CN116980933A - 天线参数调整方法和装置、电子设备及存储介质 - Google Patents
天线参数调整方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116980933A CN116980933A CN202310831814.9A CN202310831814A CN116980933A CN 116980933 A CN116980933 A CN 116980933A CN 202310831814 A CN202310831814 A CN 202310831814A CN 116980933 A CN116980933 A CN 116980933A
- Authority
- CN
- China
- Prior art keywords
- antenna
- signal receiving
- signal
- azimuth angle
- base station
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000005540 biological transmission Effects 0.000 claims abstract description 91
- 238000004891 communication Methods 0.000 claims abstract description 59
- 238000005562 fading Methods 0.000 claims abstract description 51
- 230000002787 reinforcement Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 21
- 238000005457 optimization Methods 0.000 description 21
- 230000009471 action Effects 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种天线参数调整方法和装置、电子设备及存储介质，属于无线通信技术领域，通过根据天线方位角和天线机械下倾角确定天线增益，计算基站与信号接收端之间进行通信传输的路径传输损耗，计算基站与信号接收端之间进行通信传输的信号衰落数据，根据天线增益、路径传输损耗、信号衰落数据和天线发射功率确定信号接收端的信号接收功率，并根据信号接收功率得到信号接收端的信干噪比，根据信号接收功率和信干噪比确定基站对信号接收端的覆盖程度数据，根据覆盖程度数据对初始天线参数进行近端策略强化学习，得到目标天线参数，能够通过最大化网络覆盖率实现天线各项物理参数的自动化调整，以对无线通信网络进行规划，提高通信质量。
Description
技术领域
本申请涉及无线通信技术领域，尤其涉及一种天线参数调整方法和装置、电子设备及存储介质。
背景技术
随着移动终端设备的增加，蜂窝网络流量不断扩张，人们对通信服务质量的要求也在同步提升。为了确保高效的无线电资源管理和高服务质量(Quality of Service,QoS)，需要进行网络规划以及网络优化。天线是无线通信系统的重要组成部分，天线的各项物理参数(如倾角、方位角等)将决定通信服务质量。如何调整天线物理参数，是当前无线通信网络规划的难点之一。
发明内容
本申请实施例的主要目的在于提出一种天线参数调整方法和装置、电子设备及存储介质，旨在通过最大化网络覆盖率实现天线各项物理参数的自动化调整，以对无线通信网络进行规划，提高通信质量。
为实现上述目的，本申请实施例的第一方面提出了一种天线参数调整方法，所述方法包括：
获取基站的初始天线参数；所述初始天线参数包括天线发射功率、天线方位角和天线机械下倾角；
根据所述天线方位角和所述天线机械下倾角确定天线增益；
计算所述基站与信号接收端之间进行通信传输的路径传输损耗；
计算所述基站与信号接收端之间进行通信传输的信号衰落数据；
根据所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率确定所述信号接收端的信号接收功率，并根据所述信号接收功率得到所述信号接收端的信干噪比；
根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖程度数据；
根据所述覆盖程度数据对所述初始天线参数进行近端策略强化学习，得到目标天线参数。
在一些实施例，所述根据所述天线方位角和所述天线机械下倾角确定天线增益，包括：
确定所述基站与所述信号接收端之间的方位角和倾斜角；
比较所述方位角和所述天线方位角，得到比较结果；
根据所述比较结果确定所述方位角和所述天线方位角之间的方位角度偏差，根据所述比较结果确定所述倾斜角和所述天线机械下倾角之间的倾斜角度偏差；
根据所述方位角度偏差和所述倾斜角度偏差得到所述天线增益。
在一些实施例，所述根据所述比较结果确定所述方位角和所述天线方位角之间的方位角度偏差，根据所述比较结果确定所述倾斜角和所述天线机械下倾角之间的倾斜角度偏差，包括：
若所述比较结果为所述方位角和所述天线方位角相等，则对所述方位角和所述天线方位角进行差异计算得到所述方位角度偏差，对所述倾斜角和所述天线机械下倾角进行差异计算得到所述倾斜角度偏差；
若所述比较结果为所述方位角和所述天线方位角不相等，则根据所述方位角、所述天线方位角、所述倾斜角和所述天线机械下倾角确定所述方位角度偏差，根据所述方位角、所述天线方位角、所述倾斜角和所述天线机械下倾角确定所述倾斜角度偏差。
在一些实施例，所述计算所述基站与信号接收端之间进行通信传输的路径传输损耗，包括：
确定信号传播方式；
根据所述信号传播方式计算所述路径传输损耗。
在一些实施例，所述计算所述基站与信号接收端之间进行通信传输的信号衰落数据，包括：
确定所述基站与信号接收端之间进行通信传输的信道类型为瑞利衰落信道；
计算所述瑞利衰落信道的信道响应能量，并根据所述信道响应能量得到所述信号衰落数据。
在一些实施例，所述根据所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率确定所述信号接收端的信号接收功率，并根据所述信号接收功率得到所述信号接收端的信干噪比，包括：
对所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率进行求和处理，得到所述信号接收功率；
获取所述信号接收端的噪声功率，并对所述信号接收功率进行筛选；
根据所述信号接收功率、筛选后的所述信号接收功率和所述噪声功率得到所述信干噪比。
在一些实施例，所述根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖程度数据，包括：
