基于路径序列回归的短程无线信号强度预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112118596A(43)申请公布日2020.12.22(21)申请号202011001435.X(22)申请日2020.09.22(71)申请人东南大学地址211189江苏省南京市江宁区东南大学路2号(72)发明人胡静宋铁成黄陈兰子邢俊杰夏玮玮燕锋沈连丰(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人王路(51)Int.Cl.H04W24/08(2009.01)H04B17/391(2015.01)H04B17/318(2015.01)权利要求书2页说明书6页附图3页(54)发明名称基于路径序列回归的短程无线信号强度预测方法(57)摘要本发明公开了一种基于路径序列回归的无线信号强度预测方法，从一个小区单天线的场景下，获得小区内每个接收节点的特征值，并将所得特征形成一个特征向量作为一个接收节点的特征向量，多次构建以天线为起始点的无向连通图，并获得多条从天线到每个接收节点最短路径，每个最短路径上的节点对应的特征向量构成向量序列，将序列输入循环神经网络中进行进一步的学习并输出其状态，该状态经过一个全连接网络预测接收点信号强度。本发明的一种基于路径序列回归的无线信号强度预测方法能够通过有效的特征提取和有效的特征学习，充分利用神经网络的学习能力，达到较高精准度的预测。CN112118596ACN112118596A权利要求书1/2页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；(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GRU结合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LSTM网络，对于LSTM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；(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。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：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。3.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。4.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2CN112118596A权利要求书2/2页于：所述步骤(4)中的神经网络预测，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，