本申请涉及电场强度的预测方法、装置、电子设备及存储介质。包括：获取待测点的属性信息，所述属性信息包括多个维度；所述属性信息至少包括位置信息和地理环境信息；获取所述属性信息与预设的样本聚类中心的距离，确定距离最小的样本聚类中心对应的场强预测模型；其中，所述场强预测模型为基于经过聚类处理以后的样本属性信息与电场强度的对应关系训练获得；将所述属性信息输入至所述目标场强预测模型，输出所述待测点的电场强度。本公开实施例能够提高电场强度预测的准确性。能够提高电场强度预测的准确性。能够提高电场强度预测的准确性。
【技术实现步骤摘要】
电场强度预测方法、装置、电子设备及存储介质
[0001]本申请涉及到无线电通信智能处理领域，具体来说涉及一种电场强度的预测方法、装置、电子设备及存储介质。
技术介绍
[0002]无线电通信(Radio Communications)是一种利用无线电磁波在空间传输信息的通信方式，具体方法是将需要传送的电信号信息调制在无线电波上并传输至对方。与此同时，在无线通信的过程中也存在着许多干扰因素，如地理环境、电磁环境、气候条件和天线类型及其增益等。因此，我们往往需要了解接收信号处的电场强度来优化无线通信网络。
[0003]目前，基于传统的人工测量的方式，不仅会消耗大量的人力物力，而且针对不同的地理环境，该方法并不具备很好的泛化能力。同时，在场强预测模型中，传统的经验模型预测得到的场强值与真实值差距过大。神经网络场强预测模型的出现，有效提升了场强预测模型的精度，但在过去使用的如多层感知(MLP)神经网络和BP神经网络在面对大规模场强信息数据时，不具备良好的预测精度，同时在模型训练的过程中，需要投入大量的训练样本而导致训练时间过长。
[0004]如何有效预测接收点的场强信号值来优化无线通信网络，亟需一种既能提升预测精度，又能缩短训练时长的新方法。
技术实现思路
[0005]本专利技术为了克服现有技术的不足，提供了电场强度的预测方法、装置、电子设备及存储介质，解决了现有技术的预测精度低和训练时间过长的问题。
[0006]根据本公开实施例的第一方面，提供一种电场强度的预测方法，包括：
[0007]获取待测点的属性信息，所述属性信息包括多个维度；所述属性信息至少包括位置信息和地理环境信息；
[0008]获取所述属性信息与预设的样本聚类中心的距离，确定距离最小的样本聚类中心对应的场强预测模型；其中，所述场强预测模型为基于经过聚类处理以后的样本属性信息与电场强度的对应关系训练获得；
[0009]将所述属性信息输入至所述目标场强预测模型，输出所述待测点的电场强度。
[0010]在一种可能的实现方式中，所述场强预测模型为基于经过聚类处理以后的样本属性信息与电场强度的对应关系训练获得，包括：
[0011]获取初始样本属性信息，所述初始样本属性信息标注有电场强度；
[0012]对所述初始样本属性信息进行聚类处理，得到多个类别的样本属性信息以及每个类别的样本属性信息对应的样本聚类中心；
[0013]根据所述每个类别的样本属性信息，对初始场强预测模型进行训练，得到对应的场强预测模型。
[0014]在一种可能的实现方式中，所述对所述样本属性信息进行聚类处理，得到多个类
别的样本属性信息，包括：
[0015]根据预设的类别数量，对所述初始样本属性信息进行多次迭代的聚类处理，得到多代所述类别数量的样本属性信息，以及每一代中每类样本属性信息对应的样本聚类中心；
[0016]根据所述多代所述类别数量的样本属性信息以及所述每一代中每类样本属性信息对应的样本聚类中心，确定每一代对应的样本聚类误差平方和；
[0017]在所述每一代对应的样本聚类误差平方和不满足预设条件的情况下，增加新的样本聚类中心，直至所述每一代对应的样本聚类误差平方和满足所述预设条件。
[0018]在一种可能的实现方式中，增加新的样本聚类中心，包括：
[0019]确定新的样本聚类中心为所述类别数量的样本属性信息中距离最后一代样本聚类中心之和最大的样本属性信息。
[0020]在一种可能的实现方式中，所述预设条件包括预设次数的相邻两代之间的样本聚类误差平方和的差值在预设范围以内。
[0021]在一种可能的实现方式中，所述根据所述每个类别的样本属性信息，对初始场强预测模型进行训练，得到对应的场强预测模型，包括：
[0022]将样本属性信息输入至初始场强预测模型，输出预测结果；
[0023]基于所述预测结果与标注的电场强度之间的差异，对所述初始场强预测模型进行迭代调整，直至所述差异满足预设要求，得到与所述样本属性信息的类别相对应的场强预测模型。
[0024]根据本公开实施例的第二方面，提供一种电场强度的预测装置，包括：
[0025]第一获取模块，用于获取待测点的属性信息，所述属性信息包括多个维度；所述属性信息至少包括位置信息和地理环境信息；
