CN118101105A - 一种电波传播路径损耗预测方法及装置 - Google Patents
一种电波传播路径损耗预测方法及装置 Download PDFInfo
- Publication number
- CN118101105A CN118101105A CN202410463530.3A CN202410463530A CN118101105A CN 118101105 A CN118101105 A CN 118101105A CN 202410463530 A CN202410463530 A CN 202410463530A CN 118101105 A CN118101105 A CN 118101105A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- loss
- loss prediction
- preset
- value
- 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 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims description 28
- 238000007637 random forest analysis Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000008054 signal transmission Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了电波传播路径损耗预测方法及装置,所述方法包括:获取无线电波在传输过程中的环境特征,以及路径损耗值,将所述环境特征输入损耗预测模型,得到预测损耗值,基于所述路径损耗值和所述预测损耗值,确定所述损耗预测模型是否收敛,在所述损耗预测模型未收敛的情况下,基于预设验证指标、所述路径损耗值和所述预测损耗值,对所述损耗预测模型进行性能评估处理,基于性能评估结果和所述预设超参数搜索空间,确定下一次迭代过程中所述损耗预测模型的超参数,并继续对所述损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。通过本方法,可以准确的预测无线电波在不同环境中的路径损耗。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种电波传播路径损耗预测方法及装置。
背景技术
随着计算机技术的迅速发展,针对无线网络规划下的电磁传播路径消耗的预测方法,在复杂环境下的准确性、特征选择、鲁棒性和泛化能力,以及优化方面仍旧存在着问题,且电磁传播路径消耗的预测方法通常专注于特定领域,没有更广泛的适用性。
通常在解决电磁传播路径消耗的预测问题上,可以通过基于机器学习的无线环境电磁参数拟合方法或基于机器学习和卫星图像的路径损耗预测方法,但是,该两种方法在训练集和测试集的误差方面存在显著差异,这种差异很可能暗示着模型存在过拟合的迹象。
发明内容
本发明实施例的目的是提供一种电波传播路径损耗预测方法及装置,以解决在现有的通信系统中对无线电波在不同环境中的路径损耗的预测准确性较差的问题。
为解决上述技术问题,本发明实施例是这样实现的:
第一方面,本发明实施例提供的一种电波传播路径损耗预测方法,所述方法包括:
获取无线电波在传输过程中的环境特征,以及路径损耗值;
将所述环境特征输入损耗预测模型,得到预测损耗值,所述损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,所述损耗预测模型为基于随机森林算法构建的包含多个决策树的模型;
基于所述路径损耗值和所述预测损耗值,确定所述损耗预测模型是否收敛,在所述损耗预测模型未收敛的情况下,基于预设验证指标、所述路径损耗值和所述预测损耗值,对所述损耗预测模型进行性能评估处理;
基于性能评估结果和所述预设超参数搜索空间,确定下一次迭代过程中所述损耗预测模型的超参数,并继续对所述损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。
可选地,所述将所述环境特征输入损耗预测模型,得到预测损耗值,包括:
将所述环境特征分别输入所述损耗预测模型中的每个决策树,得到所述决策树对应的预测子损耗值;
将所述预测子损耗值的均值,确定为所述预测损耗值。
可选地,所述预设验证指标包括均方误差、均方根误差、平均绝对误差、决定系数以及相关系数中的一个或多个。
