[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

说明书

本发明公开了一种基于DNN神经网络的无线通信链路损耗预测方法，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；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；步骤5：选取三个特定场景对比分析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；该发明在MATLAB平台进行原始实测通信数据预处理，并在Python平台利用Keras深度学习框架搭建DNN网络，具有更加准确的预测精度和场景适应性。

技术领域

本发明涉及数字通信领域，尤其涉及一种基于DNN神经网络的无线通信链路损耗预测方法。

背景技术

无线信道的电波传输特性与信道环境密切相关。复杂的电磁通信环境下，会产生诸如反射、散射、绕射等电波传播方式，此时的链路损耗与自由空间损耗模型大有不同，需要加入特定的场景修正因子。精准的无线电传输损耗模型的建立，可以对基站目标通信覆盖范围内的电磁传输情况进行相对准确的预测，为后续通信业务指标例如：小区基站覆盖范围、小区间网络干扰、通信传输速率以及通信链路容量等指标的有效估算提供理论依据。

传统电波传输损耗模型主要有三种，经验模型、理论模型和改进经验模型。经验模型的设计是根据大量场景实测数据进行公式参数拟合，典型模型有Cost231-Hata、Okumura等。理论模型主要依据电磁传播理论、考虑电磁波在空间中的反射、折射和散射，借助几何光学理论、几何绕射理论和一致绕射理论等，进行理论建模，代表性的是Volcano模型。改进经验模型是依据特定电波传输场景下的实测数据，设定特定的场景修正因子，从而获得更为细化的分类场景传输模型，典型的有Standard Propagation Model,SPM。

传统经验模型，例如COST231-Hata，需根据实际研究无心通信区域，在原有模型基础上引入场景修正项，以达到更加准确的模型预测结果。基于传统无线传输模型的大量研究只是针对不同的电波传输环境，引入参数拟合的场景修正因子，并没有提出一种具有普适性的适用于多场景的损耗预测模型。因此如何建立一个预测精度高，且适用于多场景的无线传输链路损耗预测模型成为亟待解决的问题。

随着近几年机器学习在各个领域的成功运用，近期无线通信领域与机器学习的结合也得到了很快的发展。本文基于DNN全连接神经网络，并结合大量不同场景实测数据，对模型进行训练。相较于传统模型预测精度有大幅提高，且对环境鲁棒性更好。

发明内容

本发明的目的是克服现有技术存在的缺陷，提供一种具有更加精准的预测精度和场景适应性的基于DNN神经网络的无线通信链路损耗预测方法。

本发明为解决上述技术问题而采用的技术方案为：一种基于DNN神经网络的无线通信链路损耗预测方法，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；