一种基于神经网络的降雨天气条件下信道预测方法、系统技术方案

本发明专利技术公开了一种基于神经网络的降雨天气条件下信道预测方法、系统，将基站采集的数据以及气象传感器获得的数据，发送到服务器中，由运行在服务器的程序对这些数据进行处理。程序经过运算后将修正参数返回到基站中去，随后基站利用修正参数来调整发送和接收信号的方式。本发明专利技术通过利用过去一年中归一化后的数据来训练BP神经网络，并且在网络中采用W

【技术实现步骤摘要】
一种基于神经网络的降雨天气条件下信道预测方法、系统


[0001]本专利技术属于天地一体化网络中的信道预测领域，具体涉及一种基于神经网络的降雨天气条件下信道预测方法、系统。

技术介绍

[0002]在传统的信道预测系统中，没有考虑到各个地区的差异性问题，以至于造成了较大的误差，并且通用性不高，从而使得系统的实用性不强。另外气象环境的多变性更是加剧了这种情况。雨水天气中，由于信号会受到降雨的影响，雨水改变信号在时域和空间域的平稳性，从而使得信道的预测变得更加困难。
[0003]BP神经网络具有非线性映射能力，能够更好地逼近非线性函数；并且该网络也有自学习和自适应能力，能够在神经网络训练时，通过学习自动提取输入输出数据之间的规则；同样BP神经网络的容错性能好，在部分神经元受到破坏后依然能够获得良好的训练效果。