根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖指标数据；
根据所述覆盖指标数据确定所述覆盖程度数据。
为实现上述目的，本申请实施例的第二方面提出了一种天线参数调整装置，所述装置包括：
获取模块，用于获取基站的初始天线参数；所述初始天线参数包括天线发射功率、天线方位角和天线机械下倾角；
第一计算模块，用于根据所述天线方位角和所述天线机械下倾角确定天线增益；
第二计算模块，用于计算所述基站与信号接收端之间进行通信传输的路径传输损耗；
第三计算模块，用于计算所述基站与信号接收端之间进行通信传输的信号衰落数据；
第四计算模块，用于根据所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率确定所述信号接收端的信号接收功率，并根据所述信号接收功率得到所述信号接收端的信干噪比；
第五计算模块，用于根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖程度数据；
强化学习模块，用于根据所述覆盖程度数据对所述初始天线参数进行近端策略强化学习，得到目标天线参数。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的天线参数调整方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的天线参数调整方法。
本申请提出的天线参数调整方法、天线参数调整装置、电子设备及计算机可读存储介质,通过根据天线方位角和天线机械下倾角确定天线增益，计算基站与信号接收端之间进行通信传输的路径传输损耗，计算基站与信号接收端之间进行通信传输的信号衰落数据，从而能够根据天线增益、路径传输损耗和信号衰落数据进行信道建模，使信道模型更贴近真实情况。根据天线增益、路径传输损耗、信号衰落数据和天线发射功率确定信号接收端的信号接收功率，并根据信号接收功率得到信号接收端的信干噪比，从而根据信号接收功率和信干噪比确定基站对信号接收端的覆盖程度数据。根据覆盖程度数据对初始天线参数进行近端策略强化学习，得到目标天线参数，以通过最大化覆盖程度数据，得到最优的天线参数。同时近端策略强化学习使用随机探索的方式进行解空间搜索，能够避免目标天线参数陷入局部最优解，提高了目标天线参数的准确性，从而提高了无线网络通信的通信质量。
附图说明
图1是本申请实施例提供的不同基站天线所覆盖区域的示意图；
图2是本申请实施例提供的基站及服务区域示意图；
图3是本申请实施例提供的基站与服务区域二维拓扑的参考信号接收功率的热力图；
图4是本申请实施例提供的天线参数调整方法的流程图；
图5是图4中的步骤S420的流程图；
图6是图5中的步骤S530的流程图；
图7是图4中的步骤S430的流程图；
图8是图4中的步骤S440的流程图；
图9是图4中的步骤S450的流程图；
图10是图4中的步骤S460的流程图；
图11是本申请实施例提供的天线参数调整装置的结构示意图；
图12是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
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。
随着移动终端设备的增加，蜂窝网络流量不断扩张，人们对通信服务质量的要求也在同步提升。为了确保高效的无线电资源管理和高服务质量，需要仔细地设定网络规划方法和相应的优化方法。天线是无线通信网络的重要组成部分，天线的各项参数(如倾角、方位角等)将决定无线通信网络的覆盖范围。如何调整天线的各项参数，是当前无线通信网络规划的难点之一。
基于此，本申请实施例提供了一种天线参数调整方法、天线参数调整装置、电子设备及计算机可读存储介质，旨在通过网络覆盖率调整天线的各项参数，从而提高通信质量。
本申请实施例提供的天线参数调整方法、天线参数调整装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的天线参数调整方法。
本申请实施例提供的天线参数调整方法，涉及无线通信技术领域。本申请实施例提供的天线参数调整方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现天线参数调整方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1描述了基站天线覆盖以及不同天线发射信号之间相互干扰的情况。如图1所示，区域1表示左侧天线所覆盖的范围，区域2表示右侧天线所覆盖的范围。将图1不同天线发射信号之间相互干扰的情况从左至右依次描述为第一情况、第二情况和第三情况。在第一情况中，天线覆盖率较小。在第二情况中，天线覆盖率较高，且左侧天线和右侧天线的天线发射信号之间的干扰较小。在第三情况中，左侧天线和右侧天线的天线发射信号之间的干扰较大。
图2是基站及其服务区域的示意图。如图2所示，预设区域被划分为多个二维栅格即区域，栅格之间架设有基站，通过基站为栅格提高无线通信服务。每个基站配备数个扇区的天线，若栅格处于基站天线所覆盖的范围，则称栅格为该基站的服务区域。vs,t为第s个基站天线在t时刻的机械下倾角。
图3是将预设区域划分为预设数目个二维栅格，并结合预设区域架设的基站的位置，以经纬度(GCJ－02坐标系)的形式抽象出的二维拓扑参考信号接收功率热力图。在二维拓扑中，横轴表示经度，纵轴表示纬度，通过经度和纬度表示基站以及栅格的位置信息。右边的指示条表示参考信号接收功率(Reference Signal Receiving Power，RSRP)，沿着指示条从上至下参考信号接收功率依次减小。通过热力图表示各栅格的参考信号接收功率，以直观显示参考信号接收功率的大小。指示条可带有颜色变化，参考信号接收功率越大，颜色越接近深红色(暖色)。参考信号接收功率越小，颜色越接近深蓝色(冷色)。图3中的较小圆点为栅格，栅格的颜色对应于指示条的颜色，以表征栅格参考信号接收功率的大小。图3中的较大圆点是基站。
图4是本申请实施例提供的天线参数调整方法的一个可选的流程图，图4中的方法可以包括但不限于包括步骤S410至步骤S470。
步骤S410，获取基站的初始天线参数；初始天线参数包括天线发射功率、天线方位角和天线机械下倾角；
步骤S420，根据天线方位角和天线机械下倾角确定天线增益；
步骤S430，计算基站与信号接收端之间进行通信传输的路径传输损耗；
步骤S440，计算基站与信号接收端之间进行通信传输的信号衰落数据；
步骤S450，根据天线增益、路径传输损耗、信号衰落数据和天线发射功率确定信号接收端的信号接收功率，并根据信号接收功率得到信号接收端的信干噪比；
步骤S460，根据信号接收功率和信干噪比确定基站对信号接收端的覆盖程度数据；
步骤S470，根据覆盖程度数据对初始天线参数进行近端策略强化学习，得到目标天线参数。
