一种TD-SCDMA基站电磁辐射预测方法技术

本发明专利技术公开了一种TD‑SCDMA基站电磁辐射预测方法，其步骤如下：取TD‑SCDMA基站电磁辐射历史数据作为训练数据，将训练数据通过DB3和COIF3小波进行分解，分解层数为1，通过DB3小波分解获得低频序列R、高频序列T，通过COIF3小波分解获得低频序列Q、高频序列U，再将低频序列R、高频序列T、低频序列Q、高频序列U，分别输入预测模型进行训练,再将训练好的预测模型对TD‑SCDMA基站电磁辐射做组合预测。本发明专利技术分析了TD‑SCDMA基站电磁辐射预测的方式，该方法能够精确可靠的对TD‑SCDMA基站电磁辐射进行预测与评估，具有一定的社会效益。

An electromagnetic radiation prediction method for TD-SCDMA base station

The invention discloses an electromagnetic radiation prediction method for TD SCDMA base station. The steps are as follows: Taking the historical data of electromagnetic radiation from TD SCDMA base station as training data, the training data is decomposed through DB3 and COIF3 wavelet, the decomposition layer number is 1, and the low frequency sequence R and high frequency sequence T are obtained by the DB3 wavelet decomposition, and the COIF3 wavelet is obtained by COIF3 wavelet. The low frequency sequence Q and the high frequency sequence U are decomposed, and the low frequency sequence R, the high frequency sequence T, the low frequency sequence Q, the high frequency sequence U are input to the prediction model respectively. Then the trained prediction model is combined to predict the electromagnetic radiation of the TD SCDMA base station. The invention analyzes the method of electromagnetic radiation prediction of TD SCDMA base station. This method can accurately and reliably predict and evaluate the electromagnetic radiation of TD SCDMA base station, and has certain social benefits.

