作为模型输入，标签作为期望输出，在所有样本训练完成后，得到成熟神经网络预测模型。
也就是说，网络的输入是物体的三维模型和材质信息
Figure DEST_PATH_IMAGE035
和入射角度
Figure 707706DEST_PATH_IMAGE036
。具体到实现而言：我们需要将地理环境信息，即物体的三维模型和材质信息，编码成计算机能识别的输入，我们提出两种做法1. 将物体表面的凹凸情况编码到一张图片
Figure DEST_PATH_IMAGE037
中：以图4为例，这个区域的建筑物外墙由深灰色的窗子和浅灰色的凸起的混泥土部分组成，即图4中的左侧图像，每个位置
Figure 301499DEST_PATH_IMAGE038
都有它凸起的高度
Figure DEST_PATH_IMAGE039
。首先将这个区域的三维视图转换为俯视图，即图4中的右侧图像，然后将物体的凸起情况用这个图片中每个像素点值
Figure 598750DEST_PATH_IMAGE040
的大小表示。
三维模型中最低的部分对应的图片像素值为0，最突出的部分像素值为255，其他按比例对应。
Figure DEST_PATH_IMAGE041
Figure 896876DEST_PATH_IMAGE042
材质信息就用物体的一张实拍图反映，因为有颜色的照片很能反映物体的材质信息，神经网络能从这张照片中提取出材质信息。总而言之就是这个编码了物体三维结构的照片P和反映材质信息的照片一同作为环境信息
Figure DEST_PATH_IMAGE043
作为神经网络的输入。2. 使用计算机视觉中的方法，将一组从不同角度拍摄的物体照片送入一个特征提取网络，然后将提取出的三维模型结构和材料特征，作为
Figure 530727DEST_PATH_IMAGE043
。
神经网络的输出是一张图片，如图5所示，为一个预测BRTDF的样例（神经网络的输出样例），这个图片反映了给定
Figure 561000DEST_PATH_IMAGE044
下的BRTDF函数值。因为每一组出射角度
Figure DEST_PATH_IMAGE045
都对应一个衰减值
Figure 814389DEST_PATH_IMAGE046
，那么所有可能的出射角度
Figure 729255DEST_PATH_IMAGE045
的BRTDF值就构成了一张图片。
神经网络的输出，反映了所有可能的出射角度
Figure 922339DEST_PATH_IMAGE045
的BRTDF值。亮度越高，出射能量越大。
S3.对于不同类别的物品S类物体
Figure DEST_PATH_IMAGE047
，重复执行步骤S1~S2，得到每一类物品对应的成熟神经网络预测模型；
不同种类的物体对电磁波有不同特性的响应。因此我们对不用种类的物体用独立的模型分别预测他们的反射透射衰减，并用神经网络学习这个反射透射模型。例如针对树木我们建立一个预测模型，针对建筑物我们建立另外一个预测模型进行预测。而对于树木，我们又能对他进行细分。根据叶片的大小和密度，树干的大小，分门别类的建立不同类型树木的预测模型。有了这样针对不同种类的树和建筑物的预测模型之后，在一个未知的环境里，我们也能根据之前已有的预测模型，快速建立起新环境中的高精度路径损失预测。
所提出的神经网络以物体的三维结构和表面材质作为一方面的输入，把电磁波的入射角度作为另一方面的输入，从而预测出他的BRTDF。
S4.基于神经网络预测模型，对发射机经预测区域向接收机传播信息的路径损耗进行预测。
所述步骤S4包括以下子步骤：
S401.获取预测区域的地理环境信息：
利用激光雷达测量预测区域内物品的外形结构，得到物品的三维模型，三维模型用dxf格式的文件存储，以便于光线追踪的使用；
对预测区域内物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片；
在本申请的实施例中，地理环境信息主要包含以下几个方面：1. 预测区域中的建筑物三维模型，能反映出建筑的形状、高度，以及精确的门窗位置，墙面凸起等精细结构信息，这些信息通过无人机的激光雷达、或者基于图片的三维重建获取2. 建筑物的材质信息，例如建筑物的外墙是混泥土亦或是玻璃，凸起物体材质是铁等等，更精确的说是指材料的介电常数、磁导率、电导率，通过这三个参数，能预测电磁波的反射透射能量3. 树木的三维结构和材质，树木的结构也通过类似方法获得，能反映树木的茂密程度，树木的类型，叶片特征等等，还能根据树木照片推断出他的材料特征 4. 环境其他大型障碍物5. 传统地理信息系统（GIS）的其他特征例如地势、地貌、植被、土壤情况等 将预测区域内的物体三维模型用dxf格式的文件存储，之后能被光线追踪软件的使用。物体的三维信息之后通过映射成二维图片的方式，之后用做神经网络的输入。
S402.通过光线追踪计算出从发射机到接收机的所有传播路径，相近的路径计入一个传播簇，所有的传播簇记为cluster1, … , clusterK；
光线追踪法原本是一种基于真实光路模拟的计算机三维图形渲染算法，后来也用在预测电磁信号的传播路径和路径损耗。光线追踪法是这样生产传播路径的：
首先以发射机为球心，向各个方向均匀发射光线；
然后追踪每一条光线，光线直线传播并与S1中获取的环境中三维模型发生反射；
最后能传播到接收机的所有光线组成了所有的传播路径，所述传播路径包括离去角DoA、到达角AoA、传播路径的三维长度d、与环境中物体发生反射的坐标位置和传播时间。
