[發明專利]一種基于地理信息的5G參考信號接收功率預測方法

有效

• 申請號: 202010729363.4
• 申請日: 2020-07-27
• 公開（公告）號: CN112367129B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 徐小龍;徐浩嚴;趙娟;孫雁飛
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04B17/318
• 分類號: H04B17/318;H04B17/391;H04B17/373;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 曹坤

1.一種基于地理信息的5G參考信號接收功率預測方法，其特征在于：包括以下步驟：

步驟(1.1)、根據地圖信息構建特征地圖；

步驟(1.2)、使用人工智能構建誤差迭代修正模型，將構建的特征地圖與實際的信號接受功率共同訓練構建的誤差迭代修正模型；

在步驟(1.1)中，所述特征地圖具體構建過程的步驟如下：

(1.1.1)、首先，構建高度特征圖：其包括構建發射機相對地面的高度特征，構建柵格與信號線的相對高度特征，構建小區發射機相對地面的高度特征，構建小區站點所在柵格(Cell X，Cell Y)的建筑物高度特征，構建小區站點所在柵格(Cell X，Cell Y)的海拔高度特征及信號接收端所在的柵格(X，Y)上的海拔高度特征；

(1.1.2)、其次，構建場景特征圖：對發射機與信號接收端的位置進行定位，具體操作是：5G信號由發射機發出，最終由信號接收端接收；

從發射機發出的5G信號在傳輸到信號接收端中，通過海拔、建筑及場景不同的20種地形的統計構建場景特征圖；

(1.1.3)、最后，構建信號特征圖：通過Cost 231-Hata特征獲取發射機與信號接收端的位置，計算由發射機到信號接收端的距離，獲取發射機的5G信號發射功率；將Cost 231-Hata特征、發射機到信號接收端的距離、發射機的5G信號發射功率構建成信號特征圖；

在所述步驟(1.1.2)中，所述的地形包括：海洋，內陸湖泊，濕地，城郊開闊區域，市區開闊區域，道路開闊區域，植被區，灌木植被，森林植被，城區超高層建筑(60m)，城區高層建筑(40m-60m)，城區中高層建筑(20m-40m)，城區20m高密度建筑群，城區20m多層建筑，低密度工業建筑區域，高密度工業建筑區域，城郊，發達城郊區域，農村，CBD商務圈地形的柵格數目；

在步驟(1.1.3)中，所述Cost 231-Hata特征的計算方法如下：

其中，d表示發射機到信號接收端的距離，(Cell X，Cell Y)與(X，Y)分別表示小區站點所在柵格與信號接收端所在的柵格；

PL＝46.3+33.9log₁₀f-13.82log₁₀h_b-α+(44.9-6.55log₁₀h_ue)log₁₀d+C_m (2)

其中，PL表示傳播路徑損耗，f表示載波頻率，h_b表示基站天線有效高度，α表示用戶天線高度糾正項，h_ue表示用戶天線有效高度，C_m表示場景糾正常數；

其中，RSRP與PL的關系：RSRP＝P_t-PL (3)

RSRP表示Cost 231-Hata特征計算的信號接收功率，P_t表示小區發射機發射功率；

所述的C_m由場景特征圖經過卷積神經網絡計算所得；h_b與h_ue由柵格與信號線的相對高度、小區發射機相對地面的高度、小區站點所在柵格(Cell X，Cell Y)的海拔高度、信號接收端所在的柵格(X，Y)上的海拔高度及小區站點所在柵格(Cell X，Cell Y)的建筑物高度經過BP神經網絡計算所得；

其中，所述柵格與信號線的相對高度的計算方法如下：

式(4)中，Δh_v＝Height+Cell Altitude-tan(Electrial Downtilt+Mechanical Downtilt)中的Height表示小區發射機相對地面的高度，

Δh_v＝Height+Cell Altitude-tan(Electrial Downtilt+Mechanical Downtilt)分別表示小區站點所在柵格(Cell X，Cell Y)的海拔高度、信號接收端所在的柵格(X，Y)上的海拔高度、小區發射機垂直電下傾角及小區發射機垂直機械下傾角；其中每個柵格為5米乘5米的正方形；

在步驟(1.2)中，所述構建誤差迭代修正模型的具體步驟如下：

(1.2.1)、設計一個神經網絡模型Model₁(x)：pre＝Model₁(x) (5)

