CN116996893A - 电波传播的地物损耗计算方法、装置及电子设备 - Google Patents
电波传播的地物损耗计算方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116996893A CN116996893A CN202211020320.4A CN202211020320A CN116996893A CN 116996893 A CN116996893 A CN 116996893A CN 202211020320 A CN202211020320 A CN 202211020320A CN 116996893 A CN116996893 A CN 116996893A
- Authority
- CN
- China
- Prior art keywords
- loss
- sample
- environment
- vegetation
- environmental
- 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 54
- 230000007613 environmental effect Effects 0.000 claims abstract description 207
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及电波传播技术领域,公开了一种电波传播的地物损耗计算方法,该方法包括:获取目标环境中的环境特征,环境特征包括植被特征;根据所述环境特征及聚类分类模型确定目标植被环境标签;将目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;植被地物损耗模型预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;根据植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。本发明实施例有效提高了地物损耗计算的准确性和普适性。
Description
技术领域
本发明实施例涉及电波传播技术领域,具体涉及一种电波传播的地物损耗计算方法、装置、电子设备及计算机可读存储介质。
背景技术
目前第五代移动通信技术(5G)作为全球科技革命中的引领性技术,凭借大宽带、大连接、高可靠低时延等特点,为移动互联网、工业互联网、车联网、金融科技、智慧医疗、新媒体、教育等垂直行业应用提供可靠的信息交互支持,是支撑经济社会网络化、数字化、智能化转型的关键新型基础设施。在应用场景方面,5G网络的典型场景包括三维城区、郊区、山区、路桥等。频率的升高以及环境种类的增加,使得5G无线网络规划面临无线传播环境及传播特性与4G相比更为复杂,站间距较4G更密集,基站数量更多,对网络规划的精度及效率提出了更高的要求。要实现准确、高效、常态化的5G无线网络规划与优化,需要依托精准的无线信道模型和高效的仿真方法。
然而,射线跟踪的仿真精度不仅取决于正确的多径传播模型,还取决于场景几何、材料相关的模型参数的正确结合。因此,在不同场景中必须对传播模型和材料相关的模型参数进行恰当的选择和使用,才能够保证射线跟踪仿真的准确性和普适性。虽然地面模型预计对于与实际测量活动相对应的场景是准确的,但其他城市环境中的额外多频率测量活动对于进一步验证/校准是有价值的。此外,还有一些方面在当前模型中没有解决:由于植被造成的地物损耗没有建模。
发明内容
鉴于上述问题,本发明实施例提供了一种电波传播的地物损耗计算方法、装置、电子设备及计算机可读存储介质,用于解决现有技术中存在的射线跟踪仿真的准确性和普适性较差的技术问题。
根据本发明实施例的一个方面,提供了一种电波传播的地物损耗计算方法,所述方法包括:
获取目标环境中的环境特征,所述环境特征包括植被特征;
根据所述环境特征及聚类分类模型确定目标植被环境标签;
将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
在一种可选的方式中,所述根据所述环境特征及聚类分类模型确定目标植被环境标签之前,所述方法还包括:获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签,进一步包括:根据预设标准地物损耗模型及样本环境特征,计算样本估算损耗;根据所述实测损耗数据及所述样本估算损耗,计算样本损耗差;对样本环境特征数据进行聚类,将所述样本损耗差小于等于预设阈值的所述样本环境特征数据分为同一个环境标签,以得到多个环境标签。
在一种可选的方式中,所述根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型,包括:确定各个所述环境标签所对应的样本环境特征数据集;根据各个所述环境标签及所对应的样本环境特征数据集,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果之前,所述方法还包括:分别获取各个环境标签对应的样本环境特征及样本损耗差;所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系。
在一种可选的方式中,所述分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系,包括:将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出;根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化,并继续执行所述将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出,根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化的步骤,直至所述损耗差实际输出与所述样本损耗差之间的误差小于等于预设阈值或训练达到预设迭代次数,得到所述植被地物损耗模型。
