[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

权利要求书

1.一种基于神经网络的降雨天气条件下信道预测方法，其特征在于，包括：

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；

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；

S3、利用神经元构建BP神经网络模型；

S4、利用动量BP算法，引入惯性动量因子，将步骤S2中处理好的数据作为训练数据输入，对BP神经网络模型进行训练，保证该模型具有保持上一次权值更新趋势的惯性；

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。

2.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S1中，数据参数包括发射端与接收端之间的距离、发射波频率、发射天线的高度、接收天线的高度、降雨强度；使用Hata模型，自适应调整数据参数的具体内容如下：

（1）在市区环境下，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；

（2）在郊区环境下，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：

；

（3）在开阔地环境下，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：

。

3.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S2中，对数据进行归一化处理的具体内容包括：使用Matlab中的归一化函数mapminmax，将发送端与接收端的距离转化到[0,1]的区间上，从数据中取出最大值和最小值，再将每个值与最大值、最小值进行运算，具体公式为：

；

其中，在发送端与接收端距离构成的序列中，为该序列中变换前的数据，为该序列中发送端与接收端距离的最大值，为该序列中发送端与接收端距离的最小值，为该序列中归一变换后的距离值。

4.根据权利要求1所述的基于神经网络的降雨天气条件下信道预测方法，其特征在于，步骤S3中，构建BP神经网络模型的具体内容为：在Matlab中使用newff函数，输入的参数为信号发射端与接收端之间的距离，训练函数使用trainlm，学习函数使用lerangdm；在神经元模型中，每个输入值都与权值相乘并通过传递函数作为输出，其数学模型表示为：

；

其中为输出值，为表示输入输出关系的传递函数，为权值，为输入值，b为偏置常量；

构建好的BP神经网络模型包括：输入层、隐含层和输出层，其中输入层为BP神经网络的输入值，是信号输入端；输出层为BP神经网络的预测值，是信号输出端；隐含层为神经网络的中间层，是信号的处理端；

BP神经网络模型的第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置、输入层到隐含层的权重和偏置；其函数关系为：

；

其中为神经网络的输出层的输出值，为输入层的输入值，是神经网络隐含层的权重，是偏置常量，是传递函数。