其中，所述x表示神經網絡模型Model₁(x)輸入值，所述的輸入值包括：場景特征圖、高度特征圖與信號特征圖；pre表示神經網絡模型Model₁(x)的輸出；

其中，所述神經網絡模型包含誤差反向傳播算法、卷積神經網絡、激活層、池化層、全連接層；使用均方誤差作為損失函數，通過亞當優化器來訓練；

針對場景特征圖：使用不同大小的卷積核進行卷積運算，首先在輸入層中的邊界進行補0操作，在卷積層中每個卷積核與補0后的輸入序列從序列首端做內積運算一直到序列末端，得到輸出層的值，形成新的特征圖；再通過全連接層得到場景糾正常數；

針對高度特征圖：使用誤差反向傳播算法對高度特征進行計算；得到基站天線有效高度及用戶天線有效高度；根據式(1)-(3)得到Cost 231-Hata特征計算的信號接收功率；

針對信號特征圖：將RSRP、d、P_t與場景特征構成特征向量，使用不同大小的卷積核進行卷積運算，在卷積層中每個卷積核與輸入層中邊界補0的輸入序列從序列首端做內積運算一直到序列末端，得到輸出層的值，形成新的特征圖f₁；

將f₁通過Relu激活函數激活，所述Relu激活函數如式(6)所示：

Ac＝max(0，f₁) (6)

其中，Ac表示激活層輸出的矩陣，對Ac進行最大池化操作，ma表示最大池化的長度，Po_i表示最大池化的結果：

Po_i＝max({Ac_i，Ac_i+1...Ac_i+ma-2，Ac_i+ma-1}) (7)

其中，Ac_i為矩陣中第i個元素，將池化結果Po_i輸入到全連接層中進行分類，把分布式特征映射到樣本標記空間；所述全連接層由每個池化層連成一個一維向量，先經過隱含層神經元的計算，最后再連接一個神經元輸出構成；每個神經元與的計算方法如式(8)所示：

pre＝∑_iPo_i·W (8)

最終；pre為Model₁預測的結果，W表示網絡中的參數；

(1.2.2)、訓練神經網絡模型Model₁(W，b)期望得到最小化的損失函數：

Loss(Model₁(W，b)，Label)＝(pre-Label)² (9)

其中，Label表示每個數據的標簽，W與b分別表示神經網絡模型Model₁中的參數與偏置；

(1.2.3)、計算誤差函數：

Error(Model₁(x)，Label)＝pre-Label (10)

其中，Error表示每個數據x經過訓練后神經網絡模型Model₁(x)映射之后得到的pre與預期的Label產生的誤差；

(1.2.4)、設計一個與神經網絡模型Model₁(x)結構相同的神經網絡模型Model₂(x)，用來修正神經網絡模型Model₁(x)在預測參考信號功率時產生的誤差：

pre₂＝Model₂(x) (11)

其中，pre₂表示神經網絡模型Model₁(x)預測信號功率產生的誤差；

(1.2.5)、令Label₂＝Error，訓練神經網絡模型Model₂(x)期望得到最小化的損失函數：

Loss(Model₂(x)，Label)＝(pre₂-Label₂)² (12)

Label₂表示神經網絡模型Model₂(x)預測的值，Error表示神經網絡模型Model₁(x)在預測信號功率時產生的誤差；

(1.2.6)、使用神經網絡模型Model₂(x)的結果修正神經網絡模型Model₁(x)產生的誤差，其計算方法如下：

Pre₃＝Model₁(x)+Model2(x) (13)；

在步驟(1.2.2)中，所述訓練神經網絡模型Model₁(W，b)期望得到最小化的損失函數的具體步驟如下：對于給定的迭代次數，首先基于在整個數據集上求出的損失函數loss(W)對輸入的參數向量W計算梯度向量；然后對參數W進行更新：對參數W減去梯度值乘學習率的值，也就是在反梯度方向，更新參數；

其中，表示參數梯度下降方向，即loss(W)的偏導數，η為學習率；Label表示樣本的真實值；當完成迭代時，實現W的更新與模型的建立：

Loss(W)＝(Label-(Model₁(W)+Model₂(W)))² (14)