本申请实施例所示意的步骤S410至步骤S470，通过考虑天线增益、路径传输损耗和信号衰落数据进行信道建模，能够使信道模型更贴近真实情况。通过覆盖程度数据对初始天线参数进行近端策略强化学习，得到目标天线参数，使得目标天线参数下的网络覆盖率最大，从而提高了网络通信的质量。
在一些实施例的步骤S410中，以栅格化的方式进行通信环境的区域划分，将预设区域划分为N个栅格，每个栅格占据一定的区域范围，区域范围可以为40米×40米。同时，部署M个距离地面有一定高度的基站，由这M个基站提供该预设区域的无线网络通信服务。每个基站配备多个扇区的天线。初始天线参数为基站当前的天线参数，天线参数为天线可调节的物理参数，包括天线方位角、天线机械下倾角、天线电下倾角和天线发射功率。
请参阅图5，在一些实施例中，步骤S420可以包括但不限于包括步骤S510至步骤S540：
步骤S510，确定基站与信号接收端之间的方位角和倾斜角；
步骤S520，比较方位角和天线方位角，得到比较结果；
步骤S530，根据比较结果确定方位角和天线方位角之间的方位角度偏差，根据比较结果确定倾斜角和天线机械下倾角之间的倾斜角度偏差；
步骤S540，根据方位角度偏差和倾斜角度偏差得到天线增益。
在一些实施例的步骤S510中，预设区域可以是学校，通过对学校的地理位置进行数学建模，并利用经纬度标识校园内基站以及重要建筑(如教学楼)的位置。利用基站和校园中取样的点的经纬度坐标，以及天线的参数建立信道模型，在对天线参数进行修改时可以动态计算网络的覆盖与容量。信道模型主要分为天线增益模型、路径传输损耗模型和快衰落模型三部分。本申请实施例中天线增益、路径传输损耗以及快衰落都有相应的数学表达式作为根基，信道建模不是黑盒，在变换场景如其他学校、社区之后，只要提供该场景下相应的经纬度信息以及天线参数信息依旧可以使用，适用性更广泛。
根据天线方位角和天线机械下倾角构建天线增益模型以确定天线增益。信号接收端为栅格，方位角为天线与栅格之间的方位角，倾斜角为天线与栅格之间的倾斜角。获取第一经度、第一纬度、第二经度和第二纬度，第一经度为天线的经度，第一纬度为天线的纬度，第二经度为栅格的经度，第二纬度为栅格的纬度。将第二经度与第一经度相减得到经度之差，将第二纬度与第一纬度相减得到纬度之差，根据经度之差和纬度之差确定方位角。若第一经度表示为lonantenna，第一纬度表示为latantenna，第二经度表示为longrid，第二纬度表示为latgrid，则经度之差为dlon＝longrid-lonantenna，纬度之差为dlat＝latgrid-latantenna。根据经度之差和纬度之差计算方位角的方法如公式(1)所示。
其中，atx为方位角；dlon为经度之差；dlat为纬度之差。
根据第一经度、第一纬度、第二经度、第二纬度计算天线与栅格之间的水平距离，将天线高度与信号接收端高度的差值作为天线与栅格之间的高度差，根据水平距离和高度差计算天线与栅格之间的倾斜角。水平距离的计算方法如公式(2)和公式(3)所示，倾斜角的计算方法如公式(4)所示。
haversin(x)＝(1-cos(x))/2 公式(3)
其中，dis为水平距离；R为地球半径，取值为6371km；dlat为纬度之差；latantenna为第一纬度；latgrid为第二纬度；dlon为经度之差。
其中，etx为倾斜角；dis为水平距离；height为高度差。
在一些实施例的步骤S520中，若天线方位角表示为arx，比较方位角atx和天线方位角arx，得到比较结果，比较结果包括方位角atx和天线方位角arx相等、方位角atx和天线方位角arx不相等两种结果。
在一些实施例的步骤S530中，在每次更新完天线的四个参数后，读取天线的天线方位角arx和天线机械下倾角erx，并根据比较结果分别计算方位角atx和天线方位角arx、倾斜角etx与天线机械下倾角erx之间的差值，得到方位角度偏差和倾斜角度偏差。将方位角度偏差记为az，将倾斜角度偏差记为el。
在一些实施例的步骤S540中，根据方位角度偏差az和倾斜角度偏差el得到天线增益。天线增益的计算方法如公式(5)所示。
其中，calc_H是计算水平方向的天线增益；calc_V是计算竖直方向的天线增益；cell_id是基站识别码；G和H均为计算天线增益的参数。
可以理解的是，每次天线参数发生变化，都需要重新计算天线增益。
通过上述步骤S510至步骤S540，能够构建天线增益模型，以通过天线增益模型自动调整天线参数，提高天线覆盖率。
请参阅图6，在一些实施例中，步骤S530可以包括但不限于包括步骤S610或者步骤S620：
步骤S610，若比较结果为方位角和天线方位角相等，则对方位角和天线方位角进行差异计算得到方位角度偏差，对倾斜角和天线机械下倾角进行差异计算得到倾斜角度偏差；
步骤S620，若比较结果为方位角和天线方位角不相等，则根据方位角、天线方位角、倾斜角和天线机械下倾角确定方位角度偏差，根据方位角、天线方位角、倾斜角和天线机械下倾角确定倾斜角度偏差。
在一些实施例的步骤S610中，若方位角和天线方位角相等，则将方位角和天线方位角相减得到方位角度偏差为0，将天线机械下倾角与倾斜角相减得到倾斜角度偏差。即，az＝0，el＝erx-etx。
在一些实施例的步骤S620中，若方位角和天线方位角不相等，根据方位角、天线方位角、倾斜角和天线机械下倾角确定方位角度偏差，方位角度偏差的计算方法如公式(6)所示。
其中，az为方位角度偏差；atx为方位角；arx为天线方位角；etx为倾斜角；erx为天线机械下倾角。
根据方位角、天线方位角、倾斜角和天线机械下倾角确定倾斜角度偏差，倾斜角度偏差的计算方法如公式(7)所示。
其中，el为倾斜角度偏差；az为方位角度偏差；atx为方位角；arx为天线方位角；etx为倾斜角；erx为天线机械下倾角。
需要说明的是，若sin(az)*sin(arx-atx)＜0,则az＝az+π。
需要进一步说明的是，在根据比较结果得到方位角度偏差和倾斜角度偏差之后，还需要对方位角度偏差和倾斜角度偏差进行更新，更新方法如公式(8)和公式(9)所示。
根据更新后的方位角度偏差az′和更新后的倾斜角度偏差el'得到天线增益。
上述步骤S610至步骤S620,根据比较结果的不同区分方位角度偏差和倾斜角度偏差的计算，能够得到准确的方位角度偏差和倾斜角度偏差，从而提高天线增益计算结果的准确性。
请参阅图7，在一些实施例中，步骤S430可以包括但不限于包括步骤S710至步骤S720：
步骤S710，确定信号传播方式；
步骤S720，根据信号传播方式计算路径传输损耗。
在一些实施例的步骤S710中，每当天线的参数发生变化，就会重新计算天线增益，但路径传输损耗则是在算法开始阶段计算完成后就不再变化。信号传播方式包括视距无线传输方式(Line of Sight，LOS)和非视距无线传输方式(Non-Line of Sight，NLOS)。
