CN115758852A - 一种路径损耗建模方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了一种路径损耗建模方法、装置、设备以及存储介质，包括：确定初始模型和环境参数数据集；环境参数数据集包括至少一个候选环境参数；利用遗传算法对初始模型进行优化处理，得到目标校正模型；根据环境参数数据集中的每一个候选环境参数对目标校正模型进行调整，得到候选环境参数对应的目标校正模型对应调整后的误差值，利用预设贪心算法根据误差值确定出目标环境参数；根据目标环境参数对目标校正模型进行优化处理，得到路径损耗模型。这样，分别利用遗传算法和贪心算法进行模型优化和参数选择，考虑环境参数对路径损耗模型的影响，选用对模型影响更大的环境参数优化模型，从而降低了建模复杂度，并提高了建模精度和适用性。

Description

一种路径损耗建模方法、装置、设备以及存储介质

技术领域

本申请涉及信道传播建模技术领域，尤其涉及一种路径损耗建模方法、装置、设备以及存储介质。

背景技术

随着第五代移动通信技术(5th Generation Mobile CommunicationTechnology，5G)的发展，5G新空口(New Radio，NR)的频率范围(Frequency Range，FR)分别定义为不同的FR：FR1与FR2。其中，频率范围FR1即通常所讲的5G Sub-6GHz(6GHz以下)频段，频率范围FR2则是5G毫米波频段。相较于Sub-6GHz频段，毫米波频段传输速率更快，带宽更宽，能够承载的连接更多，方向性好。与此同时，当使用毫米波频段进行通信时，由于其高传播损耗和高穿透损耗(受传播介质影响)，并且会受到降雨衰减，使得收发机之间总的路径损耗变得比低频段高。

在相关技术中，传统的毫米波信道路径损耗建模算法可以分为两类：一类是基于实际环境测量数据的统计性信道建模，即经验模型；还有一类是基于电磁理论计算的确定性信道建模，即确定性模型。其中，对于毫米波信道路径损耗经验模型来说，由于本质是基于纯统计学上的分析，缺点在于每次测量出来的数据建立的模型只适用于当前所在的特定的环境，存在普适性较差的问题；对于毫米波信道路径损耗确定性模型来说，其计算复杂度高，而且不同环境材质的电参数没有统一标准，电参数的确定也往往基于经验，使得通用性也不高。因此，针对不同环境参数(空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量)的场景下的毫米波信道路径损耗建模，目前缺乏通用性，而且计算复杂度高。

发明内容

本申请提供了一种路径损耗建模方法、装置、设备以及存储介质，不仅能够降低路径损耗模型的建模复杂度，还能够提高建模精度和适用性。

本申请的技术方案是这样实现的：

第一方面，本申请实施例提供了一种路径损耗建模方法，该方法包括：

确定初始模型和环境参数数据集；其中，所述环境参数数据集包括至少一个候选环境参数；

利用遗传算法对所述初始模型进行优化处理，得到目标校正模型；

根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数；

根据所述目标环境参数对所述目标校正模型进行优化处理，得到路径损耗模型。

第二方面，本申请实施例提供了一种路径损耗建模装置，该路径损耗建模装置包括第一确定单元、第一优化单元、第二确定单元和第二优化单元，其中，

第一确定单元，配置为确定初始模型和环境参数数据集；其中，所述环境参数数据集包括至少一个候选环境参数；

第一优化单元，配置为利用遗传算法对所述初始模型进行优化处理，得到目标校正模型；

第二确定单元，配置为根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数；

第二优化单元，配置为根据所述目标环境参数对所述目标校正模型进行优化处理，得到路径损耗模型。

第三方面，本申请实施例还提供了一种电子设备，该电子设备包括存储器和处理器，其中，

所述存储器，用于存储能够在所述处理器上运行的计算机程序；

所述处理器，用于在运行所述计算机程序时，执行如第一方面所述的路径损耗建模方法。

第四方面，本申请实施例提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如第一方面所述的路径损耗建模方法。

本申请实施例所提供的一种路径损耗建模方法、装置、设备以及存储介质，通过确定初始模型和环境参数数据集；其中，环境参数数据集包括至少一个候选环境参数；利用遗传算法对初始模型进行优化处理，得到目标校正模型；根据环境参数数据集中的每一个候选环境参数对目标校正模型进行调整，得到候选环境参数对应的目标校正模型对应调整后的误差值，利用预设贪心算法根据误差值确定出目标环境参数；根据目标环境参数对目标校正模型进行优化处理，得到路径损耗模型。这样，在建立路径损耗模型时，分别利用遗传算法和贪心算法来进行模型优化和环境参数选择，充分考虑各环境参数对路径损耗模型的影响，选用对模型影响更大的环境参数对模型进行校正，从而不仅降低了路径损耗模型的建模复杂度，而且提高了模型的建模精度和适用性。

附图说明

图1为本申请实施例提供的一种路径损耗建模方法的流程示意图；

图2为本申请实施例提供的一种路径损耗建模方法的详细流程示意图；

图3为本申请实施例提供的一种BP神经网络的网络结构示意图；

图4为本申请实施例提供的一种优化BP神经网络权值和阈值的流程示意图；

图5为本申请实施例提供的另一种路径损耗建模方法的详细流程示意图；

图6为本申请实施例提供的一种路径损耗建模装置的组成结构示意图；

图7为本申请实施例提供的一种电子设备的组成结构示意图；

图8为本申请实施例提供的另一种电子设备的组成结构示意图。

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。可以理解的是，此处所描述的具体实施例仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关申请相关的部分。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

众所周知，无线通信信号依托于电磁波进行传播，而在传播过程中最宝贵的资源就是频带。为防止无线电视广播、移动通信网络、军用频段等的相互干扰，每个国家对频带都进行了严格的划分。根据空气中电磁波的传播特性，由于6GHz以下电波在空气中功率衰减小、穿透力强等优点，被视为优质的频带资源，许多依托无线电波传播的应用集中在这部分频带资源上，因此非常拥挤。

随着科技的发展和人们生活质量的提高，使得用户对移动通信网络的数据需求呈现爆炸式的增长，特别是需要传输大量实时数据的无线应用，如高清电话会议、视频直播、虚拟现实(Virtual-reality，VR)游戏等，对通信网络的容量是严峻的考验。同时，“关键型任务机器通信”(例如工业自动化、车辆通信等)又对通信的时延和可靠性提出了极其严苛的要求，因此业界对下一代无线通信达成了共识：1000倍于第四代移动通信(The FourthGeneration Mobile Communication，4G)系统的网络容量和1毫秒极低时延。面对无线频带紧缺的资源和用户强烈的需求，随着5G时代的到来，可以逐渐解决如何保证科技爆炸时代最底层的网络速率，为社会建起一条高速信息传输通道的问题。

根据香农定理可知：增加信道容量最直接有效的方法是增加通信系统带宽。目前国内用于移动通信的低频段带宽只有大约600MHz。根据5G技术的需求，移动通信正式商用需要大约1GHz的带宽，因此需要开发新的频谱资源，以满足5G技术的发展需求。而毫米波频段潜在的大带宽(26-300GHz)则被视为新的频谱资源，它能在短距离内提供更高的数据传输速率，被视为5G技术潜在的发展趋势。虽然毫米波频段有着上述的优点，但在实现毫米波蜂窝网络通信的过程中仍然存在不少技术挑战。根据费里斯(Friis)电波传播规律，自由空间全向路径损耗与频率的平方成正比，当使用毫米波频段进行通信时，由于其高传播损耗和高穿透损耗(受传播介质影响)，并受到降雨衰减，会使得收发机之间总的路径损耗变得比低频段高。因此需要降低信道实测所带来的高成本，并且提供能更加准确地把握信道的传播特性的模型，从而为5G提供更精准的信道模型标准。

在相关技术中，传统的毫米波信道路径损耗建模算法可分为两类：一类是基于实际环境测量数据的统计性信道建模，即经验模型。还有一类是基于电磁理论计算的确定性信道建模，即确定性模型。

其中，经验模型基于实际室内外环境的测量，即在室内外进行无线电波传播实际测量，从而获得能够反映信道特征的数据。通过对这些实测数据进行处理并分析，从而能够揭示出不同环境下信道的一般规律。目前主流的统计性信道建模方法是基于几何的统计性建模。但是，毫米波信道路径损耗经验模型由于本质是基于纯统计学上的分析，其缺点在于每次测量出来的数据建立的模型只适用于当前所在的特定的环境，存在普适性较差的问题。

