基于参数和神经网络预测天线调整后小区场强分布的方法技术

本发明专利技术涉及一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，包括以下步骤：(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格功率；(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。该方法的精确度高误差小。

Prediction of the field strength distribution of the cell after antenna adjustment based on parameters and neural network

【技术实现步骤摘要】
基于参数和神经网络预测天线调整后小区场强分布的方法
本专利技术涉及电磁波场强预测技术，尤其涉及一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法。
技术介绍
场强预测模型的研究主要目的是为了满足移动通信网的科学规划，合理的站址选择可以有效提供覆盖，消除覆盖盲区，并且为今后的网络优化提供方便。国内外对电波传播的预测研究工作从七十年代开始广泛展开，摸索建立了很多分析模型，不同的场景下需要不同的传播模型，陆续开发的Road模型，Oknmura-Hata模型、ECAC模型、Palmer模型、适合市郊场景的Murphy模型以及适用于小区制射线跟踪模型等。比较常见的精确预测场强的是确定性模型，即传播环境、建筑信息等作为准确的输入信息，亦即射线跟踪(RT)模型。RT传输利用菲涅尔原理、反射系数及几何绕射理论(GeometricalTheoryofDiffraction，GTD)和一致性绕射理论(UniformTheoryofDiffraction，UTD)。由于需要大量精确的环境数据，射线跟踪模型一般局限于室内，在室外场景中未得到广泛的应用。而人工神经网络(ANN)恰能弥补这个不足，其在场强预测中应用的优点恰恰是，可以在建筑物的形状、参数和结构特征未知的情况下，利用容易获取的一些相关参数得到比较精确的场强值，且能够灵活地适应不同的场景。其原理是，利用可获得的参数作为神经网络的输入，经过不同的层，每层设置不同的神经元，经过特定的传输函数到达神经网络的输出层，然后利用实测数据进行训练，即通过调整神经网络的参数来寻找最佳的传输函数。ANN包含一系列相互连接的基本单元，称作神经元或节点。目前有关文献中介绍了某室外微小区的场强预测方法，它将小区的地形信息参数输入至神经网络进行训练，并运用实测数据对模型的精度进行验证。有关文献提出一种室外混合预测模型，它将经验模型与ANN模型相结合，分别考虑收发端视距(LineofSight,LOS)和非视距(NonLineofSight,NLOS)情形，此种模型一般用于不同的地形类型，包含城市、郊区等。有关文献介绍了一种室内预测方法，比较了多种类型ANN用于场强预测的效果。有关文献也采用ANN方法，运用机器学习对不同地形进行分类，能够自动提取必要的场景信息进行训练。有关文献介绍了一种混合差分预测模型，其具体做法是利用粗略的场景模型和少量的精确预测值来训练多层感知机神经网络，使得以较小的运算复杂度代价得到精确的场强预测效果。上述各种算法固然能取得较高的精度，然而，是以精确的环境信息的支持为条件的，且某些算法没有真实数据予以验证。因此，针对上述不足，有必要开发一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，利用天线调整前的大量用户数据，通过ANN预测天线方位角调整后天线有效覆盖区域内任意地理位置的接收功率，无需依赖环境数据，与实测数据比较的结果表明，预测误差在合理精度范围内。
技术实现思路
本专利技术要解决的技术问题是，提供一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，通过ANN预测天线有效覆盖区域内任意地理位置的接收功率，并基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率，无需依赖环境数据；且预测的误差很小。为了解决上述技术问题，本专利技术采用的技术方案是：该基于参数和BP神经网络对天线调整后小区场强分布的预测方法，包括以下步骤：(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格功率；(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。采用上述技术方案，由于传统的无线电波场强预测模型，亦即射线跟踪模型(RT)模型，需要大量的精确的环境数据，并且其应用范围仅仅局限于室内，在室外并未得到广泛的应用。人工神经网络(ANN)恰能弥补射线跟踪的不足与局限性，可以在建筑物的形状、参数和结构特征未知的情况下，利用容易获取的一些相关参数得到比较精确的场强值，且能够灵活地适应不同的场景。该技术方案提出了一种无需输入影响电磁辐射的场景信息，基于参数估计和反向传播(BackPropagation，BP)神经网络的预测方法；将小区分成很多栅格，将每个栅格内的用户设备(UserEquipment,简称UE)的接收功率视为满足准正态分布的随机变量，读取该栅格内所有UE上报的参考信号接收功率(ReferenceSignalReceivingPower，RSRP)数据以下简称RSRP数据，适当筛选并计算其均值和标准差，分别作为上述准正态分布的参数估计值，用所有栅格的UE的RSRP均值对BP神经网络进行训练，基于电波传播公式和天线方向图增益变化量，得到天线调整后的每个栅格的接收功率均值，即为该栅格内UE接收功率均值的预测值，标准差的预测值视为与天线调整前相同；利用可获得的参数作为神经网络的输入，经过不同的层，每层设置不同的神经元，经过特定的传输函数到达神经网络的输出层，然后利用实测数据进行训练；无需依赖环境数据，并与实测数据比较，其预测误差在合理精度范围内；将接收点的坐标与MDT数据作为ANN的输入并进行数据训练，ANN的最终输出为用户设备UE的RSRP的预测值；采用反向传播快速计算ANN的代价函数的梯度，并根据梯度自动修正ANN中每层神经网络的输入权重值，以提高ANN的预测精度；本专利技术运用不同基站小区采集的最小化路测(MinimizationDriveTest，MDT)数据进行参数估计，并将用户点的地理坐标作为神经网络输入参数，经过BP神经网络训练输出用户点参考信号接收功率(ReferenceSignalReceivingPower,RSRP)值，并基于电波传播公式和天线方向图增益变化预测天线方位角调整后的有效覆盖范围内的用户接收功率；其中反向传播(BackPropagation,BP)神经网络属于前馈型神经网络，具有学习速率快、自适应能力强的特点。它由输入层、中间层、输出层组成，中间层可以是多层。具体学习方法是，当一对学习模型提供给网络后，网络的输入到达神经元，产生连接权值(Weight)，然后由输出层到中间层逐层修正连接权值，此过程反复进行，直至ANN输出与目标输出的误差降到设定的阀值之下，或训练次数高于预设的上限，即可视为完成学习过程。BP神经网络的一大优点是有很强的非线性映射能力，从理论上来讲，对于一个三层和三层以上的BP网络而言，只要隐层的神经元的数目足够多，即能以任意精度逼近一个非线性的函数。BP神经网络在选择隐层神经元时应注意选择合适的神经元个数，太少往往会造成网络的不适性即欠拟合，太多往往会导致网络的过适性即过拟合本文档来自技高网...

