本发明涉及移动通信领域，特别是指一种基于随机梯度下降法的网络工作参数优化方法。
背景技术：
现有的移动通信网络以蜂窝网络为主，通过在网络中部署多个基站，这些基站设备装配了多部(定向)天线向不同的方向发射无线信号，共同实现一个区域的通信信号覆盖。在每个基站中，一般包括3个(存在个别有2-4个的情况)射频单元和天线，每根天线拥有各自的网络工作参数(简称工参)，例如：方位角、下倾角、发射功率等。
网络规划和网络优化是移动通信网络中的重要技术环节。网络规划通常是指在初始阶段对移动通信中网络工程的粗略估计与布局的考虑；网络优化则是通过对规划中粗略估算的参数进行调优，以达到更好的覆盖效果。两者在本申请中统称为网络优化。
网络优化的工作思路是调整一些易于调整的工参，以达到更好的覆盖效果。在面向覆盖率的网络优化中，覆盖效果是基于待优化目标区域中总的采样点中符合信号传输质量的采样点的数量而确定的。符合信号传输质量的评判标准一般是根据不同的覆盖需求而设定，一般有以下几种评判指标(即：覆盖效果的参数)：
1)参考信号接收功率(referencesignalreceivingpower，rsrp)；
2)信号与干扰加噪声比(signaltointerferenceplusnoiseratio，sinr)；
3)rsrp与sinr同时考虑等。
现有技术中，采用基于数值求解的梯度下降法对网络工作参数进行优化，从覆盖、未覆盖的离散状态(0或1问题)求解覆盖效果，根据所述覆盖效果利用差分求导法求出工作参数的导数向量，所述差分求导法表示为：
其中，c表示覆盖效果，定义为被覆盖的采样点占所述t个采样点的比例，
这样，会导致工作参数导数向量计算结果不稳定，工作参数导数向量的大小取决于△xi,j的大小，△xi,j太大则计算不够精确；由于采样点只有覆盖和未覆盖两种效果，△xi,j太小则不会对分子产生影响，导致导数为0，不能更新工作参数，在边界时导数过大，而且△xi,j过小时易产生计算误差，在不可导点会产生错误值。
技术实现要素：
本发明要解决的技术问题是提供一种基于随机梯度下降法的网络工作参数优化方法，以解决现有技术所存在的基于数值求解的梯度下降法，会导致工作参数导数向量计算结果不稳定的问题。
为解决上述技术问题，本发明实施例提供一种基于随机梯度下降法的网络工作参数优化方法，包括：
获取待优化的工作参数；
在采样点中随机抽取个t个采样点；
根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点的整体覆盖率，所述整体覆盖率等于所述t个采样点被覆盖的覆盖效果的均值，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；
根据所述t个采样点的整体覆盖率，利用连续求导法则，确定工作参数的导数向量；
根据确定的工作参数的导数向量，确定优化后的工作参数。
进一步地，所述获取待优化的工作参数包括：
获取天线下倾角和天线方位角；
获取天线相对于所述t个采样点的采样点下倾角和采样点方位角；
根据获取的天线下倾角、天线方位角、采样点下倾角和采样点方位角，确定水平角和垂直角。
进一步地，所述水平角表示为：alpha＝azimuth_gt-p_azimuthk；
所述垂直角表示为：beta＝p_tiltk-tilt_gt；
其中，alpha表示水平角，p_azimuthk表示第k次迭代的天线方位角，azimuth_gt表示采样点方位角；beta表示垂直角，p_tiltk表示第k次迭代的天线下倾角，tilt_gt表示采样点下倾角。
进一步地，所述根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点被覆盖的覆盖率连续值包括：
确定用于评判覆盖效果的参数；
根据获取的待优化的工作参数，确定评判覆盖效果参数的值；
根据确定的评判覆盖效果参数的值，结合s型函数，得到待优化目标区域中所述t个采样点被覆盖的覆盖效果，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；
对所述t个采样点被覆盖的覆盖效果求平均值，得到所述t个采样点的整体覆盖率。
进一步地，确定的用于评判覆盖效果的参数包括：参考信号接收功率和信号与干扰加噪声比；
所述根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点被覆盖的覆盖率连续值包括：
