CN115913425B - 面向频谱共享的基于场景自适应进行电波传播预测的方法 - Google Patents
面向频谱共享的基于场景自适应进行电波传播预测的方法 Download PDFInfo
- Publication number
- CN115913425B CN115913425B CN202211437582.0A CN202211437582A CN115913425B CN 115913425 B CN115913425 B CN 115913425B CN 202211437582 A CN202211437582 A CN 202211437582A CN 115913425 B CN115913425 B CN 115913425B
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- propagation
- classification
- wave propagation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001228 spectrum Methods 0.000 title claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 110
- 238000012937 correction Methods 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000006978 adaptation Effects 0.000 claims abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005684 electric field Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明属于无线电传播预测技术领域，特别涉及一种面向频谱共享的基于场景自适应进行电波传播预测的方法。本发明的目的是提出一种面向频谱共享的基于场景自适应进行电波传播预测的方法，针对于不同地域特点、不同频段的电磁传播场景，学习出适合每个场景的校正模型并且能够自适应选择合适的校正模型，从而最终达到为场景下的电磁传播提供更精确的预测能力。本发明对收集测量数据的传播场景进行分类，对每一类的场景应用神经网络，学习出一个校正的模型。本发明自适应选择校正的模型进行传播预测。即对待预测的传播场景进行分类，并选择其所属分类对应校正的模型进行预测。
Description
技术领域
本发明属于无线电传播预测技术领域，特别涉及一种面向频谱共享的基于场景自适应进行电波传播预测的方法。
背景技术
频谱资源的使用存在跨地域、跨频段、跨业务的特点，因此频谱管理工作要实现频谱共享的目的，就需要对不同地域特点、不同频段和不同业务应用的电磁传播情况有较准确的仿真预测。
无线信道的传播特性与传播环境密切相关，不同频段的无线电波,受到传播环境中的地形地貌、人工建筑、大气环境、电磁干扰及移动速度等影响，呈现出复杂多变的衰落特性。
传统的经典统计传播模型能够预测接收功率均值及其变化趋势，具有良好的适用性，但这些模型的预测准确性在特定的使用场景下却差强人意，其预测的传播损耗值与实测损耗值的绝对误差均值基本在20～40dB之间，均方根误差在5-15dB之间。
考虑到无线信道的传播特性与传播环境的各个因素相关，如果能够测量得到这些因素，并得到大量的测量数据集，即可达到使用大数据分析方法的前提条件，即数据真实可靠，数据达到一定数据量以及数据多样化程度高。这样就可使用大数据分析的机器学习方法对传播模型特性进行研究和建模和修正开发。在测量过程中应尽可能多地包括对传播特性造成影响的参数，并且各参数必须覆盖广泛，如频率、接收高度、覆盖区域、各种地物地貌情况、天气情况、风速风向等。当各类属性参数齐全，并且存在各个分段数值时，将这些参数用于机器学习算法，可以建立出更为精确的无线信道的传播模型。
机器学习算法训练得到的校正模型和具体的场景关联度较大。而在具体的使用场景，可以根据场景的地貌、建筑物、温度、湿度和大气压强等参数对场景进行分类，在类似场景中预测时，可以认为电磁传播信道具有类似的特点。所以同类场景下可以使用一个机器学习得到的校正模型。
本发明通过对场景参数数据的分析，形成各场景的分类模型。而对每个场景类型下的测量数据进行机器学习方法训练，得到该类型的校正模型。在预测电波传播时，根据待预测场景的特征参数，分类到所属的类别中并选择对应的校正模型进行计算，得到较准确的预测结果。
发明内容
本发明的目的是提出一种面向频谱共享的基于场景自适应进行电波传播预测的方法，针对于不同地域特点、不同频段的电磁传播场景，学习出适合每个场景的校正模型并且能够自适应选择合适的校正模型，从而最终达到为场景下的电磁传播提供更精确的预测能力。
为了实现上述目的，本发明提供了如下技术方案：
场景对电磁波传播信道的影响包括多个方面，其中本发明主要考虑的影响因素，包括地貌类型、水域面积占比、温度、湿度、大气压强、平均年降雨量。其中部分因素表征场景的地形、地表地物类型，部分因素表征环境的气温、大气的特征，另外还包括场景环境的降雨特征。
对测量数据涉及的多个场景，首先提取这些分类特征。场景分类的机器学习过程是使用聚类方法对已有场景进行分类，本发明使用的是k-means聚类方法。该方法是一种基于质心的算法，或者说是基于距离的算法，每个聚类都与一个质心相关联。该方法是一种无监督学习过程，能够将相似的对象归于一个簇中。簇的中心通过归属于该簇的所有样本的均值来计算。通过计算样本到簇中心点的距离来判断样本点归属于哪个簇。这样通过迭代收敛之后，样本点被划分为多个簇的分类，也能够计算出每个簇分类的中心点和样本方差。
在使用聚类方法获取场景的分类情况后，针对于每个场景簇分类就可以把该分类下所有场景的信道测量数据合并在一起，然后把合并后的数据进行机器学习训练，得到校正电波传播模型。
