[發明專利]一種基于人工智能算法的無線信道建模方法

在審

• 申請號: 201910343878.8
• 申請日: 2019-04-26
• 公開（公告）號: CN110113119A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 李偉;魏文康;劉暢;武秀廣;劉珊杉;張磊;楊夏青
• 申請（專利權）人: 國家無線電監測中心
• 主分類號: H04B17/391
• 分類號: H04B17/391;G06N3/08;G06N3/06;G06N3/04
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 冀學軍

本發明公開了一種基于人工智能算法的無線信道建模方法，屬于無線通信領域。首先采集預設測試場景下用于無線信道建模的各類無線電波測量數據，訓練人工智能算法模型；然后根據預設測試場景和人工智能算法模型，組合得到預設測試場景下的無線信道大尺度衰落模型和無線信道小尺度衰落模型。在相同預設測試場景下，輸入不同地理區域的無線電波測量數據，訓練無線信道大小尺度衰落模型，直接獲得其它地理區域的無線信道模型，以及電波傳播特性隨特征參數變化的基本規律。最后根據訓練樣本、基本規律和無線信道大小尺度衰落模型，建立基于特征參數的無線信道模型。本發明更為精確化和智能化，具備良好的普適性和靈活的可擴展性。

技術領域

本發明屬于無線通信領域，涉及無線信道建模，具體是一種基于人工智能算法的無線信道建模方法。

背景技術

根據無線通信業務和頻段及其用途的不同，無線信道模型也各異，比如有適用于蜂窩移動通信的信道模型、鐵路車地無線通信的信道模型、衛星通信的信道模型以及地面視距微波等方面的信道模型。

傳統的無線信道建模方法主要分為三類：基于理論計算的方法、基于實際測量的方法、以及理論與計算相結合的綜合法。

基于理論計算的方法，比如射線追蹤法、相關矩陣法等，往往需要提出一些假設條件使得無線信道的數學模型簡化，如射線追蹤法中一些障礙物、反射面和散射面的電參數需要通過實驗得到；從而基于理論計算的方法得到的無線信道模型都是近似的，與實際的信道條件往往有較大差異。

基于實際測量的方法是當前無線信道建模的主流方法，比如基于空間幾何的隨機理論法，但是測試工作特別耗時。目前采集測試數據工作只是在一些固定點或者采用移動的方式在某幾條街道(線)上開展，難以獲得基于面(整片測試預設場景)或網絡級的海量數據對無線信道進行數學建模。

基于實際測量的方法，每次根據實際測量數據建立的信道模型只能適用于特定的環境，一旦環境發生變化，原有的模型就無法使用。比如普遍應用于第四代移動通信系統(4G)的無線信道模型就是基于空間幾何的隨機理論法得到的，在電信運營商網規網優之前，信道模型需要根據場景開展大量測試進行本地化校正后方可使用。

再者，無線信道模型與電波傳播環境(比如地形地貌)息息相關，傳統建模算法不能對多元數據進行融合處理。

因此無論是基于理論計算的方法還是基于實際測量的方法，獲取的信道模型的準確度較低。因此，大多傳統信道建模方法離不開實際場景的測試，信道模型的普適性和可擴展性均較差。一旦變換了應用場景，就需要重新開展無線電波測試數據采集和信道建模工作，造成大量人力、物力、財力的浪費。

基于人工智能算法，對無線通信系統傳輸等技術研究的信道建模是一個嶄新的研究領域，目前在國內外很少有開展這方面的系統工作的報道。

發明內容

本發明針對上述現有無線信道建模方法所存在的問題，為了解決建模流程耗時長、復雜度和成本高，以及現有信道模型的可擴展性和普適性差、精確度低的問題，提供了一種基于人工智能算法的無線信道建模方法。

具體步驟如下：

步驟一、采集預設測試場景下用于無線信道建模的各類無線電波測量數據；

數據包括無線電波測量數據，地形數據和水文氣象數據；

步驟二、利用采集的各類無線電波測量數據訓練人工智能算法模型；

人工智能算法模型包括反向傳播神經網絡算法和徑向基函數神經網絡算法；

步驟三、根據預設測試場景和人工智能算法模型，組合得到預設測試場景下的無線信道大尺度衰落模型；

大尺度衰落模型基于反向傳播神經網絡算法，具體步驟如下：