根据获取的水平角和垂直角，确定采样点到天线的增益；
设置天线发射功率，计算天线到采样点之间的路损；
根据确定的增益、设置的天线发射功率、计算得到的路损，确定参考信号接收功率和信号与干扰加噪声比；
根据确定的参考信号接收功率和信号与干扰加噪声比，结合s型函数，得到待优化目标区域中所述t个采样点被覆盖的覆盖效果，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；
对所述t个采样点被覆盖的覆盖效果求平均值，得到所述t个采样点的整体覆盖率。
进一步地，确定的采样点到天线的增益表示为：
gain＝f1(alpha)-(abs(alpha)/pi)*(f1(pi)-f2(pi-beta))-
(1-abs(alpha)/pi)*(f1(0)-f2(beta))
其中，gain表示增益，abs表示绝对值函数，f1和f2是对水平角和垂直角的增益拟合函数。
进一步地，所述参考信号接收功率表示为：
rssii,j＝powerj+gaini,j-pathlossi,j
其中，rsrpi表示采样点i的参考信号接收功率，rssii,j表示采样点i到天线j的接收信号的强度指示，powerj表示天线j的发射功率，gaini,j表示采样点i到天线j的增益，pathlossi,j表示天线j到采样点i之间路损。
进一步地，所述信号与干扰加噪声比表示为：
其中，sinri表示采样点i的信号与干扰加噪声比，noisei表示采样点i的噪声，rsrpi表示采样点i的参考信号接收功率，rssii,j表示采样点i到天线j的接收信号的强度指示。
进一步地，每个采样点被覆盖的覆盖效果表示为：
coverpoint＝sigmoid(rsrp-thrsrp)*sigmoid(sinr-thsinr)
其中，coverpoint表示采样点被覆盖的覆盖效果，sinr表示信号与干扰加噪声比，rsrp表示参考信号接收功率，thrsrp、thsinr分别表示预先设置的rsrp阈值和sinr阈值，sigmoid(x)为s型函数，
进一步地，所述根据确定的工作参数的导数向量，确定优化后的工作参数包括：
利用公式pk+1＝pk+learning_rate*dk更新第k+1代的工作参数pk+1，直至满足预设的最大迭代次数，其中，pk表示第k代的工作参数，dk表示第k代的工作参数的导数向量，learning_rate表示学习率。
本发明的上述技术方案的有益效果如下：
上述方案中，获取待优化的工作参数；在采样点中随机抽取个t个采样点；根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点的整体覆盖率，所述整体覆盖率等于所述t个采样点被覆盖的覆盖效果的均值，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；根据所述t个采样点的整体覆盖率，利用连续求导法则，确定工作参数的导数向量；根据确定的工作参数的导数向量，确定优化后的工作参数，这样，能够将覆盖效果标准从覆盖、未覆盖的离散状态变换到有多大概率被覆盖的连续值，使得求导过程可以直接使用连续求导法则进行求解，能够提高工作参数导数向量计算结果的稳定性和准确性，从而解决现有技术中使用差分求导在自变量变化△xi,j较小时工作参数不能更新、在边界时导数过大、易产生计算误差，自变量变化△xi,j较大时工作参数计算结果不够精确的问题，且本申请所述的基于随机梯度下降法的网络工作参数优化方法只利用了待优化目标区域中t个采样点的整体覆盖率，因此，本申请所述的基于随机梯度下降法的网络工作参数优化方法的优化速度要比同日申请的基于梯度下降法的网络工作参数优化方法的优化速度要快的多。
附图说明
图1为本发明实施例提供的基于随机梯度下降法的网络工作参数优化方法的流程示意图；
图2为本发明实施例提供的基于梯度下降法与基于随机梯度下降法的网络工作参数优化效果对比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的基于数值求解的梯度下降法，会导致工作参数导数向量计算结果不稳定的问题，提供一种基于随机梯度下降法的网络工作参数优化方法。
如图1所示，本发明实施例提供的基于随机梯度下降法的网络工作参数优化方法，包括：
s101，获取待优化的工作参数；
s102，在采样点中随机抽取个t个采样点；