ITU-R P.1546模型是根据ITU-R P.1546-6建议书设计实现的，ITU-R P.1546建议书是国际电联无线电部门(ITU-R)发布的建议书：《ITU-R P.1546-6建议书(08/2019)30MHz至4 000MHz频率范围内地面业务点对面预测的方法》。该建议书描述了对30MHz至4000MHz频率范围内地面业务点对面无线电传播的预测方法，该方法适用于有效发射天线高度小于3000m、路径长度在1-1000km之间的陆地路径、海面路径和/或陆地-海面混合路径上的对流程无线电链路。该模型的基础部分是不同场景、不同频段、不同时间概率、不同发射天线高度的传播曲线。非曲线所在频率、时间概率、天线高度的情形，通过给定公式进行内插/外推。
本发明主要考虑校正模型的基础传播曲线部分。在固定的典型发射天线高度下、固定的传输频率和一定时间概率条件下，基础传播曲线表现形式是传输距离和传输损耗或场景的关系，在本发明里使用传输距离(单位km)取以10为底的log值。使用ITU-R P.1546模型计算出除去基础传播曲线之外的修正项部分，根据实际测量的结果，就可以得到实测值对应的实测基础损耗值。使用BP神经网络的模型，使用传输距离(单位km)取以10为底的log值为学习的自变量，使用实测数据计算得到的基础损耗值作为学习的目标值，通过学习得到该场景和频率、典型天线高度、时间可变性条件下的基础损耗拟合曲线。该曲线可以用于同类场景下基础损耗值的预测，结合ITU-R P.1546模型中除去基础传播曲线之外的修正项部分，可以得到信道传播的综合损耗结果。
BP神经网络是人工神经网络中应用最为广泛的一种网络模型，针对不同领域已衍生出不少改进模型。BP神经网络的具体算法在20世纪80年代由David Rumelhart，GeoffreyHinton和Williams提出，解决了多次神经网络的学习和误差传播问题，实现了多层神经网络的设想。BP神经网络能够很好地解决非线性问题，可以实现对所有非连续函数的拟合。从神经网络的构成角度看，BP神经网络主要有如下几部分构成：输入层、隐藏层、输出值、激活函数、误差计算、迭代过程。
在BP神经网络训练过程中，信息实现正向传播，即这一层的输出作为下一层的输入，在层上进行权值和偏置的运算，运算结果作为这一层的输出，继续往下一层运算，直至输出层。输出层的结果与实际样本值比对计算误差，误差经过梯度计算等方法，反向修正每一层的权重，直至达到目标误差或训练次数，终止训练。
对于一个待分类的环境参数特征，通过计算特征距离每个中心点的距离可以得到场景所属的簇分类。选择对应的校正模型进行计算，得到较准确的预测结果。
一种面向频谱共享的基于场景自适应进行电波传播预测的方法，其中，所述方法包括如下步骤：
步骤1、采集N份电波传播测量数据样本，获取样本采集场景的分类特征数据
所述电波传播测量数据为在不同场景中的多组输入、输出信号的功率值；
样本采集场景的分类特征数据，包括以下特征因素：地貌类型：电波传播场景的地貌特征，所述地貌类型包括：水上、水陆混合、山地、森林、密集城区、郊区、农村；
水域面积占比：测量场景中水域占整个区域面积的百分比；
温度：测量环境的气温，以摄氏度表示；
湿度：测试环境的湿度，以相对湿度进行表示；
大气压强：测量环境的大气压强，以百帕单位表示；
降雨量：测量环境的年平均日降雨量，以毫米/天为单位表示；
步骤2、清洗场景的分类特征数据
对提取到的场景分类数据进行清洗，清除掉不合理的场景样本数据；
步骤3、对测量场景分类特征数据进行离散化编码
对测量场景的分类特征数据，包括地貌类型、水域面积占比、温度、湿度、大气压强和降雨量，进行离散化编码；即，按照编码规则将分类特征数据中的不同地貌类型对应于一组编码值，分别将分类特征数据中的水域面积占比、温度、湿度、大气压强和降雨量的不同取值范围对应于一组编码值；
测量场景的分类特征数据编码后，得到一组以离散编码值表示的测量场景的分类特征数据；
步骤4、对采集场景进行分类，使用k-means聚类方法处理；包括如下步骤：
步骤4.1、选定分类簇的个数K，选取最大的迭代次数m；
步骤4.2、在样本中的选取在某一个或多个维度上存在差异的K个样本点作为聚簇分类的中心点；
步骤4.3、计算其他样本点到K个中心点的距离，确定样本数据属于哪个分类；
步骤4.4、按照分类重新评估所有维度的均值作为新的中心点；
步骤4.5、迭代上述两个步骤直到中心点不变化或达到最大迭代次数m；
步骤4.6、获取每个分类簇的中心点和计算每个分类簇的方差，并存入数据库进行持久化；
步骤4.1～4.6中，所述样本是需要进行分类的采集场景，所述样本点是步骤3中得到的以离散编码值表示的测量场景的分类特征数据；
步骤5、合并一个分类下的多个场景的电波传播测量数据
对一个分类簇下存在多个场景的测量数据的情况，合并在同一场景类别中的电波传播测量数据，得到综合的电波传播测量数据，在后续的处理中使用；
步骤6、电波传播测量数据的清洗，去除数据中的异常点
步骤7、对每个场景类别，对清洗过的电波传播测量数据，进行可变性的处理
步骤7.1、按照清洗数据的区域分辨率要求，对每个分辨率栅格内的数据进行筛选，按照超过一定概率得到该栅格的测量数据，即取有50％的测量值超出的信号强度；
步骤7.2、使用该栅格的中心位置作为栅格数据的位置，进行后续的模型校正的学习过程和使用校正模型进行的预测过程；
步骤8、对每个场景类别，按照ITU-R P.1546建议书的基础提取模型校正的特征数据，所述特征数据为传播距离和传播损耗数据
对于ITU-R P.1546模型的本地化建模，信道参数提取过程分为基础参数提取、基本传输曲线参数提取两个部分；
基础参数指测量中最基本的信息，需要提取的基础参数有路径类型scenario、测量频率f、水平传播距离d和电磁传播的实际测量值；在仅考虑场强中值情况下，时间概率tprob为50％；
在有的情况下，无线电传播测量数据为场强，根据公式1实现典型接收参数(阻抗50Ω，增益为0dBi)下场强到传输损耗等效变换；
Pr＝E-77.22-20log fMHz 公式1
公式1中，E为接收端电场强度，单位为dBuv/m；Pr为传输损耗，单位为dBm；fMHz为测量频率，单位为MHz；
基本传输曲线部分，涉及到的基础参数为测量频率fMHz、水平传播距离dkm、发射端天线有效高度h1和路径类型scenario；在测量频率fMHz、发射端天线有效高度h1和路径类型scenario一定的场景下，基础传播曲线就是自变量dkm和因变量接收场强Eb的函数曲线；
按照ITU-R P.1546建议书中关于去除基础传播损耗之外的修正项的计算方法，结合电波传播测量数据，计算得到基础传播损耗部分的测量值；根据电波传播测量数据所在的位置以及发射天线、接收天线的参数进行建模，计算得到电波传播距离特征值；
