基于深度学习的小区级RSRP估计方法技术

本发明专利技术提供了一种基于深度学习的小区级RSRP估计方法，包括以下步骤：根据待估计通信小区的电子地图得到该通信小区的伪电磁环境地图；采用无线传播经验模型，估计该通信小区中各个测量点的RSRP并绘制该通信小区的RSRP预估分布图；将生成的伪电磁环境地图输入给已经完成训练的神经网络模型，获得待估计通信小区的RSRP残差图；根据RSRP预估分布图和RSRP残差图计算得到待估计通信小区信号覆盖区域内的RSRP。本发明专利技术在小区层面上进行RSRP估计，有效提高通信小区内RSRP的预测精度。本发明专利技术通过训练神经网络模型，在小区层面一次估计整个小区的RSRP，无需预先采集待估计小区的实测RSRP数据，实现了跨小区的RSRP估计。实现了跨小区的RSRP估计。实现了跨小区的RSRP估计。

【技术实现步骤摘要】
基于深度学习的小区级RSRP估计方法


[0001]本专利技术属于无线通信
，具体涉及一种基于深度学习的小区级RSRP估计方法。

技术介绍

[0002]随着无线通信的发展，5G技术在全世界的应用场景变得越来越多。运营商在部署5G网络的过程中，需要合理的选择覆盖区域内的基站站址，从而满足用户的通信需求。然而随着城市化的推进，新的建筑物层出不穷，这使得通信环境变得越来越复杂。在新的复杂环境下准确、快速地估计整个通信小区地理区域范围内参考信号接收功率（Reference Signal Receiving Power，RSRP）对于评估新兴5G无线网络的覆盖率和容量至关重要。同时，在整个无线网络规划流程中，高效的网络估算对于精确的5G网络部署有着非常重要的意义。无线传播模型正是通过对目标通信覆盖区域内的无线电波传播特性进行研究，从而估计信号接收端的RSRP。但由于现代社会飞速发展，无线电波传播环境受到城市内的复杂多样的建筑物影响，不再以单一的方式和路径传播，而会产生复杂的透射、散射、反射、折射等。因此，建立一个准确的无线传播模型十分艰巨。
[0003]现有的无线传播模型分为三类：基于统计学的经验模型、基于电磁波传播规律的理论模型和改进型经验模型。经验模型的获得是从经验数据中获取固定的拟合公式，如Okumura、Cost231
‑
hata等。理论模型是根据电磁波传播理论，考虑在空间中的反射、绕射、折射等来进行损耗计算，如Volcano模型。改进型经验模型是通过在拟合公式中引入更多的参数从而可以为更具体的场景提供计算模型，如SPM模型。
[0004]然而，现有的无线传播模型存在两个弊端。第一，现在的RSRP估计方式很难对无线电传播的电磁环境进行有效的刻画。这是因为现有的无线传播模型的输入一般是由工程参数（如基站塔高度，发射频率等）与测试点的地图数据（如链路距离、接收端有效高度等）组成的物理特征，再通过这些离散的物理特征点对点（Point
‑
to
‑
point）的估计接收端的RSRP。但是基于单个信号接收点的点对点的建模方式模型使用的物理特征很难全面的感知无线电传播的电磁环境（如小区内建筑物分布），忽略了相邻接收点处RSRP的相关性，导致在复杂环境下的RSRP估计精度低的问题。第二，现有无线传播模型跨小区的泛化能力差。具体来说，现有无线传播模型对特定区域进行RSRP估计时需要采集该区域下大量实测数据用于拟合和矫正模型，这种矫正好的模型只能在测试区域内使用，在新的环境下进行估计会产生较大的估计误差，估计效果不好。
[0005]同时，在实际传播模型建模中，为了获得符合目标区域实际环境的更精确的传播模型，研究人员需要收集大量额外的实测数据、工程参数以及电子地图来对现有传播模型进行矫正。

