基于神经网络的无线通信覆盖预测方法技术

本发明专利技术公开了一种基于神经网络的无线通信覆盖预测方法

【技术实现步骤摘要】
基于神经网络的无线通信覆盖预测方法、系统及设备


[0001]本专利技术涉及无线通信
，特别是涉及一种基于神经网络的无线通信覆盖预测方法
、
系统及设备
。

技术介绍

[0002]电波传播是无线通信的重要问题之一，电波在各种媒介质及其分界面上传播的过程中，由于反射
、
折射
、
散射及绕射，其传播方向经历着各种变化，且由于扩散和媒介的吸收，场强在不断减弱
。
为使接收点有足够的场强，必须掌握电波传播的途径
、
特点和规律，才能达到良好的通信效果
。
[0003]常用的经典传播模型主要可以分为经验模型
、
半经验或半确定性模型和确定性模型
。
其中经验模型是通过对特定场景中的实测数据进行分析和归纳得到的，表示为一组简单的模型方程；然而由于数据来源于特定场景以及归纳时不可避免的产生误差，经验模型在更一般的环境中不具备足够的准确性
。
确定性模型是通过对现场环境应用电磁理论进行解析计算得到的预测模型，其实现往往较为复杂且易受环境变化的影响，一旦传播环境发生变化，必须重新推导模型方程，影响计算效率
。