确定性模型则是使用电磁场理论和统计方法，分析信道中电波的传播特性，这种方法能够提供更多信道的详细信息，如到达角(Angle of Arrival，AoA)、离开角(Angle ofDepature，AoD)、到达时间(Time of Arrival，ToA)、多普勒频移等数据。该方法需要从完备的环境数据库中获取无线传播环境中散射体的几何信息和构成该环境材质的电参数信息，并根据基站和用户的位置和天线配置，通过电波传播的麦克斯韦方程或近似方程计算信道响应。典型的确定性信道建模方法是射线追踪(Ray Tracing，RT)方法。但是，毫米波信道路径损耗确定性模型存在计算复杂度高的缺点，且不同环境材质的电参数没有统一标准，电参数的确定也往往基于经验，使得确定性模型的通用性也不高。

另外，BP神经网络(Back Propagation neural network)是一种常见的多层前馈神经网络，该神经网络的最大特点是数据前向传递，误差反向传播，由于其误差反向传递的特性，理论上可以拟合出任意函数关系，具有良好的非线性映射能力、更良好的自适应和自学习能力、良好的泛化以及容错能力，因此可以用来解决不同环境参数(水汽分压、空气温度、大气压强、湿度、载波频率、发射机海拔高度和降雨量等)的场景下的毫米波信道路径损耗建模问题。虽然BP神经网络的性能良好、应用广泛，但也有其局限性，例如学习收敛速度太慢、不能保证收敛到全局最小点、网络结构不易确定。此外，网络结构、初始连接权值和阈值选择对网络训练的影响很大，但是又无法准确获得。

基于此，本申请实施例提供了一种路径损耗建模方法，该方法的基本思想是：确定初始模型和环境参数数据集；其中，环境参数数据集包括至少一个候选环境参数；利用遗传算法对初始模型进行优化处理，得到目标校正模型；根据环境参数数据集中的每一个候选环境参数对目标校正模型进行调整，得到候选环境参数对应的目标校正模型对应调整后的误差值，利用预设贪心算法根据误差值确定出目标环境参数；根据目标环境参数对目标校正模型进行优化处理，得到路径损耗模型。这样，在建立路径损耗模型时，分别利用遗传算法和贪心算法来进行模型优化和环境参数选择，充分考虑各环境参数对路径损耗模型的影响，选用对模型影响更大的环境参数对模型进行校正，从而不仅降低了路径损耗模型的建模复杂度，而且提高了模型的建模精度和适用性。

下面将结合附图对本申请各实施例进行详细说明。

本申请的一实施例中，参见图1，其示出了本申请实施例提供的一种路径损耗建模方法的流程示意图。如图1所示，该方法可以包括：

S101、确定初始模型和环境参数数据集。

需要说明的是，本申请实施例提供的路径损耗建模方法用于创建路径损耗模型，使得该路径损耗模型能够结合环境参数等多种因素准确确定无线电波在传播过程中造成的路径损耗，尤其是毫米波频段的信道路径损耗。

还需要说明的是，该方法可以应用于创建路径损耗模型的装置，或者集成有该装置的电子设备、系统等。这里，电子设备可以是诸如计算机、智能手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、导航装置等等，本申请实施例对此不作具体限定。

还需要说明的是，在无线通信信号的传播过程中，将发射机的发射功率(也可以简称为发射功率)和接收机的接收功率(也可以简称为接收功率)之间的差值定义为路径损耗，也即信号传播过程中功率的衰减值。本申请实施例的目的在于建立准确的路径损耗模型，从而能够在已知发射机的发射功率和其它输入参数的情况下，路径损耗模型能够准确输出接收机的接受功率，以在不同的环境条件下，从多个输入参数的维度对信道传播的路径损耗进行综合分析。

在本申请实施例中，首先确定一初始模型和环境参数数据集，该环境参数数据集中包括至少一个候选环境参数。

在一些实施例中，所述确定初始模型，可以包括：

获取样本数据集；

对样本数据集进行归一化处理，得到归一化后的样本数据集；

利用归一化后的样本数据集对预设神经网络模型进行训练，得到初始模型。

需要说明的是，本申请实施例中用于对预设神经网络模型进行训练的样本数据集主要包括：毫无疑义会对路径损耗产生较大影响的输入参数所对应的样本数据集。

示例性地，载波频率、发射机与接收机之间的直线距离(即传输距离)必然会对接收功率产生影响，因此，在本申请实施例中，将载波频率、发射机与接收机之间的直线距离以及发射功率和对应的接受功率作为样本数据集。样本数据即集可以通过实测、查询以往记录数据等方式获取。

还需要说明的是，在训练预设神经网络模型之前，本申请实施例还可以对样本数据集进行归一化处理，利用归一化后的样本数据集对预设神经网络模型进行训练，得到初始模型。

在本申请实施例中，预设神经网络模型优选为BP神经网络模型(也可以称作BP神经网络)。

在本申请实施例中，环境参数数据集包括至少一个候选环境参数，所述候选环境参数至少可以包括下式中的一个或者多个：空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量。

需要说明的是，候选环境参数是指可能对建模结果产生影响的环境参数，例如：空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量等等。在这里，降雨量即为当前测量时间下的降雨量，如无降雨，那么在本申请实施例的BP神经网络中，输入参数-降雨量则为0。

另外，毫米波在大气传播中可能还会受氧气、湿度、雾和雨等的影响。

其中，关于氧气的影响不是一概而论的，不同毫米波波段受氧气的影响是不一样的。比如，60GHz必须承受约20dB/km的氧气吸收损耗，而28GHz、38GHz与73GHz情况正则要求低一些，这也正是目前一些运营商将28GHz定为主要测试对象的原因。

相对于氧气，湿度对于毫米波的衰减影响较大。在高温和高湿度环境下，其信号在1公里内可衰减一半(3dB/km)。和湿度同理，毫米波在通过雾和云层时，也会产生衰减。

雨是毫米波最大的敌人。极端情况下，在特大暴雨天气下(降雨强度为50毫米/小时)，毫米波传播损耗可达到18.4dB/km。

在一些实施例中，确定环境参数数据集，可以包括：

获取初始环境参数数据集；

基于预设相关分析算法对初始环境参数数据集中的每一个初始候选环境参数相对路径损耗的影响度进行计算，确定每一个初始候选环境参数相对路径损耗的影响度；

利用预设检验算法对初始环境参数数据集中的每一个初始候选环境参数和路径损耗进行显著性水平检验，确定每一个初始候选环境参数相对路径损耗的显著性水平检验结果；

根据影响度以及显著性水平检验结果，确定与路径损耗不相关的初始候选环境参数；

从初始环境参数数据集中去除与路径损耗不相关的初始候选环境参数，得到环境参数数据集。

需要说明的是，本申请实施例通过预设相关分析算法和预设检验算法确定初始环境参数数据集中的每一个初始候选环境参数和路径损耗的相关性，并进行显著性水平检验，只有与路径损耗显著性相关的初始候选环境参数才会被保留，保留下来的初始候选环境参数组成环境参数数据集，这些被保留的初始候选环境参数即环境参数数据集中的候选环境参数。

具体来说，基于预设相关分析算法，计算初始环境参数数据集中的每一个初始候选环境参数相对对路径损耗的影响度，可以通过计算每一个初始候选环境参数和路径损耗的相关系数来确定，从而根据相关系数的大小确定每一个初始候选环境参数对路径损耗的影响度，通常来说，相关系数越大，说明说明两者越相关。

为了排除偶然因素的影响，还需要利用预设检验算法对初始环境参数数据集中的每一个初始候选环境参数和路径损耗进行显著性水平检验，确定初始环境参数数据集中的每一个初始候选环境参数相对路径损耗的显著性水平检验结果，结合前述影响度和显著性水平检验结果将初始环境参数数据集中与路径损耗不相关的初始候选环境参数确定出来。

例如，通过如双样本t检验，将95％以上统计水平上显著相关(即显著性水平设置为0.05)的初始候选环境参数确定为与路径损耗显著相关的初始候选环境参数。将不满足该显著性相关要求的初始候选环境参数确定为与路径损耗不相关的初始候选环境参数，并从初始环境参数数据集中将与路径损耗不相关的初始候选环境参数进行去除，从而得到环境参数数据集。

S102、利用遗传算法对初始模型进行优化处理，得到目标校正模型。

需要说明的是，在确定初始模型之后，利用遗传算法对初始模型进行优化处理，从而得到目标校正模型。

对初始模型进行优化处理的方式优选为采用遗传算法进行优化，但是也可以采用其它优化处理方法，如贝叶斯优化方法等。在本申请实施例中，以遗传算法为例对优化初始模型的方式进行描述。

还需要说明的是，由于在本申请实施例中，优选地，初始模型是对预设神经网络模型进行训练得到的，那么对初始模型进行优化即是对神经网络模型的参数(主要指神经网络的权值和阈值)进行优化。

通过遗传算法对模型进行优化处理，能够确定当前模型最优的权值和阈值，在本步骤中，通过遗传算法对初始模型进行优化处理，确定初始模型最优的权值和阈值，并根据最优的权值和阈值创建目标校正模型。