根据本发明实施例的另一方面,提供了一种电波传播的地物损耗计算装置,所述装置包括:
第一获取模块,用于获取目标环境中的环境特征,所述环境特征包括植被特征;
聚类模块,用于根据所述环境特征及聚类分类模型确定目标植被环境标签;
确定模块,用于将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
输出模块,用于根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
在一种可选的方式中,所述装置进一步包括:第二获取模块,用于获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;样本聚类模块,用于以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;训练模块,用于根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
根据本发明实施例的另一方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行所述的电波传播的地物损耗计算方法的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使电子设备执行所述的电波传播的地物损耗计算方法的操作。
本发明实施例通过获取目标环境中的环境特征,根据所述环境特征及聚类分类模型确定目标植被环境标签,将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果,根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。其中,环境标签是以所述样本损耗差为优化目标,对样本环境特征数据进行聚类得到的,所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的。通过这种方式,能够使得模型可以依据环境特征,尤其是植被特征的不同类别进行损耗计算,使得有效提高了地物损耗计算的准确性和普适性。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的电波传播的地物损耗计算方法的流程示意图;
图2示出了本发明实施例提供的电波传播的地物损耗计算方法中地物损耗模型的训练流程示意图;
图3示出了本发明实施例提供的电波传播的地物损耗计算装置的结构示意图;
图4示出了本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
首先对现有技术进行进一步介绍:
ITU-RP.2108建议书的最终地面地物损耗模型对于大于约1000m的范围,地面地物损耗Ll用线性函数建模:
Ll=23.5+9.6log(f) dB(1)
其中,f是以GHz为单位的频率,N(0,6)是零均值和6dB标准偏差的正态分布。模型参数通过将模型拟合到大于800m距离的Aalborg和Gothenburg测量值来确定。
由于没有观察到标准偏差的明显频率趋势,为了简化模型,值为6dB位于分布的高端,被选为保守假设。因此对于大于约1000m的范围,地面地物损耗Ll用线性函数建模:
Ll=23.5+9.6log(f)+N(0,6) dB(2)
对于较短距离(0.26-1.2公里),地面地物损耗Ls用线性函数建模:
Ls=32.98+23.9log(d)+3log(f) dB(3)
其中,d是以公里为单位的距离。为简化模型组合,标准偏差与长距离模型(6dB)协调,略小于P.1411中的6.89dB值,使用基于东京测量的屋顶模型,并减去自由空间损失。因此,地面地物损耗Ls用线性函数建模为:
Ls=32.98+23.9log(d)+3log(f)+N(0,6) dB(4)
ITU-RP.2108建议书的最终地面地物损耗模型,地面到地面路径Lctt位置的p%未超过的杂波损耗由下式给出:
其中,Q-1(p/100)是逆互补正态分布函数。
为了为大于260m的所有范围提供单个连续模型,两个模型使用线性单位中的接收功率混合。由此产生的组合模型,当链路两端都嵌入杂波时,如果链路的总距离大于1000m,则ITU-RP.2108的地物损耗可能适用于两端,而对于更小的距离,非应使用ITU-RP.1411的视线(NLoS)模型。
由于地面场景的仰角预计非常小,因此地球对空间/空气模型选择零度仰角。通过比较输出证实了地球对空间/空气模型过于简单而无法模拟地面情景的假设。在分布的低损耗端,地对空/空气模型大大低估了损耗。因此,对于较高频率,有效平均损耗被低估了20dB。
从上面的公式计算可以看出,虽然地面模型预计对于与实际测量活动相对应的场景是准确的,但其他城市环境中的额外多频率测量活动对于进一步验证/校准是有价值的。此外,还有一些方面在当前模型中没有解决:由于植被造成的地物损耗没有建模。因此,在本发明实施例中引进植被对地物损耗的影响,从而优化地物损耗的计算方式。如前所述,为地面场景提出一个单独的模型的动机是,地对空/空气模型对于城市环境中众多屋顶上的复杂传播来说可能过于简单。本发明实施例将植被抽样按照植被特征进行分类,通过神经网络的方法聚类学习,以达到优化公式的目的,在环境分类阶段就与电波传播预测误差指标相结合,对植被分类-机器学习-联合调优,使传播环境分类从电波传播角度出发,实现自适应的地物损耗计算,结合机器学习与传统公式推算,面向电波传播提出植被分类计算及自动适应传播环境类型的仿真方法,提升电波传播预测的准确性和普适性,服务于5G多场景无线网络规划。
图1示出了本发明实施例提供的电波传播的地物损耗计算方法的流程图,该方法由电子设备执行。该电子设备可以是计算机设备、通讯设备等,本发明实施例不做具体限制。如图1所示,该方法包括以下步骤:
步骤110:获取目标环境中的环境特征,所述环境特征包括植被特征。
其中,目标环境的环境特征包括植被特征及收发信机部署参数,该植被特征包括植被高度、植被种类分类、所占电子地图栅格数量等。该目标环境指的是所要估算的基站收发机之间的区域的环境。其中,可通过电子地图等获取该目标环境中的环境特征。
