大尺度衰落的建模及估计方法、系统、设备和存储介质技术方案

本申请实施例涉及通信技术领域，公开了一种大尺度衰落的建模及估计方法、系统、设备和存储介质。信道大尺度衰落的建模方法包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。使得能够得到准确可靠、可实现性强的大尺度衰落预测模型。度衰落预测模型。度衰落预测模型。

【技术实现步骤摘要】
大尺度衰落的建模及估计方法、系统、设备和存储介质


[0001]本申请实施例涉及通信
，特别涉及一种大尺度衰落的建模及估计方法、系统、设备和存储介质。

技术介绍

[0002]基于无线信道的大尺度衰落进行建模，对研究信道特征和性能以优化无线通信系统具有重要意义，其中，大尺度衰落包括路径损耗和阴影衰落两方面，路径损耗反映的是长距离上接收功率的变化，而阴影衰落反映的是障碍物尺度上功率的变化。传统建模方式中，对于路径损耗，一般通过经验公式进行建模，但是经验公式内包含较多的非确定性计算参数，参数取值与场景关联性强，模型鲁棒性和泛化性差，实用性不强；而对于阴影衰落，由于其服从高斯分布，一般在高斯分布的基础上对相关性系数进行修正得到模型，但是该方式中相关性系数的初值在设置时具有较大随机性，相关性系数计算的准确性也较低，无法准确地反映实际的相关性大小，因而整体计算误差难以控制。因此，随着人工智能算法的兴起，出现了各种基于历史数据驱动型的建模方法，其中常见的思路是：在建模过程中，忽略阴影衰落，将大尺度衰落当作路径损耗处理；或者，在获取路径损耗的历史数据和阴影衰落的历史数据后，利用路径损耗的历史数据和阴影衰落的历史数据分别进行模型训练，得到路径损耗预测模型和阴影衰落预测模型。
[0003]然而，实际过程中，阴影衰落的影响较大，忽略阴影衰落会导致模型的预测出来的大尺度衰落存在较大误差，并且还会导致模型泛化效果差，无法得到可靠的大尺度衰落模型；实际测量时，损耗和阴影衰落无法完全区分，难以独立测量，从而无法分别获取路径损耗和阴影衰落的历史数据进行训练，可实现性低。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种大尺度衰落的建模及估计方法、系统、设备和存储介质，实现在不需要独立测量路径损耗和阴影衰落的情况下，从路径损耗和阴影衰落两方面对大尺度衰落进行建模，使得能够得到准确可靠、可实现性强的大尺度衰落预测模型，进而能够准确地对信道地大尺度衰落进行估计。
[0005]为实现上述目的，本申请实施例提供了一种信道大尺度衰落的建模方法，包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。
[0006]为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的估计方法，包括：获取待测信道的路径损耗参数；将所述路径损耗参数分别输入路径损耗预测模型和阴影衰
落预测模型，得到所述路径损耗预测模型输出的路径损耗预测值和所述阴影衰落预测模型输出的阴影衰落预测值，其中，所述路径损耗预测模型和所述阴影衰落预测模型是通过如上所述的信道大尺度衰落的建模方法得到的；将所述路径损耗预测值和所述阴影衰落预测值之和作为所述待测信道的大尺度衰落估计值。
[0007]为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的建模系统，包括：第一获取模块，用于获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；第一训练模块，用于将所述路径损耗参数和所述大尺度衰落数据作为训练数据进行集成学习，得到路径损耗预测模型；解耦模块，用于根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；处理模块，用于对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；第二训练模块，用于根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。
[0008]为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的估计系统，包括：第二获取模块，用于获取待测信道的路径损耗参数；预测模块，用于将所述路径损耗参数分别输入路径损耗预测模型和阴影衰落预测模型，得到所述路径损耗预测模型输出的路径损耗预测值和所述阴影衰落预测模型输出的阴影衰落预测值，其中，所述路径损耗预测模型和所述阴影衰落预测模型是通过如上所述的信道大尺度衰落的建模方法得到的；结果生成模块，用于将所述路径损耗预测值和所述阴影衰落预测值之和作为所述待测信道的大尺度衰落估计值。
[0009]为实现上述目的，本申请实施例还提出了一种电子设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的信道大尺度衰落的建模方法，或者，执行如上所述的信道大尺度衰落的估计方法。