可选地,所述预设超参数搜索空间包括所学习数量、最大深度、叶节点最小数量的范围,以及非叶节点最小数量的范围。
可选地,所述获取无线电波在传输过程中的环境特征,包括:
获取所述无线电波在传输过程中的环境参数;
对所述环境参数进行预处理操作,得到预处理后的环境参数,所述预处理操作包括缺失值去除处理操作、异常值处理操作、标准化处理操作以及归一化处理操作;
对所述预处理后的环境参数进行特征提取,得到环境特征。
可选地,所述对所述预处理后的环境参数进行特征提取处理,得到所述环境特征,包括:
获取预设特征的特征重要度,并基于预设重要度阈值和所述特征重要度,对所述预设特征进行筛选处理,得到目标特征;
基于所述目标特征,所述预处理后的环境参数进行特征提取处理,得到所述环境特征。
可选地,所述环境参数包括无线电波的信号发射源的位置信息、无线电报的接收器的位置信息、无线电波的传输路径对应的地形信息、无线电波的频率,以及无线电波的传输路径对应的建筑物分布信息。
第二方面,本发明实施例提供了一种电波传播路径损耗预测装置,所述装置包括:
数据获取模块,用于获取无线电波在传输过程中的环境特征,以及路径损耗值;
预测模块,用于将所述环境特征输入损耗预测模型,得到预测损耗值,所述损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,所述损耗预测模型为基于随机森林算法构建的包含多个决策树的模型;
训练模块,用于基于所述路径损耗值和所述预测损耗值,确定所述损耗预测模型是否收敛,在所述损耗预测模型未收敛的情况下,基于预设验证指标、所述路径损耗值和所述预测损耗值,对所述损耗预测模型进行性能评估处理;
调优模块,用于基于性能评估结果和所述预设超参数搜索空间,确定下一次迭代过程中所述损耗预测模型的超参数,并继续对所述损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。
可选地,所述训练模块,用于:
将所述环境特征分别输入所述损耗预测模型中的每个决策树,得到所述决策树对应的预测子损耗值;
将所述预测子损耗值的均值,确定为所述预测损耗值。
可选地,所述预设验证指标包括均方误差、均方根误差、平均绝对误差、决定系数以及相关系数中的一个或多个。
可选地,所述预设超参数搜索空间包括所学习数量、最大深度、叶节点最小数量的范围,以及非叶节点最小数量的范围。
可选地,所述数据获取模块,用于:
获取所述无线电波在传输过程中的环境参数;
对所述环境参数进行预处理操作,得到预处理后的环境参数,所述预处理操作包括缺失值去除处理操作、异常值处理操作、标准化处理操作以及归一化处理操作;
对所述预处理后的环境参数进行特征提取,得到环境特征。
可选地,所述数据获取模块,用于:
获取预设特征的特征重要度,并基于预设重要度阈值和所述特征重要度,对所述预设特征进行筛选处理,得到目标特征;
基于所述目标特征,所述预处理后的环境参数进行特征提取处理,得到所述环境特征。
可选地,所述环境参数包括所述无线电波的信号发射源的位置信息、所述无线电报的接收器的位置信息、所述无线电波的传输路径对应的地形信息。所述无线电波的频率,以及所述无线电波的传输路径对应的建筑物分布信息。
由以上本发明实施例提供的技术方案可见,本发明实施例通过获取无线电波在传输过程中的环境特征,以及路径损耗值,将环境特征输入损耗预测模型,得到预测损耗值,损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,损耗预测模型为基于随机森林算法构建的包含多个决策树的模型,基于路径损耗值和预测损耗值,确定损耗预测模型是否收敛,在损耗预测模型未收敛的情况下,基于预设验证指标、路径损耗值和预测损耗值,对损耗预测模型进行性能评估处理,基于性能评估结果和预设超参数搜索空间,确定下一次迭代过程中损耗预测模型的超参数,并继续对损耗预测模型进行迭代训练,直到损耗预测模型收敛,得到训练后的损耗预测模型。这样,可以通过获取的无线电波在传输过程中的环境特征和路径损耗值,对由随机森林算法构建的损耗预测模型进行训练,可以提高训练得到的损耗预测模型在不同环境下的损耗预测准确性,同时,在训练过程中,还可以通过预设验证指标对损耗预测模型进行性能评估,以基于性能评估结果,在下一次迭代过程中,可以从预设超参数搜索空间筛选出损耗预测模型的超参数,以提高损耗预测模型的训练效果,进而通过训练得到的损耗预测模型对无线电波在不同环境中的路径损耗进行准确的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一种电波传播路径损耗预测方法的流程示意图;
