[發明專利]基于參數和神經網絡預測天線調整后小區場強分布的方法

有效

• 申請號: 201911263143.0
• 申請日: 2019-12-11
• 公開（公告）號: CN111062466B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 吳冬華;宋鐵成;黃陳蘭子;王藝蓉;梁曼玉;胡靜;余健;徐慧
• 申請（專利權）人: 南京華蘇科技有限公司;東南大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0499;G06N3/084;G01R29/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 顧伯興

本發明涉及一種基于參數和BP神經網絡對天線調整后小區場強分布的預測方法，包括以下步驟：(1)收集用戶MDT數據，由用戶設備UE上報所述用戶MDT數據；(2)對所述步驟(1)中收集的MDT數據進行處理，剔除異常值；(3)將小區分成方形柵格，并將劃分的所述方形柵格分為兩類，第一類柵格為RSRP數據充足的柵格，用于訓練神經網絡；第二類柵格為RSRP數據不充足的柵格；(4)采用三層神經網絡進行訓練，輸出RSRP數據不充足的柵格功率；(5)根據天線方位角轉動之后的每個柵格的平均接收功率的公式獲得天線方位角轉動之后的每個柵格的平均接收功率，即實現對天線調整后小區場強分布的預測。該方法的精確度高誤差小。

技術領域

本發明涉及電磁波場強預測技術，尤其涉及一種基于參數和BP神經網絡對天線調整后小區場強分布的預測方法。

背景技術

場強預測模型的研究主要目的是為了滿足移動通信網的科學規劃，合理的站址選擇可以有效提供覆蓋，消除覆蓋盲區，并且為今后的網絡優化提供方便。

國內外對電波傳播的預測研究工作從七十年代開始廣泛展開，摸索建立了很多分析模型，不同的場景下需要不同的傳播模型，陸續開發的Road模型，Oknmura-Hata模型、ECAC模型、Palmer模型、適合市郊場景的Murphy模型以及適用于小區制射線跟蹤模型等。比較常見的精確預測場強的是確定性模型，即傳播環境、建筑信息等作為準確的輸入信息，亦即射線跟蹤(RT)模型。RT傳輸利用菲涅爾原理、反射系數及幾何繞射理論(GeometricalTheory?of?Diffraction，GTD)和一致性繞射理論(Uniform?Theory?of?Diffraction，UTD)。由于需要大量精確的環境數據，射線跟蹤模型一般局限于室內，在室外場景中未得到廣泛的應用。

而人工神經網絡(ANN)恰能彌補這個不足，其在場強預測中應用的優點恰恰是，可以在建筑物的形狀、參數和結構特征未知的情況下，利用容易獲取的一些相關參數得到比較精確的場強值，且能夠靈活地適應不同的場景。其原理是，利用可獲得的參數作為神經網絡的輸入，經過不同的層，每層設置不同的神經元，經過特定的傳輸函數到達神經網絡的輸出層，然后利用實測數據進行訓練，即通過調整神經網絡的參數來尋找最佳的傳輸函數。ANN包含一系列相互連接的基本單元，稱作神經元或節點。

目前有關文獻中介紹了某室外微小區的場強預測方法，它將小區的地形信息參數輸入至神經網絡進行訓練，并運用實測數據對模型的精度進行驗證。有關文獻提出一種室外混合預測模型，它將經驗模型與ANN模型相結合，分別考慮收發端視距(Line?of?Sight,LOS)和非視距(Non?Line?of?Sight,NLOS)情形，此種模型一般用于不同的地形類型，包含城市、郊區等。有關文獻介紹了一種室內預測方法，比較了多種類型ANN用于場強預測的效果。有關文獻也采用ANN方法，運用機器學習對不同地形進行分類，能夠自動提取必要的場景信息進行訓練。有關文獻介紹了一種混合差分預測模型，其具體做法是利用粗略的場景模型和少量的精確預測值來訓練多層感知機神經網絡，使得以較小的運算復雜度代價得到精確的場強預測效果。上述各種算法固然能取得較高的精度，然而，是以精確的環境信息的支持為條件的，且某些算法沒有真實數據予以驗證。

因此，針對上述不足，有必要開發一種基于參數和BP神經網絡對天線調整后小區場強分布的預測方法，利用天線調整前的大量用戶數據，通過ANN預測天線方位角調整后天線有效覆蓋區域內任意地理位置的接收功率，無需依賴環境數據，與實測數據比較的結果表明，預測誤差在合理精度范圍內。

發明內容

本發明要解決的技術問題是，提供一種基于參數和BP神經網絡對天線調整后小區場強分布的預測方法，通過ANN預測天線有效覆蓋區域內任意地理位置的接收功率，并基于電波傳播公式和天線方向圖增益變化預測天線方位角調整后的有效覆蓋范圍內的用戶接收功率，無需依賴環境數據；且預測的誤差很小。

為了解決上述技術問題，本發明采用的技術方案是：該基于參數和BP神經網絡對天線調整后小區場強分布的預測方法，包括以下步驟：