[发明专利]基于高阶模糊认知图的MR网络信号强度预测方法及系统

说明书

本发明提供了基于高阶模糊认知图的MR网络信号强度预测方法及系统，将MR网络信号强度映射到极坐标上并确定模糊信息粒；基于模糊信息粒，高阶模糊认知图被建立用于揭示MR网络信号强度时间序列在不同波动特征下的内在转移机制；并引入注意力机制使得构建得到的模糊认知图可以关注MR网络信号强度序列数据中的重点信息，减少对噪声数据的拟合，从而提高预测方法及系统的抗噪能力和泛化能力。

技术领域

本发明属于网络信号领域，具体涉及基于高阶模糊认知图的MR网络信号强度预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

C-band(3.4GHz-4.9GHz)成为5G网络的主力频谱，为保证信号连续覆盖必然带来站址密度的增加，较4G网络单位区域内基站间距进一步缩小，基站间连通关系更加紧密。

但是，5G基站的超密集组网特性决定了局部区域性基站之间存在相互的关联和干扰，从而增强了MR网络信号(包含小区下行信号强度、信号质量等信息，由基站控制器收集和统计)的噪声、非线性等特性。因此，如何对MR网络信号强度进行准确预测以保证基站性能的稳定和安全运行是一个亟待解决的问题。

发明内容

本发明为了解决上述问题，提出了基于高阶模糊认知图的MR网络信号强度预测方法及系统，将MR网络信号强度映射到极坐标上并确定模糊信息粒；基于模糊信息粒，高阶模糊认知图被建立用于揭示MR网络信号强度时间序列在不同波动特征下的内在转移机制；并引入注意力机制使得构建得到的模糊认知图可以关注MR网络信号强度序列数据中的重点信息。

根据一些实施例，本发明采用如下技术方案：

基于高阶模糊认知图的MR网络信号强度预测方法，包括以下步骤：

获取用于训练的MR网络信号强度数据，计算每个时间窗口的极坐标点；

根据所有时间窗口的极坐标点确定模糊信息粒；

根据得到的模糊信息粒和每个时间窗口的极坐标点训练MR网络信号强度预测模型；所述MR网络信号强度预测模型的训练包括两部分：高阶模糊认知图模型的训练和注意力网络的训练；

获取待预测的MR网络信号强度数据，计算每个时间窗口的极坐标点，并输入训练好的MR网络信号强度预测模型得到下一时间窗口所有模糊信息粒的状态值，基于下一时间窗口所有模糊信息粒的状态值计算下一时间窗口的MR信号强度。

进一步地，所述计算每个时间窗口的极坐标点的具体步骤包括：

将MR网络信号强度数据划分到若干个时间窗口；

对每个时间窗口内的MR网络信号强度数据进行拟合建立回归方程；

根据回归方程的斜率计算极坐标角度和极坐标半径，得到每个时间窗口的极坐标点。

进一步地，所述根据所有时间窗口的极坐标点确定模糊信息粒的步骤具体包括：

根据所有时间窗口的极坐标点中极坐标角度和极坐标半径的取值，确定极坐标角度和极坐标半径的取值范围；

在该取值范围内将极坐标系划分为若干个扇形区域，每个扇形区域为一个模糊信息粒。

进一步地，所述高阶模糊认知图模型的训练包括：

构建高阶模糊认知图，将模糊信息粒作为高阶模糊认知图的节点；

计算每个时间窗口的极坐标点对节点的隶属度，得到每个时间窗口下的节点状态值；

根据节点状态值训练得到高阶模糊认知图模型。

进一步地，所述隶属度的计算中，使用Fermi函数计算带宽。