[發明專利]基于室外測試特征的室內外分離法

在審

• 申請號: 201610128746.X
• 申請日: 2016-03-07
• 公開（公告）號: CN105682136A
• 公開（公告）日: 2016-06-15
• 發明（設計）人: 孫義興;司正中
• 申請（專利權）人: 四川亨通網智科技有限公司
• 主分類號: H04W24/10
• 分類號: H04W24/10;H04L12/26
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.基于室外測試特征的室內外分離法，其特征在于：它包括如下步驟：

S1：數據采集，從服務器上通過采集接口采集MR數據、路測數據、室分基礎數據和GIS數 據；

S2：將MR數據進行清洗，去除非法數據及噪聲；

S3：將室外測試的DT/CQT數據按N*N米劃分成柵格，按經緯度投放到不同的柵格中，共 形成M個柵格，每個柵格確定其中心經緯度{{lon1,la1},{lon2,la2}……{lonm,lam}}

S4：選取BP人工神經網絡算法建立分類模型，將每個DT/CQT柵格的每個采樣點的前六 強RSCP、EC/IO值作為輸入層參數，用1或0代表室內和室外作為輸出層參數，每個DT/CQT柵 格訓練成一個分類器，共有M個分類器；

S5：將采集到的白天MR數據按IMSI以及用戶會話分段，作為檢測對象；

S6：將每個用戶的每次會話的MR按N*N米劃分成柵格，按經緯度投放到不同的柵格中, 共形成K個柵格，每個柵格確定其中心經緯度{mrlon1,mrla1},{mrlon2,mrla2}…… {mrlonk,mrlak}；

S7：根據最近距離找出步驟S6中每個MR柵格對應的神經網絡分類器；

S8：遍歷每一個S6中的MR柵格，提取MR柵格中的每條MR，得到前六強RSCP和EC/NO作為 分類器的12個輸入參數；

S9：將12個參數輸入到當前MR柵格對應的神經網絡分類器中，運算后得到每條MR室內 室外屬性。

2.根據權利要求1所述的基于室外測試特征的室內外分離法，其特征在于：所述的步驟 S3中DT/CQT測試采樣點柵格投放包括如下子步驟：

S31：經緯度統一處理，保留5位小數，若采集到的經緯度小數點后位數超過5位，則省略 掉第5位后的位數，若不足5位，則在后面補0；

S32：確定每條DT/CQT數據的柵格標識，以50米*50米柵格為例，截取經緯度小數點后第 4位假設為a，a的取值范圍為0≤a≤9，若a≤5則a統一取值為0；若a>5，則a取值為5；將經度 的前7位與a相加與緯度的前6位與a相加即得到每條DT/CQT的柵格標識；

S33：確定每個DT/CQT采樣點的柵格標識，然后再確定每個采樣點與哪個柵格相對應， 即完成DT/CQT測試采樣點的柵格投放。

3.根據權利要求1所述的基于室外測試特征的室內外分離法，其特征在于：所述的步驟 S4中BP人工神經網絡算法建立分類模型的方法包括如下子步驟：

S41：數據歸一化處理，歸一化算法為：

y＝(x-min)/(max-min)(0<＝y<＝1)

上式中的x為具體MR采樣點第N導頻的RSCP或Ec/No值，min為RSCP或Ec/No的最小取值， 分別為-112和-24；max為RSCP或Ec/No的最大取值，分別為-40和-1，y為歸一化后的值，被映 射為0至1的取值范圍；

S42：初始化輸入層至隱藏層的權重數組iptHidWeights[12][6]以及隱藏層至輸出層 的權重數組hidOptWeights[6][2]，初始值利用隨機函數生成；

S43：得到輸入層傳播至隱藏層的加權值以及隱藏層至輸出層的加權值，如下式：

neti=Σj=1nwijxij-θ]]>

yi＝f(neti)

f(x)=11+e-ax]]>

上式中wij為輸入層至隱藏層以及隱藏層至輸出層的權重值，θ表示一個閾值默認取0， xij為第i個輸入層至第j個隱藏層的輸入值或第i個隱藏層至第j個輸出層的輸入值，yi為 神經元i的輸出值；F(x)為轉移函數；通過上述三式即可得到每一條MR的室內外屬性輸出；

S44：根據理論輸出校正步驟S43中的實際輸出的權重數組iptHidWeights[12][6]以及 hidOptWeights[6][2]，不斷的迭代學習。