[发明专利]一种基于人工智能算法的无线信道建模方法

说明书

本发明公开了一种基于人工智能算法的无线信道建模方法，属于无线通信领域。首先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，训练人工智能算法模型；然后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和无线信道小尺度衰落模型。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，以及电波传播特性随特征参数变化的基本规律。最后根据训练样本、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。本发明更为精确化和智能化，具备良好的普适性和灵活的可扩展性。

技术领域

本发明属于无线通信领域，涉及无线信道建模，具体是一种基于人工智能算法的无线信道建模方法。

背景技术

根据无线通信业务和频段及其用途的不同，无线信道模型也各异，比如有适用于蜂窝移动通信的信道模型、铁路车地无线通信的信道模型、卫星通信的信道模型以及地面视距微波等方面的信道模型。

传统的无线信道建模方法主要分为三类：基于理论计算的方法、基于实际测量的方法、以及理论与计算相结合的综合法。

基于理论计算的方法，比如射线追踪法、相关矩阵法等，往往需要提出一些假设条件使得无线信道的数学模型简化，如射线追踪法中一些障碍物、反射面和散射面的电参数需要通过实验得到；从而基于理论计算的方法得到的无线信道模型都是近似的，与实际的信道条件往往有较大差异。

基于实际测量的方法是当前无线信道建模的主流方法，比如基于空间几何的随机理论法，但是测试工作特别耗时。目前采集测试数据工作只是在一些固定点或者采用移动的方式在某几条街道(线)上开展，难以获得基于面(整片测试预设场景)或网络级的海量数据对无线信道进行数学建模。

基于实际测量的方法，每次根据实际测量数据建立的信道模型只能适用于特定的环境，一旦环境发生变化，原有的模型就无法使用。比如普遍应用于第四代移动通信系统(4G)的无线信道模型就是基于空间几何的随机理论法得到的，在电信运营商网规网优之前，信道模型需要根据场景开展大量测试进行本地化校正后方可使用。

再者，无线信道模型与电波传播环境(比如地形地貌)息息相关，传统建模算法不能对多元数据进行融合处理。

因此无论是基于理论计算的方法还是基于实际测量的方法，获取的信道模型的准确度较低。因此，大多传统信道建模方法离不开实际场景的测试，信道模型的普适性和可扩展性均较差。一旦变换了应用场景，就需要重新开展无线电波测试数据采集和信道建模工作，造成大量人力、物力、财力的浪费。

基于人工智能算法，对无线通信系统传输等技术研究的信道建模是一个崭新的研究领域，目前在国内外很少有开展这方面的系统工作的报道。

发明内容

本发明针对上述现有无线信道建模方法所存在的问题，为了解决建模流程耗时长、复杂度和成本高，以及现有信道模型的可扩展性和普适性差、精确度低的问题，提供了一种基于人工智能算法的无线信道建模方法。

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；

数据包括无线电波测量数据，地形数据和水文气象数据；

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；

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：