基于神经网络的电波传播模型的传输损耗预测方法及系统

1.本发明涉及一种电波传输损耗的预测方法及系统，具体涉及一种基于半监督深度神经网络的电波传播模型的传输损耗的预测方法及系统，属于电力传输领域。


背景技术：

2.传统电波传播模型的计算主要基于不同地理场景下采集到的大量实测数据建立统计模型，此时电波传播模型就是统计模型，然而，这些统计模型通常具有较好的普适性，但是在针对某一确定场景时，比如某个准平坦地形的城市，统计模型普适性的参数配置就难以有效的提供精准定制化的电波传播模型计算。为使电波传播模型能够基于不同场景进行定制化，采集员通常需要采集目标地区大量的有标数据，并对统计模型进行本地化校正，从而生成本地化模型，本地化模型的精度相对于统计模型而言更高。所以在目标地区仅有少量有标实测数据的情况下，统计传播模型容易出现过拟合现象，导致本地化模型难以预测高精度的传输损耗，那么在准平坦地形的城市中就无法得到准确的电波传输损耗。


技术实现要素：

3.本发明为了解决电波传播模型的统计模型在城市有标实测数据过少的情况下，容易出现过拟合现象，导致电波传播模型预测的传输损耗精度低，准确率不高的问题，进而提出了一种基于神经网络的电波传播模型的传输损耗预测方法及系统。
4.本发明采取的技术方案是：
5.它包括它包括以下步骤：
6.s1、获取城市不同电波传播模型的电波传输仿真数据，将电波传输仿真数据作为仿真训练集，电波传输仿真数据包括传输损耗和影响传输损耗的参数，再获取少量的有标实测数据，将有标实测数据作为实测训练集；
7.s2、构建resnet仿真模型，resnet仿真模型依次包括输入层、卷积层、池化层、残差层、全连接层和输出层，将仿真训练集输入resnet仿真模型内进行训练，输入影响传输损耗的参数，输出传输损耗，直至收敛，得到训练好的resnet仿真模型；
8.s3、利用实测训练集对训练好的resnet仿真模型进行微调，直至收敛，得到本地化模型；
9.s4、将待预测的影响传输损耗的参数输入本地化模型内，输出传输损耗。
10.进一步地，s1中电波传播模型包括okumura-hata、itu-r recommendation p.1546、itu-r recommendation p.1812、itu-r recommendation p.1411、itu-r recommendation p.529。
11.进一步地，s1中影响传输损耗的参数包括高程数据、发射天线参数、发射机与接收机距离、天线方位角、环境因子、频率、极化方式、时间百分比、发射机与接收机方向方位图。
12.进一步地，s2中resnet仿真模型的残差层包括多个残差单元，每个残差单依次包括2个卷积层、1个激活层和2个卷积层。
13.进一步地，s2中resnet仿真模型针对不同的电波传输仿真数据，通过配置不同的通道数量和残差层数量得到不同的resnet仿真模型。
14.进一步地，s3中利用实测训练集对训练好的resnet仿真模型进行微调时，resnet仿真模型中的卷积层不进行微调，仅针对全连接层进行微调。
15.基于神经网络的电波传播模型的传输损耗预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如一种基于神经网络的电波传播模型的传输损耗预测方法的任一步骤。
16.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如一种基于神经网络的电波传播模型的传输损耗预测方法的任一步骤。
17.有益效果：
18.本发明首先利用城市不同电波传播模型的统计分布特点获取城市环境下大量的电波传输仿真数据，电波传输仿真数据包括传输损耗和影响传输损耗的参数，并将电波传输仿真数据作为仿真训练集。利用仿真训练集对构建的resnet仿真模型进行训练，得到训练好的resnet仿真模型，resnet仿真模型依次包括输入层、卷积层、池化层、残差层、全连接层和输出层，其中，残差层包括多个残差单元，每个残差单依次包括2个卷积层、1个激活层和2个卷积层。基于监测设备和环境先验知识获取城市环境下少量的有标实测数据，将有标实测数据作为实测训练集，用实测训练集对训练好的resnet仿真模型进行微调，由于实测数据量相对较小，如果针对resnet仿真模型进行全层调整，则容易导致过拟合，因此，本发明在微调时仅对resnet仿真模型的全连接层进行微调，其余层不变。得到本地化模型，利用本地化模型直接得到最终的传输损耗。本发明通过采用resnet仿真模型进行全连接层的微调解决了过拟合现象，且resnet仿真模型通过融合经验模型和少量的有标实测数据进行处理，得到了准确率更高、更贴近实际应用环境的本地化模型，以本地化模型即可实现高精度的电波传播模型的传输损耗预测。
附图说明
19.图1是本发明的流程图；
20.图2是resnet模型的结构图；
21.图3是cnn与resnet局部结构对比图；
具体实施方式