其中，基础传播损耗部分的测量值PLb(fMHz,dkm)按照ITU-R P.1546建议书的方法计算：
路径总损耗PLall包括基础传播损耗和相关修正项
PLall＝PLb(fMHz,dkm)+Corr(h2)+Corr(Clut)+Corr(θtca) 公式2
这样，基础传播损耗通过以下公式求取
PLb(fMHz,dkm)＝PLall-Corr(h2)-Corr(Clut)-Corr(θtca) 公式3
公式2和公式3中，
PLb(fMHz,dkm)为基础传播损耗，单位：dB，
PLall为路径总损耗，单位：dB，
Corr(h2)为接收端高度校正项，单位：dB，
Corr(Clut)为发射端杂波校正项，单位：dB，
Corr(Clut)为接收端地形余隙角(θtca)校正项，单位：dB；
其中，接收端高度校正项，发射端杂波校正项，接收端地形余隙角校正项根据ITU-R P.1546建议书给出的方法进行计算；
公式2中的路径总损耗PLall通过电波传播测量的接收功率和其他发射接收参数计算得到：
Pr＝Pt+Gt-PLall+Gr-Lf-Lo 公式4
PLall＝Pt+Gt+Gr-Lf-Lo-Pr 公式5
公式4和公式5中，Pr为接收到的功率，单位：dBm，
Pt为发射信号的功率，单位：dBm，
Gt为发射天线的增益，单位：dB，
PLall为路径总损耗，单位：dB，
Gr为接收天线增益，单位：dB，
Lf为馈线损耗，单位：dB，
Lo为其他损耗，单位：dB；
其中，电波传播距离特征值的计算，通过信号发射机的经度、纬度和发射天线高度以及接收数据的经度、纬度和接收天线高度按照地理的几何关系计算出电波传播距离；
步骤9、对每个场景类别，使用BP神经网络对步骤8中提取的特征数据进行训练，得到校正模型并保存
使用机器学习的方法，获得输入距离获取传播损耗的计算模型，得到对应于不同场景类别的一组计算基础传播损耗的模型；
使用BP神经网络对步骤8中提取得到的特征数据和目标数据进行训练，得到网络参数的结果；特征数据指传输距离取以10为底的log值，目标数据是基础传播损耗部分的测量值；并把网络参数信息保存到数据库中，同时保存与之相对应的场景类型；重复步骤5～9，对每个场景类别进行训练得到对应的模型参数，从而得到与每个场景相对应的一系列模型参数，即一系列的校正模型，并持久化到数据库中；
所述BP神经网络中，网络设置为1个输入层、2个隐藏层、1个输出层，输入层为4个节点，隐藏层各70个节点，输出层为1个节点；其中输入参数为测量频率fMHz、水平传播距离dkm、发射端天线有效高度h1和路径类型scenario组成的向量，输出结果为接收端电场强度Eb；
步骤10、对待预测场景提取参数
提取待预测场景的地貌类型、水域面积占比、温度、湿度、大气压强和降雨量特征参数，并进行离散化编码形成场景特征参数的特征向量；
步骤11、分类待预测场景的参数和选择步骤9中得到的对应场景的机器学习结果校正模型
计算待预测场景的特征向量到分类簇中心点的距离，选择距离最近的分类粗，把该场景归类于这个分类簇；选择步骤9中得到的对应场景的机器学习结果校正模型；
步骤12、预测目标场景下的电波传播损耗
找到目标场景所属分类簇对应的校正模型的BP神经网络参数；提取当前待预测场景的传输距离取以10为底的log值，作为网络的输入，经过网络正向计算，得到该场景下的基础损耗值；使用ITU-R P.1546建议书给出的去除基础传播损耗之外的修正项的建议方法，计算其余的修正项部分；合并二者的结果得到最终的损耗预测值。
其中，
步骤2中，对提取到的场景分类数据进行清洗包括：
地貌类型：如果地貌数据不在候选场景中，认为数据不合理，手工修改符合要求或删除数据；所述候选场景包括：水上、水陆混合、山地、森林、密集城区、郊区、农村；
水域面积占比：如果水域面积占比小于0或大于100，则认为是非法数据，给予去除；
温度：如果温度超出范围-30℃～60℃，则认为是非法数据，手工对数据确认和修改或删除样本数据；
湿度：如果相对湿度超出30～80的范围，则认为是该条非法数据，手工对数据确认和修改或删除样本数据；
大气压强：大气压强数据如果超出了取值范围800～1100，则认为该条数据为非法数据，手工对数据确认和修改或删除样本数据；
降雨量：降雨量数据如果超出了取值范围0～1000毫米/天，则认为该条数据为非法数据，手工对数据确认和修改或删除样本数据。
其中，
步骤6中，电波传播测量数据的清洗，去除数据中的异常点包括：
对电波传播测量数据中位置信息不在范围之内的数据，进行过滤；
过滤电波传播测量数据不在合理范围的数据；电波传播测量数据的合理范围要求在信号接收机的灵敏度以上，要求电波传播测量数据的合理范围在-130dBm～-30dBm；对于超出范围的数据进行过滤。
其中，所述步骤7.1中，所述概率的中值为50％。
与现有技术相比，本发明的有益效果在于：
本发明针对不同地域特点、不同频段的电磁传播场景，能够学习出适合每个场景的校正模型并且能够自适应选择合适的校正模型，从而为场景下的电磁传播提供更精确的预测能力。同样该方法的处理思想也可以应用于6G空天海地一体化的需求，作为底层电磁传播预测的功能支撑。
本发明对收集测量数据的传播场景进行分类，对每一类的场景应用神经网络，学习出一个校正的模型。
本发明自适应选择校正的模型进行传播预测。即对待预测的传播场景进行分类，并选择其所属分类对应校正的模型进行预测。
附图说明
图1为本发明一种面向频谱共享的基于场景自适应进行电波传播预测的方法的步骤框图；
图2为本发明所构建的BP神经网络的网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
一种面向频谱共享的基于场景自适应进行电波传播预测的方法，包括如下步骤：
步骤1、采集N份电波传播测量数据样本，获取样本采集场景的分类特征数据
采集电波传播测量数据样本的测量系统包括信号发射端、信号接收机和辅助设施设备。
信号发射端包括高频信号发生器、控制计算机、功率放大器、馈线、发射天线和天线支架。
信号接收机包括接收天线和天线支架、信号采集仪(如频谱仪)、控制计算机、测量软件、便携机和GPS接收机系统。
辅助设施设备包括用于辅助实施监测的车辆以及采集气候、天气信息的温湿度测量传感器。