在一些实施例的步骤S720中，采用城区宏基站的模式构建路径传输损耗模型。在视距无线传输方式的情况下，路径传输损耗模型定义如公式(10)至公式(12)所示。
PL1＝28.0+22log10(d3D)+20log10(fc) 公式(11)
PL2＝28.0+40log10(d3D)+20log10(fc)-9log10((dB′P)2+(hBS-hUT)2) 公式(12)
其中，PLUMa-LOS、PL1和PL2为视距无线传输方式下的路径传输损耗；d2D为基站与栅格水平方向上的距离(米)，即水平距离dis；d3D为基站与栅格的三维距离(米)，即d′BP是断点距离(米)，d'BP＝4h'BSh'UTfc’/c；h'BS＝hBS-hE，hBS是基站高度(米)，hE是有效环境高度；h'UT＝hUT-hE，hUT是信号接收端高度(米)，hE是有效环境高度；c为光速(米/秒)；fc是天线的中心频率(GHz)；fc′是天线的中心频率(Hz)。
在城区宏基站的模式下，hE为1米的概率为其中C(d2D，hUT)的计算方法如公式(13)至公式(14)所示。
本申请实施例中hUT<13m,所以C(d2D,hUT)＝1,即hE为1米。
从公式(10)可以看出，当d2D大于或小于d'BP时，路径传输损耗的计算方式有区别。
在非视距无线传输方式的情况下，路径传输损耗模型定义如公式(15)至公式(16)所示。
PLUMa-NLOS＝max(PLUMa-LOS,PL′UMa-NLOS)10m≤d2D≤5km 公式(15)
其中，PLUMa-NLOS为非视距无线传输方式下的路径传输损耗。
PL′UMa-NLOS＝13.54+39.08log10(d3D)+20log10(fc)-0.6(hUT-1.5) 公式(16)
在计算路径传输损耗时综合考虑了视距无线传输和非视距无线传输两种模式,路径传输损耗的计算方法如公式(17)所示。
PL＝PLUMa-LOS*PrLOS+PLUMa-NLOS*(1-PrLOS) 公式(17)
其中，PL为路径传输损耗；PLUMa-LOS为视距无线传输方式下的路径传输损耗；PLUMa-NLOS为非视距无线传输方式下的路径传输损耗；PrLOS为视距无线传输的概率。
PrLOS的计算方法如公式(18)至公式(19)所示。
由于考虑的是室外环境，所以d2D-out与d2D含义相同,此处不再赘述。
上述步骤S710至步骤S720，通过综合视距无线传输和非视距无线传输两种模式，能够保证信号在传播过程中路径传输损耗的全面性，从而提高路径传输损耗计算的准确性。
请参阅图8，在一些实施例中，步骤S440可以包括但不限于包括步骤S810至步骤S820：
步骤S810，确定基站与信号接收端之间进行通信传输的信道类型为瑞利衰落信道；
步骤S820，计算瑞利衰落信道的信道响应能量，并根据信道响应能量得到信号衰落数据。
在一些实施例的步骤S810中，快衰落属于小尺度衰落，能够反映小范围移动的接收电平平均值的起伏变化趋势。为了使信道建模更贴近于实际情况，在信道模型中引入快衰落。本申请实施例采用瑞利衰落模型作为快衰落模型，确定基站与信号接收端之间进行通信传输的信道类型为瑞利衰落信道。瑞利衰落能有效描述存在能够大量散射无线电信号的障碍物的无线传输环境。若传输环境中存在足够多的散射，则冲激信号到达信号接收端后表现为大量统计独立的随机变量的叠加，根据中心极限定理，则无线信道的冲激响应将是一个高斯过程。如果该无线信道中不存在主要的信号分量，即不存在直射信号，则这一过程服从均值为0、相位为0到2π的均匀分布。也就是信道响应的包络服从瑞利分布。瑞利分布的概率密度函数为：
高斯随机变量表示为σ2为构成高斯随机变量的实部(X)和虚部(Y)的方差。X和Y均服从标准正态分布，记为X～N(0,1),Y～N(0,1)。信道响应的包络为高斯随机变量的模值，Z的模为/>|Z|服从瑞利分布。
可以理解的是，由于存在归一化系数使得/>所以|Z|2的期望E(|Z|2)为1。
在一些实施例的步骤S820中，将|Z|2为信道响应能量，并将信道响应能量转化为单位为dB的形式，得到信号衰落数据。若信道衰落数据表示为R，则R＝10log10|Z|2。
上述步骤S810至步骤S820，快衰落主要由于多径传播而产生的衰落，由于移动体周围有许多散射、反射和折射体，引起信号的多径传输，使到达的信号之间相互叠加，其合成信号幅度表现为快速的起伏变化，通过增加快衰落模型，可以让信道模型更加贴近于真实情况。
请参阅图9，在一些实施例中，步骤S450可以包括但不限于包括步骤S910至步骤S930：
步骤S910，对天线增益、路径传输损耗、信号衰落数据和天线发射功率进行求和处理，得到信号接收功率；
步骤S920，获取信号接收端的噪声功率，并对信号接收功率进行筛选；
步骤S930，根据信号接收功率、筛选后的信号接收功率和噪声功率得到信干噪比。
在一些实施例的步骤S910中，对天线增益、路径传输损耗、信号衰落数据和天线发射功率进行求和处理，得到信号接收功率，信号接收功率的计算方法如公式(22)所示。
SIm,n＝pm+Gm,n+Lm,n+Rm,n 公式(22)
其中，SIm,n为第n个栅格接收到的由第m个基站发送信号的信号接收功率；pm为第m个基站的天线发射功率；Gm,n为第m个基站与第n个栅格之间的天线增益，Lm,n为第m个基站与第n个栅格之间的路径传输损耗，Rm,n代表第m个基站与第n个栅格之间的信号衰落数据。
在一些实施例的步骤S920中，获取第n个栅格的噪声功率。第n个栅格会接收到多个基站发送的信号，因此信号接收功率也存在多个，选出该栅格从m个基站中接收到的信号功率的最大值，将最大的信号接收功率作为参考信号接收功率，筛选后的信号接收功率便为参考信号接收功率。即，第n个栅格的参考信号接收功率为将从其他基站接收到的信号接收功率看做干扰。
在一些实施例的步骤S930中，根据信号接收功率、参考信号接收功率和噪声功率计算信干噪比即信号干扰噪声比(Signal to Interference plus Noise Ratio，SINR)，信干噪比的计算方法如公式(23)所示。
其中，SINRn为第n个栅格的信干噪比；RSRPn为第n个栅格的参考信号接收功率；SIm,n为第n个栅格接收到的由第m个基站发送的信号接收功率；为第n个栅格的噪声功率。
可以理解的是，通过调整天线的天线方位角、天线机械下倾角、天线电下倾角和天线发射功率这四个参数，可以动态调整栅格的参考信号接收功率以及信干噪比。
通过上述步骤S910至步骤S930，能够得到栅格的参考信号接收功率以及信干噪比，以根据参考信号接收功率和信干噪比确定栅格是否处于基站的覆盖范围内。
请参阅图10，在一些实施例中，步骤S460可以包括但不限于包括步骤S1010至步骤S1020：
步骤S1010，根据信号接收功率和信干噪比确定基站对信号接收端的覆盖指标数据；