也就是说，对初始模型进行优化处理是指优化模型自身的参数，而非是输入参数或者输出参数。

在一些实施例中，所述利用遗传算法对所述初始模型进行优化处理，得到目标校正模型，可以包括：

根据初始模型，确定初始种群集合；其中，初始种群集合包括至少一个个体；

计算初始种群集合中的所有个体的适应度，并按照适应度对初始种群集合中的所有个体进行排序，选取适应度最高的至少一个候选个体组成待配种种群集合；

对待配种种群集合进行变异交叉处理，从变异交叉结果中选取预设数量的目标个体组成新种群集合；

根据新种群集合，生成第一校正模型；

若第一校正模型满足预设结束条件，则将第一校正模型确定为目标校正模型；

若第一校正模型不满足预设结束条件，则将新种群集合确定为初始种群集合，并返回执行计算初始种群集合中的所有个体的适应度的步骤，直至第一校正模型满足预设结束条件，将第一校正模型确定为目标校正模型。

需要说明的是，在利用遗传算法优化初始模型时，首先，基于初始模型的神经网络结构，确定初始种群集合，即初始化种群。其中，初始种群集合中包括至少一个个体，个体对应于神经网络的参数。

然后，计算初始种群集合中每个个体的适应度，按照个体适应度的大小将初始种群集合中的各个体进行排序，根据排序结果，从其中选取适应度最高的至少一个个体(即候选个体)组成待配种种群集合。例如，选取两个候选个体复制到待配种种群集合中，若初始种群集合中只有一个个体，就将这一个个体复制两份到待配种种群集合中。

接着，对待配种种群集合进行变异交叉处理，从变异交叉结果中选取预设数量个目标个体组成新种群集合。例如，预设数量可以为一，通常从预设交叉变异结构中选取一个最优个体作为目标个体。

具体来说，对待配种种群集合中的个体按照预设变异概率进行变异，得到变异后的若干个个体，再对变异后的若干个个体按照优良个体复制若干份(如4份)，劣质个体不复制的原则进行复制，得到复制组。

接着，从复制组中随机选取若干个个体(如2个)，按照预设交叉概率进行多次交叉操作，得到变异交叉结果，变异交叉结果中包括多个变异交叉处理之后的个体，从变异交叉结果中选取出一个最优个体作为目标个体，组成新种群集合。

根据新种群集合，也即目标个体所对应的神经网络参数生成第一校正模型，判断第一校正模型是否满足预设结束条件，若满足预设结束条件，就将第一校正模型确定为目标校正模型；若不满足，就将新种群集合确定为初始种群集合，并返回执行计算初始种群集合中的所有个体的适应度的步骤，直至第一校正模型满足预设结束条件，就将第一校正模型确定为目标校正模型。

在本申请实施例中，在判断第一校正模型是否满足预设结束条件时，可以将第一校正模型的误差值(如均方根误差)与预设模型误差阈值进行比较，如果第一校正模型的误差值小于或者等于预设模型误差阈值，则确定第一校正模型满足预设结束条件，否则，第一校正模型不满足预设结束条件；和/或，设置一个预设迭代次数阈值，从确定初始种群集合到生成第一校正模型的过程为一次迭代，在迭代次数达到预设迭代次数阈值时，确定第一校正模型满足预设结束条件，否则，第一校正模型不满足预设结束条件。

还需要说明的是，在本申请实施例中所涉及到的误差值可以用于表示模型当前的优化效果，该值越小就说明模型越准确。

S103、根据环境参数数据集中的每一个候选环境参数对目标校正模型进行调整，得到候选环境参数对应的目标校正模型对应调整后的误差值，利用预设贪心算法根据误差值确定出目标环境参数。

需要说明的是，在得到目标校正模型之后，就可以根据环境参数数据集中的每一个候选环境参数对目标校正模型进行调整，得到候选环境参数对应的目标校正模型对应调整后的误差值，并利用预设贪心算法根据误差值确定出目标环境参数。具体来说，可以是将环境参数数据集中的每一个候选环境参数依次输入到目标校正模型中，从而得到没一个候选环境参数对目标校正模型进行调整后的目标校正模型，以及调整后的目标校正模型的误差值，并利用贪心算法确定每一候选环境参数是否为目标环境参数，从而确定出目标环境参数。其中，误差值可以为目标校正模型的损失函数值，均方根误差等。

在一些实施例中，目标环境参数的数量为至少一个；所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，可以包括：

利用所述环境参数数据集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的调整校正模型，并确定每一个所述候选环境参数对应的调整校正模型的误差值；

从误差值中选取至少一个目标误差值，根据至少一个目标误差值确定出目标环境参数。

需要说明的是，本申请实施例可以将环境参数数据集中的每一个候选环境参数依次输入到校正模型，利用环境参数数据集中的每一个候选环境参数分别对目标校正模型进行调整，得到每一个候选环境参数对应的调整校正模型，并得到每一个调整校正模型的误差值，也就是对应的每一个候选环境参数的误差值，再从误差值中选取至少一个目标误差值，根据至少一个目标误差值确定出目标环境参数。其中，误差值用于表示调整校正模型输出的接收功率和实际接收功率之间的误差情况，可以为模型的损失函数、均方根误差等，该误差值能够表征模型的准确程度。

例如，可以将小于预设误差值阈值的误差值确定为目标误差值，并将目标误差值对应的候选环境参数确定为目标环境参数。如果误差值小于预设误差阈值，就说明该误差值对应的候选环境参数对目标校正模型有较好的优化效果，其对路径损耗的影响较大，可以作为目标环境参数。

在一些实施例中，所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，可以包括：

确定目标校正模型的第一误差值；

利用所述环境参数数据集中的第i个候选环境参数对所述目标校正模型进行调整，，得到第二校正模型；其中，1≤i≤N，N为环境参数数据集中的候选环境参数个数；

确定第二校正模型的第二误差值；

若第一误差值与第二误差值之间的差值大于预设误差阈值，则将第i个候选环境参数确定为其中一个目标环境参数；

对i执行加一操作，返回利用所述环境参数数据集中的第i个候选环境参数对所述目标校正模型进行调整，得到第二校正模型并重复执行，直至i等于N或者第一误差值与第二误差值之间的差值不大于预设误差阈值，以确定出所有目标环境参数。

需要说明的是，在得到目标校正模型之后，计算目标校正模型的第一误差值。其中，误差值表示模型输出的接收功率和实际接收功率之间的误差情况。在本申请实施例中，误差值优选为均方根误差。

本申请实施例可以将将第i环境参数输入到目标校正模型，通过第i环境参数对目标校正模型进行训练调整，得到第二校正模型，并计算第二校正模型的第二误差值。在本申请实施例中，1≤i≤N，N为环境参数数据集中的候选环境参数个数，一般情况下，i从1开始取值直至i为N。

若第一误差值与第二误差值之间的差值大于预设误差阈值，则将第i个候选环境参数确定为其中一个目标环境参数。即，将第一误差值与第二误差值作差得到差值，并判断该差值是否大于预设误差阈值，如果差值大于预设误差阈值，则说明第i环境参数对模型有较好的改进效果。

例如，预设误差阈值设置为1db，第一误差值为5db，第二误差值为3db，两者之差为2db。可以看出，在这种情况下，加入第i环境参数之后，相较于目标校正模型，第一校正模型的误差值明显降低，第i环境参数对模型有较好的改进效果。此时，就将第i环境参数确定为一个目标环境参数。

又例如，预设误差阈值设置为1db，第一误差值为5db，第二误差值也为5db，两者之差为0。可以看出，在这种情况下，加入第i环境参数之后，相较于校正模型，第一校正模型的误差值没有改变，第i环境参数对模型没有改进效果。此时，第i环境参数不作为目标环境参数。

在确定完一个候选环境参数是否为目标环境参数之后，就判断当前的i是否等于N，如果i等于N，说明环境参数数据集中的每一个候选参数都已经进行判断过，即已经确定出了所有的目标环境参数；如果i不等于N，说明环境参数数据集中的还存在未进行判断的候选环境参数，需要继续利用下一个环境参数对目标校正模型进行调整，以确定该候选环境参数是否为目标环境参数。

对i执行加一操作之后，返回利用环境参数数据集中的第i个候选环境参数对目标校正模型进行调整，得到第二校正模型并重复执行，直至i等于N或者第一误差值与第二误差值之间的差值不大于预设误差阈值时，确定出所有的目标环境参数。

也就是说，可以在满足下述条件时确定最终的目标环境参数，一是i等于N，二是第一误差值与第二误差值之间的差值不大于预设误差阈值。在实际应用场景中，这两个条件和结合使用，也可以择一使用。

还需要说明的是，本申请实施例在将第i环境参数加入目标校正模型中时，第i环境参数可以是按照随机顺序被加入到目标校正模型中，也可以是按照相关性从高到低或者从低到高的顺序被加入到目标校正模型中。