图2为本发明另一种电波传播路径损耗预测方法的流程示意图;
图3为本发明一种损耗预测模型的结构示意图;
图4为本发明一种环境特征的示意图;
图5为本发明一种训练后的损耗预测模型的预测偏差示意图;
图6为本发明一种电波传播路径损耗预测装置的结构示意图;
具体实施方式
本发明实施例提供一种电波传播路径损耗预测方法及装置。
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都应当属于本发明保护的范围。
实施例1
如图1所示,本发明实施例提供一种电波传播路径损耗预测方法,该方法的执行主体可以为服务器,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在S102中,获取无线电波在传输过程中的环境特征,以及路径损耗值。
其中,在传输过程中的环境特征可以包括发射源的位置、接收器的位置、地形信息、建筑物分布、频率和对应路径损耗值等特征;具体环境特征可以见表1:
表1
在S104中,将所述环境特征输入损耗预测模型,得到预测损耗值。
其中,损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,损耗预测模型为基于随机森林算法构建的包含多个决策树的模型。
在实施中,对数据做特征工程,涉及到去除缺失值、处理异常值、进行标准化或归一化等操作,具体包括:服务器可以根据位置信息的有效性范围和测量数据合理范围,对测量的数据进行清洗,过滤掉在位置和测量值上不符合上述范围要求的数据。
根据接收机的接收门限,过滤掉测量值低于接收门限的数据,同时根据指定的测量区域范围,过滤位置不合法的数据。
对测量数据按照预定的栅格大小进行累加和求算数平均值,对数据在位置上进行统一化处理在数据集划分完成后,基于专家经验进行相关特征的挑选。随后,服务器可以将训练集进行随机森林默认值的建模,并分析特征的重要性,确定特征对应的重要性分数。进而通过特征对应的重要性分数,以及预先设定的阈值,对特征进行筛选,即确定哪些特征将被保留。
在S106中,基于路径损耗值和预测损耗值,确定损耗预测模型是否收敛,在损耗预测模型未收敛的情况下,基于预设验证指标、路径损耗值和预测损耗值,对损耗预测模型进行性能评估处理。
将准备好的数据集划分为训练集和验证集。例如,可以将数据集的80%作为训练集用于训练模型,将数据集的20%作为验证集用于验证模型的性能。
在对随机森林模型进行训练时,可以基于预先设定的弱学习器数量、最大深度、叶节点最小样本数量和非叶节点最小样本数量的范围等参数,构建超参数搜索空间。同时,可以通过设定训练次数或训练时长来控制整个训练过程的时间。
服务器可以采用Optuna技术实现超参数的优化,该技术能在规定的训练次数或训练时长内,通过不同的超参数组合来训练随机森林模型,并使用预设倍数(如3倍)交叉验证评估每次模型的性能。
在S108中,用于基于性能评估结果和预设超参数搜索空间,确定下一次迭代过程中损耗预测模型的超参数,并继续对损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。
在实施例中,可以通过多维度评估方法,如均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R^2)以及预测值与测量值之间的相关系数(CC),来全面评估模型的性能。
Optuna会跟踪和管理超参数组合优化的状态,根据交叉验证的结果和定义的超参数搜索空间,在每次迭代中生成 新的超参数建议,并根据评估指标的变化调整这些建议。
在每次优化迭代中,新的超参数组合会应用到随机森林模型中,并使用训练集对随机森林模型进行训练。随机森林可以由多个决策树组成,每个决策树可以使用在特征中随机选择的特征子集进行构建。在训练过程中,通过对训练集的多次随机抽样和特征选择,每个决策树都会被独立地训练。
经过一系列的优化迭代,最终可以得到最佳的超参数组合,可以应用优化后的随机森林模型进行测试和分析结果。