步骤120:根据所述环境特征及聚类分类模型确定目标植被环境标签。
其中,目标植被环境标签指的是该目标环境所述的环境标签。该环境标签是指预先以所述样本损耗差为优化目标,对样本环境特征数据进行聚类得到的多个环境标签。
本发明实施例中,在根据所述环境特征及聚类分类模型确定目标植被环境标签之前,还预先对环境特征进行分类,得到环境特征对应的环境标签,并根据环境标签及样本环境特征对神经网络进行训练,得到聚类分类模型。
具体地,包括以下步骤:
步骤1001:获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据。
其中,首先获取样本环境特征数据集,所述样本环境特征数据集中包括多个样本环境特征数据,每一个样本环境特征数据包括多个样本环境特征,样本环境特征包括大量的不同植被高度、不同植被面积及不同植被种类的样本植被、所占电子地图栅格数量的环境特征。并在实测损耗数据所在区域准备好对应的电子地图、基站天线方向图、关联基站参数等,并进行路测得到实测损耗数据。
其中,实测样本点的样本环境特征详细描述如下:
收发信机部署:基本部署包括发射机(通常为基站)工程参数值:位置、天线挂高、发射功率、方位角、下倾角、频率、线损等;接收机(通常为用户端)包括天线高度、位置等。本特征亦可为基本部署参数计算得到的参数,如收发机距离,等效发射功率等。
植被种类特征:收发信机之间特定范围内的地物类型标签二维图或二次计算获得的特征值,植被地貌的种类。
植被高度特征:收发信机之间特定范围内的植被地貌的离地高度和海拔高度值,或二次计算得到的统计值,例如各类地物的海拔高度均值及标准差、离地高度的均值及标准差。
植被面积特征:收发信机之间特定范围内的植被地貌的面积,或二次计算得到的统计值。
其中,可以理解地是,收发机之间的特定范围包括但不局限于收发机之间的直连线,第一至第四菲涅尔椭球区。
步骤1002:以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签。
其中,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差。具体地,根据预设标准地物损耗模型及样本环境特征,计算样本估算损耗,根据所述实测损耗数据及所述样本估算损耗,计算样本损耗差。其中,预设标准地物损耗模型可以是协议ITU-RP.1411中的估算公式。确定该预设标准地物损耗模型中材料相关及材料无关的参数设置初始值,并根据环境特征中的收发信机部署参数及该预设标准地物损耗模型,进行栅格计算,估算得到样本估算损耗。由于预设标准地物损耗模型中并未考虑植物特征所引起的损耗,因此该样本损耗差可以理解为植物特征所引起的地物损耗。
其中,以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签的具体过程为:对样本环境特征数据进行聚类,将所述样本损耗差小于等于预设阈值的所述样本环境特征数据分为同一个环境标签,以得到多个环境标签。对于所述样本损耗差大于预设阈值的所述样本环境特征数据,视为不达标样本点,重新与其它样本环境特征数据合并生成新的样本环境特征数据集,进行不断重复迭代学习,直至所有样本环境特征数据均达标,或迭代次数超过指定值N,分类过程终止,得到多个环境标签。因到达最大迭代次数而终止时,不达标的采样点被视为奇异值舍弃。
步骤1003:根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
本发明实施例中,在得到各个环境标签后,预先构建各个所述环境标签所对应的样本环境特征数据集。该样本环境特征数据集中包括多个样本环境特征数据;每个样本环境特征数据包括植被种类、植被高度、植被面积、收发机所在处植被占电子地图栅格数目等样本环境特征。
然后,根据各个所述环境标签及所对应的样本环境特征数据集,对预设的神经网络进行训练,得到所述聚类分类模型。其中,将样本环境特征数据集分为训练样本集和测试样本集。以样本环境特征数据集为输入,以对应的环境标签为真值,对神经网络进行训练,具体地,将训练样本集输入神经网络,输出对应的分类标签,将所述分类标签与真值(该训练样本集对应的环境标签)进行比较,根据分类标签与真值计算损失函数,根据损失函数调整该神经网络的参数,并继续将训练样本集输入调整参数后的神经网络进行训练,并输出对应的分类标签,当该分类标签与真值(也即该训练样本集对应的真实的环境标签)计算的损失函数达到预设阈值,或迭代达到预设迭代次数时,结束训练,得到训练后的神经网络。根据测试集对训练后的神经网络进行迭代测试并继续调整神经网络的参数,直至训练和验证达到预期的正确率后,分类器构建完成,得到所述聚类分类模型。本发明实施例中,并不具体限定该神经网络的具体结构,其可以是全连接神经网络、卷积神经网络或不同神经网络混合的架构。
通过这种方式,可以在应用时对仿真区域内各接收机位置所处环境,通过该聚类分类模型,即可得到所对应的环境标签。
步骤130:将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果。
本发明实施例中,在将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果之前,还预先对各个环境标签所对应的植被地物损耗模型进行训练,以通过环境标签对神经网络的参数进行调整。
具体地,首先分别获取各个环境标签对应的样本环境特征及样本损耗差。其中,该样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差。
然后,分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系。其中,训练时,将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出;根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化,并继续执行所述将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出,根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化的步骤,直至所述损耗差实际输出与所述样本损耗差之间的误差小于等于预设阈值或训练达到预设迭代次数,得到所述植被地物损耗模型。
