基于机器学习的无线环境电磁参数拟合方法与流程

本发明涉及无线电电波传播技术领域，具体涉及一种基于机器学习的无线环境电磁参数拟合方法。

背景技术：

射线跟踪法是一种基于几何光学与电磁波传播理论的一种确定性信道仿真方法，能够模拟仿真给定无线传播场景的无线信道特性，例如：功率时延谱、路径损耗、均方根时延、角度功率谱等特性。射线跟踪无线信道仿真系统的精度很大程度上取决于仿真时无线环境描述的准确性，例如：电波传播路径中反射面电磁参数(如介电常数、导电率等)的准确性。

然而，在实际应用场景下，电波传播路径中反射面(如建筑物墙面)的电磁参数往往不尽相同，并且难以直接获取或准确测量，通常是从参考文献中选取。这样，当选取不同的电参数时，就会得到不同的无线信道仿真结果，射线跟踪仿真的精度或一致性难以保障。

人工神经网络是一种实现机器学习的方法，可以视为一种监督学习算法。人工神经网络是生物学和神经学科衍生而来的数学模型，主要是对人脑的神经元进行数学抽象，模拟人脑的工作，并建立相似的结构连接神经元，模拟生物神经网络。人工神经网络已经广泛应用于模式识别与分类，通过训练数据来揭示不同数据之间的关系。人工神经网络通过神经元的学习获得知识，并且通过神经元之间的联系存储所获取的知识。

因此，结合人工神经网络，获取精确的无线环境电磁参数具有广阔的应用前景。

技术实现要素：

本发明的目的在于提供一种能够通过人工神经网络的训练过程构建路径损耗与环境参数之间复杂的非线性关系，基于机器学习方法拟合出实际无线环境的电磁参数，以解决上述背景技术中存在的问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明提供的一种基于机器学习的无线环境电磁参数拟合方法，该方法包括如下步骤：

步骤s110：建立无线传播场景的三维射线跟踪模型；

步骤s120：根据所述无线传播场景的环境信息获得待拟合电磁参数的样本值，将多组所述待拟合电磁参数的样本值作为电磁参数样本集；

步骤s130：将所述待拟合电磁参数的样本集作为所述三维射线跟踪模型的输入，结合射线跟踪算法，获取相应的路径损耗仿真集；

步骤s140：对所述无线传播场景进行信道测量，获取不同收发天线位置处的路径损耗实际值；

步骤s150：设置神经网络训练参数，将所述路径损耗仿真集作为所述神经网络的输入，将所述待拟合电磁参数的样本集作为所述神经网络的输出，训练得到电磁参数拟合模型；

步骤s160：将所述路径损耗实际值作为所述电磁参数拟合模型的输入，获取电磁参数拟合值，作为无线传播场景的电磁参数实际值。

进一步的，所述环境信息包括环境尺寸、反射面介电常数范围和反射面电导率范围。

进一步的，所述待拟合电磁参数包括反射面介电常数和反射面电导率。

进一步的，所述神经网络参数包括神经网络的隐藏节点个数、训练目标、最大训练次数、训练算法、激活函数以及节点传递函数。

进一步的，所述步骤s150具体包括：

建立包括输入层、隐藏层和输出层的神经网络模型，将所述路径损耗仿真集作为神经网络训练的输入参数，将相对应的待拟合电磁参数的样本集作为人工神经网络训练的输出参数，对网络进行训练；包括，

设置神经网络的隐藏节点个数；

训练目标，设目标函数为其中，n是样本数，ci是第i次训练时电磁参数拟合值，mi是第i次训练时的待拟合电磁参数的样本值；

设置最大训练次数，当训练次数达到最大训练次数，停止训练；

选择优化算法，设置激活函数，设置节点传递函数。

进一步的，所述神经网络的隐藏节点个数设置为12，所述训练目标设置为10^-3，所述最大训练次数设置为1500，所述训练算法采用levenberg-marquardt(lm)优化算法，所述激活函数为a＝(eⁿ-e^-n)/(eⁿ+e^-n)，所述节点传递函数为y＝x。

本发明有益效果：通过少量实测结果(例如路径损耗、功率时延谱)对射线跟踪仿真场景模型中各反射面的电磁参数进行拟合，得到更接近真实值的无线环境电磁参数，可以实现更为精确、可靠的射线跟踪信道仿真，提高了射线跟踪信道仿真的精度。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一所述的基于机器学习的无线环境电磁参数拟合方法流程图。

