[发明专利]一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统

权利要求书

1.一种基于adaboost加权和三阶聚类的共模天馈优化方法，其特征在于，所述方法包括：

将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，所述第一数据包括RSRP和SINR；

根据分别设置的与所述任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与所述任一网络的数据集对应的最优权值，并根据所述任一网络的数据集对应的最优权值和所述任一网络的数据集，得到第二数据集；

选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将所述第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；

根据所述差点地理位置聚类集合与共模第一小区的天馈值，计算所述第一小区的天线水平波瓣法线以及垂直波瓣法线与所述差点地理位置聚类集合的夹角，根据夹角调整所述天线。

2.根据权利要求1所述的方法，其特征在于，所述根据分别设置的与所述任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与所述任一网络的数据集对应的最优权值，包括：

分别设置与所述任一网络的数据集对应的初始权值，以及分别设置与任一网络对应的正确条件；其中，所述正确条件用于判断任一网络的数据集对应的初始权值是否正确；

当初始权值均正确时，则所述任一网络的数据集对应的初始权值为最优的权值；

当初始权值不全正确时，调整所述任一网络的数据集对应的初始权值为最优的权值。

3.根据权利要求2所述的方法，其特征在于，所述调整所述任一网络的数据集对应的初始权值为最优的权值，包括：

计算所述任一网络的数据集中的第t个样本的错误分类率；

根据与所述任一网络的数据集对应的错误分类率，调整所述任一网络的数据集对应的初始权值为最优的权值。

4.根据权利要求3所述的方法，其特征在于，所述错误分类率为：

其中，err(X_i)是任一网络的数据集中被错误分类的统计量：若X_i被错误分类，则err(X_i)＝1；若X_i被正确分类，则err(X_i)＝0，为任一网络的数据集样本Xi在第t轮分类过程中的权重。

5.根据权利要求3所述的方法，其特征在于，所述最优的权值为：

6.根据权利要求1所述的方法，其特征在于，所述计算所述第一小区的天线水平波瓣法线以及垂直波瓣法线与所述差点地理位置聚类集合的夹角，还包括：

当所述夹角则将计算夹角的平均值；

当所述夹角则将指作为对应第一共模小区需调整的夹角。

7.根据权利要求1所述的方法，其特征在于，将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集，包括：

根据MDT获取第一网络中的每一采样点的第一数据；其中，所述第一数据包括每一采样点的位置信息、RSRP和SINR；或，

根据MR获取第二网络中的采样点的第一数据，以及通过TA和区域覆盖算法，设置每一采样点的位置信息；或，

根据NB-IoT网络的盲测值和共站FDD采样点，得到第一数据；其中，所述第一数据包括每一采样点的位置信息、RSRP和SINR信息。