本发明实施例提供一种电波传播路径损耗预测方法,通过获取无线电波在传输过程中的环境特征,以及路径损耗值,将环境特征输入损耗预测模型,得到预测损耗值,损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,损耗预测模型为基于随机森林算法构建的包含多个决策树的模型,基于路径损耗值和预测损耗值,确定损耗预测模型是否收敛,在损耗预测模型未收敛的情况下,基于预设验证指标、路径损耗值和预测损耗值,对损耗预测模型进行性能评估处理,基于性能评估结果和预设超参数搜索空间,确定下一次迭代过程中损耗预测模型的超参数,并继续对损耗预测模型进行迭代训练,直到损耗预测模型收敛,得到训练后的损耗预测模型。这样,可以通过获取的无线电波在传输过程中的环境特征和路径损耗值,对由随机森林算法构建的损耗预测模型进行训练,可以提高训练得到的损耗预测模型在不同环境下的损耗预测准确性,同时,在训练过程中,还可以通过预设验证指标对损耗预测模型进行性能评估,以基于性能评估结果,在下一次迭代过程中,可以从预设超参数搜索空间筛选出损耗预测模型的超参数,以提高损耗预测模型的训练效果,进而通过训练得到的损耗预测模型对无线电波在不同环境中的路径损耗进行准确的预测。
实施例2
如图2所示,本发明实施例提供一种电波传播路径损耗预测方法,该方法的执行主体可以为服务器,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在步骤S202中,获取无线电波在传输过程中的路径损耗值。
在步骤S204中,获取无线电波在传输过程中的环境参数。
其中,环境参数可以包括无线电波的信号发射源的位置信息、无线电报的接收器的位置信息、无线电波的传输路径对应的地形信息、无线电波的频率,以及无线电波的传输路径对应的建筑物分布信息。
在S206中,对环境参数进行预处理操作,得到预处理后的环境参数。
其中,预处理操作可以包括缺失值去除处理操作、异常值处理操作、标准化处理操作以及归一化处理操作。
在实施例中,服务器可以根据位置信息的有效性范围和测量数据合理范围,对测量的环境参数进行清洗,以过滤掉在位置和测量值上不合符上述范围要求的数据。
另外,服务器可以根据接收机的接收门限,过滤掉测量的环境参数中低于接受门限的数据,同时还可以根据指定的测量区域范围,过滤测量的环境参数位置不合法的数据。
服务器可以对测量的环境参数按照预定的栅格大小进行累加和求算数平均值,对测量的环境参数在位置上进行统一化处理,以得到预处理后的环境参数
在S208中,对预处理后的环境参数进行特征提取,得到环境特征。
在实施例中,在实际应用中,上述S208的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤二处理:
步骤一,获取预设特征的特征重要度,并基于预设重要度阈值和特征重要度,对预设特征进行筛选处理,得到目标特征。
步骤二,基于目标特征,对预处理后的环境参数进行特征提取处理,得到环境特征。
在实施例中,例如,预设特征以及对应的特征重要度可以如下表2所示,
表2
对上述预设特征基于重要度进行排序,可以得到如图4所示的预设特征排序示意图。
假设预设重要度阈值可以为0.01,基于该重要度阈值对上述表3中的预设特征进行筛选处理,可以得到除“发射端的有效高度(tx_eff_h_m)”之外的目标特征。
服务器可以基于上述目标特征,对预处理后的环境参数进行特征提取处理,得到环境特征。
S210中,将环境特征分别输入损耗预测模型中的每个决策树,得到决策树对应的预测子损耗值。
其中,损耗预测模型的超参数可以为在预设超参数搜索空间进行搜索得到,预设超参数搜索空间可以包括所学习数量、最大深度、叶节点最小数量的范围,以及非叶节点最小数量的范围。
在实施中,随机森林算法可以是一种集成学习算法,结合了多个决策树进行预测,可以用于解决分类和回归问题,每个决策树在训练时可以通过随机选择的方式从环境特征中选择预定数量的环境特征构建的特征子集进行训练,以降低过度拟合的风险,并增加损耗预测模型的多样性。
如图3所示,损耗预测模块可以包括n个决策树(n可以大于等于2的正整数),服务器可以将环境特征分别输入损耗预测模型中的每个决策树,得到决策树对应的预测子损耗值,既可以将包含环境特征N1的样本M1输入决策树1,得到子损失值y1。
其中,此外,预设超参数搜索空间中包含的超参数的取值范围可以如下表3所示,
表3
可以通过上述表3所示的超参数和对应的取值范围,构建预设超参数搜索空间,这样,在对损耗预测模型进行训练时,通过Optuna技术将根据范围设置不同的超参数组合,然后利用这些组合训练新的模型,并获得模型指标。同时,每个训练过的超参数组合的结果都将进行比较并保存最佳组合和结果。
在S212中,将预测子损耗值的均值,确定为预测损耗值。
在实施中,如图3所示,服务器可以将预测子损耗值的均值y’确定为预测损耗值y。
在S214中,基于路径损耗值和预测损耗值,确定损耗预测模型是否收敛,在损耗预测模型未收敛的情况下,基于预设验证指标、路径损耗值和预测损耗值,对损耗预测模型进行性能评估处理。
其中,预设验证指标包括均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R^2)以及相关系数(CC)中的一个或多个。