s103，根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点的整体覆盖率，所述整体覆盖率等于所述t个采样点被覆盖的覆盖效果的均值，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；
s104，根据所述t个采样点的整体覆盖率，利用连续求导法则，确定工作参数的导数向量；
s105，根据确定的工作参数的导数向量，确定优化后的工作参数。
本发明实施例所述的基于随机梯度下降法的网络工作参数优化方法，获取待优化的工作参数；在采样点中随机抽取个t个采样点；根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点的整体覆盖率，所述整体覆盖率等于所述t个采样点被覆盖的覆盖效果的均值，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；根据所述t个采样点的整体覆盖率，利用连续求导法则，确定工作参数的导数向量；根据确定的工作参数的导数向量，确定优化后的工作参数，这样，能够将覆盖效果标准从覆盖、未覆盖的离散状态变换到有多大概率被覆盖的连续值，使得求导过程可以直接使用连续求导法则进行求解，能够提高工作参数导数向量计算结果的稳定性和准确性，从而解决现有技术中使用差分求导在自变量变化△xi,j较小时工作参数不能更新、在边界时导数过大、易产生计算误差，自变量变化△xi,j较大时工作参数计算结果不够精确的问题，且本申请所述的基于随机梯度下降法的网络工作参数优化方法只利用了待优化目标区域中t个采样点的整体覆盖率，因此，本申请所述的基于随机梯度下降法的网络工作参数优化方法的优化速度要比同日申请的基于梯度下降法的网络工作参数优化方法的优化速度要快的多。
本实施例中，在求解所述t个采样点中每个采样点被覆盖的覆盖效果时，将离散过程连续化，可以得到[0,1]之间的连续值，进而使得求导过程可以直接套用连续求导的导数公式来求解，例如，lnx函数的导数公式是
本实施例中，t为一次迭代计算中需要计算的采样点数，t的取值可以根据实际情况进行设置，一般而言，t约等于待优化目标区域中包含的天线数目。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，所述获取待优化的工作参数包括：
获取天线下倾角和天线方位角；
获取天线相对于所述t个采样点的采样点下倾角和采样点方位角；
根据获取的天线下倾角、天线方位角、采样点下倾角和采样点方位角，确定水平角和垂直角。
本实施例中，天线下倾角是指天线与水平线(例如，正东方向)之间的夹角，采样点下倾角是指由于天线与采样点之间的海拔高度不同造成的夹角，垂直角是采样点下倾角与天线下倾角之间的夹角。
本实施例中，天线方位角是天线与正东方向之间的夹角，采样点方位角是天线与采样点之间连线与正东方向之间的夹角，水平角是采样点方位角与天线方位角之间的夹角。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，所述水平角表示为：alpha＝azimuth_gt-p_azimuthk；
所述垂直角表示为：beta＝p_tiltk-tilt_gt；
其中，alpha表示水平角，p_azimuthk表示第k次迭代的天线方位角，azimuth_gt表示采样点方位角；beta表示垂直角，p_tiltk表示第k次迭代的天线下倾角，tilt_gt表示采样点下倾角。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，所述根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点被覆盖的覆盖率连续值包括：
确定用于评判覆盖效果的参数；
根据获取的待优化的工作参数，确定评判覆盖效果参数的值；
根据确定的评判覆盖效果参数的值，结合s型函数，得到待优化目标区域中所述t个采样点被覆盖的覆盖效果，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；
对所述t个采样点被覆盖的覆盖效果求平均值，得到所述t个采样点的整体覆盖率。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，确定的用于评判覆盖效果的参数包括：参考信号接收功率和信号与干扰加噪声比；
所述根据获取的待优化的工作参数，确定待优化目标区域中所述t个采样点被覆盖的覆盖率连续值包括：
