[发明专利]一种基于神经网络的降雨天气条件下信道预测方法、系统

说明书

本发明公开了一种基于神经网络的降雨天气条件下信道预测方法、系统，将基站采集的数据以及气象传感器获得的数据，发送到服务器中，由运行在服务器的程序对这些数据进行处理。程序经过运算后将修正参数返回到基站中去，随后基站利用修正参数来调整发送和接收信号的方式。本发明通过利用过去一年中归一化后的数据来训练BP神经网络，并且在网络中采用W‑H学习规则以及权值动量修正因子，可以得到一个拟合度良好的预测函数。该方法预测精度能更好地适应各个地域环境差异性带来的影响，预测的精度能达到98%，并且可以更好地符合实际信号损耗的变化趋势。

技术领域

本发明属于天地一体化网络中的信道预测领域，具体涉及一种基于神经网络的降雨天气条件下信道预测方法、系统。

背景技术

在传统的信道预测系统中，没有考虑到各个地区的差异性问题，以至于造成了较大的误差，并且通用性不高，从而使得系统的实用性不强。另外气象环境的多变性更是加剧了这种情况。雨水天气中，由于信号会受到降雨的影响，雨水改变信号在时域和空间域的平稳性，从而使得信道的预测变得更加困难。

BP神经网络具有非线性映射能力，能够更好地逼近非线性函数；并且该网络也有自学习和自适应能力，能够在神经网络训练时，通过学习自动提取输入输出数据之间的规则；同样BP神经网络的容错性能好，在部分神经元受到破坏后依然能够获得良好的训练效果。

发明内容

本发明所要解决的技术问题：提供一种基于神经网络的降雨天气条件下信道预测方法、系统，利用Hata信道模型，对随机降雨强度的数据参数进行自适应调整，并使用归一化方法，得到原始训练数据，构建BP神经网络模型并进行训练，从而可以实现模型在降雨天气下的信道预测精确度的最大化，加快网络的训练速度。

本发明为解决以上技术问题而采用以下技术方案：

本发明提出的一种基于神经网络的降雨天气条件下信道预测方法，包括如下步骤：

S1、利用Hata信道模型，对随机降雨强度的数据参数进行自适应调整，得到原始训练数据。

由于降雨环境会对信号的传输性能造成显著的影响，接收端在接收发射端传输的信号时，应当根据当前降雨强度，自适应调整通信系统的各项参数。同时通过加入降雨强度，能够改进传统Hata模型适用条件单一的劣势，从而提高预测的精度。

S2、使用归一化方法，对步骤S1中的原始训练数据进行处理，构建降雨强度与距离的关系。此时，降雨强度对信道路径损耗的影响随着发送端与接收端的距离增大而增大。

S3、利用神经元构建BP神经网络模型。

S4、利用动量BP算法，对BP神经网络模型进行训练，使BP神经网络模型在利用输入数据学习的过程中对每次权值的更新都具有一定的惯性，在使用train函数训练BP神经网络模型的过程中，每个神经元上的权值都会受到该惯性的影响，从而具有抗震荡能力和加速收敛能力；直到BP神经网络模型的误差函数满足精度要求，则BP神经网络模型的训练完成。

S5、将实时数据输入步骤S4训练好的模型，实现在降雨天气下的信道预测。

进一步，步骤S1中，数据参数包括单位为米的发射端与接收端之间的距离、单位为MHz的发射波频率、单位为米的发射天线的高度、单位为米的接收天线的高度、降雨强度；使用Hata模型，根据降雨强度，自适应调整数据参数，具体内容如下：

（1）在市区（Urban）环境下，对于发射端与接收端之间的距离、发射波频率、发射天线的高度，Hata信道模型的路径损耗为：

其中，为与接收天线相关的系数，取决于覆盖范围的大小，分为以下几种情况：

1）在中等大小的覆盖范围内，取值为：

。

2）在大的覆盖范围内，取决于载波频率，为：

。