图2为本发明实施例二所述的基于机器学习的无线环境电磁参数拟合方法流程图。

图3为本发明实施例二所述的选取的实验室无线传播场景示意图。

图4为本发明实施例二所述的神经网络训练原理框图。

图5为本发明实施例二所述的人工神经网络对电磁参数的拟合测试结果示意图。

图6(a)为本发明实施例二所述的5ghz频点下实测路径损耗与拟合无线环境电磁参数前后通过射线跟踪仿真所预测的路径损耗对比示意图。

图6(b)为本发明实施例二所述的5ghz频点下拟合无线环境电磁参数前后，通过射线跟踪仿真预测路径损耗误差的累积分布曲线对比示意图。

图7(a)为本发明实施例二所述的5.6ghz频点下实测路径损耗与拟合无线环境电磁参数前后通过射线跟踪仿真所预测的路径损耗对比示意图。

图7(b)为本发明实施例二所述的5.6ghz频点下拟合无线环境电磁参数前后，通过射线跟踪仿真预测路径损耗误差的累积分布曲线对比示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的模块。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。

需要说明的是，在本发明所述的实施例中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，可以是固定连接，也可以是可拆卸连接，或成一体，可以是机械连接，也可以是电连接，可以是直接连接，也可以是通过中间媒介间接连接，可以是两个元件内部的连通，或两个元件的相互作用关系，除非具有明确的限定。对于本领域技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且实施例并不构成对本发明实施例的限定。

本领域普通技术人员应当理解的是，附图只是一个实施例的示意图，附图中的部件或装置并不一定是实施本发明所必须的。

实施例一

如图1所示，本发明实施例一提供一种基于机器学习的无线环境电磁参数拟合方法，该方法包括如下步骤：

步骤s110：建立无线传播场景的三维射线跟踪模型；

步骤s120：根据所述无线传播场景的环境信息获得待拟合电磁参数的样本值，将多组所述待拟合电磁参数的样本值作为电磁参数样本集；

步骤s130：将所述待拟合电磁参数的样本集作为所述三维射线跟踪模型的输入，结合射线跟踪算法，获取相应的路径损耗仿真集；

步骤s140：对所述无线传播场景进行信道测量，获取不同收发天线位置处的路径损耗实际值；

步骤s150：设置神经网络训练参数，将所述路径损耗仿真集作为所述神经网络的输入，将所述待拟合电磁参数的样本集作为所述神经网络的输出，训练得到电磁参数拟合模型；

步骤s160：将所述路径损耗实际值作为所述电磁参数拟合模型的输入，获取电磁参数拟合值，作为无线传播场景的电磁参数实际值。

在实际应用中，上述步骤的实施顺序并不受上述顺序的限制，例如步骤s140可安排在步骤s150之后、步骤s160之前，也可实现电磁参数的拟合。

在本发明的具体实施例一中，所述环境信息包括环境尺寸、反射面介电常数范围和反射面电导率范围。

在本发明的具体实施例一中，所述待拟合电磁参数包括反射面介电常数和反射面电导率。

在本发明的具体实施例一中，所述步骤s150包括：

建立包括输入层、隐藏层和输出层的神经网络模型，将所述路径损耗仿真集作为神经网络训练的输入参数，将相对应的待拟合电磁参数的样本集作为人工神经网络训练的输出参数，对网络进行训练；包括，

设置神经网络的隐藏节点个数；

设目标函数为y＝f(x)，训练目标，即

其中，n是样本数，ci是第i次训练时电磁参数拟合值，mi是第i次训练时的待拟合电磁参数真实值(待拟合电磁参数的样本集中的值)；

设置最大训练次数，当训练次数达到最大训练次数，停止训练；

选择优化算法，设置激活函数，设置节点传递函数。

在本发明的具体实施例一中，所述神经网络参数包括神经网络的隐藏节点个数、训练目标、最大训练次数、训练算法、激活函数以及节点传递函数。

在本发明的具体实施例一中，所述神经网络的隐藏节点个数设置为12，所述训练目标设置为10^-3，所述最大训练次数设置为1500，所述训练算法采用lm优化算法，所述激活函数为a＝(eⁿ-e^-n)/(eⁿ+e^-n)，所述节点传递函数为y＝x。