【技术实现步骤摘要】
一种TD-SCDMA基站电磁辐射预测方法
本专利技术涉及一种TD-SCDMA基站电磁辐射预测方法。
技术介绍
目前针对通信基站周围的电磁辐射预测时，常运用训练好的预测模型进行预测。例如，申请号2018100095052公布了一种GSM基站电磁辐射预测方法，在基站电磁辐射的的预测中，先对预测模型进行训练，然后使用训练好的模型进行预测，但在这种预测中，由于模型使用的是单一预测模型，单一预测模型在预测过程中容易受干扰的影响不够稳定，同时由于TD-SCDMA基站电磁辐射变化剧烈使用该模型不易预测。针对现有技术中存在的不足，本专利结合TD-SCDMA基站电磁辐射序列的规律特性，取TD-SCDMA基站电磁辐射历史数据作为训练数据对模型进行训练，先将训练数据通过DB3和COIF3小波进行分解，分解层数为1，通过DB3小波分解获得低频序列R、高频序列T，通过COIF3小波分解获得低频序列Q、高频序列U，再将低频序列R、高频序列T、低频序列Q、高频序列U，再分别输入预测模型进行训练,再将训练好的预测模型对TD-SCDMA基站电磁辐射做组合预测，通过本专利技术提出的方法能够实现更加精确可靠的电磁辐射预测。
技术实现思路
为了解决上述技术问题，本专利技术提供一种TD-SCDMA基站电磁辐射预测方法。本专利技术解决上述技术问题的技术方案包括以下步骤：1)、取TD-SCDMA基站电磁辐射历史数据作为训练数据，将训练数据通过DB3和COIF3小波进行分解，分解层数为1，通过DB3小波分解获得低频序列R、高频序列T，通过COIF3小波分解获得低频序列Q、高频序列U；2)、将步骤1得到的低频序列R、高频序列T、低频序列Q以及高频序列U，输入预测模型进行训练，获得预测模型的参数ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4；3)、将预测时的输入数据，分别输入步骤2)已训练好的预测模型进行高低频序列的预测，其表达式为：其中，ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4，为权力要求1中通过步骤2训练获得的预测模型参数，xRi为预测点之前的历史数据通过DB3小波分解获得的低频序列，单位为V/m，xTi为预测点之前的历史数据通过DB3小波分解获得的高频序列，单位为V/m，xQi为预测点之前的历史数据通过COIF3小波分解获得的低频序列，单位为V/m，xUi为预测点之前的历史数据通过COIF3小波分解获得的高频序列，单位为V/m，yR为低频序列xRi的预测值，单位为V/m，yT为高频序列xTi的预测值，单位为V/m，yQ为低频序列xQi的预测值，单位为V/m，yU为高频序列xUi的预测值，单位为V/m；4)、根据步骤3训练得到的高低频预测值做组合预测，组合预测表达式为：yDB3＝yR+yT(5)yCOIF3＝yQ+yU(6)y＝(yDB3+yCOIF3)/2(7)其中，yDB3为通过DB3小波分解，分解层数为1的低频序列预测值yR与高频序列预测值yT求和得到的预测值，单位为V/m，yCOIF3为通过COIF3小波分解，分解层数为1的低频序列预测值yQ与高频序列预测值yU求和得到的预测值，单位为V/m，y为所提出模型的组合预测值，单位为V/m。上述的一种TD-SCDMA基站电磁辐射预测方法，所述步骤2)中，预测模型为以下所示：在上式(8)中，将n个历史数据通过DB3小波分解，分解层数为1，获得的低频序列R输入预测模型，进行训练获得最佳预测模型参数ω1、b1、c1，将参数ω1、b1赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c1的值，以此确定模型参数ω1、b1、c1；在上式(9)中，将n个历史数据通过DB3小波分解，分解层数为1，获得的高频序列T输入预测模型，进行训练获得最佳预测模型参数ω2、b2、c2，将参数ω2、b2赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c2的值，以此确定模型参数ω2、b2、c2；在上式(10)中，将n个历史数据通过COIF3小波分解，分解层数为1，获得的低频序列Q输入预测模型，进行训练获得最佳预测模型参数ω3、b3、c3，将参数ω3、b3赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c3的值，以此确定模型参数ω3、b3、c3；在上式(11)中，将n个历史数据通过COIF3小波分解，分解层数为1，获得的高频序列U输入预测模型，进行训练获得最佳预测模型参数ω4、b4、c4，将参数ω4、b4赋值为-1到1之间的随机数，再将训练数据输入训练模型获得参数c4的值，以此确定模型参数ω4、b4、c4。本专利技术的有益效果在于：将TD-SCDMA基站电磁辐射历史数据通过分解层数为1的DB3和COIF3小波，分解成低频序列和高频序列，使变化剧烈的基站电磁辐射变得平缓便于预测，再将分解得到的低频序列和高频序列通过预测模型进行训练，再将训练好的预测模型对TD-SCDMA基站电磁辐射做组合预测。所建立的模型能对TD-SCDMA基站电磁辐射进行精确可靠的预测，该方法对基站建设和环境保护有不错的参考价值，具有一定的社会效益。附图说明图1为本专利技术的流程图。具体实施方式本实施例在以本
技术实现思路
为前提下进行，给出了详细的实施步骤，但本专利技术的保护范围不限于下述的实施例。本次实施的实验地在空旷平坦的区域，实施对象为校教学楼屋顶基站，实验仪器为频谱分析仪AT6024D，测量对象为TD-SCDMA基站。下面结合附图和实施例对本专利技术作进一步的说明。图1为本专利技术技术方案的框图，具体步骤为：步骤一：取TD-SCDMA基站电磁辐射历史数据作为训练数据，将训练数据通过DB3和COIF3小波进行分解，分解层数为1，通过DB3小波分解获得低频序列R、高频序列T，通过COIF3小波分解获得低频序列Q、高频序列U。在本次实施例中，取TD-SCDMA基站电磁辐射历史数据作为训练数据，取12个历史数据作为训练数据，通过分解层数为1的DB3和COIF3小波进行分解，通过分解层数为1的DB3小波分解获得12个低频序列R、12个高频序列T，通过分解层数为1的COIF3小波分解获得12个低频序列Q、12个高频序列U。步骤二：将步骤1得到的低频序列R、高频序列T、低频序列Q以及高频序列U，输入预测模型进行训练，获得预测模型的参数ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4。在本次实施例中，取步骤1得到的低频序列R、高频序列T、低频序列Q以及高频序列U作为训练数据，分别输入模型进行训练，在低频序列R对模型进行训练时，将R1，i＝[0.197623,0.202044,...,0.191881]，i＝1,2,...,12,yR＝[0.188432]，输入以下模型：在上式(12)中，将历史数据通过DB3小波分解，分解层数为1，获得的低频序列R输入预测模型，同时将参数ω1和b1赋值为-1到1之间的随机数，ω1赋值为0.8129，b1赋值为0.2119训练获得预测模型参数c1＝-0.62911；在高频序列T对模型进行训练时，将T1，i＝[-0.00093,-0.00041,...,0.002599]，i＝1,2,...,12，yT＝[-0.00058]输入以下模型：在上式(13)中，将历史数据通过本文档来自技高网...