技术实现思路

[0006]本专利技术的目的就是为了解决上述
技术介绍
存在的不足，提供一种基于深度学习的
小区级RSRP估计方法，有效提高通信小区内RSRP（Reference Signal Receiving Power，参考信号接收功率）的预测精度。
[0007]本专利技术采用的技术方案是：一种基于深度学习的小区级RSRP（Reference Signal Receiving Power，参考信号接收功率）估计方法，包括以下步骤：S1，根据待估计通信小区的电子地图和基站工程参数得到该通信小区的伪电磁环境地图；所述伪电磁环境地图用于表征该通信小区信号覆盖区域的电磁环境；S2，将待估计通信小区的基站工程参数代入无线传播经验模型，估计该通信小区中各个测量点的RSRP；根据估计的该通信小区中各个测量点的RSRP和该通信小区的电子地图，生成该通信小区的RSRP预估分布图；所述RSRP预估分布图用于表征该通信小区信号覆盖区域的RSRP预估算结果；S3，将步骤S1中生成的伪电磁环境地图作为已经完成训练的神经网络模型的输入，所述神经网络模型输出待估计通信小区的RSRP残差图；所述RSRP残差图用于反映通过无线传播经验模型估算得到的待估计通信小区信号覆盖区域的RSRP与真实数据之间的差值；S4，根据步骤S2获得的RSRP预估分布图和步骤S3获得的RSRP残差图计算得到待估计通信小区信号覆盖区域内的RSRP。
[0008]上述技术方案中，所述神经网络模型训练集的单个样本信息包括作为模型输入的某个通信小区的伪电磁环境地图和作为训练标签的该通信小区的RSRP残差图；其中，根据某个通信小区的电子地图和基站工程参数计算得到该通信小区的伪电磁环境地图；将该通信小区的基站工程参数代入无线传播经验模型，估计该通信小区中各个测量点的RSRP；根据估计的该通信小区中各个测量点的RSRP和该通信小区的电子地图，生成该通信小区的RSRP预估分布图；获取该通信小区中的实测的各个测量点的RSRP并结合该通信小区的电子地图生成该通信小区的RSRP实测分布图；根据该通信小区的RSRP预估分布图和RSRP实测分布图生成该通信小区的RSRP残差图，作为神经网络模型训练标签。
[0009]上述技术方案中，所述神经网络模型的训练过程包括以下步骤：A.构建训练集；B.设置生成器：生成器由若干层神经网络组成，其输入为伪电磁环境地图，输出为RSRP残差图；C.设置鉴别器：鉴别器由若干层神经网络组成，用于判断单个样本的RSRP残差图是否为真；D.采用鉴别器，通过训练集对生成器进行对抗训练。
[0010]上述技术方案中，对抗训练采用的条件生成对抗网络的目标函数表示为：其中，G表示生成器函数，D表示鉴别器函数，x表示输入的单个样本的伪电磁环境地图，y表示该单个样本对应的通信小区通过无线传播经验模型和实测数据计算获得的RSRP残差图，G(x)表示该单个样本经生成器计算所得的RSRP残差图；对抗训练的最终目标函数G
*
为：
。
[0011]上述技术方案中，对抗训练中采用损失函数调整对抗训练的最终目标函数，以减少输出图像的模糊并接近真实的输出，调整后的对抗训练的最终目标函数G
*1
为：其中，λ表示损失权重，L(G)表示损失函数。
[0012]上述技术方案中，生成器生成的单个样本的RSRP残差图经过掩膜处理后再用于鉴别器计算。所述掩膜处理采用以下公式：别器计算。所述掩膜处理采用以下公式：其中，y表示输入的单个样本的真实残差图，即单个样本对应的通信小区通过无线传播经验模型和实测数据计算获得的RSRP残差图；y
（i，j）
表示输入的单个样本的真实残差图在栅格(i,j)处的真实残差值，i∈[0,N)，j∈[0,M)，N*M为该通信小区的电子地图栅格化处理后的覆盖范围；G
’
(x)为原始的生成器函数，G(x)为掩膜处理后的生成器函数。
[0013]上述技术方案中，所述步骤4中采用如下公式计算通信小区的RSRP；其中，G0表示训练完成的神经网络模型函数，x0表示待估计通信小区的伪电磁环境地图；表示步骤S2生成的待估计通信小区的RSRP预估分布图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的小区级RSRP估计方法，其特征在于：包括以下步骤：S1，根据待估计通信小区的电子地图和基站工程参数得到该通信小区的伪电磁环境地图；所述伪电磁环境地图用于表征该通信小区信号覆盖区域的电磁环境；S2，将待估计通信小区的基站工程参数代入无线传播经验模型，估计该通信小区中各个测量点的RSRP；根据估计的该通信小区中各个测量点的RSRP和该通信小区的电子地图，生成该通信小区的RSRP预估分布图；所述RSRP预估分布图用于表征该通信小区信号覆盖区域的RSRP预估算结果；S3，将步骤S1中生成的伪电磁环境地图作为已经完成训练的神经网络模型的输入，所述神经网络模型输出待估计通信小区的RSRP残差图；所述RSRP残差图用于反映通过无线传播经验模型估算得到的待估计通信小区信号覆盖区域的RSRP与真实数据之间的差值；S4，根据步骤S2获得的RSRP预估分布图和步骤S3获得的RSRP残差图计算得到待估计通信小区信号覆盖区域内的RSRP。2.根据权利要求1所述的基于深度学习的小区级RSRP估计方法，其特征在于：所述神经网络模型训练集的单个样本信息包括作为模型输入的某通信小区的伪电磁环境地图和作为训练标签的该通信小区的RSRP残差图；其中，根据某个通信小区的电子地图和基站工程参数计算得到该通信小区的伪电磁环境地图；将该通信小区的基站工程参数代入无线传播经验模型，估计该通信小区中各个测量点的RSRP；根据估计的该通信小区中各个测量点的RSRP和该通信小区的电子地图，生成该通信小区的RSRP预估分布图；获取该通信小区中的实测的各个测量点的RSRP并结合该通信小区的电子地图生成该通信小区的RSRP实测分布图；根据该通信小区的RSRP预估分布图和RSRP实测分布图生成该通信小区的RSRP残差图，作为神经网络模型训练标签。3.根据权利要求1或2 所述的基于深度学习的小区级RSRP估计方法，其特征在于：所述伪电磁环境地图的生成方法包括以下步骤：获取某个通信小区的电子地图并进行栅格化处理获得环境高度地图；根据环境高度地图中的基站坐标信息和基站工程参数将环境高度地图转换为电磁环境地图；对电磁环境地图进行最大最小归一化处理得到伪电磁环境地图。4.根据权利要求2所述的基于深度学习的小区级RSRP估计方法，其特征在于：所述神经网络模型的训练过程包括以下步骤：A.构建训练集；B.设置生成器：生成器由若干层神经网络组成，其输入为伪电磁环境地图，输出为RSRP残差图；C.设置鉴别器：鉴别器由若干层神经网络组成，用于判断单个样本的RSRP残差图是否为真；D.采用鉴别器，通过训练集对生成器进行对抗训练。5.根据权利要求4所述的基于深度学习的小区级RSRP估计方法，其特征在于：生成器生成的单个样本的RSRP残差图经过掩膜处理后再用于鉴别器计算；所述掩膜处理采用以下公式：
...

【专利技术属性】
技术研发人员：刘守印，郑毅，王骥，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：