在实际应用中，上述神经网络的设置参数并不受上述参数的限制，本领域技术人员可根据实际情况确定神经网络的设置参数。

需要指出的是，除了人工神经网络，也可以选用其他机器学习方法来拟合或优化无线环境电磁参数。从机器学习模型分类的角度来看，机器学习可以分成以下类型的算法：

(1)监督学习算法：机器学习中有一大部分的问题属于监督学习的范畴，这类问题中，给定的训练样本中，每个样本的输入x都对应一个确定的结果y，我们需要训练出一个模型(数学上看是一个x→y的映射关系f)，在未知的样本x′给定后，我们能对结果y′做出预测。

(2)无监督学习：有另外一类问题，给我们的样本并没有给出标签/标准答案，就是一系列的样本。而我们需要做的事情是，在一些样本中抽取出通用的规则。这叫做无监督学习。

(3)半监督学习：这类问题给出的训练数据，有一部分有标签，有一部分没有标签。我们需要在学习出数据组织结构的同时，也能做相应的预测。

实施例二

如图2所示，本发明实施例二提供的一种基于机器学习的无线环境电磁参数拟合方法，该方法包括如下流程步骤：

步骤1：数据准备。

选择场景，作为示例，选取如图2所示的实验室场景(室内场景)，测量得到的场景尺寸如图3所示，无线场景信息输入到射线跟踪算法；待拟合的无线环境电磁参数是实验室墙面的介电常数ε和电导率σ，因此，随机生成大量(例如500组)介电常数ε和电导率σ作为训练数据。

测量得到图3所示场景内的路径损耗，测量点的位置如图3所示，发射点在a2点，接收点在rx所在的水平导轨上移动，连续在64个接收天线位置进行路径损耗的测量，不同测量点之间相距为发射信号载波频率的半波长，这样就可以得到64个路径损耗值，如图6的所示，发射信号载波频率分别在5ghz和5.6ghz。

输入无线场景(实验室)环境信息(例如：实验室的长、宽、高尺寸)，无线场景电磁参数，例如反射面的介电常数ε和电导率σ，通过射线跟踪信道仿真就可以得到选取不同的无线场景电磁参数时64个接收天线位置处的路径损耗值。这些路径损耗值与无线环境电磁参数值可用作人工神经网络的训练数据。

步骤2：人工神经网络训练。

表1给出了神经网络训练参数表。作为示例，神经网络的隐藏节点个数设置为12，训练目标设置设置为10^-3，最大训练次数设置为1500，采用lm(levenberg-marquardtalgorithm)优化算法。设置激活函数为a＝(eⁿ-e^-n)/(eⁿ+e^-n)，节点传递函数设置为y＝x。

将步骤1中得到的500组64维的路径损耗作为训练的输入参数，将500组场景的电磁参数作为训练的输出参数，生成如图4所示的神经网络。

本发明的具体实施例二中，所建立的神经网络结构如图4所示，神经网络的输出层只有一组参数，即实验室墙壁的电磁参数(包括相对介电常数、电导率等)，输入为64维的数据，分别是64个天线位置的路径损耗。图4中的w与b分别是神经元的权重向量和偏置，即权重向量指的是连接相邻神经元的斜率。

对于训练数据训练出的神经网络，通过随机数生成的另外20组电磁参数仿真得到的64根天线上路径损耗作为输入，无线场景的介电常数和电导率作为输出，通过神经网络仿真之后得到的测试值如图5中的黑色圆点所示，图中的折线为射线跟踪仿真中所选用的介电常数与电导率。图5(a)表示训练数据电导率测试例，图5(b)表示随机产生电导率测试例，图5(c)表示训练数据介电常数测试例，图5(d)表示随机产生介电常数测试例。

图5表明训练后的神经网络可以有效拟合出无线场景的电磁参数。

表1神经网络训练参数表

步骤3：电磁参数拟合。

将步骤1中测量得到的64个位置的路径损耗作为输入参数，输入进步骤2中得到的神经网络，拟合得到无线场景中墙面的介电常数ε为9.7，σ为0.08。将拟合得到的介电常数重新输入射线跟踪算法中对比，与其他随机参数做比较，如图6、图7所示，不同频点下路径损耗实测与仿真结果的对比可以看出，当ε取值为9.7，σ取值为0.08的时候，射线跟踪仿真结果与实测结果更为接近，信道预测误差通过采用本方法拟合后的无线环境电磁参数得到明显降低。