在本申请实施例中，在确定目标环境参数时，还可以在每确定一个目标环境参数之后，就对目标校正模型进行更新，即将加入该目标环境参数后的模型确定为输入下一个候选环境参数的初始模型。

因此，在一些实施例中，该方法还可以包括：

确定校正模型的第一误差值。

利用环境参数数据集中的第i个候选环境参数对目标校正模型进行调整，得到更新后的校正模型；其中，1≤i≤N，N为环境参数数据集中的环境参数个数；

确定更新后的校正模型的第二误差值；

若第一误差值与第二误差值之间的差值大于预设误差阈值，则将第i个候选环境参数确定为目标环境参数；

对i执行加一操作，并将更新后的校正模型确定为所述校正模型，将第二误差值确定为所述第一误差值，返回利用环境参数数据集中的第i个候选环境参数对目标校正模型进行调整，得到更新后的校正模型并重复执行，直至i等于N或者第一误差值与第二误差值之间的差值不大于预设误差阈值，以确定出所有目标环境参数。

也就是说，在本申请实施例中，确定目标校正模型的第一误差值之后，将第i个候选环境参数加入到目标校正模型中对目标校正模型进行调整，得到更新后的目标校正模型，并计算更新后的目标校正模型的第二误差值。

在第一误差值和第二误差值的差值大于预设误差阈值的时候，将第i个候选参数确定为目标环境参数。

接着，对i执行加一操作之后，将更新后的目标校正模型确定为目标校正模型，将第二误差值确定为第一误差值，即在每确定一个目标环境参数之后，都会对目标校正模型进行一次更新，更新后的目标校正模型中包括当前已经确定的目标环境参数。

之后，返回利用环境参数数据集中的第i个候选环境参数对目标校正模型进行调整，得到第二校正模型并重复执行，直至i等于N或者第一误差值与第二误差值之间的差值不大于预设误差阈值时，确定出所有的目标环境参数。

还需要说明的是，本申请实施例涉及到的每一预设误差阈值，其值可以相同也可以不同，具体结合实际场景需求进行设置。

在一些实施例中，所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，可以包括：

对环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；

利用第一组环境参数数据子集中的每一个候选环境参数分别对目标校正模型进行调整，得到每一个候选环境参数对应的第三校正模型，并确定每一个候选环境参数对应的第三校正模型的第三误差值，根据第三误差值与预测误差的相关度排序确定第一目标环境参数，以及

利用第二组环境参数数据子集中的每一个候选环境参数分别对目标校正模型进行调整，得到每一个候选环境参数对应的第四校正模型，并确定每一个候选环境参数对应的第四校正模型的第四误差值，利用传统贪心算法根据第四误差值确定第二目标环境参数；

确定第一目标环境参数对校正模型的第一优化结果，以及确定第二目标环境参数对目标校正模型的第二优化结果；

从第一优化结果和第二优化结果中选取目标优化结果，将目标优化结果下目标校正模型输入的环境参数确定为目标环境参数。

需要说明的是，本申请实施例还可以通过对环境参数数据集进行随机分组的方式，来确定目标环境参数。

本申请实施例可以将环境参数数据集随机分为第一组环境参数数据子集和第二组环境参数数据子集，然后将第一组环境参数数据子集中的每一个候选环境参数依次输入到目标校正模型，利用第一组环境参数数据子集中的每一个候选环境参数分别对目标校正模型进行调整，得到第一组环境参数数据子集中的每一个候选环境参数对应的第三校正模型，并得到每一个第三校正模型的第三误差值，根据第三误差值与预测误差的相关度排序确定第一目标环境参数。即将第一组环境参数数据子集中与模型的预测误差最相关的那部分参数确定为第一目标环境参数。

同时，将第二组环境参数数据子集中的每一个候选环境参数也依次输入到目标校正模型，利用第二组环境参数数据子集中的每一个候选环境参数分别对目标校正模型进行调整，得到每一个候选环境参数对应的第四校正模型，并确定每一个第四校正模型的第四误差值，利用传统贪心算法根据第四误差值确定第二目标环境参数。由于传统贪心算法通常能够进行求解最优解，那么第二目标环境参数可以是根据传统贪心算法在将候选环境参数依次输入到目标校正模型并得到第四误差值后，求解最优解所确定的。

然后根据第一目标环境参数就能够得到对校正模型的第一优化结果，根据第二目标参数就能得到对校正模型的第二优化结果。

最后，从第一优化结果和第二优化结果中选取目标优化结果，将目标优化结果下目标校正模型输入的环境参数确定目标环境参数。

进一步地，由于本步骤采用的是贪心算法来筛选参数，贪心算法可以快速确定局部最优解，然而局部最优解不一定等于全局最优解，贪心算法存在容易过早陷入局部最优的问题，因此，本申请实施例通过引入一种双向带优先级随机化策略来扩展贪心算法的搜索空间，降低了贪心算法陷入局部最优的可能性。

因此，在一些实施例中，所述预设贪心算法为双向带优先级随机贪心算法，所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，可以包括：

利用第一优先级策略对环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；以及

利用第二优先级策略对环境参数数据集进行随机分组，得到第三组环境参数数据子集和第四组环境参数数据子集；其中，第一优先级策略与第二优先级策略互为反向优先级；

根据第一组环境参数数据子集和第二组环境参数数据子集，确定第一优先级策略下的目标环境参数以及对应的优化结果；

根据第三组环境参数数据子集和第四组环境参数数据子集，确定第二优先级策略下的目标环境参数以及对应的优化结果；

从第一优先级策略下的目标环境参数以及对应的优化结果和第二优先级策略下的目标环境参数以及对应的优化结果中，选取目标优化结果并将目标优化结果下目标校正模型输入的环境参数确定目标环境参数。

需要说明的是，采用双向带优先级随机贪心算法确定目标环境参数时，可以分为两部分，首先，利用第一优先级策略(即正向优先级策略)对环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；利用第二优先级策略(即反向优先级策略)对环境参数数据集进行随机分组，得到第三组环境参数数据子集和第四组环境参数数据子集。

也就是说，第一优先级策略与第二优先级策略具有相反的优先级。

然后，根据第一组环境参数数据子集和第二组环境参数数据子集，确定第一优先级策略下的目标环境参数以及对应的优化结果；并根据第三组环境参数数据子集和第四组环境参数数据子集，确定所述第二优先级策略下的目标环境参数以及对应的优化结果。

最后，从第一优先级策略下的目标环境参数以及对应的优化结果和第二优先级策略下的目标环境参数以及对应的优化结果中，选取目标优化结果并将目标优化结果下校正模型输入的环境参数确定为目标环境参数。

示例性的，利用第一优先级策略对环境参数数据集进行随机分组可以是：对第一环境参数赋优先级2，对环境参数数据集中除第一环境参数以外的其它环境参数赋优先级1；再对每一环境参数的优先级乘以一个随机数，得到每一环境参数的第一更新优先级；对第一更新优先级按照优先级数值大小进行降序排序，将排序值确定为每一环境参数的第一索引值，并根据每一环境参数的第一索引值得到随机生成的环境参数，根据第一索引值找到的参数依据其排名完成分组，例如将排名靠前的若干环境参数确定为第一组环境参数数据子集，其余的则确定为第二组环境参数数据子集。

利用第二优先级策略对环境参数数据集进行随机分组可以是：对第一环境参数赋优先级1，对环境参数数据集中除第一环境参数以外的其它环境参数赋优先级2；再对每一环境参数的优先级乘以一个随机数，得到每一环境参数的第二更新优先级；对第二更新优先级按照优先级数值大小进行降序排序，将排序值确定为每一环境参数的第二索引值，并根据每一环境参数的第二索引值得到随机生成的环境参数，根据第一索引值找到的参数依据其排名完成分组，例如将排名靠前的若干环境参数确定为第三组环境参数数据子集，其余的则确定为第四组环境参数数据子集。

分别得到不同的优先级策略下的优化结果，结合实际应用需求，从优化结果中选择更优秀或者更适应场景需求的目标优化结果，从而得到目标环境参数。

例如，分别计算根据第一最优参数集合和第二最优参数集合训练得到的模型的均方根误差，将均方根误差更小的模型对应的最优参数集合确定为最优参数集合。

在一些实施例中，该方法还可以包括：

确定第一优化样本数据集和第二优化样本数据集；

利用第一优化样本数据集和所述第二优化样本数据集分别训练所述目标校正模型，得到第一模型和第二模型；

分别确定第一模型和所述第二模型的误差值；

将第一模型和第二模型的误差值进行比较；

将误差值较小的模型确定为路径损耗模型；

其中，第一优化样本数据集是通过预设相关分析算法和预设检验算法从初始环境参数数据集中确定的，第二优化样本数据集是利用预设贪心算法从环境参数样本数据集中确定的。

需要说明的是，首先，根据前述描述的方式，通过预设相关分析算法和预设检验算法，从初始环境参数数据集中确定第一优化样本数据集，并进一步利用第一优化样本数据集对目标校正模型进行优化得到第一模型。