[0026]第二获取模块，用于获取所述属性信息与预设的样本聚类中心的距离，确定距离最小的样本聚类中心对应的场强预测模型；其中，所述场强预测模型为基于经过聚类处理以后的样本属性信息与电场强度的对应关系训练获得；
[0027]预测模块，用于将所述属性信息输入至所述目标场强预测模型，输出所述待测点的电场强度。
[0028]在一种可能的实现方式中，所述装置还包括：
[0029]第三获取模块，用于获取初始样本属性信息，所述初始样本属性信息标注有电场强度；
[0030]处理模块，用于对所述初始样本属性信息进行聚类处理，得到多个类别的样本属性信息以及每个类别的样本属性信息对应的样本聚类中心；
[0031]训练模块，用于根据所述每个类别的样本属性信息，对初始场强预测模型进行训练，得到对应的场强预测模型。
[0032]在一种可能的实现方式中，所述处理模块，包括：
[0033]处理子模块，用于根据预设的类别数量，对所述初始样本属性信息进行多次迭代的聚类处理，得到多代所述类别数量的样本属性信息，以及每一代中每类样本属性信息对应的样本聚类中心；
[0034]第一确定子模块，用于根据所述多代所述类别数量的样本属性信息以及所述每一
代中每类样本属性信息对应的样本聚类中心，确定每一代对应的样本聚类误差平方和；
[0035]第二确定子模块，用于在所述每一代对应的样本聚类误差平方和不满足预设条件的情况下，增加新的样本聚类中心，直至所述每一代对应的样本聚类误差平方和满足所述预设条件。
[0036]在一种可能的实现方式中，所述第二确定子模块，包括：
[0037]确定单元，用于确定新的样本聚类中心为所述类别数量的样本属性信息中距离最后一代样本聚类中心之和最大的样本属性信息。
[0038]在一种可能的实现方式中，所述预设条件包括预设次数的相邻两代之间的样本聚类误差平方和的差值在预设范围以内。
[0039]在一种可能的实现方式中，所述训练模块，包括：
[0040]预测子模块，用于将样本属性信息输入至初始场强预测模型，输出预测结果；
[0041]调整子模块，用于基于所述预测结果与标注的电场强度之间的差异，对所述初始场强预测模型进行迭代调整，直至所述差异满足预设要求，得到与所述样本属性信息的类别相对应的场强预测模型。
[0042]根据本公开实施例的第三方面，提供一种电子设备，包括：
[0043]处理器；
[0044]用于存储所述处理器可执行指令的存储器；
[0045]其中，所述处理器被配置为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电场强度的预测方法，其特征在于，包括：获取待测点的属性信息，所述属性信息包括多个维度；所述属性信息至少包括位置信息和地理环境信息；获取所述属性信息与预设的样本聚类中心的距离，确定距离最小的样本聚类中心对应的场强预测模型；其中，所述场强预测模型为基于经过聚类处理以后的样本属性信息与电场强度的对应关系训练获得；将所述属性信息输入至所述场强预测模型，输出所述待测点的电场强度。2.根据权利要求1所述的方法，其特征在于，所述场强预测模型为基于经过聚类处理以后的样本属性信息与电场强度的对应关系训练获得，包括：获取初始样本属性信息，所述初始样本属性信息标注有电场强度；对所述初始样本属性信息进行聚类处理，得到多个类别的样本属性信息以及每个类别的样本属性信息对应的样本聚类中心；根据所述每个类别的样本属性信息，对初始场强预测模型进行训练，得到对应的场强预测模型。3.根据权利要求2所述的方法，其特征在于，所述对所述样本属性信息进行聚类处理，得到多个类别的样本属性信息，包括：根据预设的类别数量，对所述初始样本属性信息进行多次迭代的聚类处理，得到多代所述类别数量的样本属性信息，以及每一代中每类样本属性信息对应的样本聚类中心；根据所述多代所述类别数量的样本属性信息以及所述每一代中每类样本属性信息对应的样本聚类中心，确定每一代对应的样本聚类误差平方和；在所述每一代对应的样本聚类误差平方和不满足预设条件的情况下，增加新的样本聚类中心，直至所述每一代对应的样本聚类误差平方和满足所述预设条件。4.根据权利要求3所述的方法，其特征在于，增加新的样本聚类中心，包括：确定新的样本聚类中心为所述类别数量的样本属性信息中距离最后一代样本聚类中心之和最大的样本属性信息。5.根据权利要求3所述的方法，其特征在于，所述预设条件包括预设次数的相邻两代之间的...
【专利技术属性】
技术研发人员：陈嘉懿，高锐锋，李业，胡英东，陈颖，苗艳春，甄硕阳，王珏，
申请(专利权)人：南通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。