其中，图6(a)表示在5ghz频点下实测路径损耗与拟合无线环境电磁参数前后通过射线跟踪仿真所预测的路径损耗之对比；图6(b)是5ghz频点下拟合无线环境电磁参数前后，通过射线跟踪仿真预测路径损耗误差的累积分布曲线之对比。由图6可以看出，采用本方法拟合后的电磁参数可以有效提升射线跟踪信道仿真或信道预测的精度、降低信道预测误差。

图7(a)表示5.6ghz频点下实测路径损耗与拟合无线环境电磁参数前后通过射线跟踪仿真所预测的路径损耗之对比；图7(b)是5.6ghz频点拟合无线环境电磁参数前后，通过射线跟踪仿真预测路径损耗误差的累积分布曲线之对比。由图7可以看出，采用本方法拟合后的电磁参数可以有效提升射线跟踪信道仿真或信道预测的精度、降低信道预测误差。

实施例三

如图2所示，本发明实施例三提供的一种基于机器学习的无线环境电磁参数拟合方法，该方法通过射线跟踪算法，首先输入不同的无线环境电磁参数值，得到相应的路径损耗，将路径损耗作为神经网络训练的输入参数，将无线环境电磁参数值作为神经网络的输出参数；然后通过神经网络的训练过程，建立无线环境路径损耗与电气参数之间的神经网络；最后根据该无线环境实测的路径损耗得到实际无线环境的电磁参数。

利用机器学习技术，根据信道仿真或信道预测的精度要求具有自学习的能力，对于不同的精度要求，可以设置不同的最大训练次数或阈值；

在本发明的具体实施例三中，所述神经网络选用3层神经网络，包括输入层、隐藏层和输出层。人工神经网络中很重要的一环是选取合适的隐藏层神经元数量，当隐藏层神经元个数过多时，神经网络的学习效果比较出众，但是可能出现过度拟合的状况，导致神经网络的泛化能力出现问题，而当隐藏层的神经元个数过少的时候，则无法完成预定的学习要求，导致较大拟合误差。

选取隐藏层神经元数量时可参考公式(1)：

nhid≤ntrain/[r+(nin+nout)](1)

其中ntrain为训练样本数，nin为输入层神经元数目，nout为输出层神经元数目，nhit为隐藏层神经元数目，常数r取5≤r≤10，其下界大于输入层的神经元数目。

本发明实施例三所提出的基于机器学习的无线环境参数拟合方法主要包括以下工作步骤：

步骤1：准备训练数据。

首先，选取场景并对选取的无线环境建模，以实验室场景为例，根据实验室的建筑物基础数据(如长、宽、高等)，建立实验室场景的三维电波传播射线跟踪模型；

然后，对实际无线环境进行信道测量，例如得到不同位置处的路径损耗，并记录测量路径损耗的收发天线位置；

此外，根据无线环境待拟合的电磁参数(例如：反射面的相对介电常数与电导率)的取值范围，随机生成大量训练数据，训练神经网络的输入端由无线环境中各个反射面的电磁参数(例如：反射面的相对介电常数ε与电导率σ)构成，而训练神经网络的输出端则是实测的路径损耗(pl)数据。

步骤2：训练神经网络。

设置神经网络参数；设置神经网络的隐藏节点个数；

设目标函数为y＝f(x)，训练目标，即的值；其中，n是样本数，ci是第i次训练时电磁参数拟合值，mi是第i次训练时的电磁参数的真实值(电磁参数样本集)；

设置最大训练次数，当训练次数达到最大训练次数，停止训练；

选择优化算法；设置激活函数；设置节点传递函数；

作为示例，首先建立一个包括输入层、隐藏层和输出层的神经网络模型，将步骤1中的大量的路径损耗(仿真)值pl作为人工神经网络训练的输入参数，将相对应的无线环境电磁参数，例如(随机生成的)大量的介电常数ε与电导率σ，作为人工神经网络训练的输出参数，对网络进行训练。

步骤3：拟合电磁参数。

将给定无线场景内测量得到的不同位置处路径损耗值输入到步骤2训练好的人工神经网络，就可以在神经网络的输出端得到所拟合出的实际无线环境待拟合的电磁参数。

综上所述，本发明实施例所述的基于机器学习的无线环境电磁参数拟合方法利用人工神经网络对射线跟踪无线信道仿真，对无线电波传播过程中所涉及的各反射面电磁参数进行拟合，可得到更接近真实值的无线环境电磁参数，进而实现更为精确、可靠的射线跟踪信道仿真，提高了射线跟踪信道仿真或信道预测的精度。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。