在实施中,均方误差计算的是预测值与实际观测值之间差值的平方的平均值,可以用来衡量模型的预测误差的平均水平。均方误差越小,表示模型的预测误差越低,与实际观测值的差异越小。均方误差可以用于衡量模型的准确性和预测精度。
均方根误差计算的是预测值与实际观测值之间差值的平方的平均值的平方根,可以用来表示模型的预测误差的平均水平。均方根误差越小,表示模型的预测误差越低,与实际观测值的差异越小。均方根误差是MSE的平方根,比MSE更直观地反映了预测误差的大小。
决定系数可以用于表示因变量的变异有多少可以由自变量来解释。R^2的取值范围在0到1之间。当R^2接近1时,说明模型能够很好地解释因变量的变异,拟合效果较好。
平均绝对误差计算的是预测值与实际观测值之间的绝对差值的平均值,用来表示模型的预测误差的平均水平。MAE越小,意味着模型的预测误差越低,与实际观测值的差异越小,能够反映出模型的准确性和稳定性。
相关系数可以用于评估模型的预测性能,相关系数的取值范围可以在 -1 到 1之间,当相关系数接近 1 时,表示两个变量之间存在强正相关,即预测值和测量值之间的变化趋势相似,且正相关程度较高;当相关系数接近 -1 时,表示两个变量之间存在强负相关,即预测值和测量值之间的变化趋势相反,且负相关程度较高;当相关系数接近 0 时,表示两个变量之间关联较弱,即预测值和测量值之间的变化趋势不太相关。
在S216中,基于性能评估结果和预设超参数搜索空间,确定下一次迭代过程中损耗预测模型的超参数,并继续对损耗预测模型进行迭代训练,直到损耗预测模型收敛,得到训练后的损耗预测模型。
在实施中,可以将环境参数中随机选取的80%作为训练集样本,剩下20%作为测试机样本,以通过训练集样本对损耗预测模型进行迭代训练,例如,若总样本数量为17696,那么,训练集样本数量可以为14156,测试集样本数量可以为3540。
得到的训练后的损耗预测模型的模型参数可以如下表4所示。
表4
将上述测试集应用到该训练后的损耗预测模型进行测试,可以得到下表5所示的结果。
表5
通过上述表5所示的数据分析,可以看出训练后的损耗预测模型的拟合度达到95%,该损耗预测模块模型可以利用经纬度、天线高度、接收端高度和离轴角等因素,解释了约95%的路径损耗变化。此外,训练集和测试集上的均方误差、绝对平均误差、均方根误差之间的差异较小,证明该训练后的损耗预测模型不存在过拟合或欠拟合问题。
其中,CC接近于1,说明预测值和测量值之间的变化趋势相似,且正相关程度较高。在如图5所示该训练后的损耗预测模型的预测偏差图中,可以看出预测偏差走势平缓,大部分偏差在5dB以内,并且相对于传统ITU模型,该训练后的损耗预测模型的均方根误差(RMSE)更小且偏差走势更合理。综上所述,该训练后的损耗预测模型表现优异,具有实际应用意义,为路径损耗预测提供了一种高效且精确的解决方案。
训练后的损耗预测模型对于输入数据中的噪声、异常值或其他干扰因素具有较好的抵抗能力,且在未见过的数据上的表现能力优异,具有较好的鲁棒性和泛化能力。
本发明实施例提供一种电波传播路径损耗预测方法,通过获取无线电波在传输过程中的环境特征,以及路径损耗值,将环境特征输入损耗预测模型,得到预测损耗值,损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,损耗预测模型为基于随机森林算法构建的包含多个决策树的模型,基于路径损耗值和预测损耗值,确定损耗预测模型是否收敛,在损耗预测模型未收敛的情况下,基于预设验证指标、路径损耗值和预测损耗值,对损耗预测模型进行性能评估处理,基于性能评估结果和预设超参数搜索空间,确定下一次迭代过程中损耗预测模型的超参数,并继续对损耗预测模型进行迭代训练,直到损耗预测模型收敛,得到训练后的损耗预测模型。这样,可以通过获取的无线电波在传输过程中的环境特征和路径损耗值,对由随机森林算法构建的损耗预测模型进行训练,可以提高训练得到的损耗预测模型在不同环境下的损耗预测准确性,同时,在训练过程中,还可以通过预设验证指标对损耗预测模型进行性能评估,以基于性能评估结果,在下一次迭代过程中,可以从预设超参数搜索空间筛选出损耗预测模型的超参数,以提高损耗预测模型的训练效果,进而通过训练得到的损耗预测模型对无线电波在不同环境中的路径损耗进行准确的预测。
实施例3
以上为本发明实施例提供的一种电波传播路径损耗预测方法,基于同样的思路,本发明实施例还提供一种电波传播路径损耗预测装置,如图6所示。
该路径损耗预测装置包括:数据获取模块601、预测模块602、训练模块603以及调优模块604,其中:
数据获取模块601,用于获取无线电波在传输过程中的环境特征,以及路径损耗值。
预测模块602,用于将所述环境特征输入损耗预测模型,得到预测损耗值,所述损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,所述损耗预测模型为基于随机森林算法构建的包含多个决策树的模型。
训练模块603,用于基于所述路径损耗值和所述预测损耗值,确定所述损耗预测模型是否收敛,在所述损耗预测模型未收敛的情况下,基于预设验证指标、所述路径损耗值和所述预测损耗值,对所述损耗预测模型进行性能评估处理;
调优模块604,用于基于性能评估结果和所述预设超参数搜索空间,确定下一次迭代过程中所述损耗预测模型的超参数,并继续对所述损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。
在本发明实施例中,所述训练模块603,用于:
将所述环境特征分别输入所述损耗预测模型中的每个决策树,得到所述决策树对应的预测子损耗值;
将所述预测子损耗值的均值,确定为所述预测损耗值。
在本发明实施例中,所述预设验证指标包括均方误差、均方根误差、平均绝对误差、决定系数以及相关系数中的一个或多个。
在本发明实施例中,所述预设超参数搜索空间包括所学习数量、最大深度、叶节点最小数量的范围,以及非叶节点最小数量的范围。
在本发明实施例中,所述数据获取模块601,用于:
获取所述无线电波在传输过程中的环境参数;
对所述环境参数进行预处理操作,得到预处理后的环境参数,所述预处理操作包括缺失值去除处理操作、异常值处理操作、标准化处理操作以及归一化处理操作;
对所述预处理后的环境参数进行特征提取,得到环境特征。
在本发明实施例中,所述数据获取模块601,用于:
获取预设特征的特征重要度,并基于预设重要度阈值和所述特征重要度,对所述预设特征进行筛选处理,得到目标特征;
基于所述目标特征,所述预处理后的环境参数进行特征提取处理,得到所述环境特征。
在本发明实施例中,所述环境参数包括所述无线电波的信号发射源的位置信息、所述无线电报的接收器的位置信息、所述无线电波的传输路径对应的地形信息。所述无线电波的频率,以及所述无线电波的传输路径对应的建筑物分布信息。
本发明实施例提供一种电波传播路径损耗预测装置,通过获取无线电波在传输过程中的环境特征,以及路径损耗值,将环境特征输入损耗预测模型,得到预测损耗值,损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,损耗预测模型为基于随机森林算法构建的包含多个决策树的模型,基于路径损耗值和预测损耗值,确定损耗预测模型是否收敛,在损耗预测模型未收敛的情况下,基于预设验证指标、路径损耗值和预测损耗值,对损耗预测模型进行性能评估处理,基于性能评估结果和预设超参数搜索空间,确定下一次迭代过程中损耗预测模型的超参数,并继续对损耗预测模型进行迭代训练,直到损耗预测模型收敛,得到训练后的损耗预测模型。这样,可以通过获取的无线电波在传输过程中的环境特征和路径损耗值,对由随机森林算法构建的损耗预测模型进行训练,可以提高训练得到的损耗预测模型在不同环境下的损耗预测准确性,同时,在训练过程中,还可以通过预设验证指标对损耗预测模型进行性能评估,以基于性能评估结果,在下一次迭代过程中,可以从预设超参数搜索空间筛选出损耗预测模型的超参数,以提高损耗预测模型的训练效果,进而通过训练得到的损耗预测模型对无线电波在不同环境中的路径损耗进行准确的预测。
Claims (8)
1.一种电波传播路径损耗预测方法,所述方法包括:
获取无线电波在传输过程中的环境特征,以及路径损耗值;
将所述环境特征输入损耗预测模型,得到预测损耗值,所述损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,所述损耗预测模型为基于随机森林算法构建的包含多个决策树的模型;
基于所述路径损耗值和所述预测损耗值,确定所述损耗预测模型是否收敛,在所述损耗预测模型未收敛的情况下,基于预设验证指标、所述路径损耗值和所述预测损耗值,对所述损耗预测模型进行性能评估处理;
基于性能评估结果和所述预设超参数搜索空间,确定下一次迭代过程中所述损耗预测模型的超参数,并继续对所述损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。
2.根据权利要求1所述的方法,所述将所述环境特征输入损耗预测模型,得到预测损耗值,包括:
将所述环境特征分别输入所述损耗预测模型中的每个决策树,得到所述决策树对应的预测子损耗值;