技术实现思路

[0004]针对上述
技术介绍
中提出的问题，本专利技术提供一种基于神经网络的无线通信覆盖预测方法
、
系统及设备，以实现对多种无线通信场景的高效
、
准确预测
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于神经网络的无线通信覆盖预测方法，包括：
[0007]获取研究区域的高精度地图，对高精度地图中的每一对电波发射点和电波接收点的连线进行高程采样，得到每条散射通信链路上的一组高程数据；
[0008]利用经典
China
‑
Zhang
模型对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值；
[0009]基于高程数据
、
特征参数以及散射损耗预测值构建训练数据集；所述特征参数包括气象参数
、
大气结构参数以及电波发射点与电波接收点之间的距离；
[0010]利用训练数据集对卷积神经网络模型进行训练，得到训练好的散射通信覆盖预测模型；
[0011]利用散射通信覆盖预测模型进行研究区域的无线通信覆盖预测
。
[0012]可选地，所述对高精度地图中的每一对电波发射点和电波接收点的连线进行高程采样，得到每条散射通信链路上的一组高程数据，具体包括：
[0013]分别从电波发射点和电波接收点出发，在每条散射通信链路上各取
368
个采样点，每隔固定采样间隔进行一次采样，得到每条散射通信链路上的一组高程数据；
[0014]若散射通信链路长度大于采样点数量
×
采样间隔，则忽略散射通信链路中间未被采样的部分；
[0015]若散射通信链路长度小于采样点数量
×
采样间隔，则采用零填充的方式将高程数据在两端补足
736
位
。
[0016]可选地，所述利用经典
China
‑
Zhang
模型对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值，具体包括：
[0017]利用经典
China
‑
Zhang
模型
L
b
＝
M+30lgf+30lg
Θ
+10lgd+20lg(5+
γ
H)+4.343
γ
h
对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值
L
b
；其中，
f
为通信频率；
d
为通信距离；
Θ
为散射角；
H
为最低散射点距收发连线的高度；
h
为最低散射点离地高度；
M
为气象参数；
γ
为大气结构参数
。
[0018]可选地，所述卷积神经网络模型包括2层卷积层
、2
层最大池化层以及4层全连接层；所述高程数据经过卷积层和最大池化层后被压平为一维数据，与所述特征参数一同馈送至所述全连接层
。
[0019]一种基于神经网络的无线通信覆盖预测系统，包括：
[0020]高程数据获取模块，用于获取研究区域的高精度地图，对高精度地图中的每一对电波发射点和电波接收点的连线进行高程采样，得到每条散射通信链路上的一组高程数据；
[0021]散射损耗预测值确定模块，用于利用经典
China
‑
Zhang
模型对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值；
[0022]训练数据集构建模块，用于基于高程数据
、
特征参数以及散射损耗预测值构建训练数据集；所述特征参数包括气象参数
、
大气结构参数以及电波发射点与电波接收点之间的距离；
[0023]训练模块，用于利用训练数据集对卷积神经网络模型进行训练，得到训练好的散射通信覆盖预测模型；
[0024]预测模块，用于利用散射通信覆盖预测模型进行研究区域的无线通信覆盖预测
。
[0025]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的基于神经网络的无线通信覆盖预测方法
。
[0026]一种基于神经网络的无线通信覆盖预测方法，包括：
[0027]获取短波通信传播过程中的时间序列数据；所述时间序列数据包括年
、
月
、
时
、
太阳黑子数
、
通信频率以及收发点坐标；
[0028]通过
itshfbc
仿真软件获取每条短波通信链路的散射损耗预测值；
[0029]基于时间序列数据和散射损耗预测值构建训练数据集；
[0030]利用训练数据集对循环神经网络模型进行训练，得到训练好的短波通信覆盖预测模型；
[0031]利用短波通信覆盖预测模型进行无线通信覆盖预测
。
[0032]可选地，所述循环神经网络模型采用长短期神经网络模型，利用
PyTorch
搭建，包括3层隐藏层，每层神经元为
256
个
。
[0033]一种基于神经网络的无线通信覆盖预测系统，包括：
[0034]时间序列数据获取模块，用于获取短波通信传播过程中的时间序列数据；所述时间序列数据包括年
、
月
、
时
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无线通信覆盖预测方法，其特征在于，包括：获取研究区域的高精度地图，对高精度地图中的每一对电波发射点和电波接收点的连线进行高程采样，得到每条散射通信链路上的一组高程数据；利用经典
China
‑
Zhang
模型对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值；基于高程数据
、
特征参数以及散射损耗预测值构建训练数据集；所述特征参数包括气象参数
、
大气结构参数以及电波发射点与电波接收点之间的距离；利用训练数据集对卷积神经网络模型进行训练，得到训练好的散射通信覆盖预测模型；利用散射通信覆盖预测模型进行研究区域的无线通信覆盖预测
。2.
根据权利要求1所述的基于神经网络的无线通信覆盖预测方法，其特征在于，所述对高精度地图中的每一对电波发射点和电波接收点的连线进行高程采样，得到每条散射通信链路上的一组高程数据，具体包括：分别从电波发射点和电波接收点出发，在每条散射通信链路上各取
368
个采样点，每隔固定采样间隔进行一次采样，得到每条散射通信链路上的一组高程数据；若散射通信链路长度大于采样点数量
×
采样间隔，则忽略散射通信链路中间未被采样的部分；若散射通信链路长度小于采样点数量
×
采样间隔，则采用零填充的方式将高程数据在两端补足
736
位
。3.
根据权利要求1所述的基于神经网络的无线通信覆盖预测方法，其特征在于，所述利用经典
China
‑
Zhang
模型对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值，具体包括：利用经典
China
‑
Zhang
模型
L
b
＝
M+30lgf+30lg
Θ
+10lgd+20lg(5+
γ
H)+4.343
γ
h
对每条散射通信链路的路径损耗进行预测分析，求得每条散射通信链路的散射损耗预测值
L
b
；其中，
f
为通信频率；
d
为通信距离；
Θ
为散射角；
H
为最低散射点距收发连线的高度；
h
为最低散射点离地高度；
M
为气象参数；
γ
为大气结构参数
。4.
根据权利要求1所述的基于神经网络的无线通信覆盖预测方法，其特征在于，所述卷积神经网络模型包括2层卷积层
、2
层最大池化层以及4层全连接层；所述高程数据经过卷积层和最大池化层后被压平为一维数据，与所述特征参数一同馈送至所述全连接层
。5.
一种基于神经网络的无线通信...

【专利技术属性】
技术研发人员：张佳新，杜翔，谢滔，曲明，刘亚宁，韩伟，熊振，
申请(专利权)人：中国人民解放军，
类型：发明
国别省市：