[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

说明书

本发明涉及一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，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。该方法的精确度高误差小。

技术领域

本发明涉及电磁波场强预测技术，尤其涉及一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法。

背景技术

场强预测模型的研究主要目的是为了满足移动通信网的科学规划，合理的站址选择可以有效提供覆盖，消除覆盖盲区，并且为今后的网络优化提供方便。

国内外对电波传播的预测研究工作从七十年代开始广泛展开，摸索建立了很多分析模型，不同的场景下需要不同的传播模型，陆续开发的Road模型，Oknmura-Hata模型、ECAC模型、Palmer模型、适合市郊场景的Murphy模型以及适用于小区制射线跟踪模型等。比较常见的精确预测场强的是确定性模型，即传播环境、建筑信息等作为准确的输入信息，亦即射线跟踪(RT)模型。RT传输利用菲涅尔原理、反射系数及几何绕射理论(GeometricalTheory of Diffraction，GTD)和一致性绕射理论(Uniform Theory of Diffraction，UTD)。由于需要大量精确的环境数据，射线跟踪模型一般局限于室内，在室外场景中未得到广泛的应用。

而人工神经网络(ANN)恰能弥补这个不足，其在场强预测中应用的优点恰恰是，可以在建筑物的形状、参数和结构特征未知的情况下，利用容易获取的一些相关参数得到比较精确的场强值，且能够灵活地适应不同的场景。其原理是，利用可获得的参数作为神经网络的输入，经过不同的层，每层设置不同的神经元，经过特定的传输函数到达神经网络的输出层，然后利用实测数据进行训练，即通过调整神经网络的参数来寻找最佳的传输函数。ANN包含一系列相互连接的基本单元，称作神经元或节点。

目前有关文献中介绍了某室外微小区的场强预测方法，它将小区的地形信息参数输入至神经网络进行训练，并运用实测数据对模型的精度进行验证。有关文献提出一种室外混合预测模型，它将经验模型与ANN模型相结合，分别考虑收发端视距(Line of Sight,LOS)和非视距(Non Line of Sight,NLOS)情形，此种模型一般用于不同的地形类型，包含城市、郊区等。有关文献介绍了一种室内预测方法，比较了多种类型ANN用于场强预测的效果。有关文献也采用ANN方法，运用机器学习对不同地形进行分类，能够自动提取必要的场景信息进行训练。有关文献介绍了一种混合差分预测模型，其具体做法是利用粗略的场景模型和少量的精确预测值来训练多层感知机神经网络，使得以较小的运算复杂度代价得到精确的场强预测效果。上述各种算法固然能取得较高的精度，然而，是以精确的环境信息的支持为条件的，且某些算法没有真实数据予以验证。

因此，针对上述不足，有必要开发一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，利用天线调整前的大量用户数据，通过ANN预测天线方位角调整后天线有效覆盖区域内任意地理位置的接收功率，无需依赖环境数据，与实测数据比较的结果表明，预测误差在合理精度范围内。

发明内容

本发明要解决的技术问题是，提供一种基于参数和BP神经网络对天线调整后小区场强分布的预测方法，通过ANN预测天线有效覆盖区域内任意地理位置的接收功率，并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，无需依赖环境数据；且预测的误差很小。

为了解决上述技术问题，本发明采用的技术方案是：该基于参数和BP神经网络对天线调整后小区场强分布的预测方法，包括以下步骤：