[发明专利]基于路径序列回归的短程无线信号强度预测方法有效
| 申请号: | 202011001435.X | 申请日: | 2020-09-22 |
| 公开(公告)号: | CN112118596B | 公开(公告)日: | 2022-12-06 |
| 发明(设计)人: | 胡静;宋铁成;黄陈兰子;邢俊杰;夏玮玮;燕锋;沈连丰 | 申请(专利权)人: | 东南大学 |
| 主分类号: | H04W24/08 | 分类号: | H04W24/08;H04B17/391;H04B17/318 |
| 代理公司: | 南京瑞弘专利商标事务所(普通合伙) 32249 | 代理人: | 王路 |
| 地址: | 211189 江*** | 国省代码: | 江苏;32 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 基于 路径 序列 回归 短程 无线 信号 强度 预测 方法 | ||
1.基于路径序列回归的短程无线信号强度预测方法,其特征在于:该方法包括如下步骤:
(1)对单天线场景内的小区接收点数据进行数据预处理,采用四分位距法剔除样本数据中的异常RSRP值的样本点,对于离天线距离大于有效覆盖半径的样本点视为超出基站有效范围的样本点并剔除;
所述四分位距法剔除样本数据中的异常RSRP值的样本点具体为:计算单个小区中所有测量接收点的第一四分位数Q1,与第三四分位数Q3,第一四分位数是等于该小区样本中所有RSRP值由小到大排列后第25%的数字,第三四分位数等于该样本中所有RSRP值由小到大排列后第75%的数字,在RSRP值由小到大排列的样本中,第一四分位数的索引L1,与第三四分位数的索引L3,按如下公式计算:
其中,n为单个小区样本总数,如果L1不是整数则取L1与L1+1的平均数,若平均数仍不是整数则取小于L1的最大整数,同理L3也是如此,L1与L3的序号所对应的RSRP值就是Q1与Q3;
得出Q1与Q3后,计算四分位距,即IRQ=Q3-Q1,则筛选RSRP值的范围是[Q1-1.5×IRQ,Q3+1.5×IRQ],对于RSRP值不位于此范围内的样本点则视为异常样本点剔除
所述基站的设计特征包括:天线发射信号强度RS_POWER,接收天线所在栅格建筑物高度Cell_Height,以及基站处的地物类型Cell_Clutter;接收点的设计特征包括:接收点在基站坐标系下的空间位置(dx,dy,dh),计算方式如下:
先对原坐标系进行转换,在原坐标系将原点移到发射端天线,并将坐标系沿着Z轴顺时针旋转将Y轴转到水平方位角方向,并沿着X轴顺时针旋转下倾角角度;并计算新坐标系中,某一非天线节点(X,Y)相对于发射端天线的位置偏移:所述Z轴为垂直地面的高度轴;所述下倾角为天线机械下倾角与电子下倾角之和;
dx=(X-Cell X)×cos(Azimuth)-(Y-Cell Y)×sin(Azimuth)
dy=(Y-Cell Y)×cos(decline_ang)-(X-Cell X)×sin(decline_ang))
其中,Azimuth是方位角,decline_ang取值是天线机械下倾角和天线电子下倾角之和,亦即:
Mechanical_Downtil+Electrical_Downtil;
而dh计算方式如下:
(Altitude-Height-Cell Altitude-1.5+distance_level×tan(decline_ang))×cos(decline_ang)
其中CellAltitude是小区发射天线所在栅格(Cell X,Cell Y)的海拔高度;Height是接收节点的所在栅格的建筑物高度;Altitude是接收节点处的海拔高度;
(2)对预处理后的数据进行特征向量构建,采用接收节点特征向量与基站天线特征向量拼接的方式形成一条数据向量,其中接收节点特征向量包括接收节点相对于基站的空间位置向量dx,dy,dh,接收节点的所在栅格的建筑物高度向量Height,接收节点所处的地物类型向量Clutter,其中接收节点所处的地物类型采用嵌入的方式形成嵌入向量,基站天线特征向量包括天线发射信号强度向量RS_POWER,接收天线所在栅格建筑物高度向量Cell_Height,接收天线所处的地物类型向量Cell_Clutter,其中接收天线所处的地物类型采用嵌入的方式形成嵌入向量;
(3)构建特征向量序列,以天线为源点,通过随机连接邻近点,构成多张无向连通图,从无向连通图中提取多棵最短路径树,得到多条最短路径,并将最短路径上的每个节点的数据记录作为特征向量,节点的数据记为,[RS_POWER,Cell_Height,Cell_Clutter,dx,dy,dh,Height,Clutter],再将每条最短路径上的所有节点对应的特征向量组合成特征向量序列;
(4)采用门控循环单元GRU结合多层感知机MLP的神经网络进行预测,先将步骤(3)中所述特征向量序列输入至GRU网络,对于GRU网络的每一个时间步的输出,作为MLP的输入,最终MLP的输出就是当前时间步亦即当前节点所预测的RSRP值;
所述神经网络预测,首先是采用GRU进行向量序列的特征学习,序列中每一个特征向量都会对应输出学习状态并作为MLP网络的输入,MLP网络对GRU输出的学习状态进行学习,并预测出当前学习状态下,亦即当前位置的节点的RSRP值;
(5)采用平方误差损失函数,对原网络进行反向传播求得网络参数的梯度并采用梯度下降对原网络参数更新从而进行网络参数的优化以减小平方误差损失函数;
平方误差损失函数为:
其中Predict(i)是第i个节点在多条最短路径上所得预测RSRP值的平均预测值。
2.根据权利要求1所述的基于路径序列回归的短程无线信号强度预测方法,其特征在于:有效覆盖半径为1.5km。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东南大学,未经东南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011001435.X/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种建筑用安全防护劳保鞋
- 下一篇:一种用于自动搬运轮毂进行加工的数控设备