将所述预测子损耗值的均值,确定为所述预测损耗值。
3.根据权利要求2所述的方法,所述预设验证指标包括均方误差、均方根误差、平均绝对误差、决定系数以及相关系数中的一个或多个。
4.根据权利要求3所述的方法,所述预设超参数搜索空间包括所学习数量、最大深度、叶节点最小数量的范围,以及非叶节点最小数量的范围。
5.根据权利要求1所述的方法,所述获取无线电波在传输过程中的环境特征,包括:
获取所述无线电波在传输过程中的环境参数;
对所述环境参数进行预处理操作,得到预处理后的环境参数,所述预处理操作包括缺失值去除处理操作、异常值处理操作、标准化处理操作以及归一化处理操作;
对所述预处理后的环境参数进行特征提取,得到环境特征。
6.根据权利要求5所述的方法,所述对所述预处理后的环境参数进行特征提取处理,得到所述环境特征,包括:
获取预设特征的特征重要度,并基于预设重要度阈值和所述特征重要度,对所述预设特征进行筛选处理,得到目标特征;
基于所述目标特征,对所述预处理后的环境参数进行特征提取处理,得到所述环境特征。
7.根据权利要求6所述的方法,所述环境参数包括无线电波的信号发射源的位置信息、无线电报的接收器的位置信息、无线电波的传输路径对应的地形信息、无线电波的频率,以及无线电波的传输路径对应的建筑物分布信息。
8.一种电波传播路径损耗预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取无线电波在传输过程中的环境特征,以及路径损耗值;
预测模块,用于将所述环境特征输入损耗预测模型,得到预测损耗值,所述损耗预测模型的超参数为在预设超参数搜索空间进行搜索得到,所述损耗预测模型为基于随机森林算法构建的包含多个决策树的模型;
训练模块,用于基于所述路径损耗值和所述预测损耗值,确定所述损耗预测模型是否收敛,在所述损耗预测模型未收敛的情况下,基于预设验证指标、所述路径损耗值和所述预测损耗值,对所述损耗预测模型进行性能评估处理;
调优模块,用于基于性能评估结果和所述预设超参数搜索空间,确定下一次迭代过程中所述损耗预测模型的超参数,并继续对所述损耗预测模型进行迭代训练,直到所述损耗预测模型收敛,得到训练后的损耗预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410463530.3A CN118101105A (zh) | 2024-04-17 | 2024-04-17 | 一种电波传播路径损耗预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410463530.3A CN118101105A (zh) | 2024-04-17 | 2024-04-17 | 一种电波传播路径损耗预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118101105A true CN118101105A (zh) | 2024-05-28 |
Family
ID=91155075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410463530.3A Pending CN118101105A (zh) | 2024-04-17 | 2024-04-17 | 一种电波传播路径损耗预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118101105A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329437A (zh) * | 2021-06-07 | 2021-08-31 | 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 |
CN116258052A (zh) * | 2021-12-09 | 2023-06-13 | 北京邮电大学 | 一种路损预测方法、装置及电子设备 |
CN116321187A (zh) * | 2021-12-21 | 2023-06-23 | 中国移动通信有限公司研究院 | 一种信号路径损耗预测模型的训练方法及装置 |
-
2024
- 2024-04-17 CN CN202410463530.3A patent/CN118101105A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329437A (zh) * | 2021-06-07 | 2021-08-31 | 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 |
