[发明专利]基于机器学习的无线环境电磁参数拟合方法

说明书

本发明提供了一种基于机器学习的无线环境电磁参数拟合方法，属于无线电电波传播技术领域。该方法需首先建立无线传播场景的三维射线跟踪模型，然后根据环境信息获得待拟合电磁参数的样本集；将样本集作为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；对无线电电波传播场景进行信道测量，获取路径损耗实际值；设置神经网络训练参数，将仿真集作为神经网络的输入，将样本集作为神经网络的输出，训练得到电磁参数拟合模型；将路径损耗实际值作为电磁参数拟合模型的输入，获取电磁参数实际值。本发明能够通过人工神经网络的训练过程构建路径损耗与环境参数之间复杂的非线性关系，拟合出实际无线环境中电磁参数。

技术领域

本发明涉及无线电电波传播技术领域，具体涉及一种基于机器学习的无线环境电磁参数拟合方法。

背景技术

射线跟踪法是一种基于几何光学与电磁波传播理论的一种确定性信道仿真方法，能够模拟仿真给定无线传播场景的无线信道特性，例如：功率时延谱、路径损耗、均方根时延、角度功率谱等特性。射线跟踪无线信道仿真系统的精度很大程度上取决于仿真时无线环境描述的准确性，例如：电波传播路径中反射面电磁参数(如介电常数、导电率等)的准确性。

然而，在实际应用场景下，电波传播路径中反射面(如建筑物墙面)的电磁参数往往不尽相同，并且难以直接获取或准确测量，通常是从参考文献中选取。这样，当选取不同的电参数时，就会得到不同的无线信道仿真结果，射线跟踪仿真的精度或一致性难以保障。

人工神经网络是一种实现机器学习的方法，可以视为一种监督学习算法。人工神经网络是生物学和神经学科衍生而来的数学模型，主要是对人脑的神经元进行数学抽象，模拟人脑的工作，并建立相似的结构连接神经元，模拟生物神经网络。人工神经网络已经广泛应用于模式识别与分类，通过训练数据来揭示不同数据之间的关系。人工神经网络通过神经元的学习获得知识，并且通过神经元之间的联系存储所获取的知识。

因此，结合人工神经网络，获取精确的无线环境电磁参数具有广阔的应用前景。

发明内容

本发明的目的在于提供一种能够通过人工神经网络的训练过程构建路径损耗与环境参数之间复杂的非线性关系，基于机器学习方法拟合出实际无线环境的电磁参数，以解决上述背景技术中存在的问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明提供的一种基于机器学习的无线环境电磁参数拟合方法，该方法包括如下步骤：

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，作为无线传播场景的电磁参数实际值。

进一步的，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。

进一步的，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。

进一步的，所述神经网络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。