具体地,请参阅图2,主要目标为根据植被地貌的环境标签校正神经网络模型参数,并以此为标准参数模板供仿真调用,以神经网络为全连接神经网络为例,训练过程包括以下步骤:
(1)初始化权值W和阈值θ,即给输入层单元到隐含层单元的连接权Wij,隐含层到输出层的连接权Vjk,隐含层的阈值θj,输出层单元阈值θk随机赋一个在(0,l)之间的较小值。
(2)提供学习样本对(输入和预期输出值),给出输入向量Xi=(x1,x2,…xm)和对应的预期输出向量将xi的值输入输出层节点,依次正向计算:
(3)计算输出节点输出值{yk}与期望值的误差{δk}:
(4)向隐含层节点反向分配误差,也即是用连接权{Vjk}、输出层的一
(5)用输出层单元的一般化误差{δk}、隐含层各单元的输出{x′j}修正输出层的权值{Vjk}和阈值{θk}:
输出层与隐含层权值修正:
vjk(t+1)=vjk(t)+ηδkx′j (2.22)
输出层阈值修正:
θk(t+1)=θk(t)+ηδk (2.23)
(6)用隐含层一般化误差{δj}、输入层各单元的输入{xi},修正连接权值{Wij}和阈值{θj}:
输入层与隐含层连接权值修正:
wij(t+1)=wij(t)+ηδjxi (2.24)
隐含值阈值修正:
θj(t+1)=θj+ηδj (2.25)
重复步骤(2),选取不同的训练样本,不断执行上述迭代过程,直至达到要求为止,使得误差δk足够小或变为零,停止学习,得到所述植被地物损耗模型。
在得到所述植被地物损耗模型后,将目标植被环境标签输入植被地物损耗模型,即可得到该植被特征相关的植被地物损耗结果。
步骤140:根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果。
其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。也即,可以采用诸如协议ITU-RP.1411中的估算公式结合环境特征对地物损耗进行预估,得到标准地物损耗结果。由于该标准地物损耗结果中并未考虑植被对地物损耗的影响,因此根据植被地物损耗结果及标准地物损耗结果,即可得到目标地物损耗结果。
本发明实施例通过获取目标环境中的环境特征,根据所述环境特征及聚类分类模型确定目标植被环境标签,将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果,根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。其中,环境标签是以所述样本损耗差为优化目标,对样本环境特征数据进行聚类得到的,所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的。通过这种方式,能够使得模型可以依据环境特征,尤其是植被特征的不同类别进行损耗计算,使得有效提高了地物损耗计算的准确性和普适性。
图3示出了本发明实施例提供的电波传播的地物损耗计算装置的结构示意图。如图3所示,该装置300包括:
第一获取模块310,用于获取目标环境中的环境特征,所述环境特征包括植被特征;
聚类模块320,用于根据所述环境特征及聚类分类模型确定目标植被环境标签;
确定模块330,用于将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
输出模块340,用于根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
在一种可选的方式中,所述装置300进一步包括:第二获取模块,用于获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;样本聚类模块,用于以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;训练模块,用于根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签,进一步包括:根据预设标准地物损耗模型及样本环境特征,计算样本估算损耗;根据所述实测损耗数据及所述样本估算损耗,计算样本损耗差;对样本环境特征数据进行聚类,将所述样本损耗差小于等于预设阈值的所述样本环境特征数据分为同一个环境标签,以得到多个环境标签。
在一种可选的方式中,所述根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型,包括:确定各个所述环境标签所对应的样本环境特征数据集;根据各个所述环境标签及所对应的样本环境特征数据集,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果之前,所述方法还包括:分别获取各个环境标签对应的样本环境特征及样本损耗差;所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系。
在一种可选的方式中,所述分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系,包括:将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出;根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化,并继续执行所述将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出,根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化的步骤,直至所述损耗差实际输出与所述样本损耗差之间的误差小于等于预设阈值或训练达到预设迭代次数,得到所述植被地物损耗模型。
