基于多层感知机的无线接入点功率估计方法

本发明涉及一种无线接入点功率估计方法，尤其适用于通信领域使用的一种基于多层感知机的无线接入点功率估计方法。

背景技术：

随着无线通信技术的进一步发展，无线网络在现实场景中为人们提供越来越便捷的服务。目前，在大型办公楼、学校、商场等都覆盖了自己的无线网络，无线网络可以有效的弥补移动蜂窝网在建筑物中弱覆盖，漏覆盖的问题，随着5g网络技术的蓬勃发展，无线网络也作为无人驾驶、智慧医疗、物联网等领域的重要一环不可或缺，用户对无线网络的依赖和需求也日益增长。每天在新的场景都有无线局域网和无线接入点被规划布置，随着无线接入点的增加，或是网络的不合理规划，初始网络往往会存在过覆盖、弱覆盖等问题，也势必因ap之间的相互干扰极大地影响用户体验。因此，一个合理的无线接入点功率配置方法不仅能提升用户入网的初始体验，也能为网络调优提供一个较优的初始值。

传统无线网络调优算法大部分都是预先给网络中的ap功率配置统一的初始值，这一初始值往往影响了后续调优算法的迭代和收敛速度，且不同ap在整网中与邻居ap所处的环境、距离不同，统一的初始值显然不是一个较优的决策。从理想情况考虑，若终端用户处于邻居ap连线投影到地面的中点，且此时正好是合格用户体验的下限，称此时ap拥有最小覆盖边界，即ap到终端的路损。若能够建立数学模型，根据网络环境参数估计当前环境ap的最小覆盖路损，就能得出理想的功率初值，在此基础上进行网络调优，即可极大提升网络调优算法的收敛速度，避免无效探索。

ap功率估计，实际上是估计ap最小覆盖边界，本质上是一个拟合问题，可以根据无线局域网络的硬件参数、ap部署环境特征来拟合当前ap的最小覆盖边界。神经网络可以利用自身强大的非线性拟合能力来拟合输入特征与路损之间的非线性关系，估计当前ap最小覆盖边界。因为无线网络环境较为复杂，容易受到外部干扰，以及数据上报错误，因此最小覆盖边界样本特征常含有异常值，这对最小覆盖边界的估计带来了极大的挑战。

技术实现要素：

发明目的：对于现有技术中存在的问题与不足，本发明的目的在于设计一种基于多层感知机的无线接入点功率估计方法，通过大数据分析筛选，建模构造，采用深度多层感知机网络得出较优的无线接入点功率配置策略，保证一个较优的网络初始环境，提升网络调优收敛速度。

技术方法：本发明的基于多层感知机的无线接入点功率估计方法，所述的无线局域网包括无线连接的多个无线接入点ap和多个终端，通过收集无线接入点ap端的数据样本来训练模型，指导接入点ap之间路损改变后的功率配置，具体步骤如下：

首先获取无线局域网中无线接入点ap和终端上报特征数据，然后将无线局域网中无线接入点和终端上报特征数据作为原始数据，之后对原始数据进行预处理获得特征数据：根据相等且最小分位数法，通过特征数据制作无线接入点ap间最小覆盖边界数据集x；

然后利用神经网络的拟合能力建立ap、终端、空间特征与覆盖边界路损之间的非线性关系构建多层感知机网络，利用多层感知机网络对多层感知机网络针对无线接入点ap间最小覆盖边界数据集x进行训练，最终获得训练好的多层感知机网络模型；

将新环境的无线局域网特征输入训练好的多层感知机网络模型，从而估计出当前新环境的无线局域网中无线接入点ap的覆盖边界；

最后利用合格用户体验标准，即终端用户为保证业务体验流畅接收信号强度需达到至少-65dbm计算获得无线接入点的功率配置。

制作无线接入点ap间最小覆盖边界数据集x具体步骤为：

(11)读取所述预处理后包含有噪声、异常值的特征数据，特征数据包括ap端特征：发射功率记为p、天线增益记为tx、ap间路损记为pl；终端特征：多关联ap扫描接收信号强度记为rssi(i)、终端天线增益记为rx；空间特征：层高记为h、ap间距记为s,其中oj代表sta关联的ap(i)数据域；

(12)利用公式：pli,j,t＝pap(j,t)-rssista(i,t)+txap(j,t)+rxsta(i,t)，对读取的特征数据进行异常值处理和筛选，从而计算出终端到能感知的所有ap的路损数据，其中pli,j,t代表t时刻sta(i)和ap(j)之间的路损，pap(j,t)代表t时刻ap(j)的发射功率，rssista(i,t)代表t时刻sta(i)的接收信号强度，txap(j,t)代表t时刻ap(j)天线增益，rxsta(i,t)代表t时刻sta(i)天线增益；

(13)对终端到能感知的所有ap的路损数据，依据ap路损最小，按邻居ap两两分组，搜索终端路损数据中到邻居ap路损相等的数据，并排序取前w％求平均，w的取值范围为(0,5]，w％的平均值等效为最小覆盖边界路损数据；

根据最小覆盖边界数据集x对多层感知机网络进行训练，估计出邻居ap最小覆盖边界的具体步骤为：

(21)首先将最小覆盖边界数据集x随机以按比例分为训练集和测试集，需要确保训练集中吞吐量预测样本数量至少是测试集的2倍，且训练集与测试集无交集；

(22)训练多层感知机网络模型，当多层感知机网络模型中的各网络参数达到收敛标准后固定模型网络参数，当前固定的模型网络参数下的多层感知机网络模型即为训练好的多层感知机网络模型；