所述电波传播测量数据为在不同场景中的多组输入、输出信号的功率值。
样本采集场景的分类特征数据，包括以下特征因素：地貌类型：电波传播场景的地貌特征，所述地貌类型包括：水上、水陆混合、山地、森林、密集城区、郊区、农村。
水域面积占比：测量场景中水域占整个区域面积的百分比。
温度：测量环境的气温，以摄氏度表示。
湿度：测试环境的湿度，以相对湿度进行表示。
大气压强：测量环境的大气压强，以百帕单位表示。
降雨量：测量环境的年平均日降雨量，以毫米/天为单位表示。
步骤2、清洗场景的分类特征数据
对提取到的场景分类数据进行清洗，清除掉不合理的场景样本数据。
地貌类型：如果地貌数据不在候选场景中，认为数据不合理，手工修改符合要求或删除数据。所述候选场景包括：水上、水陆混合、山地、森林、密集城区、郊区、农村。
水域面积占比：如果水域面积占比小于0或大于100，则认为是非法数据，给予去除。
温度：如果温度超出范围-30℃～60℃，则认为是非法数据，手工对数据确认和修改或删除样本数据。
湿度：如果相对湿度超出30～80的范围，则认为是该条非法数据，手工对数据确认和修改或删除样本数据。
大气压强：大气压强数据如果超出了取值范围800～1100，则认为该条数据为非法数据，手工对数据确认和修改或删除样本数据。
降雨量：降雨量数据如果超出了取值范围0～1000毫米/天，则认为该条数据为非法数据，手工对数据确认和修改或删除样本数据。
步骤3、对测量场景分类特征数据进行离散化编码
对测量场景的分类特征数据，包括地貌类型、水域面积占比、温度、湿度、大气压强和降雨量，进行离散化编码。即，按照编码规则将分类特征数据中的不同地貌类型对应于一组编码值，分别将分类特征数据中的水域面积占比、温度、湿度、大气压强和降雨量的不同取值范围对应于一组编码值。
优选地，所述编码规则如表1所示：
表1
测量场景的分类特征数据编码后，得到一组以离散编码值表示的测量场景的分类特征数据。
优选地，所述以离散编码值表示的测量场景的分类特征数据如表2所示：
表2
| 场景编号 | 地貌类型 | 水域面积占比 | 测量环境温度 | 测量环境的湿度 | 大气压强 | 降雨量 |
| 1 | 5 | 1 | 1 | 2 | 2 | 2 |
| 2 | 5 | 1 | 2 | 1 | 1 | 1 |
| 3 | 4 | 2 | 2 | 1 | 1 | 3 |
| …… | ||||||
| 60 | 1 | 7 | 3 | 2 | 1 | 2 |
| 61 | 2 | 3 | 2 | 2 | 3 | 3 |
| 62 | 3 | 1 | 2 | 1 | 2 | 2 |
| 63 | 6 | 1 | 4 | 2 | 3 | 2 |
步骤4、对采集场景进行分类，使用k-means聚类方法处理。包括如下步骤：
步骤4.1、选定分类簇的个数K，选取最大的迭代次数m。
步骤4.2、在样本中的选取在某一个或多个维度上存在差异的K个样本点作为聚簇分类的中心点。
步骤4.3、计算其他样本点到K个中心点的距离，确定样本数据属于哪个分类。
步骤4.4、按照分类重新评估所有维度的均值作为新的中心点。
步骤4.5、迭代上述两个步骤直到中心点不变化或达到最大迭代次数m。
步骤4.6、获取每个分类簇的中心点和计算每个分类簇的方差，并存入数据库进行持久化。
步骤4.1～4.6中，所述样本是需要进行分类的采集场景，所述样本点是步骤3中得到的以离散编码值表示的测量场景的分类特征数据。
步骤5、合并一个分类下的多个场景的电波传播测量数据
对一个分类簇下存在多个场景的测量数据的情况，合并在同一场景类别中的电波传播测量数据，得到综合的电波传播测量数据，在后续的处理中使用。
步骤6、电波传播测量数据的清洗，去除数据中的异常点
对电波传播测量数据中位置信息不在范围之内的数据，进行过滤。比如测量范围的经度在120°～121°，维度位置在30°～32°，过滤超出范围的数据。
过滤电波传播测量数据不在合理范围的数据。电波传播测量数据的合理范围要求在信号接收机的灵敏度以上，比如以接收的功率值为例，信号接收机的接收灵敏度为-130dBm，要求电波传播测量数据的合理范围在-130dBm～-30dBm。对于超出范围的数据进行过滤。
步骤7、对每个场景类别，对清洗过的电波传播测量数据，进行可变性的处理
由于电波传播测量数据在接收的位置和测量的时间上存在一定的波动，所以在地理位置和测量时间上取一定范围的测量数据，统计出超出一定概率(中值取50％)的信号强度，以这样的方式对电波传播测量数据进行处理，更容易研究电波传播的规律。
在本申请中，把固定大小的区域范围认为是一个栅格，这样就可以把连续区域上的数据按照栅格进行离散化。同时在采集时间上，由于一个栅格区域中的数据对应一段采集数据，所以处理落入栅格上的采集数据同时对区域和时间上的可变性进行处理。区域分辨率是栅格的大小。
所述方法包括如下步骤：
步骤7.1、按照清洗数据的区域分辨率要求，对每个分辨率栅格内的数据进行筛选，按照超过一定概率(中值50％)得到该栅格的测量数据，即取有50％的测量值超出的信号强度。
步骤7.2、使用该栅格的中心位置作为栅格数据的位置，进行后续的模型校正的学习过程和使用校正模型进行的预测过程。
步骤8、对每个场景类别，按照ITU-R P.1546建议书的基础提取模型校正的特征数据，所述特征数据为传播距离和传播损耗数据
ITU-R P.1546模型是根据ITU-R P.1546-6建议书设计实现的，ITU-R P.1546建议书是国际电联无线电部门(ITU-R)发布的建议书：《ITU-R P.1546-6建议书(08/2019)30MHz至4 000MHz频率范围内地面业务点对面预测的方法》。该建议书描述了对30MHz至4000MHz频率范围内地面业务点对面无线电传播的预测方法，该方法适用于有效发射天线高度小于3000m、路径长度在1-1000km之间的陆地路径、海面路径和/或陆地-海面混合路径上的对流程无线电链路。该模型的基础部分是不同场景、不同频段、不同时间概率、不同发射天线高度的传播曲线。非曲线所在频率、时间概率、天线高度的情形，通过给定公式进行内插/外推。
信道参数提取指对处理后的数据进行参数的提取形成向量，为机器学习做准备。对于ITU-R P.1546模型的本地化建模，信道参数提取过程分为基础参数提取、基本传输曲线参数提取两个部分。