同时，根据前述描述的方式，利用预设贪心算法从环境参数样本数据集中确定第二优化样本数据集，并进一步利用第二优化样本数据集对目标校正模型进行优化得到第二模型。

分别计算第一模型和第二模型的误差值，将第一模型和第二模型的误差值进行比较，将误差值较小的模型确定为路径损耗模型。

S104、根据目标环境参数对目标校正模型进行优化处理，得到路径损耗模型。

需要说明的是，在从环境参数数据集中将目标环境参数都选择出来后，可以根据目标环境参数对目标校正模型进行优化处理，从而得到路径损耗模型。具体来说，可以根据目标环境参数对应的目标环境参数样本数据集对目标校正模型进行训练，得到路径损耗模型。

还需要说明的是，在某些情况下，目标校正模型一直处于迭代更新状态，这时候，也可以直接将最近一次更新得到的目标校正模型确定为路径损耗模型。

这样，对于通过本申请实施例所提供的路径损耗建模方法创建的路径损耗模型，由于是在不同环境参数(例如空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量等等)的场景下的毫米波信道路径损耗建模，不仅可以提高路径损耗模型的通用性，并且降低了建模算法的时间复杂度。具体来说，从相关分析的角度量化不同类型的环境参数对路径损耗的影响，并结合显著性水平检测去除与路径损耗不相关的环境参数，并进一步通过遗传算法对模型的参数进行优化，以及通过改进的贪心算法对环境参数进行选择，在充分考虑环境参数对路径损耗(如毫米波信道路径损耗)的影响的同时，还对环境参数按照与路径损耗的相关性和对模型的改进效果等方面进行环境参数的筛选，最终只将对路径损耗模型有较好改进效果的环境参数加入路径损耗模型中，得到的路径损耗模型的适用性较强，能够适应多种不同的场景；通过改进的贪心算法，采用双向带优先级随机策略确定环境参数类型，既降低了传统贪心算法的时间复杂度，又降低了贪心算法陷入局部最优的可能性；另外，本申请实施例提供的路径损耗建模方法复杂度相对较低，且不依赖经验参数，具有较高的通用性。

简言之，本实施例提供了一种路径损耗建模方法，通过确定初始模型和环境参数数据集；其中，环境参数数据集包括至少一个候选环境参数；利用遗传算法对初始模型进行优化处理，得到目标校正模型；根据环境参数数据集中的每一个候选环境参数对目标校正模型进行调整，得到候选环境参数对应的目标校正模型对应调整后的误差值，利用预设贪心算法根据误差值确定出目标环境参数；根据目标环境参数对目标校正模型进行优化处理，得到路径损耗模型。如此，在建立路径损耗模型时，分别利用遗传算法和贪心算法来进行模型优化和环境参数选择，充分考虑各环境参数对路径损耗模型的影响，选用对模型影响更大的环境参数对模型进行校正，从而不仅降低了路径损耗模型的建模复杂度，而且提高了模型的建模精度和适用性。

本申请的另一实施例中，参加图2，其示出了本申请实施例提供的一种路径损耗建模方法的详细流程示意图。如图2所示，该方法可以包括：

S201、相关分析筛选环境参数。

本申请实施例首先从相关系数的角度量化环境参数(如空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量等)对路径损耗的影响，然后再采用双样本t检验检验各环境参数和路径损耗之间的显著性水平，去除与路径损耗不相关的环境参数，只将95％统计水平上显著的环境参数加入到校准模型中。

在本申请实施例中，定量分析毫米波信道传播路径损耗对于各类环境参数的敏感性时，采用相关系数来衡量不同环境参数对路径损耗的影响程度。相关系数R的计算公式为：

其中，x_i为环境参数，y_i为路径损耗，

和

为x_i和y_i的均值。

双样本t检验是参数检验，又称独立样本t检验，常用于比较两个独立组的平均值，以确定是否有统计证据表明不同分组的均值存在显著差异。接受或拒绝假设不可能100％准确，因此需要取一个固定的显著性水平值作为判断假设是否成立的标准，在本申请实施例中，优选地，令检验取显著性水平α＝0.05。

S202、将样本数据集导入BP神经网络并归一化。

导入BP神经网络训练及预测所需要的样本数据，并对样本数据进行归一化处理。

S203、确定BP神经网络的隐藏层神经元数量。

在本步骤中，构建BP神经网络的网络结构，并决定神经网络的结构特征。参见图3，其示出了本申请实施例提供的一种BP神经网络的网络结构示意图。如图3所示，神经网络包括三层结构，具体是：输入层(Input)、隐藏层(Hidden Layer)和输出层(Output Layer)各一层。其中，隐藏层神经元的数量由以下公式确定：

其中，M为隐藏层神经元数量，m和n为输入层和输出层神经元个数，a在0～10之间选取，本申请实施例中，a优选为5。

BP神经网络的输入参数为：载波频率、发射机与接收机之间的直线距离、发射功率以及其它环境参数，BP神经网络的输出参数为：接收功率。

在本申请实施例中，输入层到隐藏层采用的激活函数是tansig函数，隐藏层到输出层的激活函数为y＝x，tansig函数的解析式如下：

S204、初始化BP神经网络的权值和阈值。

S205、确定初始模型。

需要说明的是，在本申请实施例中，初始化BP神经网络的权值和阈值的方法可以采用常量初始化(constant)、高斯分布初始化(gaussian)、均匀分布初始化(uniform)、双线性初始化(bilinear)、随机初始化等方法。本申请实施例对此不作具体限定。

还需要说明的是，在确定初始模型时，只使用载波频率、发射机与接收机之间的直线距离和发射功率作为BP神经网络的输入参数对BP神经网络进行训练得到初始模型(也可以称作初始校正模型)。确定初始模型的步骤也可以称作初始化输入参数。

S206、计算当前神经网络结构最优的权值和阈值。

需要说明的是，在本申请实施例中，采用改进的遗传算法进行优化得到当前BP神经网络结构下的最优解，从而得到最优的权值和阈值。例如，通过遗传算法进行优化，可以得到初始模型的最优权值和阈值。具体地，参见图4，其示出了本申请实施例提供的一种优化BP神经网络的权值和阈值的流程示意图，如图4所示，该优化BP神经网络的权值和阈值的流程可以包括：

S401、初始化种群。

S402、确定第一代种群。

需要说明的是，在初始化种群之后，就得到了第一代种群，也称作初始种群。此时，记种群代数G＝0。

S403、计算个体适应度。

S404、按照适应度将个体进行排序。

对所有的个体按其适应度大小进行排序。

S405、第一次选择操作。

按一定的比例复制，即从当前种群中选择适应度最高的若干个个体进行复制。例如，将当前种群中适应度最高的两个个体结构完整地复制到待配种群中。

S406、变异操作。

对待配种群中的个体按照预设变异概率进行变异操作，在本申请实施例中，变异概率优选为0.1。

将变异后的个体按照优良个体复制4份，劣质个体不复制的原则进行复制，得到复制组。在本申请实施例中，优良个体可以包括使得BP神经网络的准确率较高，或者误差值较低的个体，劣质可以则可以包括对BP神经网络的准确率没有贡献，或者使得BP神经网络的准确率较低，或者误差值较高的个体。

S407、第二次选择操作。

S408、交叉操作。

从复制组中随机选择两个个体(也可以是其它数量)，然后按照预设交叉概率对这两个个体进行多次交叉。在本申请实施例中，预设交叉概率优选为0.3。

S409、第三次选择操作。

S4010、得到下一代种群。

从交叉所得的结果中选择一个最优个体存入新种群，得到下一代种群，即新一代种群。

对种群代数执行加一操作，记种群代数G＝G+1。

S4011、判断最优个体是否满足预设最优条件。

S4012、将新一代种群确定为最优的权值和阈值。

需要说明的是，若最优个体满足结束条件，则确定得到最优的权值和阈值，新一代种群中所包括的最优个体就是最优的权值和阈值；否则，返回步骤S403，对当前种群继续执行本方法流程，直至找到最优的权值和阈值。

还需要说明的是，在本申请实施例中，判断最优个体是否满足预设最优条件时，可以通过以下两种方式进行判断：

方式一：计算可以表征最优个体创建的BP神经网络的准确率的值，并将该值与预设阈值进行比较，确定最优个体是否满足预设条件，例如，计算BP神经网络的损失函数值，若BP神经网络的损失函数值小于预设损失函数阈值，则确定满足预设条件；或者计算BP神经网络的均方根误差，若BP神经网络的均方根误差小于预设均方根误差阈值，则确定满足预设条件；或者，计算BP神经网络的均方根误差减少量，若BP神经网络的均方根误差减少量小于预设误差阈值的绝对值，则确定满足预设最优条件等。否则，返回步骤S503，对当前种群继续执行本流程，直至满足预设条件，得到最优的权值和阈值。