CN116258052A (zh) * | 2021-12-09 | 2023-06-13 | 北京邮电大学 | 一种路损预测方法、装置及电子设备 |
CN116321187A (zh) * | 2021-12-21 | 2023-06-23 | 中国移动通信有限公司研究院 | 一种信号路径损耗预测模型的训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙鹏 等: "神经网络传播模型的设计与应用", 无线电工程, vol. 35, no. 2, 28 February 2005 (2005-02-28), pages 47 - 52 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9906963B2 (en) | Big-data-mining-based wireless channel modeling method | |
CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN111222776B (zh) | 基于卷积神经网络的卫星网络协调态势评估方法及系统 | |
CN114241779B (zh) | 一种城市快速路交通流短时预测方法、计算机及存储介质 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN111695468B (zh) | 一种基于K-shot学习的极化SAR地物分类方法 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN114417942B (zh) | 一种杂波识别方法及系统及装置及介质 | |
CN116187563A (zh) | 一种融合改进变分模态分解的海表温度时空智能预测方法 | |
CN117793857B (zh) | 无线路由器接入方法及系统 | |
Zaker Esteghamati et al. | A data‐driven approach to evaluate site amplification of ground‐motion models using vector proxies derived from horizontal‐to‐vertical spectral ratios | |
CN113033457B (zh) | 一种软故障识别模型训练和软故障识别方法、装置 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN118101105A (zh) | 一种电波传播路径损耗预测方法及装置 | |
CN114513374B (zh) | 一种基于人工智能的网络安全威胁识别方法及系统 | |
CN109889981B (zh) | 一种基于二分类技术的定位方法及系统 | |
CN116258052A (zh) | 一种路损预测方法、装置及电子设备 | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points | |
CN111835541B (zh) | 一种流量识别模型老化检测方法、装置、设备及系统 | |
Peng et al. | Uck-means: A customized k-means for clustering uncertain measurement data | |
Skapa et al. | K-mean clustering and correlation analysis in recognition of weather impact on radio signal | |
Amendola et al. | A neural network ensemble downscaling system (SIBILLA) for seasonal forecasts over Italy: winter case studies | |
CN112529035B (zh) | 识别不同电台个体种类的智能识别方法 | |
CN116470975B (zh) | 一种基于svr的自适应传播预测模型的建模方法 |
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 |