本发明实施例通过获取目标环境中的环境特征,根据所述环境特征及聚类分类模型确定目标植被环境标签,将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果,根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。其中,环境标签是以所述样本损耗差为优化目标,对样本环境特征数据进行聚类得到的,所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的。通过这种方式,能够使得模型可以依据环境特征,尤其是植被特征的不同类别进行损耗计算,使得有效提高了地物损耗计算的准确性和普适性。
图4示出了本发明实施例提供的电子设备的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图4所示,该电子设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于电波传播的地物损耗计算方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使电子设备执行以下操作:
获取目标环境中的环境特征,所述环境特征包括植被特征;
根据所述环境特征及聚类分类模型确定目标植被环境标签;
将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
在一种可选的方式中,所述根据所述环境特征及聚类分类模型确定目标植被环境标签之前,所述方法还包括:获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签,进一步包括:根据预设标准地物损耗模型及样本环境特征,计算样本估算损耗;根据所述实测损耗数据及所述样本估算损耗,计算样本损耗差;对样本环境特征数据进行聚类,将所述样本损耗差小于等于预设阈值的所述样本环境特征数据分为同一个环境标签,以得到多个环境标签。
在一种可选的方式中,所述根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型,包括:确定各个所述环境标签所对应的样本环境特征数据集;根据各个所述环境标签及所对应的样本环境特征数据集,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果之前,所述方法还包括:分别获取各个环境标签对应的样本环境特征及样本损耗差;所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系。
在一种可选的方式中,所述分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系,包括:将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出;根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化,并继续执行所述将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出,根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化的步骤,直至所述损耗差实际输出与所述样本损耗差之间的误差小于等于预设阈值或训练达到预设迭代次数,得到所述植被地物损耗模型。
本发明实施例通过获取目标环境中的环境特征,根据所述环境特征及聚类分类模型确定目标植被环境标签,将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果,根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。其中,环境标签是以所述样本损耗差为优化目标,对样本环境特征数据进行聚类得到的,所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的。通过这种方式,能够使得模型可以依据环境特征,尤其是植被特征的不同类别进行损耗计算,使得有效提高了地物损耗计算的准确性和普适性。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在电子设备上运行时,使得所述电子设备执行上述任意方法实施例中的电波传播的地物损耗计算方法。
可执行指令具体可以用于使得电子设备执行以下操作:
获取目标环境中的环境特征,所述环境特征包括植被特征;
根据所述环境特征及聚类分类模型确定目标植被环境标签;
将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
在一种可选的方式中,所述根据所述环境特征及聚类分类模型确定目标植被环境标签之前,所述方法还包括:获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签,进一步包括:根据预设标准地物损耗模型及样本环境特征,计算样本估算损耗;根据所述实测损耗数据及所述样本估算损耗,计算样本损耗差;对样本环境特征数据进行聚类,将所述样本损耗差小于等于预设阈值的所述样本环境特征数据分为同一个环境标签,以得到多个环境标签。
在一种可选的方式中,所述根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型,包括:确定各个所述环境标签所对应的样本环境特征数据集;根据各个所述环境标签及所对应的样本环境特征数据集,对预设的神经网络进行训练,得到所述聚类分类模型。
在一种可选的方式中,所述将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果之前,所述方法还包括:分别获取各个环境标签对应的样本环境特征及样本损耗差;所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系。
