[发明专利]一种基于Cost231-Hata模型的无线智能传播方法

说明书

本发明提供的是一种基于Cost231‑Hata模型的无线智能传播方法，该模型基于5G网络的应用、以及无线LET网络数据的辅助所提出针对解决在不同环境中及在各种外界因素影响下建立的稳定性高的无线传播模型。该模型通过对LET数据中的工程参数、地图参数和自行寻找的特征来分析，预测模型的平均信号接收功率(RSRP)，并考虑传输路径的损耗详细划分，采用一种更为全面的传输路径损耗由自由空间损耗L_s、屋顶对街道的绕射和散射损耗L_ms两项组成，构建反向传播神经网络对不同地理位置的RSRP进行预测，通过模型能够准确预测新环境下无线信号的覆盖强度，减少网络建设成本，同时提高网络建设效率。

技术领域

本发明涉及到一种基于Cost231-Hata模型的无线智能传播方法，便于利用模型准确预测在新环境下无线信号覆盖强度。

背景技术

现如今，在人工智能被推上强有力的风口之上，不论是业内人士还是其他企业都在疯狂的追逐着，与此同时5G的话题不再是存在于纸上的理论，而是悄无声息的出现在人工智能领域，并且获得了较为突出的进步，并且全球范围内的应用也在不断地扩大。

在5G的应用领域中，三大通信运营商争相进行5G网络的部署，在这个应用中，合理地选择覆盖区域内的基站站址是最关键的一方面，其次通过部署基站来满足用户的通信需求。在整个无线网络规划流程中，高效的网络估算对于精确的5G网络部署有着非常重要的意义。无限网络依附于无线电波，这种载体是极其容易收到外界的影响的。由于无线电波传播环境复杂，会受到传播路径上各种因素的影响，所以建立一个准确的模型是一项非常艰巨的任务，需要模型能够准确预测新环境下无线信号的覆盖强度，减少网络建设成本，同时提高网络建设效率。

随着5G时代的风靡和全球数字产业链条的快速转型，人工智能和5G的衔接日益紧密。这种由单个站点进行数据采集与分析最后组合成新的工作模式的方式将会面临着巨大的挑战，它不仅需要严密的深度学习框架提升性能，还需要稳定的网络技术作为支撑，于是在5G运营的基础上建立一个高效的、集中的、精准的数据平台是今后研究的主题。

发明内容

本发明提供了一种根据经典模型Cost 231-Hata及数据集设计出合理的特征(特征为已知数据或参数)、以及结合各个小区间的数据集找出更多合适的特征，将特征因子的相关性进行分析并得出整体量化及其排序，以建立神经网络模型预测RSRP的基于Cost231-Hata模型的无线智能传播模型。

本发明提供的一种基于Cost231-Hata模型的无线智能传播方法，包括如下步骤：

步骤一、特征设计：

A、将Cost231-Hata模型的数据或参数进行定量分析；

B、从中挑选出影响目标模型的主要特征a；

C、结合Cost 231-Hata模型以及其相关数据进行建立神经网络模型预测RSRP的基于Cost231-Hata模型的特征a1；

优选的，所述特征a1的定义公式为：

PL＝46.3+33.9log₁₀f-13.82log₁₀h_b-α+(44.9-6.55log₁₀h_b)log₁₀d+c_m；

其中，f为载波频率，h_b为基站天线有效高度，h_s为基站天线离地面的高度，h_g为基站地面的海拔高度，h_mg为移动台所在位置的地面海拔高度，α为用户天线高度修正，d为链路距离，c_m为场景纠正常数，Δh_v为所指栅格与信号线的有效距离。

优选的，所述RSRP与PL的关系式为：