[发明专利]基于室外测试特征的室内外分离法

权利要求书

1.基于室外测试特征的室内外分离法，其特征在于：它包括如下步骤：

S1：数据采集，从服务器上通过采集接口采集MR数据、路测数据、室分基础数据和GIS数 据；

S2：将MR数据进行清洗，去除非法数据及噪声；

S3：将室外测试的DT/CQT数据按N*N米划分成栅格，按经纬度投放到不同的栅格中，共 形成M个栅格，每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}

S4：选取BP人工神经网络算法建立分类模型，将每个DT/CQT栅格的每个采样点的前六 强RSCP、EC/IO值作为输入层参数，用1或0代表室内和室外作为输出层参数，每个DT/CQT栅 格训练成一个分类器，共有M个分类器；

S5：将采集到的白天MR数据按IMSI以及用户会话分段，作为检测对象；

S6：将每个用户的每次会话的MR按N*N米划分成栅格，按经纬度投放到不同的栅格中, 共形成K个栅格，每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}…… {mrlonk,mrlak}；

S7：根据最近距离找出步骤S6中每个MR栅格对应的神经网络分类器；

S8：遍历每一个S6中的MR栅格，提取MR栅格中的每条MR，得到前六强RSCP和EC/NO作为 分类器的12个输入参数；

S9：将12个参数输入到当前MR栅格对应的神经网络分类器中，运算后得到每条MR室内 室外属性。

2.根据权利要求1所述的基于室外测试特征的室内外分离法，其特征在于：所述的步骤 S3中DT/CQT测试采样点栅格投放包括如下子步骤：

S31：经纬度统一处理，保留5位小数，若采集到的经纬度小数点后位数超过5位，则省略 掉第5位后的位数，若不足5位，则在后面补0；

S32：确定每条DT/CQT数据的栅格标识，以50米*50米栅格为例，截取经纬度小数点后第 4位假设为a，a的取值范围为0≤a≤9，若a≤5则a统一取值为0；若a>5，则a取值为5；将经度 的前7位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识；

S33：确定每个DT/CQT采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应， 即完成DT/CQT测试采样点的栅格投放。

3.根据权利要求1所述的基于室外测试特征的室内外分离法，其特征在于：所述的步骤 S4中BP人工神经网络算法建立分类模型的方法包括如下子步骤：

S41：数据归一化处理，归一化算法为：

y＝(x-min)/(max-min)(0<＝y<＝1)

上式中的x为具体MR采样点第N导频的RSCP或Ec/No值，min为RSCP或Ec/No的最小取值， 分别为-112和-24；max为RSCP或Ec/No的最大取值，分别为-40和-1，y为归一化后的值，被映 射为0至1的取值范围；

S42：初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层 的权重数组hidOptWeights[6][2]，初始值利用随机函数生成；

S43：得到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值，如下式：

neti=Σj=1nwijxij-θ]]>

yi＝f(neti)

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

上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值，θ表示一个阈值默认取0， xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值，yi为 神经元i的输出值；F(x)为转移函数；通过上述三式即可得到每一条MR的室内外属性输出；

S44：根据理论输出校正步骤S43中的实际输出的权重数组iptHidWeights[12][6]以及 hidOptWeights[6][2]，不断的迭代学习。