根据获取的水平角和垂直角，确定采样点到天线的增益；
设置天线发射功率，计算天线到采样点之间的路损；
根据确定的增益、设置的天线发射功率、计算得到的路损，确定参考信号接收功率和信号与干扰加噪声比；
根据确定的参考信号接收功率和信号与干扰加噪声比，结合s型函数，得到待优化目标区域中所述t个采样点被覆盖的覆盖效果，每个采样点被覆盖的覆盖效果为[0,1]之间的连续值；
对所述t个采样点被覆盖的覆盖效果求平均值，得到所述t个采样点的整体覆盖率。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，确定的采样点到天线的增益表示为：
gain＝f1(alpha)-(abs(alpha)/pi)*(f1(pi)-f2(pi-beta))-
(1-abs(alpha)/pi)*(f1(0)-f2(beta))
其中，gain表示增益，abs表示绝对值函数，f1和f2是对水平角和垂直角的增益拟合函数。
本实施例中，将计算增益过程可微化，可以使得后面的导数求解过程可以利用连续求导法则得出解析解，导数结果准确稳定。
本实施例中，f1和f2是根据实际天线的增益表利用傅里叶级数拟合得出的。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，所述参考信号接收功率表示为：
rssii,j＝powerj+gaini,j-pathlossi,j
其中，rsrpi表示采样点i的参考信号接收功率，rssii,j表示采样点i到天线j的接收信号的强度指示，powerj表示天线j的发射功率，gaini,j表示采样点i到天线j的增益，pathlossi,j表示天线j到采样点i之间路损。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，所述信号与干扰加噪声比表示为：
其中，sinri表示采样点i的信号与干扰加噪声比，noisei表示采样点i的噪声，rsrpi表示采样点i的参考信号接收功率，rssii,j表示采样点i到天线j的接收信号的强度指示。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，每个采样点被覆盖的覆盖效果表示为：
coverpoint＝sigmoid(rsrp-thrsrp)*sigmoid(sinr-thsinr)
其中，coverpoint表示采样点被覆盖的覆盖效果，sinr表示信号与干扰加噪声比，rsrp表示参考信号接收功率，thrsrp、thsinr分别表示预先设置的rsrp阈值和sinr阈值，sigmoid(x)为s型函数，
本实施例中，sigmoid(x)能够将从负无穷到正无穷的输入对应到一个0到1之间的输出。
在前述基于随机梯度下降法的网络工作参数优化方法的具体实施方式中，进一步地，所述根据确定的工作参数的导数向量，确定优化后的工作参数包括：
利用公式pk+1＝pk+learning_rate*dk更新第k+1代的工作参数pk+1，直至满足预设的最大迭代次数，其中，pk表示第k代的工作参数，dk表示第k代的工作参数的导数向量，learning_rate表示学习率。
本实施例中，learning_rate表示学习率，指工作参数更新的速度，属于超参数，超参数是根据实际需求与效果由用户自己设定参数值的参数。
为了更好地理解本发明实施例所述的基于随机梯度下降法的网络工作参数优化方法，以某城市为例，假设待优化的工作参数为天线方位角与天线下倾角，覆盖效果的参数为rsrp与sinr同时考虑(也可以只考虑，rsrp或sinr，方法与同时考虑rsrp与sinr类似)，对本发明实施例所述的基于随机梯度下降法的网络工作参数优化方法进行详细说明：
a1，初始化
a)设定最大迭代次数interation，待优化目标区域内包含的天线数量为num_sector，待优化目标区域(即：所述某城市)内包含的采样点数量为num_samples；
b)获取待优化的工作参数为tilt(天线下倾角),azimuth(天线方位角)；
c)设定工作参数向量p_tilt1、p_azimuth1，其中，下标1表示第1次迭代，工作参数向量p_tilt1、p_azimuth1的长度均为num_sector；
d)计算天线相对于所有采样点的采样点下倾角tilt_g和采样点方位角azimuth_g；其中，tilt_g和azimuth_g的大小均为[num_samples*num_sector]。