步骤S1020，根据覆盖指标数据确定覆盖程度数据。
在一些实施例的步骤S1010中，覆盖指标数据用于判断信号接收端是否被基站所覆盖。覆盖程度数据指的是基站的无线网络覆盖率。可采用覆盖率、加权软覆盖率以及加权硬覆盖率这三种方式计算覆盖程度数据。计算覆盖程度数据时，需要计算覆盖指标数据。覆盖率计算方式下，覆盖指标数据的计算方法如下：
其中，为覆盖指标数据。
当第n个栅格的参考信号接收功率大于第一预设阈值Γ1，且信干噪比大于第二预设阈值Γ2，则认为信号接收端被基站所覆盖，覆盖指标数据为1。否则，信号接收端未被基站所覆盖，覆盖指标数据为0。第一预设阈值可以为-90dB，第二预设阈值可以为3dB。
加权软覆盖率计算方式下，覆盖指标数据的计算方法如公式(25)所示。
其中，为覆盖指标数据；RSRPn为第n个栅格的参考信号接收功率；SINRn为第n个栅格的信干噪比；λ1和λ2均为正则化系数。
只有当栅格的参考信号接收功率和信干噪比都远高于阈值时，才趋近于1。
加权硬覆盖率计算方式下，覆盖指标数据的计算方法与覆盖率计算方式下的计算方法相同，此处不再赘述。
在一些实施例的步骤S1020中，覆盖率计算方式下，将所有栅格的覆盖指标数据的平均值作为覆盖程度数据。覆盖程度数据的计算方法如公式(26)所示。
其中，CR为覆盖程度数据；N为栅格的总数目；为覆盖指标数据。
加权软覆盖率计算方式下，覆盖程度数据的计算方法如公式(27)所示。
其中，WSCR为覆盖程度数据；N为栅格的总数目；为覆盖指标数据；cn为第n个栅格上的人数；c为所有栅格的总人数。
加权硬覆盖率计算方式下，覆盖程度数据的计算方法如公式(27)所示，覆盖程度数据表示为WHCR,其与覆盖率的区别是计算时采用栅格人数进行加权，此处不再赘述。
通过上述步骤S1010至步骤S1020，能够得到基站的无线网络覆盖率，以根据无线网络覆盖率自适应调整天线参数。
在一些实施例的步骤S470中，天线的各项参数将决定天线覆盖范围以及整个移动无线网络的系统容量。但是，天线覆盖范围的上升不一定伴随系统容量的上升，甚至会使容量下降，反之亦然。所以，如何协调好天线覆盖范围与系统容量的关系显得尤为重要。如何根据不同的用户分布与地形地貌，调整天线物理参数，最大化网络覆盖率,也是当前无线通信网络规划的难点之一。本申请实施例采用基于通信接收信号强度和容量的无线网络覆盖率方法计算覆盖程度数据，由于加权硬覆盖率计算方式下的覆盖程度数据的信息量更为丰富，既包含了用户的分布，又包含了潜在的地形地貌的信息，且符合上文中对栅格覆盖的定义，即栅格的参考信号接收功率和信干噪比都高于阈值，则判定该栅格被覆盖到。因此，根据加权硬覆盖率计算方式下的覆盖程度数据调整天线物理参数，最大化网络覆盖率，得到目标天线参数。
目前，针对无线网络覆盖优化问题，主要有传统零阶优化方法、深度确定性策略梯度算法(Deep Deterministic Policy Gradient，DDPG)、深度Q网络(Deep Q Network，DQN)这几类方法。实际系统中参考信号接收功率和信干噪比都缺乏显式表达式，传统零阶优化算法是对具有黑箱性质的优化目标进行梯度估计，使得该方法只适用于特殊的场景，如果场景发生变化，方法就会失效。而且，大量的调整参数也使传统零阶优化算法存在调参慢，计算成本高昂等问题。深度确定性策略梯度算法是联合调整每个扇区(天线)的下倾角和发射功率来优化多小区网络的容量和覆盖范围。将覆盖率和容量目标视为黑箱函数，即没有分析公式以及梯度观测。目标是通过优化有界集合上每个扇区的下倾角和发射功率来最大化覆盖范围和容量。然而，这种方法的收敛速度较慢，需要较长的训练时间，并且稳定性差。DQN算法是将多小区天线参数的联合配置视为一个多维度的策略探索问题。这种方法可以在异构蜂窝网络中根据用户分布联合调整多个小区的天线参数，以实现现实世界中实时自适应的天线配置。但这种算法采样率比较低，并且奖励函数的设置会在很大程度上影响实验结果，且算法对优化变量离散化的限制，使得该算法的自由度低。
相关技术中没有考虑人员的流动性，人员的分布固定。本申请实施例搭建了用以模拟人员流动的模型，使用奥恩斯坦-乌伦贝克过程(Ornstein–Uhlenbeck process，OU过程)来模拟栅格内用户数量的变化情况。OU过程是一种连续时间随机过程，常用于描述具有回归趋势的随机变量。本申请实施例将OU过程应用于模拟用户数量在栅格内的波动情况，通过将栅格划分为离散的空间单元，并在每个空间单元中模拟用户数量的变化。OU过程的定义如公式(28)所示。
dxt＝θ(μ-xt)dt+σdWt 公式(28)
其中，θ为恢复速率参数，θ＞0；μ为均值；σ为方差，σ＞0；Wt为维纳过程，xt为状态值，即用户数量。
OU过程由回归项和随机扰动项两个主要部分组成，第一项为回归项，第二项为随机扰动项。回归项表示用户数量趋向于某个均衡状态μ的趋势，可以用一个恢复速率参数θ来衡量。θ这个参数决定了用户数量回归到均衡状态的速度。随机扰动项表示随机因素对用户数量的影响，可以用扰动强度参数来度量。σ这个参数决定了用户数量波动的幅度。
定义每个空间单元内的用户数量为一个随机变量，引入OU过程的数学表达式来描述用户数量的变化。在模拟过程中，根据给定的初始条件和参数设置，使用数值方法对OU过程进行离散化求解。通过迭代计算每个时间步长的用户数量，可以模拟出用户数量在栅格内的波动情况。不同场景下，用户分布的位置热点是不同的。例如若预设区域是学校，白天用户应该主要分布在图书馆，教学楼等位置，而晚上用户则更多应该分布在宿舍的位置。通过控制不同位置栅格μ的值可以去控制用户热点的位置。本申请实施例考虑了人员的流动性，构建了一套模拟人员流动的模型，通过该模型可以模拟学生真实的在校生活，例如前往教室上课、前往图书馆学习或在食堂用餐等不同场景。
强化学习是一种机器学习方法，用于让智能体通过与环境的交互学习如何做出最优决策来最大化累积奖励。其原理可以简要概括为以下几个要素：(1)环境：强化学习的问题通常涉及智能体与环境的交互。环境可以是离散的或连续的，具有不同的状态空间和动作空间。智能体在环境中的行动会引起状态的变化，并且会根据环境提供的奖励信号获得反馈。(2)状态与动作：在每个时间步，智能体观察环境的当前状态，并基于其策略选择一个动作。(3)奖励信号：环境通过奖励信号向智能体提供反馈。奖励信号表示智能体在某个状态下采取某个动作的好坏程度。智能体的目标是通过与环境的交互来最大化累积奖励。(4)策略与价值函数：智能体的策略决定了在给定状态下应采取的行动。价值函数用于评估状态或状态-动作对的价值，指示在当前策略下预期能获得的累积奖励。强化学习通过以上原理和方法，使智能体能够在复杂、动态的环境中自主学习和改进决策策略，从而实现在最优化目标下的自主智能行为。
