[发明专利]一种信道传播模型参数的调整方法、装置和介质

说明书

本发明实施例公开了一种信道传播模型参数的调整方法、装置和介质，获取建模区域内各收发节点之间的初始特征数据；按照不同数据类型所对应的处理规则，对初始特征数据进行处理，以得到特征信息以及经验模型预测值；将初始特征数据、特征信息以及经验模型预测值合并作为初始输入特征集。将初始输入特征集进行编码，以得到输入特征集；利用模拟退火算法，对输入特征集中包含的各编码数据进行调整，以得到与建模区域相匹配的目标输入特征集。依据模拟退火算法对输入特征集进行特征筛选，可以有效的去除无关以及冗余的输入特征，避免无线传播模型过度拟合于不相关数据而导致预测误差增加，提升了无线传播模型在不同场景下的预测准确度。

技术领域

本发明涉及无线电波技术领域，特别是涉及一种信道传播模型参数的调整方法、装置和计算机可读存储介质。

背景技术

无线传播模型，即通过对电磁波传播进行建模来对无线电波的路径传输损耗进行预测，已经受到越来越广泛的关注。无线传播模型因为其对通信速率、信号干扰以及信号覆盖范围的估计起着重要的支撑作用，在很多通信场景下都有广泛的应用。例如，军用以及民用中的中继节点建立以及基站选址等。

传统的无线传播模型分为确定性模型、经验模型以及改进型经验模型。确定性模型是根据电磁波的传输理论，在考虑电磁波在空间中的折射、反射、绕射等方式的基础上，通过麦克斯韦方程来对传输损耗进行求解，该类方法具有较高的预测准确度，但却需要很高的计算量以及对物理环境进行精准建模，其往往只能应用于简单的物理环境。经验模型以及改进型经验模型是通过统计方法来从经验数据中拟合固定的公式来完成模型构建，该类方法在实际中易于实现，但其预测值往往与实际往往具有一定的误差。

随着深度学习技术的快速发展，现有研究逐渐集中于神经网络与无线传播模型相结合的智能无线传播模型。在不需要针对通信区域精准建模的情况下，智能无线传播模型利用大数据以及神经网络的强大拟合能力，往往能够获得更准确的预测结果。然而由于在不同环境下智能无线传播模型的适用特征可能并不相同，因此如何针对不同场景最优地为智能无线传播模型设计以及选择输入特征是一个重要研究问题。

可见，如何提升智能无线传播模型在不同场景下的预测准确度，是本领域技术人员需要解决的问题。

发明内容

本发明实施例的目的是提供一种信道传播模型参数的调整方法、装置和计算机可读存储介质，可以提升无线传播模型在不同场景下的预测准确度。

为解决上述技术问题，本发明实施例提供一种信道传播模型参数的调整方法，包括：

获取建模区域内各收发节点之间的初始特征数据；

按照不同数据类型所对应的处理规则，对所述初始特征数据进行处理，以得到特征信息以及经验模型预测值；

将所述初始特征数据、所述特征信息以及经验模型预测值合并作为初始输入特征集；

将所述初始输入特征集进行编码，以得到输入特征集；

利用模拟退火算法，对所述输入特征集中包含的各编码数据进行调整，以得到与所述建模区域相匹配的目标输入特征集。

可选地，所述利用模拟退火算法，对所述输入特征集中包含的各编码数据进行调整，以得到与所述建模区域相匹配的目标输入特征集包括：

按照预先设定的调整规则，调整所述输入特征集中的编码数据，以得到新的输入特征集；

计算所述输入特征集以及所述新的输入特征集在智能无线传播模型中的泛化误差值；

依据所述泛化误差值以及所述新的输入特征集，调整所述输入特征集的编码数据，以得到迭代特征集；

根据降温系数以及当前温度值对模拟退火温度参数进行更新；

判断优化次数是否达到预设阈值；