还需要说明的是，在本申请实施例中，BP神经网络的均方根误差是指当前模型输出的接收功率与实际接收功率之间的均方根误差。BP神经网络的均方根误差减少量是指当前模型的均方根误差与上一模型的均方根误差的差值。

方式二：判断种群代数G是否达到预设种群代数阈值GEN。

若G>GEN，则确定满足预设条件，将当前的种群中的最优个体确定为最优的权值和阈值；否则，返回步骤S503，对当前种群继续执行本流程，直至满足预设条件，得到最优的权值和阈值。

最终得到目标校正模型(也称作神经网络校正模型)。

S207、计算均方根误差减少量。

需要说明的是，计算均方根误差减少量是指，分别计算现有模型的均方根误差，以及计算在目标校正模型中输入环境参数之后得到的模型(即前述实施例中的第二校正模型)的均方根误差，然后将现有模型的均方根误差与第二校正模型的均方根误差的差值确定为均方根误差减少量(可以用△MSE表示)，这里的现有模型是指未输入环境参数的模型(即步骤S206之后得到的目标校正模型)。

在一种具体的示例中，计算模型的均方根误差可以是指计算模型输出的接收功率与实际接收率之间的均方根误差。

S208、判断△MSE是否大于1db。

对于S208来说，即判断△MSE>1db？若判断结果为是，则执行步骤S209，确定下一个环境参数是否为最优参数；否则，就结束本方法流程，得到目标环境参数。

S209、通过改进的贪心算法，确定下一个最优环境参数。

本申请实施例中，改进的贪心算法即前述实施例中的预设贪心算法。

需要说明的是，将剩余环境参数依次加入到目标校正模型中，计算均方根误差，选择其中改进效果最好的若干个环境参数(例如，选择改进效果最好的一个环境参数)加入校正模型中，并采用遗传算法来获取当前输入参数下BP神经网络的最优权值和阈值。

另外，对于S209来说，可以采用改进的贪心算法(如双向带优先级随机贪心算法)来筛选环境参数。贪心算法可以快速的确定局部最优解，然而局部最优之和不一定等于全局最优，贪心算法存在容易过早陷入局部最优的问题，在双向带优先级随机贪心算法中，可以通过引入一种双向带优先级随机化分组策略来扩展贪心搜索的搜索空间，降低了贪心算法陷入局部最优的可能性。

根据双向带优先级随机化分组策略将环境参数分为相关分析组和贪心算法组，其中相关分析组按照与预测误差的相关性排序取最优的环境参数，贪心算法组采用传统的贪心策略遍历添加环境参数到神经网络，确定对BP神经网络优化效果最好的环境参数。最后比较两组最优环境参数的优化效果，挑选优化效果更好的环境参数加入神经网络。

在一种更具体的示例中，如图5所示，其示出了本申请实施例提供的另一种路径损耗建模方法的详细流程示意图，如图5所示，该方法可以包括：

S501、初始化BP神经网络。

S502、以载波频率、传播距离和发射功率作为输入构建初始模型。

其中，传播距离即发射机与接收机之间的直线距离。

需要说明的是，步骤S501～S502与图2中的步骤S201～S205是相对应的，主要是创建初始模型的步骤。

S503、确定最优的权值和阈值。

在这里，确定最优的权值和阈值的描述与前述一致，此处不再赘述。

S504、计算均方根误差减少量。

在这里，均方根误差减少量用△MSE表示。

S505、判断△MSE是否大于1db。

对于步骤S505来说，即判断△MSE>1db？若判断结果为是，则执行步骤S506；否则，结束本方法流程，得到目标环境参数。

S506、采用带优先级随机化分组策略将环境参数分为相关分析组和贪心算法组。

鉴于不同环境参数对建模的影响不一样，随机分组策略采用考虑优先级的随机算法并且用相反的优先级再循环一次，来扩大搜索空间，从两次不同的优先级的随机策略挑选出最优的结果(双向带优先级随机贪心算法)，增加贪心算法搜索空间。例如：

第一次对降雨量赋优先级2，其余的环境参数赋优先级1，采用带优先级的随机算法来分组。

第二次对其它环境参数赋优先级2，降雨量赋优先级1，采用带优先级的随机算法来分组。

带优先级的随机算法计算方式如下：

1、对参数的优先级乘以一个随机数(注意所有随机数的起止范围一致)得到新的优先级。

2、对新的优先级进行降序排序得到对应的参数的索引。

3、根据索引得到随机生成的环境参数，根据索引找到的参数依据排名完成分组。

得到贪心算法组和相关分析组。

S507、确定贪心算法组的组内最优参数A。

S508、确定相关分析组的组内最优参数B。

S509、确定总体最优参数。

相关分析组按照与预测误差的相关性排序取最优的环境参数，得到组内最优参数A，贪心算法组采用传统的贪心策略遍历添加环境参数到神经网络，确定对BP神经网络优化效果最好的环境参数，得到组内最优参数B。

比较两组最优环境参数的优化效果，得到总体最优参数，挑选优化效果更好的环境参数加入神经网络。

然后继续对当前模型进行优化确定最优的权值和阈值，并计算均方根误差减少量(重复前述步骤)，直至新校正模型的结果没有得到显著优化(判断依据：均方根误差减少量不大于1db)，得到目标参数集合。

并基于目标参数集合，得到路径损耗模型，由于本申请实施例的路径损耗模型是基于多种环境参数训练得到的，优选应用与毫米波路径损耗建模中，因此，也可以称作多环境参数毫米波信道路径损耗模型。

还需说明的是，在本申请实施例中，S507和S508的步骤序号不构成对实施顺序的限制，S507和S508可以同时进行也可以先后进行。

进一步的，该方法还包括以下步骤：

计算保存BP神经网络的权重矩阵W1、W2以及相关阈值B1和B2；

根据W1、W2、B1和B2，对BP神经网络权值进行赋值和对net结构体进行赋值，并保存相关的矩阵。

还需要说明的是，在本申请实施例中，通过贪心算法进行环境参数筛选时，是在预设相关分析算法和预设检验算法已经筛选过的环境参数中进一步进行筛选。在本申请实施例中，还可以通过贪心算法对所有的环境参数(即初始环境参数数据集)进行筛选，并将筛选出的环境参数与通过预设相关分析算法和预设检验算法筛选出的环境参数进行比较，确定目标环境参数。

综上所述，本申请实施例提供的路径损耗建模方法可以应用与不同环境参数(如空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量)的场景下的毫米波信道路径损耗建模，提高通用性，并降低建模算法的时间复杂度。

通过本申请实施例的路径损耗建模方法，在基于BP神经网络的基础上，引入一种改进的贪心算法，可以依次确定BP神经网络的输入环境参数，降低传统贪心算法的时间复杂度。另外，在本申请实施例中，改进的遗传算法在各代的每一次演化过程中，子代总是保留了父代中最好的个体，以在“高适应度模式为祖先的家族方向”搜索出更好的样本，从而保证最终可以搜索到全局最优解，获取当前输入参数下的最优BP神经网络结构，解决BP神经网络不能保证收敛到全局最小点的问题。从而通过引入上述的改进的贪心算法和遗传算法来组合优化确定BP神经最优输入环境参数算法的时间复杂度。

本申请实施例在建立多环境参数毫米波信道路径损耗模型时，由于影响毫米波信道路径损耗的相关环境因素较多，首先采用相关分析算法从水汽分压、空气温度、大气压强、湿度、发射机海拔高度和降雨量中选出与毫米波信道路径损耗相关的参数作为备选的环境参数，然后采用改进的贪心算法来依次寻找提升路径损耗预测精度的影响因子，最终建立一种有效的毫米波信道路径损耗模型。简言之，该建模方法可以包括以下步骤：

步骤1：首先从相关系数的角度量化环境参数(空气密度、水汽分压、空气温度、大气压强、湿度、发射机海拔高度、氧气含量和降雨量)对路径损耗的影响，然后再采用双样本t检验检验两组数据之间的显著性水平，去除与路径损耗不相关的参数，只将95％统计水平上显著的环境参数加入到校准模型。

本申请实施例定量分析毫米波信道传播路径损耗对于各类环境参数的敏感性时，采用相关系数来衡量不同环境参数对路径损耗的影响程度。相关系数R的计算公式如式(1)。

双样本t检验是参数检验，又称独立样本t检验，常用于比较两个独立组的平均值，以确定是否有统计证据表明不同分组的均值存在显着差异。接受或拒绝假设不可能100％准确，因此需要取一个固定的显著性水平值作为判断假设是否成立的标准，本申请实施例优选检验取显著性水平α＝0.05。