【技术保护点】
1.一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，具体包括以下步骤：/n(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；/n(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；/n(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；/n(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格平均接收功率；/n(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。/n

【技术特征摘要】
1.一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，具体包括以下步骤：
(1)收集用户MDT数据，由用户设备UE上报所述用户MDT数据；
(2)对所述步骤(1)中收集的MDT数据进行处理，剔除异常值；
(3)将小区分成方形栅格，并将划分的所述方形栅格分为两类，第一类栅格为RSRP数据充足的栅格，用于训练神经网络；第二类栅格为RSRP数据不充足的栅格；
(4)采用三层神经网络进行训练，输出RSRP数据不充足的栅格平均接收功率；
(5)根据天线方位角转动之后的每个栅格的平均接收功率的公式获得天线方位角转动之后的每个栅格的平均接收功率，即实现对天线调整后小区场强分布的预测。


2.根据权利要求1所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，所述步骤(1)中的用户MDT数据包括用户的经度θ、纬度时间提前量Ta和参考信号接收强度RSRP。


3.根据权利要求2所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，
所述步骤(2)具体包括以下步骤：
S21将海拔高度小于零的点视为异常数据，予以删除；
S22将海拔数据据设为常数0，对上报的用户数据的经纬度进行二维墨卡托投影，且将正北方向对应坐标x轴方向，天线方位角即自天线至测试点的向量与x正轴的逆时针夹角；再将用户点坐标减去天线坐标，得到以天线为原点的用户点的相对坐标，作为新坐标；
S23将天线辐射覆盖区域划分为多个栅格，所述栅格的大小与全球定位系统(GPS)的精度处于同一数量级；对于每个所述栅格内的不同的用户设备UE所上报的参考信号接收强度RSRP即RSRP值，取其均值μ和标准差σ分别设为该位置的用户设备UE的RSRP值作随机变量的均值和标准差，其中m为一个栅格内上报RSRP值的用户设备的总数，并对栅格内的用户上报的数据求均值μ与标准差σ，取位于[μ-3σ,μ+3σ]范围内的数据，超出该范围的数据则作为异常点并删除。


4.根据权利要求3所述的基于参数和BP神经网络对天线调整后小区场强分布的预测方法，其特征在于，
所述步骤(3)具体包括以下步骤：
将小区分成nm×nm的方形栅格，位于某一栅格的用户设备UE的坐标采用该栅格中心的坐标代替，栅格内用户设备UE的接收功率视为随机变量，基于栅格内所有用户设备UE上...

【专利技术属性】
技术研发人员：吴冬华，宋铁成，黄陈兰子，王艺蓉，梁曼玉，胡静，余健，徐慧，
申请(专利权)人：南京华苏科技有限公司，东南大学，
类型：发明
国别省市：江苏;32