技术实现思路

[0004]本专利技术所要解决的技术问题：提供一种基于神经网络的降雨天气条件下信道预测方法、系统，利用Hata信道模型，对随机降雨强度的数据参数进行自适应调整，并使用归一化方法，得到原始训练数据，构建BP神经网络模型并进行训练，从而可以实现模型在降雨天气下的信道预测精确度的最大化，加快网络的训练速度。
[0005]本专利技术为解决以上技术问题而采用以下技术方案：本专利技术提出的一种基于神经网络的降雨天气条件下信道预测方法，包括如下步骤：S1、利用Hata信道模型，对随机降雨强度的数据参数进行自适应调整，得到原始训练数据。
[0006]由于降雨环境会对信号的传输性能造成显著的影响，接收端在接收发射端传输的信号时，应当根据当前降雨强度，自适应调整通信系统的各项参数。同时通过加入降雨强度，能够改进传统Hata模型适用条件单一的劣势，从而提高预测的精度。
[0007]S2、使用归一化方法，对步骤S1中的原始训练数据进行处理，构建降雨强度与距离的关系。此时，降雨强度对信道路径损耗的影响随着发送端与接收端的距离增大而增大。
[0008]S3、利用神经元构建BP神经网络模型。
[0009]S4、利用动量BP算法，对BP神经网络模型进行训练，使BP神经网络模型在利用输入数据学习的过程中对每次权值的更新都具有一定的惯性，在使用train函数训练BP神经网络模型的过程中，每个神经元上的权值都会受到该惯性的影响，从而具有抗震荡能力和加速收敛能力；直到BP神经网络模型的误差函数满足精度要求，则BP神经网络模型的训练完成。
[0010]S5、将实时数据输入步骤S4训练好的模型，实现在降雨天气下的信道预测。
[0011]进一步，步骤S1中，数据参数包括单位为米的发射端与接收端之间的距离、单位为MHz的发射波频率、单位为米的发射天线的高度、单位为米的接收天线的高度、降雨强度；使用Hata模型，根据降雨强度，自适应调整数据参数，具体内容如下：（1）在市区（Urban）环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：
[0012]其中，为与接收天线相关的系数，取决于覆盖范围的大小，分为以下几种情况：1）在中等大小的覆盖范围内，取值为：。
[0013]2）在大的覆盖范围内，取决于载波频率，为：。
[0014]（2）在郊区（Suburban）环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：。
[0015]（3）在开阔地（Open area）环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：。
[0016]进一步，步骤S2中，对数据进行标准化处理的具体内容包括：使用Matlab中的归一化函数mapminmax，将发送端与接收端的距离转化到[0,1]的区间上，从数据中取出最大值和最小值，再将每个值与最大值、最小值进行运算，具体公式为：
[0017]其中，在发送端与接收端距离构成的序列中，为该序列中变换前的数据，为该序列中发送端与接收端距离的最大值，为该序列中发送端与接收端距离的最小值，为该序列中归一变换后的距离值。
[0018]进一步，步骤S3中，构建BP神经网络模型的具体内容为：在Matlab中使用newff函
数，输入的参数为信号发射端与接收端之间的距离，训练函数使用trainlm，学习函数使用lerangdm；在神经元模型中，每个输入值都与权值相乘并通过传递函数作为输出，其数学模型表示为：
[0019]其中为输出值，为表示输入输出关系的传递函数，为权值，为输入值，b为偏置常量。
[0020]构建好的BP神经网络模型包括：输入层、隐含层和输出层，其中输入层为BP神经网络的输入值，是信号输入端；输出层为BP神经网络的预测值，是信号输出端；隐含层为神经网络的中间层，是信号的处理端。BP神经网络的第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置、输入层到隐含层的权重和偏置；其函数关系为：
[0021]其中为神经网络的输出层的输出值，为输入层的输入值，是神经网络隐含层的权重，是偏置常量，是传递函数。BP神经网络的输入层有m个值，输出层有n个值，通过传递函数，使得该网络能够表达n个自变量到m个自变量的一一映射关系。
[0022]进一步，步骤S4中，利用动量BP算法，训练BP神经网络模型的具体内容为：S401、W
‑
H学习规则中的均方差的函数表达式为：
[0023]其中，为样本数量，为第个神经元的输出值，为第个神经元的目标值，为目标值与第个神经元输出值之间的差。
[0024]S402、对权值和阈值求偏导，并令两个偏导数等于0，求出mse的极值，将单个神经元表示为，具体公式为：。
[0025]S403、因为梯度的方向与大小无关，所以使用误差平方的梯度代替均方误差的梯度，得到如下公式：
。
[0026]S404、最大梯度下降就是梯度的反方向，只需要取一个符号即可，因此两次权值间的关系即变为：
[0027]其中为学习率，学习率与迭代次数相关。
[0028]S405、为了使得该方法具有更好的稳定性、更快的收敛速度、抗振荡的特点，在W
‑
H学习规则中引入惯性动量因子，使得权值的修正具有一定的惯性，具体公式为：。
[0029]其中，对每个神经元进行计算时，当前后两次计算得到的梯度方向相同时，本次的梯度反方向与上一次权值的更新方向相加，得到的权值更大，可以加快收敛速度。当前后两次计算的方向相反时，这意味着这个过程中可能存在极小值点，因此本次得到的权值更小，可以更好地防止振荡情况的发生。
[0030]进一步，本专利技术还提出一种基于神经网络的降雨天气条件下信道预测系统，包括：基于降雨强度的Hata信道模型模块，用于对发射端与接收端之间的距离、发射波频率、发射天线的高度、接收天线的高度、降雨强度的随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的降雨天气条件下信道预测方法，其特征在于，包括：S1、利用Hata信道模型，对随机降雨强度的数据参数进行自适应调整，得到原始训练数据；S2、使用归一化方法，对步骤S1中的原始训练数据进行处理，构建降雨强度与距离的关系；S3、利用神经元构建BP神经网络模型；S4、利用动量BP算法，引入惯性动量因子，将步骤S2中处理好的数据作为训练数据输入，对BP神经网络模型进行训练，保证该模型具有保持上一次权值更新趋势的惯性；S5、将实时数据输入步骤S4训练好的模型，实现在降雨天气下的信道预测。2.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S1中，数据参数包括发射端与接收端之间的距离、发射波频率、发射天线的高度、接收天线的高度、降雨强度；使用Hata模型，自适应调整数据参数的具体内容如下：（1）在市区环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：；其中，为与接收天线相关的系数，取决于覆盖范围的大小；（2）在郊区环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：；（3）在开阔地环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：。3.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S2中，对数据进行归一化处理的具体内容包括：使用Matlab中的归一化函数mapminmax，将发送端与接收端的距离转化到[0,1]的区间上，从数据中取出最大值和最小值，再将每个值与最大值、最小值进行运算，具体公式为：；其中，在发送端与接收端距离构成的序列中，为该序列中变换前的数据，为该
序列中发送端与接收端距离的最大值，为该序列中发送端与接收端距离的最小值，为该序列中归一变换后的距离值。4.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S3中，构建BP神经网络模型的具体内容为：在Matlab中使用newff函数，输入的参数为信号发射端与接收端之间的距离，训练函数使用trainlm，学习函数使用lerangdm；在神经元模型中，每个输入值都与权值相乘并通过传递函数作为输出，其数学模型表示为：；其中为输出值，为表示输入输出关系的传递函数，为权值，为输入值，b为偏置常量；构建好的BP神经网络模型包括：输入层、隐含层和输出层，其中输入层为BP神经网络的输入值，是信号输入端；输出层为BP神经网络的预测值，是信号输出端；隐含层为神经网络的中间层，是信号的处理端；BP神经网络模型的第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置、输入层到隐含层的权重和偏置；其函数关系为：；其中为神经网络的输出层的输出值，为输入层的输入值，是神经网络隐含层的权重，是偏置常量，是传递函数。5.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S4中，利用动量BP算法，训练BP神经网络模型的具体内容为：S401、W
‑
H学习规则中的均方差的函数表达式为：；其中，为样本数量，为第个神经元的输出值，为第个神经元的目标值，为目标值与第个神经元输出值之间的差；S402、对权值和阈值求偏导，并令两个偏导数等于0，求出mse的极值，将单个神经元表示为，具体公式为：
；S403、使用误差平方的梯度代替均方误差的梯度，得到如下公式：；S404、最大梯度下降就是梯度的反方向，只需要取一个符号即可，因此两次权值间的关系即变为：；其中为学习率，学习率与迭代次数相关；S405、在W
‑
H学习规则中引入惯性动量因子，使得权值的修正具有一定的惯性，具体公式为：。6.一种基于神经网络的降雨天气...

【专利技术属性】
技术研发人员：魏毅诚，施建锋，谢金涛，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：