(23)利用训练好的多层感知机网络模型对新的无线局域网中ap环境特征进行预测估计，从而获得新的无线局域网当前ap的最小覆盖边界plout。

利用合格用户体验标准计算功率配置具体步骤为：

(31)首先通过训练好的多层感知机模型估计出新环境ap最小覆盖边界plout；

(32)然后基于专家经验，用户接收信号强度至少须达到-65dbm，得出用户体验优时，终端接收信号强度应大于rst；

(33)利用公式：pj＝plout+rst+txj计算当前ap需要的功率配置pj，式中rst代表合格用户体验标准所需达到的最小接收信号强度标准，txj代表ap(j)的天线增益。

有益效果：本方法能够实现无线接入点ap功率的准确估计；根据无线局域网背景环境特征估计最小覆盖边界得出功率配置，下发后能改善网络kpi，降低同频干扰率，减小过覆盖带来的功耗，为网络调优提供较优初值。

附图说明：

图1为本发明基于多层感知机的无线接入点功率估计方法流程图；

图2为无线接入点最小覆盖边界定义示意图；

图3为本发明无线接入点最小覆盖边界估计模型训练与预测流程图；

图4为本发明无线接入点功率估计方法整网增益对比图。

具体实施方式：

下面结合附图和具体实施例对本发明进一步的详细说明。

本发明提供了一种基于多层感知机的无线接入点功率估计方法，解决了传统无线局域网接入点采用专家经验作为功率初始值带来的网络环境和用户体验恶劣问题，同时加快了网络调优算法的收敛速度。

如图1所示，该方法具体步骤如下：

步骤1：获取无线局域网中无线接入点和终端上报特征作为原始数据，包括ap端特征：发射功率、天线增益、ap间路损等，终端特征：多关联ap扫描接收信号强度、终端天线增益等，空间特征：层高、ap间距等。通过对特征进行预处理，生成以终端和时间戳为区分的样本集合，其中包括终端至所有扫描邻居ap的路损：

pli,j,t＝pap(j,t)-rssista(i,t)+txap(j,t)+rxsta(i,t)

其中pli,j,t代表t时刻sta(i)和ap(j)之间的路损，pap(j,t)代表t时刻ap(j)的发射功率，rssista(i,t)代表t时刻sta(i)的接收信号强度，txap(j,t)代表t时刻ap(j)天线增益，rxsta(i,t)代表t时刻sta(i)天线增益；

取最小的邻居ap对，形成大量终端到最小邻居对的路损样本。再根据最小分位数法，对同一ap对取排序前w％的平均值等效为最小覆盖边界，结合天线增益、ap间路损、终端天线增益、层高、ap间距等原始特征，制作ap间最小覆盖边界数据集x。w的大小取决于当前邻居ap对对应的终端数据池大小，大数据池邻居对可取[1,5]可以保证最小覆盖边界值的鲁棒性，小数据池邻居对可取尽量小，例如(0,1]，保证最小覆盖边界相对准确性。本实例中w通过自适应方法得出；

步骤2：根据所述数据集x，采用基于keras框架的深度多层感知机网络进行预测估计，根据无线局域网络背景环境特征，无线接入点硬件参数特征，终端接收端特征，估计出当前时刻无线局域网络中ap合适的最小覆盖边界。所述基于深度多层感知机网络的吞吐量预测方法并不局限于keras框架，只要能对数据集x进行训练，且在训练过程中迭代若干次(次的数量级)后达到损失函数收敛并且最终能够实现根据无线局域网络特征对ap进行最小覆盖边界估计即可。

步骤3：基于所述得到的ap最小覆盖边界plout，plout＝[plout1,plout2,...,ploutn]和最小覆盖边界上用户体验接收信号强度标准，计算出当前ap需要配置的功率pj：

pj＝ploutj+rst+txj

其中合格用户体验标准所需达到的最小接收信号强度标准rst通常为-65dbm，txj表示ap(j)的天线增益；用户接收信号强度大于等于-65dbm时，无线局域网中业务质量能得到保障；ap端天线增益tx默认为为3dbm。

路损是发射功率和接收信号强度之差，表示ap到ap，ap到终端的信号衰减程度，路损越大，代表两点之间距离越远。无线局域网中，若ap间路损过大，即代表ap对距离较远，或是ap之间存在遮挡。假设ap1感知ap2为路损最小的邻居，则称ap2为ap1的最小邻居对，ap的最小覆盖边界如图2所示。

从数据中学得模型的过程称为训练或学习，把训练集输入到深度多层感知机网络中，深度多层感知机网络学习无线局域网络ap、终端、空间特征与ap最小覆盖边界的数学关系，经过上千次的迭代训练后，就可以得到深度多层感知机模型，即ap最小覆盖边界估计模型。通过ap最小覆盖边界模型就可以实现根据无线局域网络相关特征进行ap最小覆盖边界预测。如图3所示，所述步骤包括：

(21)对于数据集x，将数据集x以7:3的比例分为训练集和测试集，训练集和测试集之间没有交集。训练过程中使用的数据称为训练数据，其中每个样本称为训练样本。训练样本组成的集合称为训练集。而测试集则被用来测试模型对于新样本的判别能力。可理解的，训练集和测试集中所述ap吞吐量预测样本的比例不限于7∶3，可以设置成任意比例，但需要确保训练集中吞吐量预测样本数量至少是测试集的2倍，且训练集与测试集无交集；

(22)训练多层感知机网络模型，达到收敛标准后固定模型网络参数；

(23)根据无线局域网中ap、终端、空间特征，预测当前ap最小覆盖边界plout。

如图4所示，同频干扰率往往能客观反映一个网络的优劣，第1,2,3天整网采用的是利用专家经验得出的功率配置，第4,5天采用的是本方法，统计整网同频干扰率后可发现，第4天方法估计出的功率下发后，整网同频干扰率相对降低24％。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory,rom)等。