在一种可选的方式中,所述分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系,包括:将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出;根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化,并继续执行所述将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出,根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化的步骤,直至所述损耗差实际输出与所述样本损耗差之间的误差小于等于预设阈值或训练达到预设迭代次数,得到所述植被地物损耗模型。
本发明实施例通过获取目标环境中的环境特征,根据所述环境特征及聚类分类模型确定目标植被环境标签,将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果,根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。其中,环境标签是以所述样本损耗差为优化目标,对样本环境特征数据进行聚类得到的,所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的。通过这种方式,能够使得模型可以依据环境特征,尤其是植被特征的不同类别进行损耗计算,使得有效提高了地物损耗计算的准确性和普适性。
本发明实施例提供一种电波传播的地物损耗计算装置,用于执行上述电波传播的地物损耗计算方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使电子设备执行上述任意方法实施例中的电波传播的地物损耗计算方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的电波传播的地物损耗计算方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种电波传播的地物损耗计算方法,其特征在于,所述方法包括:
获取目标环境中的环境特征,所述环境特征包括植被特征;
根据所述环境特征及聚类分类模型确定目标植被环境标签;
将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
2.根据权利要求1所述的方法,其特征在于,所述根据所述环境特征及聚类分类模型确定目标植被环境标签之前,所述方法还包括:
获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;
以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;
根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
3.根据权利要求2所述的方法,其特征在于,所述以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签,进一步包括:
根据预设标准地物损耗模型及样本环境特征,计算样本估算损耗;
根据所述实测损耗数据及所述样本估算损耗,计算样本损耗差;
对样本环境特征数据进行聚类,将所述样本损耗差小于等于预设阈值的所述样本环境特征数据分为同一个环境标签,以得到多个环境标签。
4.根据权利要求2所述的方法,其特征在于,所述根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型,包括:
确定各个所述环境标签所对应的样本环境特征数据集;
根据各个所述环境标签及所对应的样本环境特征数据集,对预设的神经网络进行训练,得到所述聚类分类模型。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果之前,所述方法还包括:
分别获取各个环境标签对应的样本环境特征及样本损耗差;所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系。
6.根据权利要求5所述的方法,其特征在于,所述分别根据每一类环境标签对应的样本环境特征及所述样本损耗差,对神经网络进行训练,得到所述植被地物损耗模型,以建立所述样本环境特征与所述样本损耗差之间的映射关系,包括:
将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出;
根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化,并继续执行所述将每一类环境标签对应的样本环境特征输入所述神经网络,得到损耗差实际输出,根据所述损耗差实际输出与所述样本损耗差,对所述神经网络进行参数优化的步骤,直至所述损耗差实际输出与所述样本损耗差之间的误差小于等于预设阈值或训练达到预设迭代次数,得到所述植被地物损耗模型。
7.一种电波传播的地物损耗计算装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标环境中的环境特征,所述环境特征包括植被特征;
聚类模块,用于根据所述环境特征及聚类分类模型确定目标植被环境标签;
确定模块,用于将所述目标植被环境标签输入植被地物损耗模型,得到植被损耗结果;所述植被地物损耗模型是预先根据环境标签、样本环境特征及样本损耗差对神经网络进行训练得到的,所述样本损耗差为实测损耗数据与预设标准地物损耗模型所计算的估算损耗之差;
输出模块,用于根据所述植被地物损耗结果及标准地物损耗结果,得到目标地物损耗结果;其中,所述标准地物损耗结果为根据所述环境特征及所述预设标准地物损耗模型计算得到的。
8.根据权利要求5所述的装置,其特征在于,所述装置进一步包括:
第二获取模块,用于获取样本环境特征数据以及所述样本环境特征数据对应的实测损耗数据;
