基于深度学习的无线传播应用分析

雒 腾 张德鑫 桂贝贝 曾志勇

（云南财经大学 统计与数学学院,云南 昆明650000）

1 概述

运营商在部署5G 网络的过程中,需要合理地选择覆盖区域内的基站站址,进而通过部署基站来满足用户的通信需求[1]。而在整个无线网络规划流程中,高效的网络估算对于精确的5G 网络部署有着非常重要的意义, 无线传播模型正是通过对目标通信覆盖区域内的无线电波传播特性进行预测, 使得小区覆盖范围、小区间网络干扰以及通信速率等指标的估算成为可能。

2 无线信号传播的分析以及模型构建与预测

2.1 数据来源

本文数据来源于“华为杯”第十六届中国研究生数学建模竞赛,赛题提供的数据集包含多个小区的工程参数数据、地图数据和RSRP 标签数据, 其中工程参数数据记录了各小区站点的工程参数信息,地图数据记录地形地貌等信息。RSRP 签代表平均信号接收功率, 单位为dBm. 并将弱覆盖判决门限Pth的值定为-103 dBm.若RSRP 预测值或实测值小于Pth则为弱覆盖,若大于等于Pth则为非弱覆盖。

2.2 问题概括

华为竞赛平台希望我们站在设备供应商与无线运营者的角度,合理地运用机器学习来建立无线传播模型,来对不同地理位置的RSRP 栅格的平均信号接收功率进行预测, 并有效识别出弱覆盖区域, 帮助运营商精准规划和优化网络从而提升客户体验[3]，其中使用均方根误差来作为RSRP 预测的评价标准,为有效测试目标, 还将弱覆盖识别准确率作为识别弱覆盖区域的评价指标。

2.3 特征设计

高效的机器学习模型建立依赖于输入变量与问题目标的强相关性, 因此我们通过文献资料查找可能影响无线发射机信号的因素[4],并通过模型以及大赛数据信息去设计出合适的特征变量，主要从两个角度去设计可能影响的特征变量,即几何位置、经验信道模型涉及参数,最终构造出了7 个新特征如表1 所示。

2.3.1 几何位置

对于影响无线发射机信号传播的因素, 我们可以根据已知的几何位置来挑选合理的特征. 目标栅格与发射机的地理位置关系如图1 所示。

a.目标栅格与发射机的距离

表1

图1

b.目标栅格与信号线的相对高度

c.天线与目标栅格的距离

d.天线与目标栅格相对高度的距离

e.发射机信号的强度

f.发射机所在栅格与目标栅格海拔差

2.3.2 经验信道模型涉及参数

a.发射机的有效高度

b.场景纠正常数

查阅了 Cost231-Hata模型及其相关的理论背景知识,发现在模型场景纠正常数的定义为：

Cm相当于传播路径损耗的惩罚因子, 结合实际的地物类型名称的编号含义,进行一定的分类区别对待,从而创造出新的特征,即场景纠正常数。

2.4 特征选择

以上我们完成了特征分析和设计的工作, 下面我们来进行特征筛选.输入变量也称为“特征”,而选择“少而精”的特征,一方面可以降低模型的复杂性,防止过拟合；另一方面也能够提高模型运行效率.本文从相关性和重要性两个角度来选择特征,计算出各个特征与目标变量(RSRP)的相关性,并利用决策树算法输出各特征对RSRP 的重要性, 再进行加权平均求出二者的综合得分,筛选出得分较高的15 个特征。

2.5 传播模型的构建和评价

由于数据量比较庞大,因此我们随机抽取了10 万条数据进行研究分析,对上面筛选的特征数据利用Tensorflow框架构建了神经网络模型[3], 隐藏层数设置为3,第一个隐藏层为300 个神经元,第二个隐藏层为200 个神经元,第三个隐藏层为100 个神经元.隐藏层神经元个数逐层减少,呈漏斗形,使得低级别的特征会逐渐被合并到高级别特征中。并且在每层采用了非饱和激活函数relu,之所以选用非饱和激活函数relu 激活函数,是我们考虑了梯度消失/爆炸问题.同时,为了避免多层神经网络在模型训练和模型预测过程当中可能出现的欠拟合和过拟合现象,我们必须要对多层神经网络进行一定的防范措施, 本文我们采用了正则化以避免可能出现的过拟合现象,即采用dropout 正则化进行一定的防过拟合处理。

在此,通过Tensorflow框架构建的多层网络的模型及其参数选择就基本已经完成, 接下来的工作就是通过我们构建的多层神经网络模型,代入训练数据集,进行相应的模型训练,最后得到预测值和实测值整体偏差的评价指标RMSE（均方根误差）结果为11.8001, 弱覆盖率的评价指标PCRR 为0.29, 符合大赛规定的大于0.2。

3 结论

本文主要是通过构建无线传播模型对目标通信覆盖区域内的无线信号传播的RSRP 进行预测,是一个回归问题,并且还通过设置弱覆盖判决门限对弱覆盖情况进行检测, 又涉及到了二分类问题. 因此在模型中用到的神经网络框架可以移植到其他回归或分类问题中,只需要改动数据预处理部分即可.这也是神经网络的强大之处,回归或分类问题,都可以通过增加神经网络的复杂度（增加隐藏层、增加神经元）和改变输出来实现。