现实环境中，从发射机到接收机可能有20~30条路径，将这些路径可以分为几个传播簇，划分的依据可以是：如果两条光线DoA和AoA的角度差值小于预先设定的阈值
Figure 857934DEST_PATH_IMAGE048
那么将他们分为一簇光线。一簇光线的物理意义是，他们经历了相同的物体（例如从同一个建筑物反射而来，或是从同一颗树木透射）
S403.针对每个传播簇，基于步骤S3中得到的成熟神经网络预测模型计算能量损失；
对于某一物体，通过光线追踪法得到一簇光线路径Cluster k，k=1,…,K，这一簇电磁波信号是通过物体反射或透射传播的，离去角DoA为
Figure 769258DEST_PATH_IMAGE015
，到达角AoA是
Figure DEST_PATH_IMAGE049
，TX天线在方向
Figure 766777DEST_PATH_IMAGE015
有增益
Figure 846990DEST_PATH_IMAGE050
，RX天线在方向
Figure 360011DEST_PATH_IMAGE049
有增益
Figure DEST_PATH_IMAGE051
；将这一簇里面的离去角为
Figure 493052DEST_PATH_IMAGE015
的光线能量写成：
Figure 608776DEST_PATH_IMAGE052
式中的
Figure DEST_PATH_IMAGE053
表示成熟神经网络预测模型的预测结果：首先确定预测区域内的物体种类，选择对应种类的成熟神经网络预测模型，然后将预测区域内物体的地理环境信息
Figure 349023DEST_PATH_IMAGE054
，以及入射角度，作为成熟神经网络预测模型的输入，由成熟神经网络预测模型输出预测结果，所述预测结果为BRTDF预测值构成的一张图片，包含所有接收角度下的BRTDF预测值；
考虑电磁波在自由空间中的损耗，这一簇电磁波信号的总能量就是：
Figure DEST_PATH_IMAGE055
式中的d表示这一簇光线传播路径的三维长度。
S404.计算所有传播簇的能量和，并据此预测路径损耗。
对所有传播簇求和得到接收机的接收功率
Figure 626420DEST_PATH_IMAGE056
而预测的路径损耗就是发射功率减去接收功率
Figure DEST_PATH_IMAGE057
。
通过学习不同入射角度的情况，目前对于任意给定的入射角度都能预测出透射反射BRTDF的样式和位置，如图6所示，图6中：1、3列是真实值，2、4列是神经网络预测结果。该网络以入射天线角度和墙壁结构作为输入，输出是预测的BRTDF在二维空间投影的图像。网络结构如下图所示，入射天线位置最初使用球面坐标系，然后映射到二维空间，其中天线所在位置的像素值是255，图像的其他部分的值为0。可以看出，本发明提出的用神经网络预测BRTDF方法能取得很好的预测精度。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种基于高精度电磁传播模型的路径损耗预测方法，其特征在于：包括以下步骤：
S1.对于同一类物品中的每一个待测物体，获取该待测物体的地理环境信息和该待测物体的电磁传播模型，加入该类物品的样本集；
S2.构建神经网络预测模型，利用步骤S1中得到的样本集中的样本进行训练，得到成熟神经网络预测模型；
S3.对于不同类别的物品S类物体
Figure DEST_PATH_IMAGE001
，重复执行步骤S1~S2，得到每一类物品对应的成熟神经网络预测模型；
S4.基于神经网络预测模型，对发射机TX经预测区域向接收机RX传播信息的路径损耗进行预测：
所述步骤S4包括以下子步骤：
S401.获取预测区域的地理环境信息：
利用激光雷达测量预测区域内物品的外形结构，得到物品的三维模型，三维模型用dxf格式的文件存储，以便于光线追踪的使用；
对预测区域内物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片；
S402.通过光线追踪计算出从发射机TX到接收机RX的所有传播路径，相近的路径计入一个传播簇，所有的传播簇记为cluster1, … , clusterK；
S403.针对每个传播簇，基于步骤S3中得到的成熟神经网络预测模型计算能量损失；
对于通过光线追踪法得到一簇光线路径Cluster k，k=1,…,K；离去角DoA为
Figure 14364DEST_PATH_IMAGE002
，到达角AoA是
Figure DEST_PATH_IMAGE003
，发射机TX天线在方向
Figure 202769DEST_PATH_IMAGE002
有增益
Figure 339352DEST_PATH_IMAGE004
，接收机RX天线在方向
Figure 708365DEST_PATH_IMAGE003
有增益
Figure DEST_PATH_IMAGE005
；将这一簇里面的离去角为
Figure 560784DEST_PATH_IMAGE002
的光线能量写成：
Figure 49534DEST_PATH_IMAGE006
式中的
Figure DEST_PATH_IMAGE007
表示成熟神经网络预测模型的预测结果：首先确定预测区域内的物体种类，选择对应种类的成熟神经网络预测模型，然后将预测区域内物体的地理环境信息
Figure 147065DEST_PATH_IMAGE008