22.具体实施方式一：结合图1-图3说明本实施方式，本实施方式所述一种基于神经网络的电波传播模型的传输损耗预测方法，它包括以下步骤：
23.s1、基于城市不同电波传播模型的统计分布特点，通过仿真获取城市环境下大量的电波传输仿真数据，电波传输仿真数据包括传输损耗和影响传输损耗的参数，影响传输损耗的参数包括高程数据、发射天线参数、发射机与接收机距离、天线方位角、环境因子、频率、极化方式、时间百分比、发射机与接收机方向方位图等参数。将电波传输仿真数据作为仿真训练集s＝(f1，p1)，其中，p1为对应距离的传播损耗，f1为影响传播损耗的相关参数。
24.基于监测设备和环境先验知识获取城市环境下少量的有标实测数据，将有标实测
数据作为实测训练集s＝(f2，p2)，其中，f2表示影响传输损耗的相关参数，p2表示传输损耗。有标实测数据表示在实际应用中已知的数据。
25.电波传播模型包括okumura-hata、itu-r recommendation p.1546、itu-rrecommendationp.1812、itu-rrecommendationp.1411、itu-rrecommendationp.529等。
26.s2、构建resnet仿真模型，resnet仿真模型依次包括输入层、卷积层、池化层、残差层、全连接层和输出层，将仿真训练集输入resnet仿真模型内进行训练，输入高程数据、发射天线参数、发射机与接收机距离、天线方位角、环境因子、频率、极化方式、时间百分比、发射机与接收机方向方位图，输出传输损耗，直至收敛，得到训练好的resnet仿真模型。
27.resnet仿真模型如图2所示，其中，残差层包括多个残差单元，每个残差单依次包括2个卷积层、1个激活层和2个卷积层，整个resnet仿真模型属于相对简单的残差网络模型。针对不同的电波传输仿真数据，通过配置不同的通道数量和残差层数量能够得到不同的resnet仿真模型。比如，针对电波传播模型：okumura-hata、itu-rrecommendation p.1546、itu-r recommendation p.1812、itu-r recommendation p.1411、itu-rrecommendation p.529，依次得到了不同的resnet仿真模型：resnet-okumura-hata、resnet-itu-r recommendation p.1546、resnet-itu-r recommendation p.1812、resnet-itu-r recommendation p.1411、resnet-itu-rrecommendation p.529。
28.resnet仿真模型属于深度学习神经网络，resnet仿真模型在cnn模型的基础上进行了结构上的优化和调整。resnet仿真模型与cnn模型的区别结构如图3所示，图3中左边为cnn模型的局部结构图，图3中右边为resnet仿真模型的残差层结构图。假设resnet仿真模型的原始输入数据为x，而希望得到的映射函数为f(x)。图3中左边虚线框中的部分需要直接拟合出映射函数f(x)，而右边虚线框内的部分则需要拟合出残差映射f(x)-x。实际resnet仿真模型中，当映射函数f(x)接近于恒等映射时，残差映射更容易捕捉到恒等映射的细微波动，在残差层中，输入数据能够通过跨层数据线路更快地向前传播。残差层很好地解决了深度神经网络的退化问题，同时保持了网络层的复杂度。同等层数的前提下，残差网络也收敛得更快，这使得网络可以用更深的层级来拟合数据。
29.s3、利用实测训练集对训练好的resnet仿真模型进行微调，直至收敛，得到本地化模型。
30.根据采集到的城市少量的有标实测数据对resnet仿真模型进行微调，从而保留传统经验模型的能力，并同时对训练好的resnet仿真模型进行校准。由于相对于仿真数据，实测数据量相对较小，如果针对resnet仿真模型进行全层调整，则容易导致过拟合，因此，针对上述微调，本发明在其过程中固定resnet仿真模型中的卷积层不变，仅针对全连接层进行微调。本发明在应用于准平坦地形的城市环境下，基于城市周围的环境状态，以及城市的实际电波传输数据，能够选择合适的深度学习resnet仿真模型。
31.s4、将待预测的影响传输损耗的参数输入本地化模型内，输出传输损耗。
32.具体实施方式二：结合图1-图3说明本实施方式，本实施方式所述一种基于神经网络的电波传播模型的传输损耗预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如一种基于神经网络的电波传播模型的传输损耗预测方法的任一步骤。
33.具体实施方式三：结合图1-图3说明本实施方式，本实施方式所述一种计算机可读
存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如一种基于神经网络的电波传播模型的传输损耗预测方法的任一步骤。