基础参数指测量中最基本的信息，需要提取的基础参数有路径类型scenario、测量频率f、水平传播距离d和电磁传播的实际测量值等。在仅考虑场强中值情况下，时间概率tprob为50％。
在有的情况下，无线电传播测量数据为场强，根据公式1实现典型接收参数(阻抗50Ω，增益为0dBi)下场强到传输损耗等效变换。
Pr＝E-77.22-20logfMHz 公式1
公式1中，E为接收端电场强度，单位为dBuv/m；Pr为传输损耗，单位为dBm；fMHz为测量频率，单位为MHz。
基本传输曲线部分，涉及到的基础参数为测量频率fMHz、水平传播距离dkm、发射端天线有效高度h1和路径类型scenario。在测量频率fMHz、发射端天线有效高度h1和路径类型scenario一定的场景下，基础传播曲线就是自变量dkm和因变量接收场强Eb的函数曲线。
按照ITU-R P.1546建议书中关于去除基础传播损耗之外的修正项的计算方法，结合电波传播测量数据，计算得到基础传播损耗部分的测量值；根据电波传播测量数据所在的位置以及发射天线、接收天线的参数进行建模，计算得到电波传播距离特征值。
其中，基础传播损耗部分的测量值PLb(fMHz,dkm)按照ITU-R P.1546建议书的方法计算：
路径总损耗PLall包括基础传播损耗和相关修正项
PLall＝PLb(fMHz,dkm)+Corr(h2)+Corr(Clut)+Corr(θtca) 公式2
这样，基础传播损耗通过以下公式求取
PLb(fMHz,dkm)＝PLall-Corr(h2)-Corr(Clut)-Corr(θtca) 公式3
公式2和公式3中，
PLb(fMHz,dkm)为基础传播损耗，单位：dB，
PLall为路径总损耗，单位：dB，
Corr(h2)为接收端高度校正项，单位：dB，
Corr(Clut)为发射端杂波校正项，单位：dB，
Corr(Clut)为接收端地形余隙角(θtca)校正项，单位：dB。
其中，接收端高度校正项，发射端杂波校正项，接收端地形余隙角校正项根据ITU-R P.1546建议书给出的方法进行计算。
公式2中的路径总损耗PLall通过电波传播测量的接收功率和其他发射接收参数计算得到：
Pr＝Pt+Gt-PLall+Gr-Lf-Lo 公式4
PLall＝Pt+Gt+Gr-Lf-Lo-Pr 公式5
公式4和公式5中，Pr为接收到的功率，单位：dBm，
Pt为发射信号的功率，单位：dBm，
Gt为发射天线的增益，单位：dB，
PLall为路径总损耗，单位：dB，
Gr为接收天线增益，单位：dB，
Lf为馈线损耗，单位：dB，
Lo为其他损耗，单位：dB。
其中，电波传播距离特征值的计算，通过信号发射机的经度、纬度和发射天线高度以及接收数据的经度、纬度和接收天线高度按照地理的几何关系计算出电波传播距离。
步骤9、对每个场景类别，使用BP神经网络对步骤8中提取的特征数据进行训练，得到校正模型并保存
使用机器学习的方法，获得输入距离获取传播损耗的计算模型，得到对应于不同场景类别的一组计算基础传播损耗的模型。
使用图2所示结构的BP神经网络对步骤8中提取得到的特征数据和目标数据进行训练，得到网络参数的结果。特征数据指传输距离(单位km)取以10为底的log值，目标数据是基础传播损耗部分的测量值。并把网络参数信息保存到数据库中，同时保存与之相对应的场景类型。重复步骤5～9，对每个场景类别进行训练得到对应的模型参数，从而得到与每个场景相对应的一系列模型参数，即一系列的校正模型，并持久化到数据库中。
图2所示结构的BP神经网络中，网络设置为1个输入层、2个隐藏层、1个输出层，输入层为4个节点，隐藏层各70个节点，输出层为1个节点。其中输入参数为测量频率fMHz、水平传播距离dkm、发射端天线有效高度h1和路径类型scenario组成的向量，输出结果为接收端电场强度Eb。
步骤10、对待预测场景提取参数
提取待预测场景的地貌类型、水域面积占比、温度、湿度、大气压强和降雨量特征参数，并进行离散化编码形成场景特征参数的特征向量。
步骤11、分类待预测场景的参数和选择步骤9中得到的对应场景的机器学习结果校正模型
计算待预测场景的特征向量到分类簇中心点的距离，选择距离最近的分类粗，把该场景归类于这个分类簇。选择步骤9中得到的对应场景的机器学习结果校正模型。
步骤12、预测目标场景下的电波传播损耗
找到目标场景所属分类簇对应的校正模型的BP神经网络参数。提取当前待预测场景的传输距离(单位km)取以10为底的log值，作为网络的输入，经过网络正向计算，可以得到该场景下的基础损耗值。使用ITU-R P.1546建议书给出的去除基础传播损耗之外的修正项的建议方法，计算其余的修正项部分。合并二者的结果得到最终的损耗预测值。
使用本发明的方法预测的传播模型损耗值和实测的损耗值的绝对误差在10dB以内，均方根误差可以达到1～5dB之间。
实施例
有5份不同的传播测量的数据，分别对应5个不同的场景。
步骤1、获取样本采集场景的分类特征数据
对这5个场景，获取每个场景的分类特征数据，得到如下格式的数据：
步骤2、对场景的分类特征数据进行清洗。例如：其中第7条温度数据相对异常，清洗过程中删除该数据。
步骤3、对场景的分类特征数据进行编码，得到如下结果：
| 场景编号 | 地貌类型 | 水域面积占比 | 测量环境温度 | 测量环境的湿度 | 大气压强 | 降雨量 |
| 1 | 5 | 1 | 1 | 2 | 2 | 2 |
| 2 | 5 | 1 | 2 | 1 | 1 | 1 |
| 3 | 4 | 2 | 2 | 1 | 1 | 3 |
| 4 | 3 | 1 | 3 | 2 | 2 | 2 |
| 5 | 3 | 1 | 2 | 2 | 3 | 3 |
步骤4、对5个采集场景进行分类，按照分类簇的个数K＝3个目标类别处理，选取最大跌代次数m＝10000，得到如下结果：
| 场景编号 | 分类 |
| 1 | 1 |
| 2 | 1 |
| 3 | 2 |
| 4 | 3 |
| 5 | 3 |
步骤5、合并每个场景分类下的电波传播测量数据。
以场景类别3为例，把场景4和场景5的电波传播测量数据合并在一起，数据包括测量的接收位置、高度、接收的信号强度、发射站信息等。
步骤6、对每个场景类别的合并后的电波传播测量数据进行清洗
例如：在场景类别3中，删除合并后的数据中没有达到接收机灵敏度的数据，清洗掉测量距离范围不过近超出模型的适用范围的数据。
