[發明專利]大尺度衰落的建模及估計方法、系統、設備和存儲介質

在審

• 申請號: 202111194300.4
• 申請日: 2021-10-13
• 公開（公告）號: CN115967457A
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 廖金龍;汪波;許靖;呂星哉;芮華
• 申請（專利權）人: 中興通訊股份有限公司
• 主分類號: H04B17/391
• 分類號: H04B17/391
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 于曉然

1.一種信道大尺度衰落的建模方法，其特征在于，包括：

獲取目標區域內的路徑損耗參數和大尺度衰落數據，所述目標區域為若干基站共同覆蓋的區域；

根據所述路徑損耗參數和所述大尺度衰落數據進行集成學習，得到路徑損耗預測模型；

根據所述路徑損耗預測模型解耦所述大尺度衰落數據中的路徑損耗和陰影衰落，得到陰影衰落數據；

對所述目標區域進行網格化，得到若干個網格并將所述陰影衰落數據劃分到相應的所述網格中；

根據各個所述網格內的所述陰影衰落數據進行集成學習，得到各個所述網格的陰影衰落預測模型。

2.根據權利要求1所述的信道大尺度衰落的建模方法，其特征在于，所述根據各個所述網格內的所述陰影衰落數據進行集成學習，得到各個所述網格的陰影衰落預測模型之后，所述方法還包括：

若檢測到存在集成學習失敗的所述網格，對集成學習成功的所述網格的所述陰影衰落預測模型按照預設方式進行泛化，得到集成學習失敗的所述網格的所述陰影衰落預測模型，其中，所述預設方式包括：篩選所述陰影衰落數據的分布最接近高斯分布的所述網格的所述陰影衰落預測模型，或者，對與集成學習失敗的所述網格相鄰的集成學習成功的所述網格的所述陰影衰落預測模型進行加權組合。

3.根據權利要求1或2所述的信道大尺度衰落的建模方法，其特征在于，對所述目標區域進行網格化，得到若干個網格并將所述陰影衰落數據劃分到相應的所述網格中之后，所述方法還包括：

計算各個所述網格內的所述陰影衰落數據平均值；

若檢測到至少一個所述網格的所述平均值超過預設閾值，重新訓練所述路徑損耗預測模型。

4.根據權利要求3所述的信道大尺度衰落的建模方法，其特征在于，所述路徑損耗預測模型和所述陰影衰落預測模型的基模型為樹模型或神經網絡。

5.根據權利要求4所述的信道大尺度衰落的建模方法，其特征在于，所述路徑損耗預測模型的基模型為分類回歸樹CRAT時，所述根據所述路徑損耗參數和所述大尺度衰落數據進行集成學習，得到路徑損耗預測模型，包括：

根據所述路徑損耗參數和所述大尺度衰落數據生成包含有若干個訓練數據的初始路徑損耗訓練集，其中，所述大尺度衰落數據為所述訓練數據中的訓練目標；

從所述初始路徑損耗訓練集中有放回地抽取所述訓練數據，直到抽取出的所述訓練數據組成預設數量的路徑損耗訓練集，所述路徑損耗訓練集的容量與所述初始路徑損耗訓練集的容量相同；

利用所述路徑損耗訓練集分別訓練所述預設數量的CRAT，得到第一隨機森林模型作為所述路徑損耗預測模型。

6.根據權利要求4所述的信道大尺度衰落的建模方法，其特征在于，所述陰影衰落預測模型的基模型為CRAT時，所述根據各個所述網格內的所述陰影衰落數據進行集成學習，得到各個所述網格的陰影衰落預測模型，包括：

依次選取一個所述基站作為目標基站，將各個所述網格中所述目標基站的所述陰影衰落數據作為訓練目標，為每個所述網格生成一個基于所述目標基站的陰影衰落訓練集；

利用對應于同一個所述網格的所述陰影衰落訓練集分別訓練第二預設數量的CRAT，得到第二隨機森林模型作為相應網格的所述陰影衰落預測模型，所述第二預設數量為所述基站的總數量。

7.根據權利要求1所述的信道大尺度衰落的建模方法，其特征在于，所述對所述目標區域進行網格化，得到若干個網格并將所述陰影衰落數據劃分到相應的所述網格中，包括：

按照預設的網格形狀對所述目標區域進行劃分，得到若干個所述網格；

確定所述陰影衰落數據對應的用戶終端在所述目標區域中的位置；

將所述位置所屬的所述網格確定為所述陰影衰落數據所屬的所述網格。