[发明专利]大尺度衰落的建模及估计方法、系统、设备和存储介质

说明书

本申请实施例涉及通信技术领域，公开了一种大尺度衰落的建模及估计方法、系统、设备和存储介质。信道大尺度衰落的建模方法包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。使得能够得到准确可靠、可实现性强的大尺度衰落预测模型。

技术领域

本申请实施例涉及通信技术领域，特别涉及一种大尺度衰落的建模及估计方法、系统、设备和存储介质。

背景技术

基于无线信道的大尺度衰落进行建模，对研究信道特征和性能以优化无线通信系统具有重要意义，其中，大尺度衰落包括路径损耗和阴影衰落两方面，路径损耗反映的是长距离上接收功率的变化，而阴影衰落反映的是障碍物尺度上功率的变化。传统建模方式中，对于路径损耗，一般通过经验公式进行建模，但是经验公式内包含较多的非确定性计算参数，参数取值与场景关联性强，模型鲁棒性和泛化性差，实用性不强；而对于阴影衰落，由于其服从高斯分布，一般在高斯分布的基础上对相关性系数进行修正得到模型，但是该方式中相关性系数的初值在设置时具有较大随机性，相关性系数计算的准确性也较低，无法准确地反映实际的相关性大小，因而整体计算误差难以控制。因此，随着人工智能算法的兴起，出现了各种基于历史数据驱动型的建模方法，其中常见的思路是：在建模过程中，忽略阴影衰落，将大尺度衰落当作路径损耗处理；或者，在获取路径损耗的历史数据和阴影衰落的历史数据后，利用路径损耗的历史数据和阴影衰落的历史数据分别进行模型训练，得到路径损耗预测模型和阴影衰落预测模型。

然而，实际过程中，阴影衰落的影响较大，忽略阴影衰落会导致模型的预测出来的大尺度衰落存在较大误差，并且还会导致模型泛化效果差，无法得到可靠的大尺度衰落模型；实际测量时，损耗和阴影衰落无法完全区分，难以独立测量，从而无法分别获取路径损耗和阴影衰落的历史数据进行训练，可实现性低。

发明内容

本申请实施例的主要目的在于提出一种大尺度衰落的建模及估计方法、系统、设备和存储介质，实现在不需要独立测量路径损耗和阴影衰落的情况下，从路径损耗和阴影衰落两方面对大尺度衰落进行建模，使得能够得到准确可靠、可实现性强的大尺度衰落预测模型，进而能够准确地对信道地大尺度衰落进行估计。

为实现上述目的，本申请实施例提供了一种信道大尺度衰落的建模方法，包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。

为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的估计方法，包括：获取待测信道的路径损耗参数；将所述路径损耗参数分别输入路径损耗预测模型和阴影衰落预测模型，得到所述路径损耗预测模型输出的路径损耗预测值和所述阴影衰落预测模型输出的阴影衰落预测值，其中，所述路径损耗预测模型和所述阴影衰落预测模型是通过如上所述的信道大尺度衰落的建模方法得到的；将所述路径损耗预测值和所述阴影衰落预测值之和作为所述待测信道的大尺度衰落估计值。