[发明专利]一种基于DNN神经网络的无线通信链路损耗预测方法

权利要求书

1.一种基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，所述方法具体包括如下步骤：

步骤1：对基站与测试点空间位置关系的实测数据进行栅格数字化处理，分别基于实测数据提取地理位置特征向量和信号空间特征向量；

步骤2：搭建DNN全连接深度神经网络模型，所述模型输入20维度的特征向量，其中：所述模型隐藏层共3层，每层64个神经元且采用全连接方式，所述模型输出层为1维向量，即预测的RSRP数值；

步骤3：对数据进行预处理以及对DNN全连接深度神经网络模型进行参数设定；

步骤4：对DNN全连接深度神经网络模型进行训练以及指标监测，如果训练模型在输出层未能达到定义误差函数精度要求，则转入深度网络反向传播阶段，并将输出层误差根据训练权重“分发”给各层神经单元，从而获得各层参考误差，作为神经元参数修改依据；

步骤5：选取三个特定场景(市区开阔区域、城郊和发达城郊区域)对比分析COST231-Hata修正模型和DNN全连接深度神经网络模型对无线传播链路损耗进行预测评估。

2.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，在所述步骤2中，所述DNN全连接深度神经网络模型通过引入Dropout参数、Relu激活函数以及0.0001的学习率来避免神经网络训练过程中的过拟合和梯度爆炸现象，神经元激活函数如下式所示。

f_Relu(x)＝max(0,x)

3.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，在所述步骤4中，所述DNN全连接深度神经网络模型选用均方误差MSE作为损失函数监测过程，损失函数如下式所示。

4.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，在所述步骤1中，对实测数据进行地图栅格化处理，分辨率为5m*5m，坐标Y指向地理正北方向，所有地理位置坐标均在第一象限内，基站或者基站下行链路通信质量测试点坐标均以栅格单元左上角坐标表示。

5.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，所述地理位置特征向量主要反映基站和测试点物理空间距离指标，所述信号空间特征向量主要反映基站天线发射方向和下倾角度对信号覆盖范围的影响。

6.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，在所述步骤5中引入三个特定通信场景，通过引入场景修正因子对传统COST231-Hata模型进行改进，与经过训练的DNN深度网络模型在不同场景下对接收点平均信号功率指标的预测结果进行统计分析。

7.如权利要求6所述的基于DNN神经网络的无线通信链路损耗预测方法，其特征在于，所述传统COST231-Hata经验模型和不同通信场景下的修正因子如下式所示。

P_loss(dB)＝46.3+33.9lgf-13.82lgh_b-α+(44.9-6.55lgh_b)·lgd+C_m