近端策略强化学习(Proximal Policy Optimization,PPO)算法是一种强化学习算法，旨在训练智能体(agent)在一个环境中学习最佳策略。PPO算法的核心思想是近端策略优化，即在训练过程中逐步优化策略，避免过大的策略变动，这种思想有助于保持训练的稳定性和可靠性。
本申请实施例基于近端策略强化学习的方法进行在线天线参数调优。PPO算法通过近端策略优化的思想，限制了策略更新的幅度，从而减少了训练过程中的极端策略变化，提高了训练的稳定性和可靠性，具有良好的收敛性和稳定性。相对于传统的策略梯度方法，PPO算法通常能够更快地训练出高质量的策略，具有高效性。PPO算法适用于离散动作空间和连续动作空间的问题，并且在处理高维状态空间的情况下表现良好，具有广泛适用性。
将强化学习算法应用于实际问题中需要对实际问题进行建模，强化学习中最关键的几个要素包括动作(action)、状态(state)和奖励(reward)。因此在天线参数调优问题中，需要对这三个元素进行建模。本申请实施例的基于PPO算法的天线参数调优的设计如表1所示。
表1
在表1中，state的分子是栅格内RSRP值与RSRP规定阈值的比值以及SINR值与SINR规定阈值的比值的加权和，分母是栅格内的用户数量。reward为步骤S1020的加权硬覆盖率。
完成强化学习的建模以后，通过PPO算法开始训练智能体，使之能够学会一个很好的策略，在不同状态state下能选择最好的动作action进而获得最大的奖励reward。
PPO算法的基本流程为：
(1)数据收集阶段：智能体与环境进行交互，生成一批经验数据。这些数据包括智能体从初始状态开始在不同状态下采取的行动、获得的奖励以及下一个状态。
(2)策略评估阶段：使用当前策略参数，对收集到的经验数据进行评估。通过值函数对每个状态动作对进行优势估计，衡量动作的优劣。优势估计可以使用值函数来估计，值函数包括状态函数和优势函数(Advantage Function)。优势函数是用来评估在给定状态下采取某个动作相对于平均水平的优势的函数，即衡量智能体在给定状态下选择某个动作相比于随机选择的平均效果的好坏程度。本申请实施例采用优势函数计算每个状态动作对的优势估计。优势函数的具体计算如公式(29)至公式(30)所示。
At＝δt+γλδt+1+...+...+(γλ)T-t+1δT-1 公式(29)
δt＝rt+γV(st+1)-V(st) 公式(30)
其中，rt为t时刻的奖励；V(st)为t时刻状态的价值；γ是折扣因子，折扣因子的作用是衡量当前奖励与未来奖励的相对重要性，并影响智能体对未来奖励的考虑程度。
(3)策略更新阶段：使用优势估计来更新策略参数。在PPO算法中，策略更新的目标是最大化策略的近似优势，同时限制更新的幅度。这种限制可以通过剪切项或概率比率来实现，以避免过大的策略变动。具体来说，PPO算法通过引入一个优化目标函数，并使用概率比率约束来更新策略参数，以确保策略在一定范围内变化,避免策略更新过快。本申请实施例中，优化目标函数的定义如公式(31)所示。通过最小化优化目标函数更新策略参数。
其中，为新旧策略的比值，/>是将新旧策略限制到(1-∈,1+∈)的范围内。
(4)迭代训练：重复执行数据收集、策略评估和策略更新的步骤，直到达到预设的训练次数或满足停止训练的条件。每一次迭代都会生成新的经验数据，并使用这些数据来进一步优化策略。
本申请实施例利用近端策略优化算法调整天线参数。传统零阶优化算法受初始值影响较大，容易陷入局部最优，尤其是在处理较大数据量的时候。近端策略优化算法利用随机探索的方式可以更好的避免程序陷入局部最优。相较于深度确定性策略梯度算法，近端策略强化学习算法采用了一种被称为剪切的技术，可以限制每次更新的幅度，从而避免了确定性策略梯度算法中出现的不稳定性问题。确定性策略梯度算法有大量的超参数，算法复杂度更高，收敛速度慢，而近端策略优化算法调参方便，复杂度较低，强化学习效率高。确定性策略梯度算法只能用于连续动作空间，近端策略强化学习算法可以用于离散动作空间和连续动作空间，适用范围广泛。DQN算法学习不稳定，结果难以重现，系统奖励函数对优化算法中的超参数非常敏感，即使使用全部相同的超参数、算法，不同实现在解决同一任务时也会出现性能不一的情况。而且，DQN算法智能体训练时间长、计算力需求大。而近端策略优化算法具有良好的收敛性和稳定性，通常能够更快地训练出高质量的策略，具有高效性。现有的技术大多在信道建模中存在黑箱，使得其只能在特定的场景下使用，本发明算法为无模型在线学习算法，可以适用于不同的场景。
请参阅图11，本申请实施例还提供一种天线参数调整装置，可以实现上述天线参数调整方法，该装置包括：
获取模块1110，用于获取基站的初始天线参数；初始天线参数包括天线发射功率、天线方位角和天线机械下倾角；
第一计算模块1120，用于根据天线方位角和天线机械下倾角确定天线增益；
第二计算模块1130，用于计算基站与信号接收端之间进行通信传输的路径传输损耗；
第三计算模块1140，用于计算基站与信号接收端之间进行通信传输的信号衰落数据；
第四计算模块1150，用于根据天线增益、路径传输损耗、信号衰落数据和天线发射功率确定信号接收端的信号接收功率，并根据信号接收功率得到信号接收端的信干噪比；
第五计算模块1160，用于根据信号接收功率和信干噪比确定基站对信号接收端的覆盖程度数据；
强化学习模块1170，用于根据覆盖程度数据对初始天线参数进行近端策略强化学习，得到目标天线参数。
该天线参数调整装置的具体实施方式与上述天线参数调整方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述天线参数调整方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图12，图12示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1210，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，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，以实现本申请实施例所提供的技术方案；
存储器1220，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器1220可以存储操作装置和其他应用程序，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1220中，并由处理器1210来调用执行本申请实施例的天线参数调整方法；
输入/输出接口1230，用于实现信息输入及输出；
通信接口1240，用于实现本设备与其他设备的通信交互，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1250，在设备的各个组件(例如处理器1210、存储器1220、输入/输出接口1230和通信接口1240)之间传输信息；
