[发明专利]基于机器学习的无线环境电磁参数拟合方法

权利要求书

1.一种基于机器学习的无线环境电磁参数拟合方法，其特征在于，包括如下步骤：

步骤S110：建立无线传播场景的三维射线跟踪模型；

步骤S120：根据所述无线传播场景的环境信息获得待拟合电磁参数的样本值，将多组所述待拟合电磁参数的样本值作为电磁参数样本集；

步骤S130：将所述待拟合电磁参数的样本集作为所述三维射线跟踪模型的输入，结合射线跟踪算法，获取相应的路径损耗仿真集；

步骤S140：对所述无线传播场景进行信道测量，获取不同收发天线位置处的路径损耗实际值；

步骤S150：设置神经网络训练参数，将所述路径损耗仿真集作为所述神经网络的输入，将所述待拟合电磁参数的样本集作为所述神经网络的输出，训练得到电磁参数拟合模型；

步骤S160：将所述路径损耗实际值作为所述电磁参数拟合模型的输入，获取电磁参数拟合值，将该电磁参数拟合值作为无线传播场景的电磁参数实际值。

2.根据权利要求1所述的基于机器学习的无线环境电磁参数拟合方法，其特征在于，所述环境信息包括环境尺寸、反射面介电常数范围和反射面电导率范围。

3.根据权利要求2所述的基于机器学习的无线环境电磁参数拟合方法，其特征在于，所述待拟合电磁参数包括反射面介电常数和反射面电导率。

4.根据权利要求3所述的基于机器学习的无线环境电磁参数拟合方法，其特征在于，所述神经网络训练参数包括神经网络的隐藏节点个数、训练目标、最大训练次数、训练算法、激活函数以及节点传递函数。

5.根据权利要求4所述的基于机器学习的无线环境电磁参数拟合方法，其特征在于，所述步骤S150具体包括：

建立包括输入层、隐藏层和输出层的神经网络模型，将所述路径损耗仿真集作为神经网络训练的输入参数，将相对应的待拟合电磁参数的样本集作为人工神经网络训练的输出参数，对网络进行训练；包括，

设置神经网络的隐藏节点个数；

训练目标，设目标函数为其中，N是样本数，C_i是第i次训练时电磁参数拟合值，M_i是第i次训练时的待拟合电磁参数的样本值；

设置最大训练次数，当训练次数达到最大训练次数，停止训练；

选择优化算法，设置激活函数，设置节点传递函数。