【技术保护点】
1.一种TD‑SCDMA基站电磁辐射预测方法，其特征在于，包括以下步骤：1)、取TD‑SCDMA基站电磁辐射历史数据作为训练数据，将训练数据通过DB3和COIF3小波进行分解，分解层数为1，通过DB3小波分解获得低频序列R、高频序列T，通过COIF3小波分解获得低频序列Q、高频序列U；2)、将步骤1得到的低频序列R、高频序列T、低频序列Q以及高频序列U，输入预测模型进行训练，获得预测模型的参数ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4；3)、将预测时的输入数据，分别输入步骤2)已训练好的预测模型进行高低频序列的预测，其表达式为：

【技术特征摘要】
1.一种TD-SCDMA基站电磁辐射预测方法，其特征在于，包括以下步骤：1)、取TD-SCDMA基站电磁辐射历史数据作为训练数据，将训练数据通过DB3和COIF3小波进行分解，分解层数为1，通过DB3小波分解获得低频序列R、高频序列T，通过COIF3小波分解获得低频序列Q、高频序列U；2)、将步骤1得到的低频序列R、高频序列T、低频序列Q以及高频序列U，输入预测模型进行训练，获得预测模型的参数ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4；3)、将预测时的输入数据，分别输入步骤2)已训练好的预测模型进行高低频序列的预测，其表达式为：其中，ω1、b1、c1，ω2、b2、c2，ω3、b3、c3，ω4、b4、c4，为权力要求1中通过步骤2训练获得的预测模型参数，xRi为预测点之前的历史数据通过DB3小波分解获得的低频序列，单位为V/m，xTi为预测点之前的历史数据通过DB3小波分解获得的高频序列，单位为V/m，xQi为预测点之前的历史数据通过COIF3小波分解获得的低频序列，单位为V/m，xUi为预测点之前的历史数据通过COIF3小波分解获得的高频序列，单位为V/m，yR为低频序列xRi的预测值，单位为V/m，yT为高频序列xTi的预测值，单位为V/m，yQ为低频序列xQi的预测值，单位为V/m，yU为高频序列xUi的预测值，单位为V/m；4)、根据步骤3训练得到的高低频预测值做组合预测，组合预测表达式为：yDB3＝yR+yT(5)yCOIF3＝yQ+yU(6)y＝(yDB3+yCOIF3)/2(7)其中，yDB3为通过DB3小波分解，分解层数为1的低频...

【专利技术属性】
技术研发人员：杨万春，吴涛，张雪，彭艳芬，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南,43