步骤7、对每个场景类别，对清洗过的电波传播测量数据，进行可变性的处理。
在地理位置和测量时间上取一定范围的测量数据，统计出超出一定概率(中值取50％)的信号强度。
步骤8、对每个场景类别，提取模型校正的特征数据。
对场景类别3，从步骤6得到的数据中提取传播距离和测量得到的接收信号强度等信息，并结合发射站的参数，从而提取到传播路径上的损耗。
步骤9、对每个场景类别，使用BP神经网络对步骤8中提取的特征数据进行训练。
例如，对场景类别3，训练可以得到第一隐含层的一组参数(70*70)、第二隐含层的参数(70*70)和输出层的参数(70*1)。同样经过步骤5～9，对场景类别1和场景类别3也会得到这样的校正模型。保存这些校正模型。
| 场景分类 | 校正模型 |
| 1 | 校正模型1 |
| 2 | 校正模型2 |
| 3 | 校正模型3 |
步骤10、现在有一个待进行电磁传播预测的场景，例如：场景11，该场景的分类特征数据，得到如下格式的数据：
| 数据编号 | 场景编号 | 数据类型 | 特征数据 |
| 1 | 11 | 地貌类型 | 山地 |
| 2 | 11 | 水域面积占比 | 0 |
| 3 | 11 | 测量环境温度 | 12℃ |
| 4 | 11 | 测量环境温度 | 15℃ |
| 5 | 11 | 测量环境温度 | 14℃ |
| 6 | 11 | 测量环境温度 | 16℃ |
| 7 | 11 | 测量环境温度 | 20℃ |
| 8 | 11 | 测量环境湿度 | 51 |
| 9 | 11 | 测量环境湿度 | 52 |
| 10 | 11 | 大气压强 | 1010hPa |
| 11 | 11 | 大气压强 | 1011hPa |
| 12 | 11 | 降雨量 | 33mm |
步骤11、对待预测的场景进行编码和分类，得到该场景数据场景类别3
| 场景编号 | 地貌类型 | 水域面积占比 | 测量环境温度 | 测量环境的湿度 | 大气压强 | 降雨量 |
| 11 | 3 | 1 | 2 | 2 | 3 | 3 |
步骤12、使用校正模型3对待预测场景下的校正传播情况进行预测，得到预测结果。
Claims (4)
1.一种面向频谱共享的基于场景自适应进行电波传播预测的方法，其特征在于：所述方法包括如下步骤：
步骤1、采集N份电波传播测量数据样本，获取样本采集场景的分类特征数据
所述电波传播测量数据为在不同场景中的多组输入、输出信号的功率值；
样本采集场景的分类特征数据，包括以下特征因素：地貌类型：电波传播场景的地貌特征，所述地貌类型包括：水上、水陆混合、山地、森林、密集城区、郊区、农村；
水域面积占比：测量场景中水域占整个区域面积的百分比；
温度：测量环境的气温，以摄氏度表示；
湿度：测试环境的湿度，以相对湿度进行表示；
大气压强：测量环境的大气压强，以百帕单位表示；
降雨量：测量环境的年平均日降雨量，以毫米/天为单位表示；
步骤2、清洗场景的分类特征数据
对提取到的场景分类数据进行清洗，清除掉不合理的场景样本数据；
步骤3、对测量场景分类特征数据进行离散化编码
对测量场景的分类特征数据，包括地貌类型、水域面积占比、温度、湿度、大气压强和降雨量，进行离散化编码；即，按照编码规则将分类特征数据中的不同地貌类型对应于一组编码值，分别将分类特征数据中的水域面积占比、温度、湿度、大气压强和降雨量的不同取值范围对应于一组编码值；
测量场景的分类特征数据编码后，得到一组以离散编码值表示的测量场景的分类特征数据；
步骤4、对采集场景进行分类，使用k-means聚类方法处理；包括如下步骤：
步骤4.1、选定分类簇的个数K，选取最大的迭代次数m；
步骤4.2、在样本中的选取在某一个或多个维度上存在差异的K个样本点作为聚簇分类的中心点；
步骤4.3、计算其他样本点到K个中心点的距离，确定样本数据属于哪个分类；
步骤4.4、按照分类重新评估所有维度的均值作为新的中心点；
步骤4.5、迭代上述两个步骤直到中心点不变化或达到最大迭代次数m；
步骤4.6、获取每个分类簇的中心点和计算每个分类簇的方差，并存入数据库进行持久化；
步骤4.1～4.6中，所述样本是需要进行分类的采集场景，所述样本点是步骤3中得到的以离散编码值表示的测量场景的分类特征数据；
步骤5、合并一个分类下的多个场景的电波传播测量数据
对一个分类簇下存在多个场景的测量数据的情况，合并在同一场景类别中的电波传播测量数据，得到综合的电波传播测量数据，在后续的处理中使用；
步骤6、电波传播测量数据的清洗，去除数据中的异常点
步骤7、对每个场景类别，对清洗过的电波传播测量数据，进行可变性的处理
步骤7.1、按照清洗数据的区域分辨率要求，对每个分辨率栅格内的数据进行筛选，按照超过一定概率得到该栅格的测量数据，即取有50％的测量值超出的信号强度；
步骤7.2、使用该栅格的中心位置作为栅格数据的位置，进行后续的模型校正的学习过程和使用校正模型进行的预测过程；
步骤8、对每个场景类别，按照ITU-RP.1546建议书的基础提取模型校正的特征数据，所述特征数据为传播距离和传播损耗数据
对于ITU-RP.1546模型的本地化建模，信道参数提取过程分为基础参数提取、基本传输曲线参数提取两个部分；
基础参数指测量中最基本的信息，需要提取的基础参数有路径类型scenario、测量频率f、水平传播距离d和电磁传播的实际测量值；在仅考虑场强中值情况下，时间概率tprob为50％；
根据公式1实现典型接收参数下场强到传输损耗等效变换，其中，所述典型接收参数为阻抗50Ω，增益为0dBi；
Pr＝E-77.22-20logfMHz 公式1
公式1中，E为接收端电场强度，单位为dBuv/m；Pr为传输损耗，单位为dBm；fMHz为测量频率，单位为MHz；
基本传输曲线部分，涉及到的基础参数为测量频率fMHz、水平传播距离dkm、发射端天线有效高度h1和路径类型scenario；在测量频率fMHz、发射端天线有效高度h1和路径类型scenario一定的场景下，基础传播曲线就是自变量dkm和因变量接收场强Eb的函数曲线；
按照ITU-RP.1546建议书中关于去除基础传播损耗之外的修正项的计算方法，结合电波传播测量数据，计算得到基础传播损耗部分的测量值；根据电波传播测量数据所在的位置以及发射天线、接收天线的参数进行建模，计算得到电波传播距离特征值；