样本聚类模块,用于以所述样本损耗差为优化目标,对样本环境特征数据进行聚类,得到多个环境标签;
训练模块,用于根据所述环境标签以及所述样本环境特征数据,对预设的神经网络进行训练,得到所述聚类分类模型。
9.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6任意一项所述的电波传播的地物损耗计算方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使电子设备执行如权利要求1-6任意一项所述的电波传播的地物损耗计算方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211020320.4A CN116996893A (zh) | 2022-08-24 | 2022-08-24 | 电波传播的地物损耗计算方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211020320.4A CN116996893A (zh) | 2022-08-24 | 2022-08-24 | 电波传播的地物损耗计算方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116996893A true CN116996893A (zh) | 2023-11-03 |
Family
ID=88522038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211020320.4A Pending CN116996893A (zh) | 2022-08-24 | 2022-08-24 | 电波传播的地物损耗计算方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996893A (zh) |
-
2022
- 2022-08-24 CN CN202211020320.4A patent/CN116996893A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109963287B (zh) | 天线方向角优化方法、装置、设备及介质 | |
CN109996279B (zh) | 过覆盖小区定位方法、装置、设备及介质 | |
CN112469066B (zh) | 5g网络覆盖评估方法及装置 | |
WO2022021602A1 (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
JP6696859B2 (ja) | 品質推定装置及び品質推定方法 | |
Kuno et al. | Prediction method by deep-learning for path loss characteristics in an open-square environment | |
CN114828026B (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
CN108770057A (zh) | 预定指纹库的确定方法及指纹定位方法、装置、存储介质 | |
US20230362039A1 (en) | Neural network-based channel estimation method and communication apparatus | |
CN117560104A (zh) | 一种混合交通中可解释性机器学习辅助的信道模型的构建方法 | |
CN112469116A (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN114513805A (zh) | 无线建模方法和系统 | |
CN116996893A (zh) | 电波传播的地物损耗计算方法、装置及电子设备 | |
Nagao et al. | Fine-tuning for propagation modeling of different frequencies with few data | |
CN114916059B (zh) | 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法 | |
Wu et al. | Research on RSS based indoor location method | |
CN115942231A (zh) | 一种基于rss的5g室外定位方法 | |
CN106714192B (zh) | 网络调整方法及装置 | |
CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
CN116321187A (zh) | 一种信号路径损耗预测模型的训练方法及装置 | |
Nagao et al. | A study on path loss modeling using ResNet and pre-training with free space path loss | |
CN114785433A (zh) | 信道场景识别的方法、网络设备及存储介质 | |
Zhang et al. | An artificial intelligence radio propagation model based on geographical information | |
Wieland et al. | Comparing Path Loss Prediction Methods for Low Altitude UAS Flights | |
Lara et al. | Modeling Wireless Propagation Channel: A Traditional versus Machine Learning Approach |
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 |