[发明专利]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

权利要求书

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T_a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n M×n M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上报的RSRP数据计算该随机变量的均值和标准差；根据RSRP数据量的不同，将所有栅格分成两类，第一类栅格为RSRP数据充足的栅格，用来训练神经网络；第二类栅格为RSRP数据不充足甚至未上报的栅格，通过神经网络预测其对应的栅格功率。

5.根据权利要求4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(4)具体包括以下步骤：

对RSRP数据充足的栅格采用三层神经网络进行训练，输入层是栅格中心点的坐标(x_a,y_a)，其中a表示栅格索引号；中间隐含层所包含的神经元个数与训练所采用的样本集规模呈正相关关系，输出层是第二类栅格的接收功率均值的预测值，输入层与隐藏层的常数项神经元是属于偏置单元；

其中隐藏层每个神经元采用的激活函数为：

其中θ_hidden是由输入层到该隐藏层神经元的权重向量，所有隐藏层的神经元的权重向量构成由输入层到隐藏层的权重矩阵；

输出层采用的激活函数为线性函数：

其中x为隐藏层的输出组成的向量，θ_output是由隐藏层到输出层神经元的权重向量，所有输出层的神经元的权重向量构成由隐藏层到输出层的权重矩阵；该神经网络的层与层之间都有着不同的权重矩阵，权重矩阵的值要进行随机初始化，并随着神经网络的训练得到最终的权重矩阵值，最后得到天线调整前其有效辐射区内所有栅格接收功率均值的预测值。

6.根据权利要求5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(5)具体包括以下步骤：

通过场强预测模型中的电波传播模型，采用电波传播公式获得天线方位角转动之后的每个栅格平均接收功率公式，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，即获得天线调整后小区场强分布的预测；

其中电波传播公式为：

该公式中Pt为天线发射功率，为天线方向图函数，GT为天线增益，λ为电波波长，d为天线到用户点的自由空间距离，α为路径损耗指数，Pr为接收点的接收功率；

天线方位角转动之后的每个栅格平均接收功率公式为：

其中和分别表示天线转动前后的(方位角，下倾角)，并与天线姿态调整之后上报的用户实测数据的均值进行比较，得到的误差作为该算法预测的接收功率均值的误差。