论文部分内容阅读
在无线通信系统中,无线传播模型建模是网络规划和系统优化的基础。经验传播模型虽然简单,然而它的建立是针对特定的传播场景,需要大量计算来校正参数,射线跟踪方法往往很耗时。基于实测数据驱动的智能传播模型被认为是满足传播模型建模通用性和精确性需求的一种解决方案。基于以上需求,论文做了主要研究工作如下:1.本文提出基于前馈神经网络的智能传播模型框架,该框架以工程参数、地图参数作为输入特征来分类预测对应区域的信号接收平均功率（RSRP）覆盖强弱。框架具体思想为:将输入特征进行高阶预映射得到高阶向量之后送入前馈神经网络进行分类预测,其中高阶预映射包括两部分:地物索引嵌入网络、环境高阶特征自动生成网络。2.地物索引嵌入网络将地图参数中的地物索引进行映射得到稠密编码向量,揭示地物索引作为类别特征所隐含的连续性,帮助后续模型对地物特征的拟合。本文实验结果表明,地物索引嵌入网络提高智能模型在RSRP覆盖强弱的准确性到0.875,同时提高模型的效率。3.环境高阶特征生成网络:本文基于以往人工设计的特征筛选出9个性能良好的组合特征。除此之外,提出基于LightGBM（Light Gradient Boosting Machine）算法的环境特征自动生成器,利用实测数据的输入特征训练LightGBM之后生成环境高阶特征,再将新生成特征送入前馈神经网络用来预测RSRP覆盖强弱。实验表明LightGBM生成的高阶特征提升了模型准确性,与待分类的RSRP覆盖强弱值有良好的相关性。基于前馈神经网络的智能传播模型框架将输入特征（地物索引用嵌入向量编码）,人工特征组合和生成的高阶特征送入前馈神经网络来拟合无线信道传播模型。对比几种机器学习与深度学习算法,实验结果显示该框架对RSRP覆盖强弱分类任务上表现相对较好,准确度达到0.90。本文所做的工作内容,为智能传播模型的研究,以及无线信道特性数据的分析、建模提供具体的新技术。