其中，基础传播损耗部分的测量值PLb(fMHz,dkm)按照ITU-RP.1546建议书的方法计算：
路径总损耗PLall包括基础传播损耗和相关修正项
PLall＝PLb(fMHz,dkm)+Corr(h2)+Corr(Clut)+Corr(θtca) 公式2
这样，基础传播损耗通过以下公式求取
PLb(fMHz,dkm)＝PLall-Corr(h2)-Corr(Clut)-Corr(θtca) 公式3
公式2和公式3中，
PLb(fMHz,dkm)为基础传播损耗，单位：dB，
PLall为路径总损耗，单位：dB，
Corr(h2)为接收端高度校正项，单位：dB，
Corr(Clut)为发射端杂波校正项，单位：dB，
Corr(Clut)为接收端地形余隙角(θtca)校正项，单位：dB；
其中，接收端高度校正项，发射端杂波校正项，接收端地形余隙角校正项根据ITU-RP.1546建议书给出的方法进行计算；
公式2中的路径总损耗PLall通过电波传播测量的接收功率和其他发射接收参数计算得到：
Pr＝Pt+Gt-PLall+Gr-Lf-Lo 公式4
PLall＝Pt+Gt+Gr-Lf-Lo-Pr 公式5
公式4和公式5中，Pr为接收到的功率，单位：dBm，
Pt为发射信号的功率，单位：dBm，
Gt为发射天线的增益，单位：dB，
PLall为路径总损耗，单位：dB，
Gr为接收天线增益，单位：dB，
Lf为馈线损耗，单位：dB，
Lo为其他损耗，单位：dB；
其中，电波传播距离特征值的计算，通过信号发射机的经度、纬度和发射天线高度以及接收数据的经度、纬度和接收天线高度按照地理的几何关系计算出电波传播距离；
步骤9、对每个场景类别，使用BP神经网络对步骤8中提取的特征数据进行训练，得到校正模型并保存
使用机器学习的方法，获得输入距离获取传播损耗的计算模型，得到对应于不同场景类别的一组计算基础传播损耗的模型；
使用BP神经网络对步骤8中提取得到的特征数据和目标数据进行训练，得到网络参数的结果；特征数据指传输距离取以10为底的log值，目标数据是基础传播损耗部分的测量值；并把网络参数信息保存到数据库中，同时保存与之相对应的场景类型；重复步骤5～9，对每个场景类别进行训练得到对应的模型参数，从而得到与每个场景相对应的一系列模型参数，即一系列的校正模型，并持久化到数据库中；
所述BP神经网络中，网络设置为1个输入层、2个隐藏层、1个输出层，输入层为4个节点，隐藏层各70个节点，输出层为1个节点；其中输入参数为测量频率fMHz、水平传播距离dkm、发射端天线有效高度h1和路径类型scenario组成的向量，输出结果为接收端电场强度Eb；
步骤10、对待预测场景提取参数
提取待预测场景的地貌类型、水域面积占比、温度、湿度、大气压强和降雨量特征参数，并进行离散化编码形成场景特征参数的特征向量；
步骤11、分类待预测场景的参数和选择步骤9中得到的对应场景的机器学习结果校正模型
计算待预测场景的特征向量到分类簇中心点的距离，选择距离最近的分类簇，把该场景归类于这个分类簇；选择步骤9中得到的对应场景的机器学习结果校正模型；
步骤12、预测目标场景下的电波传播损耗
找到目标场景所属分类簇对应的校正模型的BP神经网络参数；提取当前待预测场景的传输距离取以10为底的log值，作为网络的输入，经过网络正向计算，得到该场景下的基础损耗值；使用ITU-R P.1546建议书给出的去除基础传播损耗之外的修正项的建议方法，计算其余的修正项部分；合并二者的结果得到最终的损耗预测值。
2.如权利要求1所述的面向频谱共享的基于场景自适应进行电波传播预测的方法，其特征在于：
步骤2中，对提取到的场景分类数据进行清洗包括：
地貌类型：如果地貌数据不在候选场景中，认为数据不合理，手工修改符合要求或删除数据；所述候选场景包括：水上、水陆混合、山地、森林、密集城区、郊区、农村；
水域面积占比：如果水域面积占比小于0或大于100，则认为是非法数据，给予去除；
温度：如果温度超出范围-30℃～60℃，则认为是非法数据，手工对数据确认和修改或删除样本数据；
湿度：如果相对湿度超出30～80的范围，则认为是非法数据，手工对数据确认和修改或删除样本数据；
大气压强：大气压强数据如果超出了取值范围800～1100，则认为该条数据为非法数据，手工对数据确认和修改或删除样本数据；
降雨量：降雨量数据如果超出了取值范围0～1000毫米/天，则认为该条数据为非法数据，手工对数据确认和修改或删除样本数据。
3.如权利要求1所述的面向频谱共享的基于场景自适应进行电波传播预测的方法，其特征在于：
步骤6中，电波传播测量数据的清洗，去除数据中的异常点包括：
对电波传播测量数据中位置信息不在范围之内的数据，进行过滤；
过滤电波传播测量数据不在合理范围的数据；电波传播测量数据的合理范围要求在信号接收机的灵敏度以上，要求电波传播测量数据的合理范围在-130dBm～-30dBm；对于超出范围的数据进行过滤。
4.如权利要求1所述的面向频谱共享的基于场景自适应进行电波传播预测的方法，其特征在于：所述步骤7.1中，所述概率的中值为50％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437582.0A CN115913425B (zh) | 2022-11-17 | 2022-11-17 | 面向频谱共享的基于场景自适应进行电波传播预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437582.0A CN115913425B (zh) | 2022-11-17 | 2022-11-17 | 面向频谱共享的基于场景自适应进行电波传播预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115913425A CN115913425A (zh) | 2023-04-04 |
| CN115913425B true CN115913425B (zh) | 2025-01-24 |
Family
