[发明专利]一种基于人工智能算法的无线信道建模方法

权利要求书

1.一种基于人工智能算法的无线信道建模方法，其特征在于，具体步骤如下：

步骤一、采集预设测试场景下用于无线信道建模的各类无线电波测量数据；

步骤二、利用采集的各类无线电波测量数据训练人工智能算法模型；

人工智能算法模型包括反向传播神经网络算法和径向基函数神经网络算法；

步骤三、根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道大尺度衰落模型；

步骤四、同时，根据预设测试场景和人工智能算法模型，组合得到预设测试场景下的无线信道小尺度衰落模型；

步骤五、在相同预设测试场景下，输入不同地理区域的无线电波测量数据，训练无线信道大小尺度衰落模型，直接获得其它地理区域的无线信道模型；

步骤六、同时，利用训练好的无线信道大小尺度衰落模型，获取电波传播特性随特征参数变化的基本规律；

所述电波传播特性随预设条件变化的基本规律是指：信道特性的时域变化规律、信道特性的频域变化规律、信道特性的空域变化规律、信道特性随预设场景类型的变化规律；

步骤七、根据训练样本、基本规律和无线信道大小尺度衰落模型，建立基于特征参数的无线信道模型。

2.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤一种所述的数据包括无线电波测量数据，地形数据和水文气象数据。

3.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤三中所述的大尺度衰落模型基于反向传播神经网络算法，具体步骤如下：

步骤301：将预设测试场景的无线电波测量数据转化为反向传播神经网络建模所需的数据格式；

步骤302：选择反向传播神经网络隐含层数、每层神经元或节点数目；

步骤303：将转化格式后的数据随机化分为训练样本和测试样本；

步骤304：输入训练样本和与模型相关参数训练反向传播神经网络模型，获得反向传播神经网络模型中所需要的各层神经元互连的权值和输入偏置值；

模型相关参数包括：收发距离，时域采样间隔和接收电平；

步骤305：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道大尺度衰落模型；

步骤306：利用测试样本对基于反向传播神经网络的无线信道大尺度衰落模型进行验证。

4.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤四中所述的小尺度衰落模型基于径向基函数神经网络算法，具体步骤如下：

步骤401：将预设场景的无线电波测量数据转化为径向基函数神经网络建模所需要的数据格式；

步骤402：选择径向基函数神经网络隐含层数、每层神经元或节点数目；

步骤403：将转化后的数据格式随机化分为训练样本和测试样本；

步骤404：利用传统高分辨率算法对训练样本进行预处理；

步骤405：输入预处理后的训练样本和信道参数，训练径向基函数神经网络模型，获得径向基函数神经网络模型中需要的各层神经元互连的权值和输入偏置值；

步骤406：根据各层神经元互连的权值和输入偏置值，得到预设场景下的无线信道小尺度衰落模型；

步骤407：利用测试样本对基于径向基函数神经网络算法的无线信道小尺度衰落模型进行验证。

5.如权利要求4所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤405中所述的信道参数包括：移动台速度，时域采样间隔，时延与角度扩展和莱斯因子。

6.如权利要求1所述的一种基于人工智能算法的无线信道建模方法，其特征在于，步骤六中所述的特征参数包括时域、频域、空域和场景类型。