[0010]为实现上述目的，本申请实施例还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的信道大尺度衰落的建模方法，或者，实现如上所述的信道大尺度衰落的估计方法。
[0011]本申请实施例提出的信道大尺度衰落的建模方法，在利用大尺度衰落数据和路径损耗参数训练得到路径损耗预测模型之后，通过路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据，并利用阴影衰落数据训练阴影衰落预测模型，从而能够综合路径损耗预测模型和阴影衰落预测模型得到完整的大尺度衰落预测模型。通过利用路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，避免直接测量阴影衰落数据，降低了获取阴影衰落数据的难度，提高了阴影衰落建模的可实现性，并且由于训练阴影衰落预测模型的阴影衰落数据是根据路径损耗预测模型得到的，因此，即使路径损耗预测模型存在一定误差，但是这个误差会通过阴影衰落数据累计到阴影衰落部分进行建模处理，当阴影衰落的模型构建精确时，将使得路径损耗和阴影衰落的叠加计算结果无限逼近真实的大尺度衰落，保证了在大尺度衰落整体上的准确性，即利用上述得到的路径损耗预测模型和阴影衰落预测模型就能够准确地估计出信道的真实大尺度衰落值。
附图说明
[0012]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
[0013]图1是本申请的实施例提供的信道大尺度衰落的建模方法的流程图；
[0014]图2是本申请的另一实施例提供的信道大尺度衰落的估计方法的流程图；
[0015]图3是本申请的另一实施例提供的信道大尺度衰落的建模系统的结构示意图；
[0016]图4是本申请的另一实施例提供的信道大尺度衰落的估计系统的结构示意图；
[0017]图5是本申请的另一实施例提供的电子设备的结构示意图。
具体实施方式
[0018]由
技术介绍
可知，大尺度衰落包括路径损耗和阴影衰落两方面，目前对大尺度衰落的建模方式要么是将大尺度衰落等同于路径损耗进行处理，得到不准确的模型，要么是仅针对阴影衰落进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信道大尺度衰落的建模方法，其特征在于，包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。2.根据权利要求1所述的信道大尺度衰落的建模方法，其特征在于，所述根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型之后，所述方法还包括：若检测到存在集成学习失败的所述网格，对集成学习成功的所述网格的所述阴影衰落预测模型按照预设方式进行泛化，得到集成学习失败的所述网格的所述阴影衰落预测模型，其中，所述预设方式包括：筛选所述阴影衰落数据的分布最接近高斯分布的所述网格的所述阴影衰落预测模型，或者，对与集成学习失败的所述网格相邻的集成学习成功的所述网格的所述阴影衰落预测模型进行加权组合。3.根据权利要求1或2所述的信道大尺度衰落的建模方法，其特征在于，对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中之后，所述方法还包括：计算各个所述网格内的所述阴影衰落数据平均值；若检测到至少一个所述网格的所述平均值超过预设阈值，重新训练所述路径损耗预测模型。4.根据权利要求3所述的信道大尺度衰落的建模方法，其特征在于，所述路径损耗预测模型和所述阴影衰落预测模型的基模型为树模型或神经网络。5.根据权利要求4所述的信道大尺度衰落的建模方法，其特征在于，所述路径损耗预测模型的基模型为分类回归树CRAT时，所述根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型，包括：根据所述路径损耗参数和所述大尺度衰落数据生成包含有若干个训练数据的初始路径损耗训练集，其中，所述大尺度衰落数据为所述训练数据中的训练目标；从所述初始路径损耗训练集中有放回地抽取所述训练数据，直到抽取出的所述训练数据组成预设数量的路径损耗训练集，所述路径损耗训练集的容量与所述初始路径损耗训练集的容量相同；利用所述路径损耗训练集分别训练所述预设数量的CRAT，得到第一随机森林模型作为所述路径损耗预测模型。6.根据权利要求4所述的信道大尺度衰落的建模方法，其特征在于，所述阴影衰落预测模型的基模型为CRAT时，所述根据各个所述网格内的所述阴影衰落数据进行集成学习，得
到各个所述网格的阴影衰落预测模型，包括：依次选取一个所述基站作为目标基站，将各个所述网格中所述目标基站的所述阴影衰落数据作为训练目标，为每个所述网格生成一个基于所述目标基站的阴影衰落训练集；利用对应于同一个所述网格的所述阴影衰落训练集分别训练第二预设数量的CR...

【专利技术属性】
技术研发人员：廖金龙，汪波，许靖，吕星哉，芮华，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：