步骤2：导入BP神经网络训练及预测所需要的样本数据(即第一样本数据集和环境参数样本数据集)，并对样本数据进行归一化处理；

步骤3：构建BP神经网络的网络结构，并决定神经网络的结构特征，神经网络为三层结构，输入层、隐藏层和输出层各一层，隐藏层神经元的数量由以下公式(2)确定。BP神经网络的输入参数为：载波频率、发射机与接收机之间的直线距离和平均发射功率以及其他的环境参数，BP神经网络的输出参数为：接收机接受功率。

本申请实施例中，输入层到隐藏层采用的激活函数是tansig函数，隐藏层到输出层的激活函数为y＝x，tansig函数的解析式如式(3)。

步骤4：初始化BP神经网络的权值和阈值。

步骤5：只使用载波频率、发射机与接收机之间的直线距离和发射机的发射功率作为BP神经网络输入，进行BP神经网络校正得到初始模型。

步骤6：本申请实施例采用改进的遗传算法优化得到当前BP神经网络结构下的最优解，得到最优的权值和阈值，以得到优化模型。得到最优权值和阈值的步骤简述如下：

首先，在初始种群中，对所有的个体按其适应度大小进行排序。

其次，按一定的比例复制(即将当前种群中适应度最高的两个个体结构完整地复制到待配种群中)。

再次，按0.1的变异概率使个体变异，然后按优良个体复制4份，劣质个体不复制的原则复制个体，得到复制组。

接下来，从复制组中随机选择两个个体，对这两个个体进行多次交叉，从所得的结果中选择一个最优个体存入新种群。

最后，如果满足结束条件，则停止；否则，返回执行对个体按照适应度大小排序的步骤，直至找到最优的权值和阈值。

步骤7：计算现有模型的均方根误差(模型输出的接受功率与实际接受功率之间的均方根误差)。

步骤8：将剩余环境参数依次加入到优化模型中，计算均方根误差，选择其中改进效果最好的一个参数加入优化模型中，并采用遗传算法来获取当前输入参数下BP神经网络的最优权值和阈值。

本步骤采用改进的贪心算法(双向带优先级随机贪心算法)来筛选参数。贪心算法可以快速的确定局部最优解，然而局部最优解不一定等于全局最优解，贪心算法存在容易过早陷入局部最优的问题，可以通过引入一种双向带优先级随机化策略来扩展贪心搜索的搜索空间，降低了贪心算法陷入局部最优的可能性。

将相关分析组的样本数据按照与相关性排序取最优的参数，将贪心算法组的样本数据采用贪心策略遍历添加参数到BP神经网络，确定对BP神经网络优化效果最好的环境参数。最后比较两组最优环境参数的优化效果，挑选优化效果更好的环境参数加入神经网络。

鉴于不同环境参数对建模的影响不一样，双向带优先级随机化策略采用考虑优先级的随机算法并且用相反的优先级再循环一次，来扩大搜索空间，从两次不同的优先级的随机策略挑选出最优的结果(双向带优先级随机贪心算法)，增加贪心算法搜索空间。

例如，采用带优先级的随机化策略，第一次对降雨量赋优先级2，其余的环境参数赋优先级1。

采用带优先级的随机化策略，第二次对其他环境参数赋优先级2，降雨量赋优先级1。带优先级的随机算法如下：

(a)对环境参数的优先级乘以一个随机数(注意所有随机数的起止范围一致)得到新的优先级。

(b)对新的优先级进行降序排序得到对应的环境参数的索引。

(c)根据索引得到随机生成的环境参数。

步骤9：重复前述优化，直到最新优化模型的结果没有得到显著优化(判断依据：均方根误差减少量小于1dB)。

所述步骤8可以包括以下步骤：

步骤8.1：计算保存BP神经网络的权重矩阵W1、W2以及相关阈值B1和B2；

步骤8.2：对BP神经网络权值进行赋值和对net结构体进行赋值，并保存相关的矩阵。

通过上述实施例，对前述实施例的具体实现进行详细阐述，从中可以看出，采用改进的贪心算法和遗传算法相结合优化基于BP神经网络的路径损耗建模。并通过改进的贪心算法采用双向带优先级随机策略的方式确定筛选参数类型，即降低了传统贪心算法的时间复杂度，又降低了贪心算法陷入局部最优的可能性。与传统的经验模型相比，本申请实施例考虑了各种场景下毫米波信道传播的情况，充分考虑了环境参数对毫米波信道路径损耗的影响，适用性较强，有效的提高了毫米波信道路径损耗建模精度和适用性。与确定性模型相比，本申请实施例复杂度相对较低，且不依赖经验参数，具有较高的通用性。

本申请的再一实施例中，参见图6，其示出了本申请实施例提供的一种路径损耗建模装置40的组成结构示意图。如图6所示，该路径损耗建模装置40可以包括第一确定单元401、第一优化单元402、第二确定单元403和第二优化单元404，其中，

第一确定单元401，配置为确定初始模型和环境参数数据集；其中，所述环境参数数据集包括至少一个候选环境参数；

第一优化单元402，配置为利用遗传算法对所述初始模型进行优化处理，得到目标校正模型；

第二确定单元403，配置为根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数；

第二优化单元404，配置为根据所述目标环境参数对所述目标校正模型进行优化处理，得到路径损耗模型。

在一些实施例中，第一确定单元401，还配置为获取样本数据集；以及对所述样本数据集进行归一化处理，得到归一化后的样本数据集；以及利用所述归一化后的样本数据集对预设神经网络模型进行训练，得到所述初始模型。

在一些实施例中，第一确定单元401，还配置为获取初始环境参数数据集；以及基于预设相关分析算法对所述初始环境参数数据集中的每一个初始候选环境参数相对路径损耗的影响度进行计算，确定所述每一个初始候选环境参数相对所述路径损耗的影响度；以及利用预设检验算法对所述初始环境参数数据集中的每一个初始候选环境参数和路径损耗进行显著性水平检验，确定所述每一个初始候选环境参数相对所述路径损耗的显著性水平检验结果；以及根据所述影响度以及所述显著性水平检验结果，确定与所述路径损耗不相关的初始候选环境参数；以及从所述初始环境参数数据集中去除与所述路径损耗不相关的初始候选环境参数，得到所述环境参数数据集。

在一些实施例中，第一优化单元402，还配置为根据所述初始模型，确定初始种群集合；其中，所述初始种群集合包括至少一个个体；以及计算所述初始种群集合中的所有个体的适应度，并按照适应度对所述初始种群集合中的所有个体进行排序，选取适应度最高的至少一个个体组成待配种种群集合；以及对所述待配种种群集合进行变异交叉处理，从变异交叉结果中选取预设数量的目标个体组成新种群集合；以及根据所述新种群集合，生成第一校正模型；以及若所述第一校正模型满足预设结束条件，则将所述第一校正模型确定为所述目标校正模型；以及若所述第一校正模型不满足预设结束条件，则将所述新种群集合确定为所述初始种群集合，并返回所述计算所述初始种群集合中的所有个体的适应度并重复执行，直至所述第一校正模型满足预设结束条件，将所述第一校正模型确定为所述目标校正模型。

在一些实施例中，所述目标环境参数的数量为至少一个，第二确定单元403，还配置为利用所述环境参数数据集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的调整校正模型，并确定每一个所述候选环境参数对应的调整校正模型的误差值；以及从所述误差值中选取至少一个目标误差值，根据所述至少一个目标误差值确定出所述目标环境参数。

在一些实施例中，第二确定单元403，还配置为确定所述目标校正模型的第一误差值；以及利用所述环境参数数据集中的第i个候选环境参数对所述目标校正模型进行调整，得到第二校正模型；其中，1≤i≤N，N为所述环境参数数据集中的候选环境参数个数；以及确定所述第二校正模型的第二误差值；以及若所述第一误差值与所述第二误差值之间的差值大于预设误差阈值，则将所述第i个候选环境参数确定为目标环境参数；以及对i执行加一操作，返回利用所述环境参数数据集中的第i个候选环境参数对所述目标校正模型进行调整，得到第二校正模型并重复执行，直至i等于N或者所述第一误差值与所述第二误差值之间的差值不大于预设误差阈值，以确定出所有目标环境参数。

在一些实施例中，第二确定单元403，还配置为对所述环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；以及利用所述第一组环境参数数据子集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的第三校正模型，并确定每一个所述候选环境参数对应的第三校正模型的第三误差值，根据所述第三误差值与预测误差的相关度排序确定第一目标环境参数，以及利用所述第二组环境参数数据子集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的第四校正模型，并确定每一个所述候选环境参数对应的第四校正模型的第四误差值，利用传统贪心算法根据所述第四误差值确定第二目标环境参数；以及确定所述第一目标环境参数对所述目标校正模型的第一优化结果，以及确定所述第二目标环境参数对所述目标校正模型的第二优化结果；以及从所述第一优化结果和第二优化结果中选取目标优化结果，将所述目标优化结果下所述目标校正模型输入的环境参数确定为所述目标环境参数。