其中处理器1210、存储器1220、输入/输出接口1230和通信接口1240通过总线1250实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述天线参数调整方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的天线参数调整方法、天线参数调整装置、电子设备及计算机可读存储介质，通过考虑天线增益、路径传输损耗和信号衰落数据进行信道建模，能够使信道模型更贴近真实情况。通过覆盖程度数据对初始天线参数进行近端策略强化学习，使得目标天线参数下的网络覆盖率最大，提高了网络通信的质量。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请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，包括多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)执行本申请各个实施例的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，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (10)
1.天线参数调整方法，其特征在于，所述方法包括：
获取基站的初始天线参数；所述初始天线参数包括天线发射功率、天线方位角和天线机械下倾角；
根据所述天线方位角和所述天线机械下倾角确定天线增益；
计算所述基站与信号接收端之间进行通信传输的路径传输损耗；
计算所述基站与信号接收端之间进行通信传输的信号衰落数据；
根据所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率确定所述信号接收端的信号接收功率，并根据所述信号接收功率得到所述信号接收端的信干噪比；
根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖程度数据；
根据所述覆盖程度数据对所述初始天线参数进行近端策略强化学习，得到目标天线参数。
2.根据权利要求1所述的天线参数调整方法，其特征在于，所述根据所述天线方位角和所述天线机械下倾角确定天线增益，包括：
确定所述基站与所述信号接收端之间的方位角和倾斜角；
比较所述方位角和所述天线方位角，得到比较结果；
根据所述比较结果确定所述方位角和所述天线方位角之间的方位角度偏差，根据所述比较结果确定所述倾斜角和所述天线机械下倾角之间的倾斜角度偏差；
根据所述方位角度偏差和所述倾斜角度偏差得到所述天线增益。
3.根据权利要求2所述的天线参数调整方法，其特征在于，所述根据所述比较结果确定所述方位角和所述天线方位角之间的方位角度偏差，根据所述比较结果确定所述倾斜角和所述天线机械下倾角之间的倾斜角度偏差，包括：
若所述比较结果为所述方位角和所述天线方位角相等，则对所述方位角和所述天线方位角进行差异计算得到所述方位角度偏差，对所述倾斜角和所述天线机械下倾角进行差异计算得到所述倾斜角度偏差；
若所述比较结果为所述方位角和所述天线方位角不相等，则根据所述方位角、所述天线方位角、所述倾斜角和所述天线机械下倾角确定所述方位角度偏差，根据所述方位角、所述天线方位角、所述倾斜角和所述天线机械下倾角确定所述倾斜角度偏差。
4.根据权利要求1所述的天线参数调整方法，其特征在于，所述计算所述基站与信号接收端之间进行通信传输的路径传输损耗，包括：
确定信号传播方式；
根据所述信号传播方式计算所述路径传输损耗。
5.根据权利要求1所述的天线参数调整方法，其特征在于，所述计算所述基站与信号接收端之间进行通信传输的信号衰落数据，包括：
确定所述基站与信号接收端之间进行通信传输的信道类型为瑞利衰落信道；
计算所述瑞利衰落信道的信道响应能量，并根据所述信道响应能量得到所述信号衰落数据。
6.根据权利要求1至5任一项所述的天线参数调整方法，其特征在于，所述根据所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率确定所述信号接收端的信号接收功率，并根据所述信号接收功率得到所述信号接收端的信干噪比，包括：
对所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率进行求和处理，得到所述信号接收功率；
获取所述信号接收端的噪声功率，并对所述信号接收功率进行筛选；
根据所述信号接收功率、筛选后的所述信号接收功率和所述噪声功率得到所述信干噪比。
7.根据权利要求1至5任一项所述的天线参数调整方法，其特征在于，所述根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖程度数据，包括：
根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖指标数据；
根据所述覆盖指标数据确定所述覆盖程度数据。
8.天线参数调整装置，其特征在于，所述装置包括：
获取模块，用于获取基站的初始天线参数；所述初始天线参数包括天线发射功率、天线方位角和天线机械下倾角；
第一计算模块，用于根据所述天线方位角和所述天线机械下倾角确定天线增益；
第二计算模块，用于计算所述基站与信号接收端之间进行通信传输的路径传输损耗；
第三计算模块，用于计算所述基站与信号接收端之间进行通信传输的信号衰落数据；
第四计算模块，用于根据所述天线增益、所述路径传输损耗、所述信号衰落数据和所述天线发射功率确定所述信号接收端的信号接收功率，并根据所述信号接收功率得到所述信号接收端的信干噪比；
第五计算模块，用于根据所述信号接收功率和所述信干噪比确定所述基站对所述信号接收端的覆盖程度数据；
强化学习模块，用于根据所述覆盖程度数据对所述初始天线参数进行近端策略强化学习，得到目标天线参数。
9.电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的天线参数调整方法。
10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的天线参数调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831814.9A CN116980933A (zh) | 2023-07-06 | 2023-07-06 | 天线参数调整方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831814.9A CN116980933A (zh) | 2023-07-06 | 2023-07-06 | 天线参数调整方法和装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116980933A true CN116980933A (zh) | 2023-10-31 |