a2，循环迭代
设本代为第k次循环，k＝1,2,3…,interation
a)在num_samples个采样点中随机抽取个t个采样点
b)在tilt_g和azimuth_g中，获取这t个采样点对应的采样点下倾角tilt_g和采样点方位角azimuth_g分别组成新的矩阵tilt_gt和azimuth_gt，tilt_gt和azimuth_gt的大小均为[t*num_sector]，利用tilt_gt和azimuth_gt，计算水平角alpha与垂直角beta：
alpha＝azimuth_gt-p_azimuthk(alpha自变量范围：-pi～pi)
beta＝p_tiltk-tilt_gt
其中，p_azimuthk表示第k次迭代的天线方位角，p_tiltk表示第k次迭代的天线下倾角。
c)根据alpha和beta计算增益gain：
gain＝f1(alpha)-(abs(alpha)/pi)*(f1(pi)-f2(pi-beta))-
(1-abs(alpha)/pi)*(f1(0)-f2(beta))
其中，abs是绝对值函数，f1和f2是对方位角和下倾角的增益拟合函数，根据实际天线的增益表利用傅里叶级数拟合得出。
本实施例中，gain的大小为[t*num_sector]。
d)设置天线发射功率，计算天线到采样点之间的路损。
e)根据确定的增益、设置的天线发射功率、计算得到的路损，确定参考信号接收功率和信号与干扰加噪声比：
rssii,j＝powerj+gaini,j-pathlossi,j
其中，rsrpi表示采样点i的参考信号接收功率，rssii,j表示采样点i到天线j的接收信号的强度指示，powerj表示天线j的发射功率，gaini,j表示采样点i到天线j的增益，pathlossi,j表示天线j到采样点i之间路损，sinri表示采样点i的信号与干扰加噪声比，noisei表示采样点i的噪声。
本实施例中，rsrp和sinr是长度均为num_sector。
f)计算t个采样点的覆盖效果，每个采样点被覆盖的覆盖效果用向量coverpoint来表示，coverpoint的每一个元素值在[0,1]之间(连续值)，越靠近0覆盖效果越差，越靠近1覆盖效果越好：
coverpoint＝sigmoid(rsrp-thrsrp)*sigmoid(sinr-thsinr)
其中，thrsrp、thsinr分别表示预先设置的rsrp阈值和sinr阈值，sigmoid(x)为s型函数，
本实施例中，sigmoid(x)中文含义为s型函数，将从负无穷到正无穷的输入对应到一个0到1之间的输出。
需要说明的是，在离散方法中，认为当rsrp的值大于或等于rsrp阈值且sinr的值大于或等于sinr阈值时，该采样点被覆盖；本实施例中，coverpoint越靠近0表示覆盖效果越差，越靠近1表示覆盖效果越好。
g)计算所述t个采样点的整体覆盖率coverarea＝coverpoint中所有元素的平均值
h)根据coverarea利用连续求导法则求出工作参数tiltk的导数d_tiltk和工作参数azimuthk的导数d_azimuthk，并更新tilt和azimuth；
更新tilt的公式表示为：p_tiltk+1＝p_tiltk+learning_rate*d_tiltk，其中，当k＝1时，d_tilt1为全0向量；
更新azimuth的公式表示为：p_azimuthk+1＝p_azimuthk+learning_rate*d_azimuthk，其中，当k＝1时，d_azimuth1为全0向量。
a3，当k＝interation时，输出工作参数azimuth和tilt的值，即最后一次迭代运算产生的结果。
综上，本申请所述的本申请所述的基于随机梯度下降法的网络工作参数优化方法，能够解决现有技术中使用差分求导在自变量变化△xi,j较小时工作参数不能更新、在边界时导数过大、易产生计算误差，自变量变化△xi,j较大时工作参数计算结果不够精确的问题。
图2为基于梯度下降法(full_batch)与基于随机梯度下降法(mini_batch)的网络工作参数优化效果对比示意图，根据图2中覆盖率随迭代次数增加的变化趋势可知，本申请所述的基于随机梯度下降法的网络工作参数优化方法的优化速度要比同日申请的基于梯度下降法的网络工作参数优化方法的优化速度要快。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。