在一些实施例中，所述预设贪心算法为双向带优先级随机贪心算法，第二确定单元403，还配置为利用第一优先级策略对所述环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；以及利用第二优先级策略对所述环境参数数据集进行随机分组，得到第三组环境参数数据子集和第四组环境参数数据子集；其中，所述第一优先级策略与所述第二优先级策略互为反向优先级；以及根据所述第一组环境参数数据子集和所述第二组环境参数数据子集，确定所述第一优先级策略下的目标环境参数以及对应的优化结果；以及根据所述第三组环境参数数据子集和所述第四组环境参数数据子集，确定所述第二优先级策略下的目标环境参数以及对应的优化结果；以及从所述第一优先级策略下的目标环境参数以及对应的优化结果和所述第二优先级策略下的目标环境参数以及对应的优化结果中，选取目标优化结果，并将所述目标优化结果下所述目标校正模型输入的环境参数确定为所述目标环境参数。

可以理解地，在本实施例中，“单元”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元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。

所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

因此，本实施例提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时实现前述实施例中任一项所述路径损耗建模方法。

基于上述的一种路径损耗建模装置40的组成以及计算机存储介质，参见图7，其示出了本申请实施例提供的一种电子设备50的组成结构示意图。如图7所示，可以包括：通信接口501、存储器502和处理器503；各个组件通过总线系统504耦合在一起。可理解，总线系统504用于实现这些组件之间的连接通信。总线系统504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统504。其中，通信接口501，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；

存储器502，用于存储能够在处理器503上运行的计算机程序；

处理器503，用于在运行所述计算机程序时，执行：

确定初始模型和环境参数数据集；其中，所述环境参数数据集包括至少一个候选环境参数；

利用遗传算法对所述初始模型进行优化处理，得到目标校正模型；

根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数；

根据所述目标环境参数对所述校正模型进行优化处理，得到路径损耗模型。

可以理解，本申请实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步链动态随机存取存储器(Synchronous link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的系统和方法的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。

而处理器503可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器503中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器503可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器503读取存储器502中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

可选地，作为另一个实施例，处理器503还配置为在运行所述计算机程序时，执行前述实施例中任一项所述的方法。

基于上述路径损耗建模装置40的组成，参见图8，其示出了本申请实施例提供的另一种电子设备50的组成结构示意图。如图8所示，该电子设备50至少包括前述实施例中任一项所述的路径损耗建模装置40。

对于电子设备50而言，由于在建立路径损耗模型时，分别利用遗传算法和贪心算法来进行模型优化和环境参数选择，充分考虑各环境参数对路径损耗模型的影响，选用对模型影响更大的环境参数对模型进行校正，从而不仅降低了路径损耗模型的建模复杂度，而且提高了模型的建模精度和适用性。

以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。

需要说明的是，在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

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，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。

Claims (10)

1.一种路径损耗建模方法，其特征在于，所述方法包括：

确定初始模型和环境参数数据集；其中，所述环境参数数据集包括至少一个候选环境参数；

利用遗传算法对所述初始模型进行优化处理，得到目标校正模型；

根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数；

根据所述目标环境参数对所述目标校正模型进行优化处理，得到路径损耗模型。

2.根据权利要求1所述的方法，其特征在于，确定环境参数数据集，包括：

获取初始环境参数数据集；

基于预设相关分析算法对所述初始环境参数数据集中的每一个初始候选环境参数相对路径损耗的影响度进行计算，确定所述每一个初始候选环境参数相对所述路径损耗的影响度；

利用预设检验算法对所述初始环境参数数据集中的每一个初始候选环境参数和路径损耗进行显著性水平检验，确定所述每一个初始候选环境参数相对所述路径损耗的显著性水平检验结果；

根据所述影响度以及所述显著性水平检验结果，确定与所述路径损耗不相关的初始候选环境参数；

从所述初始环境参数数据集中去除与所述路径损耗不相关的初始候选环境参数，得到所述环境参数数据集。

3.根据权利要求1所述的方法，其特征在于，所述利用遗传算法对所述初始模型进行优化处理，得到目标校正模型，包括：

根据所述初始模型，确定初始种群集合；其中，所述初始种群集合包括至少一个个体；

计算所述初始种群集合中的所有个体的适应度，并按照适应度对所述初始种群集合中的所有个体进行排序，选取适应度最高的至少一个候选个体组成待配种种群集合；

对所述待配种种群集合进行变异交叉处理，从变异交叉结果中选取预设数量的目标个体组成新种群集合；

根据所述新种群集合，生成第一校正模型；

若所述第一校正模型满足预设结束条件，则将所述第一校正模型确定为所述目标校正模型；

若所述第一校正模型不满足预设结束条件，则将所述新种群集合确定为所述初始种群集合，返回所述计算所述初始种群集合中的所有个体的适应度并重复执行，直至所述第一校正模型满足预设结束条件，将所述第一校正模型确定为所述目标校正模型。

4.根据权利要求1所述的方法，其特征在于，所述目标环境参数的数量为至少一个；所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，包括：

利用所述环境参数数据集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的调整校正模型，并确定每一个所述候选环境参数对应的调整校正模型的误差值；

从所述误差值中选取至少一个目标误差值，根据所述至少一个目标误差值确定出所述目标环境参数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，包括：

确定所述目标校正模型的第一误差值；

利用所述环境参数数据集中的第i个候选环境参数对所述目标校正模型进行调整，得到第二校正模型；其中，1≤i≤N，N为所述环境参数数据集中的候选环境参数个数；

确定所述第二校正模型的第二误差值；

若所述第一误差值与所述第二误差值之间的差值大于预设误差阈值，则将所述第i个候选环境参数确定为目标环境参数；

对i执行加一操作，返回利用所述环境参数数据集中的第i个候选环境参数对所述目标校正模型进行调整，得到第二校正模型并重复执行，直至i等于N或者所述第一误差值与所述第二误差值之间的差值不大于预设误差阈值，以确定所有目标环境参数。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，包括：

对所述环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；

利用所述第一组环境参数数据子集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的第三校正模型，并确定每一个所述候选环境参数对应的第三校正模型的第三误差值，根据所述第三误差值与预测误差的相关度排序确定第一目标环境参数，以及

利用所述第二组环境参数数据子集中的每一个候选环境参数分别对所述目标校正模型进行调整，得到每一个所述候选环境参数对应的第四校正模型，并确定每一个所述候选环境参数对应的第四校正模型的第四误差值，利用传统贪心算法根据所述第四误差值确定第二目标环境参数；

确定所述第一目标环境参数对所述目标校正模型的第一优化结果，以及确定所述第二目标环境参数对所述目标校正模型的第二优化结果；

从所述第一优化结果和第二优化结果中选取目标优化结果，将所述目标优化结果下所述目标校正模型输入的环境参数确定为所述目标环境参数。

7.根据权利要求1所述的方法，其特征在于，所述预设贪心算法为双向带优先级随机贪心算法，所述根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数，包括：

利用第一优先级策略对所述环境参数数据集进行随机分组，得到第一组环境参数数据子集和第二组环境参数数据子集；以及

利用第二优先级策略对所述环境参数数据集进行随机分组，得到第三组环境参数数据子集和第四组环境参数数据子集；其中，所述第一优先级策略与所述第二优先级策略互为反向优先级；

根据所述第一组环境参数数据子集和所述第二组环境参数数据子集，确定所述第一优先级策略下的目标环境参数以及对应的优化结果；

根据所述第三组环境参数数据子集和所述第四组环境参数数据子集，确定所述第二优先级策略下的目标环境参数以及对应的优化结果；

从所述第一优先级策略下的目标环境参数以及对应的优化结果和所述第二优先级策略下的目标环境参数以及对应的优化结果中，选取目标优化结果，并将所述目标优化结果下所述目标校正模型输入的环境参数确定为所述目标环境参数。

8.一种路径损耗建模装置，其特征在于，所述路径损耗建模装置包括第一确定单元、第一优化单元、第二确定单元和第二优化单元，其中，

所述第一确定单元，配置为确定初始模型和环境参数数据集；其中，所述环境参数数据集包括至少一个候选环境参数；；

所述第一优化单元，配置为利用遗传算法对所述初始模型进行优化处理，得到目标校正模型；

所述第二确定单元，配置为根据所述环境参数数据集中的每一个候选环境参数对所述目标校正模型进行调整，得到所述候选环境参数对应的所述目标校正模型对应调整后的误差值，利用预设贪心算法根据所述误差值确定出目标环境参数；

所述第二优化单元，配置为根据所述目标环境参数对所述目标校正模型进行优化处理，得到路径损耗模型。

9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，其中，

所述存储器，用于存储能够在所述处理器上运行的计算机程序；

所述处理器，用于在运行所述计算机程序时，执行如权利要求1至7任一项所述的路径损耗建模方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1至7任一项所述的路径损耗建模方法。

Images