Family
ID=88482395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310831814.9A Pending CN116980933A (zh) | 2023-07-06 | 2023-07-06 | 天线参数调整方法和装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116980933A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117650861A (zh) * | 2024-01-25 | 2024-03-05 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
-
2023
- 2023-07-06 CN CN202310831814.9A patent/CN116980933A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117650861A (zh) * | 2024-01-25 | 2024-03-05 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
| CN117650861B (zh) * | 2024-01-25 | 2024-05-17 | 深圳市大数据研究院 | 无线环境预测方法和装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Masood et al. | A machine learning based 3D propagation model for intelligent future cellular networks | |
| CN110531617B (zh) | 多无人机3d悬停位置联合优化方法、装置和无人机基站 | |
| CN103874118B (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
| WO2021043154A1 (zh) | 调节天线参数的方法及装置、电子设备、计算机可读介质 | |
| CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
| Gonzalez-Ruiz et al. | A comprehensive overview and characterization of wireless channels for networked robotic and control systems | |
| US20150302123A1 (en) | X-maps with flexible tiles | |
| Xie et al. | Connectivity-aware 3D UAV path design with deep reinforcement learning | |
| Lee et al. | Path loss exponent prediction for outdoor millimeter wave channels through deep learning | |
| CN111381499B (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
| CN116980933A (zh) | 天线参数调整方法和装置、电子设备及存储介质 | |
| CN106211327A (zh) | 一种自动生成位置指纹数据的方法 | |
| CN112866904B (zh) | 基于波束索引地图的免信道训练大维通信波束对齐方法 | |
| Enami et al. | RAIK: Regional analysis with geodata and crowdsourcing to infer key performance indicators | |
| Fontanesi et al. | A transfer learning approach for UAV path design with connectivity outage constraint | |
| Nunns et al. | Autonomous flying WiFi access point | |
| CN114611388B (zh) | 基于人工智能的无线信道特征筛选方法 | |
| JP2018032939A (ja) | 品質推定装置及び品質推定方法 | |
| Suchanski et al. | Radio environment maps for military cognitive networks: construction techniques vs. map quality | |
| Bektas et al. | Rapid network planning of temporary private 5G networks with unsupervised machine learning | |
| Yu et al. | Distributed signal strength prediction using satellite map empowered by deep vision transformer | |
| Vankayala et al. | Radio map estimation using a generative adversarial network and related business aspects | |
| Stusek et al. | LPWAN coverage assessment planning without explicit knowledge of base station locations | |
| Maiti et al. | Three dimensional measuring points locating algorithm based texture-patched matrix completion for indoor 3D REM design | |
| Enami et al. | Laik: location-specific analysis to infer key performance indicators |
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 |