，以及入射角度，作为成熟神经网络预测模型的输入，由成熟神经网络预测模型输出预测结果，所述预测结果为BRTDF预测值构成的一张图片，包含所有接收角度下的BRTDF预测值；
考虑电磁波在自由空间中的损耗，这一簇电磁波信号的总能量就是：
Figure DEST_PATH_IMAGE009
式中的d表示这一簇光线传播路径的三维长度；
S404.计算所有传播簇的能量和，并据此预测路径损耗。
2.根据权利要求1所述的一种基于高精度电磁传播模型的路径损耗预测方法，其特征在于：所述步骤S1包括：
S101.对于同一类物品中的任一待测物体
Figure 591822DEST_PATH_IMAGE010
，首先用激光雷达测量该物品的外形结构，得到该物品的三维模型，三维模型用dxf格式的文件；然后对该物品拍摄多个不同角度下的照片，作为反映物品材质信息的照片，将物品三维模型和反应物品材质信息的照片记为物品的地理环境信息
Figure DEST_PATH_IMAGE011
；
S102.设电磁传播模型通过BRTDF函数进行刻画，则需要测量待测物体
Figure 382185DEST_PATH_IMAGE010
的BRTDF值：
BRTDF值通过BRTDF函数进行求解，所述BRTDF函数即为双向反射透射分布函数，等于电磁波接收位置处能量与电磁波发射位置处能量的比值；测量过程为：
将载有发射机TX的无人机，悬空在坐标为
Figure 358232DEST_PATH_IMAGE012
的地方并朝着物体
Figure 571038DEST_PATH_IMAGE010
发射电磁波，发射的电磁波能量是
Figure DEST_PATH_IMAGE013
；将载有接收机RX的无人机放置在接收位置
Figure 870301DEST_PATH_IMAGE014
，测量得到这个接收位置的接收机RX接收到的电磁波能量
Figure DEST_PATH_IMAGE015
；
通过
Figure 97146DEST_PATH_IMAGE016
计算得到的结果，即为接收角度
Figure DEST_PATH_IMAGE017
下的BRTDF值；
S103.改变载有接收机RX的无人机遍历的接收位置，使得载有接收机RX的无人机遍历所有预设的接收位置，在每一个接收位置下重复执行步骤S102，得到所有接收角度下的BRTDF值，并将这些BRTDF值构成一张图片，记为
Figure 29330DEST_PATH_IMAGE018
；
将地理环境信息和载有发射机TX的无人机悬空坐标构成样本特征
Figure DEST_PATH_IMAGE019
，将
Figure 763936DEST_PATH_IMAGE020
作为样本特征
Figure DEST_PATH_IMAGE021
的标签，构成一个训练样本；
S104.改变载有发射机TX的无人机的悬空坐标，使得载有发射机TX的无人机的悬空坐标遍历所有预设的发射位置，设预设的发射位置共有R个，并在每一个发射位置下重复执行步骤S102~S103，得到R个训练样本；
S105.遍历当前类物品中的每一个待测物体，并在每一个待测物品下重复执行步骤S101~S104，设当前类物品共有C个待测物体，则供得到
Figure 419171DEST_PATH_IMAGE022
个训练样本，加入当前类物品的训练集中。
3.根据权利要求1所述的一种基于高精度电磁传播模型的路径损耗预测方法，其特征在于：所述步骤S2包括：
S201.通过神经网络算法构建BRTDF的神经网络预测模型；
S202.利用训练集中的训练样本对神经网络预测模型进行训练，在训练过程中训练样本中的样本特征作为模型输入，标签作为期望输出，在所有样本训练完成后，得到成熟神经网络预测模型。
4.根据权利要求1所述的一种基于高精度电磁传播模型的路径损耗预测方法，其特征在于：所述步骤S402包括：
首先以发射机TX为球心，向各个方向均匀发射光线；
然后追踪每一条光线，光线直线传播并与S1中获取的环境中三维模型发生反射；
最后能传播到接收机RX的所有光线组成了所有的传播路径，所述传播路径包括离去角DoA、到达角AoA、传播路径的三维长度d、与环境中物体发生反射的坐标位置和传播时间；
如果两条光线DoA和AoA的角度差值小于预先设定的阈值
Figure DEST_PATH_IMAGE023
那么将他们分为一簇光线，所述一簇光线是指簇内各条光线经历了相同的物体。
5.根据权利要求1所述的一种基于高精度电磁传播模型的路径损耗预测方法，其特征在于：所述步骤S404包括：
对所有传播簇求和得到接收机RX的接收功率
Figure 846610DEST_PATH_IMAGE024
而预测的路径损耗就是发射功率减去接收功率
Figure DEST_PATH_IMAGE025
。
CN202211232558.3A 2022-10-10 2022-10-10 一种基于高精度电磁传播模型的路径损耗预测方法 Active CN115310372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211232558.3A CN115310372B (zh) 2022-10-10 2022-10-10 一种基于高精度电磁传播模型的路径损耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211232558.3A CN115310372B (zh) 2022-10-10 2022-10-10 一种基于高精度电磁传播模型的路径损耗预测方法

Publications (2)

Publication Number Publication Date
CN115310372A CN115310372A (zh) 2022-11-08
CN115310372B true CN115310372B (zh) 2023-02-07

Family

ID=83868484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211232558.3A Active CN115310372B (zh) 2022-10-10 2022-10-10 一种基于高精度电磁传播模型的路径损耗预测方法

Country Status (1)

Country Link
CN (1) CN115310372B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019211792A1 (en) * 2018-05-02 2019-11-07 Jerusalem College Of Technology Machine learning methods for sir prediction in cellular networks
CN111147163A (zh) * 2019-12-17 2020-05-12 南京航空航天大学 一种基于dnn神经网络的无线通信链路损耗预测方法
US11816183B2 (en) * 2020-12-11 2023-11-14 Huawei Cloud Computing Technologies Co., Ltd. Methods and systems for mining minority-class data samples for training a neural network
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
CN113761797B (zh) * 2021-08-27 2023-05-23 北京航天晨信科技有限责任公司 一种基于计算机视觉的无线信道路径损耗模型预测方法
CN113852433B (zh) * 2021-08-27 2023-07-28 北京航天晨信科技有限责任公司 一种基于计算机视觉的无线信道阴影衰落模型预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN115310372A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN108512621B (zh) 一种基于神经网络的无线信道建模方法
CN109891781B (zh) 考虑物体的材质和轮廓分析通信信道的方法和装置
CN113064117B (zh) 一种基于深度学习的辐射源定位方法及装置
CN112417757B (zh) 车载雷达信号级仿真方法、装置、设备及可读存储介质
CN112418245A (zh) 基于城市环境物理模型的电磁发射点定位方法
CN111683388B (zh) 一种近场辐射衰减测试方法及三维显示系统
Cai et al. Analyzing infrastructure lidar placement with realistic lidar simulation library
CN108182660B (zh) 一种区域气象雷达网数据融合方法及装置
CN116953653B (zh) 一种基于多波段天气雷达组网回波外推方法
CN112446844B (zh) 一种基于点云特征提取与配准融合方法
Lin et al. Characteristic analysis of wireless local area network's received signal strength indication in indoor positioning
CN114092790A (zh) 一种基于接收信号强度的doa估计方法
CN115310372B (zh) 一种基于高精度电磁传播模型的路径损耗预测方法
Türkyılmaz Environment aware location estimation in cellular networks
Lines et al. 3D map creation using crowdsourced GNSS data
CN115575914B (zh) 一种多波段双线偏振天气雷达观测量误差量化方法
CN117029840A (zh) 一种移动车辆定位方法及系统
CN115081303B (zh) 激光雷达虚拟建模和仿真方法、电子设备和存储介质
CN113066161B (zh) 一种城市电波传播模型的建模方法
CN115033991A (zh) 一种用于智能驾驶汽车仿真的毫米波雷达模拟方法及装置
CN115964837A (zh) 基于光线跟踪的水下复杂目标激光扫描点云仿真方法
CN113822892A (zh) 仿真雷达的评测方法、装置、设备及计算机程序产品
Zhang et al. A Radio Wave Propagation Modeling Method Based on High Precision 3D Mapping in Urban Scenarios
KR100222661B1 (ko) 신경 회로망을 이용한 전계 강도 예측방법
CN115296761B (zh) 一种基于电磁传播模型的信道预测方法

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