ID=86491014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211437582.0A Active CN115913425B (zh) | 2022-11-17 | 2022-11-17 | 面向频谱共享的基于场景自适应进行电波传播预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115913425B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760716B1 (en) * | 2000-06-08 | 2004-07-06 | Fisher-Rosemount Systems, Inc. | Adaptive predictive model in a process control system |
| CN105181898A (zh) * | 2015-09-07 | 2015-12-23 | 李岩 | 基于大密度部署传感器的大气污染监控及管理方法及系统 |
-
2022
- 2022-11-17 CN CN202211437582.0A patent/CN115913425B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760716B1 (en) * | 2000-06-08 | 2004-07-06 | Fisher-Rosemount Systems, Inc. | Adaptive predictive model in a process control system |
| CN105181898A (zh) * | 2015-09-07 | 2015-12-23 | 李岩 | 基于大密度部署传感器的大气污染监控及管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115913425A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmadien et al. | Predicting path loss distribution of an area from satellite images using deep learning | |
| CN112367129B (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
| CN109168177B (zh) | 基于软采信令的经纬度回填方法 | |
| CN109672973B (zh) | 一种基于最强ap的室内定位融合方法 | |
| CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
| CN113177360B (zh) | 一种基于聚类雨衰关系的雨强自适应估计系统及方法 | |
| US20240356663A1 (en) | Methods and apparatus for determining above ground coverage of a mobile telecommunications network | |
| KR101291980B1 (ko) | 기상레이더 반사도 자료의 통합품질지수 생성 방법 | |
| CN110933628A (zh) | 基于孪生网络的指纹室内定位方法 | |
| Popoola et al. | Characterization of path loss in the VHF band using neural network modeling technique | |
| CN108064075A (zh) | 调整一个或多个小区的参考信号发射功率的方法和装置 | |
| Braga et al. | Radio propagation models based on machine learning using geometric parameters for a mixed city-river path | |
| Garah et al. | Particle swarm optimization for the path loss reduction in suburban and rural area | |
| CN119137989A (zh) | 考虑环境因素的快速路径损耗计算方法 | |
| CN117939402A (zh) | 一种基于图神经网络的csi室内定位方法及装置 | |
| Ogbulezie et al. | Site specific measurements and propagation models for GSM in three cities in Northern Nigeria | |
| Popescu et al. | Neural networks applications for the prediction of propagation path loss in urban environments | |
| Sinha et al. | Estimation of Doppler profile using multiparameter cost function method | |
| Huai et al. | Multifeature-Based Outdoor Fingerprint Localization With Accuracy Enhancement for Cellular Network | |
| CN115913425B (zh) | 面向频谱共享的基于场景自适应进行电波传播预测的方法 | |
| US20250078442A1 (en) | Method for predicting channel based on image processing and machine learning | |
| CN105636102B (zh) | 一种基于贝叶斯后验概率的定位方法及装置 | |
| CN115018014B (zh) | 基于多源信息的机器学习辅助的通信场景分类方法 | |
| CN113253275B (zh) | 一种基于改进rbf神经网络的降雨量估计方法 | |
| CN114595749A (zh) | 无线通讯信号远程干扰判别方法和装置、存储介质和终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |